Reseaux bayesiens
Data Value
Non finançable CPF
Tout public
Présentiel
Public admis
Salarié en poste
Demandeur d'emploi
Entreprise
Etudiant
Prix
2340 €
Durée
Nous contacter
Niveau visé
Non diplômante
Localité
En présentiel
Découvrez les localités disponibles pour suivre cette formation en présentiel.
Objectifs
Objectifs
Maîtriser les réseaux bayésiens, technique mathématique combinant et savoir d'expert, afin d'analyser des 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, .... Les réseaux bayésiens sont utilisés dans de nombreux domaines : santé (diagnostic), industrie, informatique et réseaux (agents intelligents), marketing (data mining, gestion de la relation client), banque et finances (analyse financière), management (aide à la décision, gestion du risque), ...
Compétences visées
- Affiner ces connaissances probabilités avec le calcul de différentes probabilités (conditionnelle, conjointe, marginale, ..)
- Appréhender le théorème de Bayes
- Découvrir les principes de construction de graphe d'un modèle bayésien
- Construire un réseau bayésien multinomial dans le cas de variables discrètes
- Construire un réseau bayésien gaussien dans le cas de variables continues
- Construire un réseau bayésien hybride en présence de variables discrètes et continues
Maîtriser les réseaux bayésiens, technique mathématique combinant et savoir d'expert, afin d'analyser des 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, .... Les réseaux bayésiens sont utilisés dans de nombreux domaines : santé (diagnostic), industrie, informatique et réseaux (agents intelligents), marketing (data mining, gestion de la relation client), banque et finances (analyse financière), management (aide à la décision, gestion du risque), ...
Compétences visées
- Affiner ces connaissances probabilités avec le calcul de différentes probabilités (conditionnelle, conjointe, marginale, ..)
- Appréhender le théorème de Bayes
- Découvrir les principes de construction de graphe d'un modèle bayésien
- Construire un réseau bayésien multinomial dans le cas de variables discrètes
- Construire un réseau bayésien gaussien dans le cas de variables continues
- Construire un réseau bayésien hybride en présence de variables discrètes et continues
Programme
- Notions basiques de calculs de probabilité
Probabilités totales
Probabilités conditionnelles
Indépendance en probabilité
Probabilités conjointes
Probabilités marginales
Distributions de probabilité
- Le théorème de Bayes
Principe et utilisations concrètes
La règle de chaînage et le théorème de bayes généralisé
- Notions simples de graphes
Graphes, arcs et noeuds
La structure d'un graphe
Connexions en série, divergentes, convergentes
D-séparation
- Les Réseaux Bayésiens multinomiaux
Introduction avec exemple
Représentation graphique
Représentation probabiliste
Estimation des tables de probabilité
Apprentissage de la structure du graphe
Utilisation d'un Réseau Bayésien discret, inférence bayésienne
- Les Réseaux Bayésiens gaussiens
Introduction avec exemple
Représentation graphique
Représentation probabiliste
Estimation des paramètres
Apprentissage de la structure du graphe
Utilisation d'un Réseau Bayésien gaussien, inférence bayésienne
- Les Réseaux Bayésiens Hybrides
Introduction avec exemple
Mélange de variables discrètes et continues
Discrétisation des variables continues
Probabilités totales
Probabilités conditionnelles
Indépendance en probabilité
Probabilités conjointes
Probabilités marginales
Distributions de probabilité
- Le théorème de Bayes
Principe et utilisations concrètes
La règle de chaînage et le théorème de bayes généralisé
- Notions simples de graphes
Graphes, arcs et noeuds
La structure d'un graphe
Connexions en série, divergentes, convergentes
D-séparation
- Les Réseaux Bayésiens multinomiaux
Introduction avec exemple
Représentation graphique
Représentation probabiliste
Estimation des tables de probabilité
Apprentissage de la structure du graphe
Utilisation d'un Réseau Bayésien discret, inférence bayésienne
- Les Réseaux Bayésiens gaussiens
Introduction avec exemple
Représentation graphique
Représentation probabiliste
Estimation des paramètres
Apprentissage de la structure du graphe
Utilisation d'un Réseau Bayésien gaussien, inférence bayésienne
- Les Réseaux Bayésiens Hybrides
Introduction avec exemple
Mélange de variables discrètes et continues
Discrétisation des variables continues
Envie d’en savoir plus sur cette formation ?
Documentez-vous sur la formation
Ces formations peuvent vous intéresser
DATA SCIENTIST | Titre RNCP niveau 7 - Bac +5 | Co-certifiée école...
À DISTANCE
Avis du centre
Témoignages
Les formations les plus recherchées
Lyon
Toulouse
Marseille
Montpellier
Paris
Bordeaux
Dijon
Mâcon
Nantes
Rennes
Audit CPF
Audit en Ligne
Analyste de donnees
Analyste de donnees CPF
Analyste de donnees en Ligne
Statisticien
Power bi
Qlikview
Data scientist
Big data
Business intelligence
Analyste de donnees Paris
Big data Paris
Business intelligence Paris
Data scientist Paris
Power bi Paris
Qlikview Paris
Statisticien Paris
Statisticien Paris 1er
Qlikview Évry-Courcouronnes
Power bi Évry-Courcouronnes