Niveau en Machine Learning
* : Connaissances de base

Niveau en python
* : Connaissances de base 

Prérequis techniques
Apporter son ordinateur portable

Intervenants
Cet atelier sera présenté par : 

• Clara Charon, doctorante LIP6 / Teranga Software
• Mahdi Hadj Ali, doctorant LIP6 / SAP
• Pierre-Henri Wuillemin, maître de conférence au LIP6 (Sorbonne Université)

Présentation de l’atelier
Cet atelier a pour but de vous montrer comment utiliser les réseaux bayésiens dans un contexte de prédiction de données.

Les réseaux bayésiens sont des modèles graphiques probabilistes puissants qui sont le plus souvent utilisés pour représenter et analyser des relations probabilistes complexes entre différentes variables. Au-delà de cette utilisation, qui se limite souvent à identifier les corrélations, ils sont aussi un excellent outil, dans certains cas, pour la prédiction. C’est ce que nous verrons dans cet atelier à partir d’un cas d’usage concret.

Vous aurez aussi l’occasion de prendre en main pyAgrum, qui est une bibliothèque Python populaire pour la manipulation et l’analyse de réseaux bayésiens. pyAgrum offre une interface adaptée aux utilisateurs et des fonctionnalités avancées pour la création, l’apprentissage et l’inférence de réseaux bayésiens.

Description du jeu de données
à venir

Déroulement de l’atelier
– Introduction aux réseaux bayésiens
– Mise en pratique sur pyAgrum
– Application sur un cas d’usage concret :

• Machine Learning (classification)
• Analyse des métriques, courbe ROC …
• Comparaison des résultats avec d’autres modèles de scikit learn
• Markov Blanket niveau 1 et 2 (sélection de variables, visualisation des variables proxy)
• Interprétabilité (Shap values)
• Calculs d’information mutuelle
• Introduction à d’autres modèles graphiques (diagramme d’influence, CTBN)