Contexte Nos Propositions Conclusion et perspective 
Evaluation des algorithmes d’apprentissage 
de structure pour les rés...
Contexte Nos Propositions Conclusion et perspective 
Plan 
1 Contexte 
Motivation 
Réseaux Bayésiens 
Evaluation de l’appr...
Contexte Nos Propositions Conclusion et perspective 
Motivation 
Réseaux Bayésiens Dynamiques (DBN) 
Extensions des BN pou...
Contexte Nos Propositions Conclusion et perspective 
Motivation 
Réseaux Bayésiens Dynamiques (DBN) 
Extensions des BN pou...
Contexte Nos Propositions Conclusion et perspective 
Motivation 
Réseaux Bayésiens Dynamiques (DBN) 
Extensions des BN pou...
Contexte Nos Propositions Conclusion et perspective 
Réseaux Bayésiens (statiques) (BN) 
Définition (Pearl,85) 
Un réseau ...
Contexte Nos Propositions Conclusion et perspective 
Réseaux Bayésiens dynamiques (DBN) 
BN à k tranches de temps (k-TBN) ...
Evaluation des algorithmes d’apprentissage de structure pour les réseaux Bayésiens dynamiques
Evaluation des algorithmes d’apprentissage de structure pour les réseaux Bayésiens dynamiques
Evaluation des algorithmes d’apprentissage de structure pour les réseaux Bayésiens dynamiques
Evaluation des algorithmes d’apprentissage de structure pour les réseaux Bayésiens dynamiques
Evaluation des algorithmes d’apprentissage de structure pour les réseaux Bayésiens dynamiques
Evaluation des algorithmes d’apprentissage de structure pour les réseaux Bayésiens dynamiques
Evaluation des algorithmes d’apprentissage de structure pour les réseaux Bayésiens dynamiques
Evaluation des algorithmes d’apprentissage de structure pour les réseaux Bayésiens dynamiques
Evaluation des algorithmes d’apprentissage de structure pour les réseaux Bayésiens dynamiques
Evaluation des algorithmes d’apprentissage de structure pour les réseaux Bayésiens dynamiques
Evaluation des algorithmes d’apprentissage de structure pour les réseaux Bayésiens dynamiques
Evaluation des algorithmes d’apprentissage de structure pour les réseaux Bayésiens dynamiques
Evaluation des algorithmes d’apprentissage de structure pour les réseaux Bayésiens dynamiques
Evaluation des algorithmes d’apprentissage de structure pour les réseaux Bayésiens dynamiques
Evaluation des algorithmes d’apprentissage de structure pour les réseaux Bayésiens dynamiques
Evaluation des algorithmes d’apprentissage de structure pour les réseaux Bayésiens dynamiques
Evaluation des algorithmes d’apprentissage de structure pour les réseaux Bayésiens dynamiques
Evaluation des algorithmes d’apprentissage de structure pour les réseaux Bayésiens dynamiques
Evaluation des algorithmes d’apprentissage de structure pour les réseaux Bayésiens dynamiques
Evaluation des algorithmes d’apprentissage de structure pour les réseaux Bayésiens dynamiques
Evaluation des algorithmes d’apprentissage de structure pour les réseaux Bayésiens dynamiques
Evaluation des algorithmes d’apprentissage de structure pour les réseaux Bayésiens dynamiques
Evaluation des algorithmes d’apprentissage de structure pour les réseaux Bayésiens dynamiques
Evaluation des algorithmes d’apprentissage de structure pour les réseaux Bayésiens dynamiques
Evaluation des algorithmes d’apprentissage de structure pour les réseaux Bayésiens dynamiques
Evaluation des algorithmes d’apprentissage de structure pour les réseaux Bayésiens dynamiques
Evaluation des algorithmes d’apprentissage de structure pour les réseaux Bayésiens dynamiques
Evaluation des algorithmes d’apprentissage de structure pour les réseaux Bayésiens dynamiques
Evaluation des algorithmes d’apprentissage de structure pour les réseaux Bayésiens dynamiques
Evaluation des algorithmes d’apprentissage de structure pour les réseaux Bayésiens dynamiques
Evaluation des algorithmes d’apprentissage de structure pour les réseaux Bayésiens dynamiques
Evaluation des algorithmes d’apprentissage de structure pour les réseaux Bayésiens dynamiques
Evaluation des algorithmes d’apprentissage de structure pour les réseaux Bayésiens dynamiques
Prochain SlideShare
Chargement dans…5
×

Evaluation des algorithmes d’apprentissage de structure pour les réseaux Bayésiens dynamiques

562 vues

Publié le

Présentation lors des JFRB 2014, IHP, Paris, 25-27 juin 2014.

Publié dans : Sciences
0 commentaire
0 j’aime
Statistiques
Remarques
  • Soyez le premier à commenter

  • Soyez le premier à aimer ceci

Aucun téléchargement
Vues
Nombre de vues
562
Sur SlideShare
0
Issues des intégrations
0
Intégrations
5
Actions
Partages
0
Téléchargements
25
Commentaires
0
J’aime
0
Intégrations 0
Aucune incorporation

Aucune remarque pour cette diapositive

Evaluation des algorithmes d’apprentissage de structure pour les réseaux Bayésiens dynamiques

  1. 1. Contexte Nos Propositions Conclusion et perspective Evaluation des algorithmes d’apprentissage de structure pour les réseaux Bayésiens dynamiques Ghada Trabelsi12 Philippe Leray2– Mounir Ben Ayed1–Adel M.Alimi1 1REGIM (Ecole Nationale d’Ingénieur de Sfax ) 2LINA (Ecole Polytechnique de l’Université de Nantes) G. Trabelsi, P. Leray, M. Ben Ayed and A.M. Alimi Benchmarking DBN 1/20
  2. 2. Contexte Nos Propositions Conclusion et perspective Plan 1 Contexte Motivation Réseaux Bayésiens Evaluation de l’apprentissage Evaluation pour les DBN 2 Nos Propositions Génération de grands 2-TBN SHD pour les 2-TBN 3 Conclusion et perspective G. Trabelsi, P. Leray, M. Ben Ayed and A.M. Alimi Benchmarking DBN 2/20
  3. 3. Contexte Nos Propositions Conclusion et perspective Motivation Réseaux Bayésiens Dynamiques (DBN) Extensions des BN pour la représentation de processus aléatoires Généralisation d’autres modèles dynamiques: HMM, ... Apprentissage de structure pour les DBN Apprendre un DBN à partir de données ) Des algorithmes existent Evaluer un algorithme d’apprentissage ) Pas de cadre commun Notre objectif Comment évaluer les algorithmes d’apprentissage de structure de (grands) DBNs? G. Trabelsi, P. Leray, M. Ben Ayed and A.M. Alimi Benchmarking DBN 3/20
  4. 4. Contexte Nos Propositions Conclusion et perspective Motivation Réseaux Bayésiens Dynamiques (DBN) Extensions des BN pour la représentation de processus aléatoires Généralisation d’autres modèles dynamiques: HMM, ... Apprentissage de structure pour les DBN Apprendre un DBN à partir de données ) Des algorithmes existent Evaluer un algorithme d’apprentissage ) Pas de cadre commun Notre objectif Comment évaluer les algorithmes d’apprentissage de structure de (grands) DBNs? G. Trabelsi, P. Leray, M. Ben Ayed and A.M. Alimi Benchmarking DBN 3/20
  5. 5. Contexte Nos Propositions Conclusion et perspective Motivation Réseaux Bayésiens Dynamiques (DBN) Extensions des BN pour la représentation de processus aléatoires Généralisation d’autres modèles dynamiques: HMM, ... Apprentissage de structure pour les DBN Apprendre un DBN à partir de données ) Des algorithmes existent Evaluer un algorithme d’apprentissage ) Pas de cadre commun Notre objectif Comment évaluer les algorithmes d’apprentissage de structure de (grands) DBNs? G. Trabelsi, P. Leray, M. Ben Ayed and A.M. Alimi Benchmarking DBN 3/20
  6. 6. Contexte Nos Propositions Conclusion et perspective Réseaux Bayésiens (statiques) (BN) Définition (Pearl,85) Un réseau Bayésien (BN)=(G;) est caracterisé par deux composantes: G : représentation graphique des relations de dépendance entre les variables (directed acyclic graph (DAG)) : ensemble de distributions de probabilités conditionelles de chaque variable sacnaht ses parents dans G G. Trabelsi, P. Leray, M. Ben Ayed and A.M. Alimi Benchmarking DBN 4/20
  7. 7. Contexte Nos Propositions Conclusion et perspective Réseaux Bayésiens dynamiques (DBN) BN à k tranches de temps (k-TBN) (Murphy,02) processus de Markov d’ordre k

×