Loading Events
17 Jun 2021 12:00 - 14:00
datacraft Paris –
4 Place Jussieu
75005 Paris, France

Share

Réseaux bayésiens : apprentissage statistique, explicabilité et causalité (partie 1)

Workshop animé par Pierre-Henri WUILLEMIN et Gaspard DUCAMP, du laboratoire Lip6.

Les réseaux bayésiens forment un outil de modélisation probabiliste. Ils ont la particularité d’inclure et de s’appuyer sur une représentation graphique aussi bien pour maximiser la compacité de la représentation et que pour minimiser la complexité des calculs. Par ailleurs, cette représentation graphique encode des propriétés qualitatives du modèle, permettant une interaction à la fois aisée et riche avec les experts métiers. Enfin, il existe des algorithmes d’apprentissages statistiques de tels modèles qui amènent donc à un spectre de large d’utilisation de tels modèles. Les réseaux bayésiens sont par ailleurs le support d’une théorie de la causalité probabiliste basée sur un nouveau type de conditionnement par ‘intervention’. Ce cadre dit du « do-calculus » permet une analyse qui montre et peut corriger le risque d’erreur lors de l’utilisation de modèles prédictifs classiques.

Cet atelier se présentera en deux parties: 

  • Partie 1 le 17/06: Réseaux Bayésiens ( inférence & apprentissage)

Cette présentation montrera à travers d’exemples construits sur la plateforme aGruM comment:
– les réseaux bayésiens (BN) structurent l’information probabiliste sous forme d’un graphe-“boite blanche”.
– les BN rendent possible le calcul de requêtes probabilistes complexes, appelé inférence bayésienne.
– les BN peuvent être appris à partir d’un dataset.

  • Partie 2 le 22/06: Classification – Causalité et probabilité (si la durée du workhop le permet)

– Cette partie présentera un dataset (par exemple Lending Club qui consiste à apprendre de manière supervisée le statut d’un emprunt bancaire en fonction des paramètres de l’emprunteur et de l’emprunt). Nous verrons comment les BN peuvent calculer cette prédiction suite à un apprentissage supervisé, et ce qu’ils apportent en plus des modèles classiques (réseaux de neurones, arbre de décision….)

– Démontrer la causalité entre facteurs est au cœur de problèmes majeurs de santé publique ou de société. Jusqu’à récemment, les statistiques ne permettaient de calculer que leur degré de corrélation. On verra comment le do-calculus proposé par Judea Pearl associé aux BN donne enfin une mesure de la causalité liant des facteurs déterministes ou aléatoires.

Nos ateliers ont lieu en présentiel, il y a suffisamment d’espace dans nos locaux pour accueillir les participants, tout en respectant les gestes barrières (port du masque et distanciation). Un lien zoom est proposé pour ceux qui ne peuvent pas se déplacer.