Réseaux bayésiens avec R
1st Edition
Published on 11. February 2021
261 pages
978-2-7598-1742-9 (ISBN)
Description
No detailed description available for "Réseaux bayésiens avec R".
More details
Persons
Denis Jean-Baptiste :
Jean-Baptiste Denis est chercheur sénior au département de Mathématiques et Informatique Appliquées de l'INRA (Institut National de Recherche Agronomique). Ses outils préférés sont les approches bayésiennes (réseaux et aussi statistique) qu'il utilise en particulier pour la modélisation des risques microbiologiques liés à l'alimentation. Il est l'auteur du paquet R, rbmn, consacré à la manipulation des réseaux bayésiens gaussiens.Scutari Marco :
Marco Scutari, après avoir été chercheur associé en génétique statistique à l'Institut de Génétique de l'UCL (University College London), débute une charge d'enseignement au département de statistique de l'université d'Oxford. Son thème de recherche de prédilection est la théorie des réseaux bayésiens et leur application aux données biologiques. Il est l'auteur du paquet R le plus complet sur les réseaux bayésiens, bnlearn, consacré en autres à l'apprentissage.
Jean-Baptiste Denis est chercheur sénior au département de Mathématiques et Informatique Appliquées de l'INRA (Institut National de Recherche Agronomique). Ses outils préférés sont les approches bayésiennes (réseaux et aussi statistique) qu'il utilise en particulier pour la modélisation des risques microbiologiques liés à l'alimentation. Il est l'auteur du paquet R, rbmn, consacré à la manipulation des réseaux bayésiens gaussiens.Scutari Marco :
Marco Scutari, après avoir été chercheur associé en génétique statistique à l'Institut de Génétique de l'UCL (University College London), débute une charge d'enseignement au département de statistique de l'université d'Oxford. Son thème de recherche de prédilection est la théorie des réseaux bayésiens et leur application aux données biologiques. Il est l'auteur du paquet R le plus complet sur les réseaux bayésiens, bnlearn, consacré en autres à l'apprentissage.
Content
- Intro
- PRÉFACE
- AVANT-PROPOS
- Table des matières
- Chapitre 1. Cas discret : les réseaux bayésiens multinomiaux
- 1.1 Exemple introductif : une enquête sociologique
- 1.2 Représentation graphique
- 1.3 Représentation probabiliste
- 1.4 Estimation des tables de probabilités
- 1.5 Apprentissage de la structure du graphe
- 1.6 Utilisation d'un rb discret
- 1.7 Diagrammes pour rb discrets
- 1.8 Lectures complémentaires
- Chapitre 2. Cas continu : les réseaux bayésiens gaussiens
- 2.1 Exemple introductif : analyse d'un rendement
- 2.2 Représentation graphique
- 2.3 Représentation probabiliste
- 2.4 Estimation des paramètres
- 2.5 Apprentissage de la structure du dag
- 2.6 Utilisation d'un rbg
- 2.7 Diagrammes
- 2.8 Propriétés supplémentaires
- 2.9 Lectures complémentaires
- Chapitre 3. Réseaux bayésiens hybrides
- 3.1 Exemple introductif : production de fer pour béton
- 3.2 Exemple d'une récolte parasitée
- 3.3 A propos des logiciels bugs
- 3.4 Lectures complémentaires
- Chapitre 4. Théorie des réseaux bayésiens et algorithmes associés
- 4.1 Indépendance conditionnelle et séparation graphique
- 4.2 Les réseaux bayésiens
- 4.3 Couvertures de Markov
- 4.4 Graphes moralisés
- 4.5 Apprentissage d'un réseau bayésien
- 4.6 Inférence par réseaux bayésiens
- 4.7 Réseaux bayésiens causaux
- 4.8 Lectures complémentaires
- Chapitre 5. Logiciels pour réseaux bayésiens
- 5.1 Revue des paquets R
- 5.2 Les logiciels bugs
- 5.3 Autres logiciels
- Chapitre 6. Réseaux bayésiens en grandeur réelle
- 6.1 Prédiction de la composition corporelle 1
- 6.2 Apprentissage d'un réseau de protéines-signal
- 6.3 Lectures complémentaires
- Pour conclure
- Annexe A. Théorie des graphes
- Annexe B. Distributions de probabilités
- Annexe C. Glossaire
- Annexe D. Solutions
- Bibliographie
- Index
