- EAN13
- 9782212119725
- ISBN
- 978-2-212-11972-5
- Éditeur
- Eyrolles
- Date de publication
- 15/11/2007
- Collection
- Algorithmes
- Nombre de pages
- 426
- Dimensions
- 23 x 17 x 3,4 cm
- Poids
- 901 g
- Langue
- français
- Code dewey
- 004
- Fiches UNIMARC
- S'identifier
Réseaux bayésiens
Patrick Naïm, Pierre-Henri Wuillemin, Philippe Leray, Olivier Pourret
Eyrolles
Algorithmes
Offres
Autre version disponible
Modèles de connaissances pour l'aide à la décision, le diagnostic ou le contrôle de systèmes complexes
Technique mathématique combinant statistiques et intelligence artificielle, les réseaux bayésiens permettent d'analyser de grandes quantités de données pour en extraire des connaissances utiles à la prise de décision, contrôler ou prévoir le comportement d'un système, diagnostiquer les causes d'un phénomène, etc.
Les réseaux bayésiens sont utilisés dans de nombreux domaines : santé et environnement (localisation de gènes, diagnostic, gestion des ressources naturelles), industrie et transports (contrôle d'automates et de véhicules), informatique et réseaux (agents intelligents), marketing (data mining, gestion de la relation client), management (aide à la décision, analyse financière, gestion des risques), etc.
Fondements théoriques, méthodologie de mise en oeuvre, études de cas et panorama des outils
Après une première partie de présentation "intuitive" des réseaux bayésiens accompagnée d'exercices, la deuxième partie du livre en expose les fondements théoriques, avec une étude détaillée des algorithmes les plus importants. Résolument pratique, la troisième partie de l'ouvrage propose une méthodologie de mise en oeuvre, un panorama des domaines d'application, six études de cas détaillées, ainsi qu'une présentation des principaux logiciels de modélisation de réseaux bayésiens (Bayes Net Toolbox, BayesiaLab, Hugin, Netica et Elvira).
À qui s'adresse l'ouvrage ?
Aux ingénieurs, informaticiens, industriels, biologistes, économistes confrontés à des problèmes d'analyse de données, d'aide à la décision, de gestion des connaissances, de diagnostic ou de contrôle de systèmes.
Aux étudiants en mathématiques appliquées, algorithmique, économie, recherche opérationnelle, gestion de production, automatique, etc.
Au sommaire
Introduction aux réseaux bayésiens. Approche intuitive,
Introduction aux algorithmes : inférence, apprentissage...
Exercices corrigés
Cadre théorique et présentation détaillée des algorithmes,
Modèles
Propagations
Apprentissage
Méthodologie de mise en oeuvre et études de cas,
Mise en oeuvre des réseaux bayésiens
Panorama des applications
Étude de cas n°1 : gestion des risques (EDF)
Étude de cas n°2 : risques bancaires et mise en oeuvre des accords de Baie
Étude de cas n°3 : modélisation du réseau électrique de la région PACA (EDF)
Étude de cas n°4 : application de scoring pour la vente de crédit en ligne
Étude de cas n°5 : gestion de ressources naturelles
Étude de cas n°6 : diagnostic médical.
Annexes. Théorie des graphes,
Rappels de probabilités
Outils logiciels : Bayes Net Toolbox, BayesiaLab, Hugin, Netica et Elvira
Technique mathématique combinant statistiques et intelligence artificielle, les réseaux bayésiens permettent d'analyser de grandes quantités de données pour en extraire des connaissances utiles à la prise de décision, contrôler ou prévoir le comportement d'un système, diagnostiquer les causes d'un phénomène, etc.
Les réseaux bayésiens sont utilisés dans de nombreux domaines : santé et environnement (localisation de gènes, diagnostic, gestion des ressources naturelles), industrie et transports (contrôle d'automates et de véhicules), informatique et réseaux (agents intelligents), marketing (data mining, gestion de la relation client), management (aide à la décision, analyse financière, gestion des risques), etc.
Fondements théoriques, méthodologie de mise en oeuvre, études de cas et panorama des outils
Après une première partie de présentation "intuitive" des réseaux bayésiens accompagnée d'exercices, la deuxième partie du livre en expose les fondements théoriques, avec une étude détaillée des algorithmes les plus importants. Résolument pratique, la troisième partie de l'ouvrage propose une méthodologie de mise en oeuvre, un panorama des domaines d'application, six études de cas détaillées, ainsi qu'une présentation des principaux logiciels de modélisation de réseaux bayésiens (Bayes Net Toolbox, BayesiaLab, Hugin, Netica et Elvira).
À qui s'adresse l'ouvrage ?
Aux ingénieurs, informaticiens, industriels, biologistes, économistes confrontés à des problèmes d'analyse de données, d'aide à la décision, de gestion des connaissances, de diagnostic ou de contrôle de systèmes.
Aux étudiants en mathématiques appliquées, algorithmique, économie, recherche opérationnelle, gestion de production, automatique, etc.
Au sommaire
Introduction aux réseaux bayésiens. Approche intuitive,
Introduction aux algorithmes : inférence, apprentissage...
Exercices corrigés
Cadre théorique et présentation détaillée des algorithmes,
Modèles
Propagations
Apprentissage
Méthodologie de mise en oeuvre et études de cas,
Mise en oeuvre des réseaux bayésiens
Panorama des applications
Étude de cas n°1 : gestion des risques (EDF)
Étude de cas n°2 : risques bancaires et mise en oeuvre des accords de Baie
Étude de cas n°3 : modélisation du réseau électrique de la région PACA (EDF)
Étude de cas n°4 : application de scoring pour la vente de crédit en ligne
Étude de cas n°5 : gestion de ressources naturelles
Étude de cas n°6 : diagnostic médical.
Annexes. Théorie des graphes,
Rappels de probabilités
Outils logiciels : Bayes Net Toolbox, BayesiaLab, Hugin, Netica et Elvira
S'identifier pour envoyer des commentaires.