BEGIN:VCALENDAR
VERSION:2.0
PRODID:-//datacraft - ECPv6.15.18//NONSGML v1.0//EN
CALSCALE:GREGORIAN
METHOD:PUBLISH
X-WR-CALNAME:datacraft
X-ORIGINAL-URL:https://datacraft.paris
X-WR-CALDESC:Events for datacraft
REFRESH-INTERVAL;VALUE=DURATION:PT1H
X-Robots-Tag:noindex
X-PUBLISHED-TTL:PT1H
BEGIN:VTIMEZONE
TZID:Europe/Paris
BEGIN:DAYLIGHT
TZOFFSETFROM:+0100
TZOFFSETTO:+0200
TZNAME:CEST
DTSTART:20200329T010000
END:DAYLIGHT
BEGIN:STANDARD
TZOFFSETFROM:+0200
TZOFFSETTO:+0100
TZNAME:CET
DTSTART:20201025T010000
END:STANDARD
BEGIN:DAYLIGHT
TZOFFSETFROM:+0100
TZOFFSETTO:+0200
TZNAME:CEST
DTSTART:20210328T010000
END:DAYLIGHT
BEGIN:STANDARD
TZOFFSETFROM:+0200
TZOFFSETTO:+0100
TZNAME:CET
DTSTART:20211031T010000
END:STANDARD
BEGIN:DAYLIGHT
TZOFFSETFROM:+0100
TZOFFSETTO:+0200
TZNAME:CEST
DTSTART:20220327T010000
END:DAYLIGHT
BEGIN:STANDARD
TZOFFSETFROM:+0200
TZOFFSETTO:+0100
TZNAME:CET
DTSTART:20221030T010000
END:STANDARD
END:VTIMEZONE
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20210617T120000
DTEND;TZID=Europe/Paris:20210617T140000
DTSTAMP:20260405T064840
CREATED:20210423T130607Z
LAST-MODIFIED:20210428T120402Z
UID:4403-1623931200-1623938400@datacraft.paris
SUMMARY:Réseaux bayésiens : apprentissage statistique\, explicabilité et causalité (partie 1)
DESCRIPTION:inscription\n			\n				\n				\n				\n				\n				Workshop animé par Pierre-Henri WUILLEMIN et Gaspard DUCAMP\, du laboratoire Lip6. \nLes 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. \nCet atelier se présentera en deux parties:  \n\nPartie 1 le 17/06: Réseaux Bayésiens ( inférence & apprentissage)\n\nCette 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. \n\nPartie 2 le 22/06: Classification – Causalité et probabilité (si la durée du workhop le permet)\n\n– 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….) \n– 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. \nNos 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.
URL:https://datacraft.paris/event/reseaux-bayesiens-apprentissage-statistique-explicabilite-et-causalite-partie-1/
LOCATION:datacraft –\, 3 rue Rossini\, 75009 Paris\, France
ORGANIZER;CN="datacraft":MAILTO:contact@datacraft.paris
END:VEVENT
END:VCALENDAR