1
Réseaux bayésiens Réseaux bayésiens
Damien CRAM
damien.cram@ecl2006.ec-lyon.fr
Madeth MAY
may.madeth@itc.edu.kh
Rémi GUELTON
remi.guelton@ecl2006.ec-lyon.fr
Sereysethy TOUCH
touch.sereysethy@itc.edu.kh
14 novembre 2005
2
PLAN DE LA PRESENTATION
1. Introduction aux Réseaux bayésiens 2. Théorème de Bayes
3. Notion de causalité 4. Inférences
5. Apprentissage
6. Des applications des Réseaux bayésiens 7. Conclusion
8. Bibliographies
>> Plan de la présentation
3
1. Introduction aux Réseaux bayésiens
>> Introduction aux Réseaux bayésiens\Généralité
Généralité
Un des enjeux principaux dans le domaine de la recherche IA est d'être capable de concevoir et développer des systèmes dynamiques et évolutifs.
➙
Comportements intelligents qui peuvent apprendre et raisonner.Problèmes? Les connaissances acquises ne sont pas toujours adéquates afin de permettre au système de faire une décision la plus appropriée possible.
Solutions? Plusieurs méthodologies ont été proposées.
➙
Choix : les approches probabilistes Mieux adaptées- au raisonnement avec la connaissance et la croyance incertaine - à la structure de la représentation de la connaissance
4
1. Introduction aux Réseaux bayésiens
>> Introduction aux Réseaux bayésiens\Approches probabilistes
Approches probabilistes
Chaque état de changement (événement) dans le monde réel peut être modélisé sous forme de probabilité.
Par exemple, modéliser certains états de changement d’une voiture, d’un corps humain, d’un marché financier, etc.
La probabilité d'un événement
A
est un nombre compris entre0
et1
Si
P(A) = 1
alors la chance pour laquelle l'événementA
aura lieu est certaine Deux événements
A
etB
sont dits indépendants siP(A,B) = P(A) . P(B)
Etant donné que l'événement
B
s’est produit, la probabilité de l’événementA
se produira estx
, et s’écritP(A|B) = x
5
1. Introduction aux Réseaux bayésiens
>> Introduction aux Réseaux bayésiens\Réseaux bayésiens\Définition
Réseaux bayésiens (1/2) Définition
Les réseaux bayésiens sont la combinaison des approches probabilistes et la théorie de graphes. Autrement dit, ce sont des modèles qui permettent de représenter des situations de raisonnement probabiliste à partir de connaissances incertaines.
Ils sont aussi connus sous le nom de "belief networks", "causal networks".
Un réseau bayésien est un graphe acyclique orienté(1) i.e. c'est un graphe orienté sans circuit.
Chaque nœud d’un réseau bayésien porte une étiquette qui est un des attributs de problème.
(1) On dit souvent: un DAG. De l’anglais directed acyclic graph.
6
1. Introduction aux Réseaux bayésiens
>> Introduction aux Réseaux bayésiens\Réseaux bayésiens\Exemple
Réseaux bayésiens (2/2) Exemple
B
A C
A
etC
sont conditionnellement indépendants alors on peut dire la probabilitéP(A|B,C) = P(A|B)
C’est-à-dire que la probabilité de A ne dépend que celle de B
La probabilité jointe de toutes les variables est
P(A,B,C) = P(A|B) . P(B) . P(C|B)
7
2. Théorème de Bayes
>> Théorème de Bayes
Révérend Thomas Bayes, 1702-1761, un théologien et mathématicien britannique qui a écrit une loi de base de probabilité qui est maintenant appelée le théorème de Bayes.
Deux événement
A
etB
qui sont conditionnellement dépendants et un contextec
, le théorème de Bayes peut être représenté comme ci-dessous :P(B|A,c)
est la probabilitéa posteriori
ou la probabilité deB
après avoir pris en compte l'effet deA
dans un contextec
,P(B|c)
est la probabilitéa priori
de l'événementB
,P(A|B,c)
est la probabilité deA
si l'on suppose queB
est vrai dans un contextec
. Elle est appelée aussi la "vraisemblance",P(A|c)
est la normalisation.Où
8
2. Théorème de Bayes
>> Théorème de Bayes\Exemple
Exemple
Supposez que vous habitez à Londres, Angleterre, et d'après votre connaissance, pendant l'hiver, il pleut 50% du temps et que c'est nuageux 80% du temps (quelquefois c'est nuageux sans pluie). Vous savez, bien sûr, que 100% du temps, s'il pleut, alors c'est aussi nuageux.
Quelle est la chance que vous pensez qu'il va pleuvoir sachant qu'il soit simplement nuageux?
En appliquant la règle de Bayes, on peut calculer ceci
Pl
: il pleut à LondresN
: Il est nuageuxDonc,
5/8
du temps, à Londres pendant hiver, si c'est nuageux, alors c'est pluvieux.Où
9
3. Notion de causalité
>> Notion de causalité
Il s’agit de la notion de « causes » et « effets »
Si
A
etB
sont en relation causale, on les relie par une flèche orientée.A
B
10
3. Notion de causalité
>> Notion de causalité\Exemple
Exemple (1/2)
Ce matin-là, alors que le temps est clair et sec, M. Homles sort de sa maison. Il s’aperçoit que la pelouse de son jardin est humide. Il se demande alors s’il a plu pendant la nuit, où s’il a
simplement oublié de débrancher son arroseur automatique. Il jette alors un coup d’œil à la pelouse de son voisin, M. Watson, et s’aperçoit qu’elle est également humide. Il en déduit alors qu’il a probablement plu, et il décide de partir au travail sans vérification son arroseur automatique.
11
3. Notion de causalité
>> Notion de causalité\Exemple
Exemple (2/2)
Prenons
• A : J’ai oublié de débrancher mon arroseur automatique.
• P : Il a plu pendant la nuit.
• J : L’herbe de mon jardin est humide.
• W : L’herbe du jardin de M. Watson est humide.
A
J
P
W
12
4. Inférences (1/4)
>> Inférences
Propager une ou plusieurs informations certaines au sein de réseaux bayésiens
Déduire comment sont modifiées les croyances concernant les autres nœuds
Inconvénient: le temps de calcul est exponentiel
13
4. Inférences (2/4)
>> Inférences\Probabilité a priori et Probabilités conditionnelles
Événement Probabilité Commentaire
A=V 0.4 M. Holmes oublie assez souvent de débrancher son arroseur automatique.
A=F 0.6
P=V 0.4 La région est relativement pluvieuse
P=F 0.6
A=V A=F
P=V P=F P=V P=F
J=V 1 1 1 0
J=F 0 0 0 1
P=V P=F
W=V 1 0
W=F 0 1
Probabilité a priori
Probabilités conditionnelles
14
4. Inférences (3/4)
>> Inférences\Un peu de calcul…
Un peu de calcul…
• P(A=V|J=V) = 0.625
• P(P=V|J=V) = 0.625
• P(A=V|J=V,W=V) = 0.4
• P(P=V|J=V,W=V) = 1
15
4. Inférences (4/4)
>> Inférences\Méthodes
Plusieurs méthodes sont proposés:
Conditionnement Arbre de jonction
Méthodes approchées
…
16
5. Apprentissage
>> Apprentissage
Permettre de trouver des paramètres nécessaires pour faire des inférences.
Deux méthodes sont utilisés:
- Apprentissage de paramètres, - Apprentissage de structure.
17
6. Des applications des réseaux bayésiens (1/2)
>> Des applications des réseaux bayésiens
Marketing/Finance :
• ATT : détection de fraudes pour les factures de téléphone
• Altaprofit : optimisation de portefeuilles
Informatique :
• Microsoft : différents assistants de résolution de problèmes, l’assistant Office.
• MODIST : évaluation de la qualité pour des développements logiciels
• Reconnaissance de la parole, d’objets 3D…
• Diagnostic
18
6. Des applications des réseaux bayésiens (2/2)
>> Des applications des réseaux bayésiens
Médecine :
• Aide au diagnostic de problèmes cardio-vasculaires
• Surveillance transfusionnelle, ...
Industrie :
• NASA : (Vista) aide au diagnostic de pannes en temps réel pour les systèmes de propulsion de la navette
• Lockheed Martin : système de contrôle d’un véhicule sous-marin autonome
• Ricoh : aide au télédiagnostic
• EDF : modélisation de groupes électrogènes
Environnement :
• Prédiction des pics d’ozone
• Prévisions météo
19
6. Des applications des réseaux bayésiens
>> Des applications des réseaux bayésiens\Exemples\AutoClass(NASA)
Exemples
AutoClass (NASA)
• Création de classes « naturelles » à partir de données numériques
• Appartenance probabiliste
• Gestion de données manquantes
20
6. Des applications des réseaux bayésiens
>> Des applications des réseaux bayésiens\Exemples\Nombreuses utilisations …
Exemples
De nombreuses utilisations pour la NASA et pour d’autres
21
6. Des applications des réseaux bayésiens
>> Des applications des réseaux bayésiens\Exemples\Aide au diagnostic médical
Exemples
Aide au diagnostic médical
Diagnostique d’une maladie pulmonaire à partir de:
• les symptômes du patient
• ses activités
• les résultats de la radiographie
22
6. Des applications des réseaux bayésiens
>> Des applications des réseaux bayésiens\Construction d’un réseau bayésien
Construction d’un réseaux bayésien
La construction d’un réseau bayésien se fait en 4 étapes:
1 - création des variables représentant l’univers
2 - définition de l’ensemble des valeurs possibles pour chaque variable 3 - définition des relations de dépendances entre les variables
4 - attribution des probabilités conditionnelles
23
6. Des applications des réseaux bayésiens
>> Des applications des réseaux bayésiens\Démonstration avec BayesiaLAB
Revenons à l’exemple
Aide au diagnostic
démonstration avec BayesiaLab
24
7. Conclusion
>> Conclusion\Les réseaux bayésiens
Les réseaux bayésiens
Formalisme mathématique rigoureux basé sur des règles.
Outil puissant pour l’aide à la décision et au diagnostic.
Intelligence artificielle: exploitation des connaissances incertaines.
Limites: causalité, complexité.
25
7. Conclusion
>> Conclusion\Etat de la recherche
Etat de la recherche
Projet SIGMA2 de l’INRIA:
Automobile: identification du comportement dynamique d'un véhicule routier
Télécommunications: diagnostic de pannes dans les réseaux de télécommunications
Aéronautique: diagnostic de pannes dans les réseaux de télécommunications
Chaînes de Markov: systèmes dynamiques stochastiques, optimisation d’un portefeuille
Optimisation d’algorithmes
26
?
Questions
27
8. Bibliographies
[1] : Pearl, J. (1988). Probabilistic Reasoning in Intelligent Systems: Networks of Plausible Inference. Morgan Kaufmann, San Mateo, CA.
[2] : Howard, R. A., & Matheson, J. E. (1981). Influence diagrams. In Howard, R. A., &
Matheson,
J. (Eds.), The Principles and Applications of Decision Analysis, page 720–762. Strategic Decisions Group, CA.
[3] : Antoine Cornuéjols, Laurent Miclet, Apprentissage artificiel: Concepts et algorithmes, édition Eyrolles, page 364-365.
[4] : Stutz, J. & P. Cheeseman, "A Short Exposition on Bayesian Inference and Probability."
June 1994. National Aeronautic and Space Administration Ames Research Centre:
Computational Sciences Division, Data Learning Group,
[5] : Thomas Richardson. Bayes Net course, Helsinki, April 1997. Lecture 4 part 2, page 5.
http://www.cs.helsinki.fi/research/cosco/Calendar/BNCourse/Notes.html
[6] : Todd A. Stephenson. An introduction to Bayesian network theory and usage. IDIAP-RR 00- 03, febuary 2003