Gestion de l’incertain - infobouirauniv.files.wordpress.com · Taha Zerrouki [email protected] Université de Bouira . Example ؟مدقلا ةرك عرتخم وه ... Markov

Gestion de l’incertainTaha Zerrouki

[email protected]

Université de Bouira

http://infobouirauniv.wordpress.com

Example

من هو مخترع كرة القدم؟

Poser la question à une machine ?

Poser la question à une machine ?

Plan

● Vision Bayésienne des Probabilités● Réseaux Bayésiens et Extensions ● Modèles Probabilistes Temporels et Filtrage Bayésien

● Processus de Décision de Markov et Apprentissage par Renforcement

Incertitude

● L’incertitude apparaît dans plusieurs tâches:

– Informations incomplètes–Règles avec exceptions–Observations avec des “bruits”

etc

Incertitude

● L’incertitude apparaît dans plusieurs tâches:

– Informations incomplètes

•Clientsnom prénom sexe age adress

Faci Mohamed M 15 Bouira

Boudjemaa

Abdo M Lakhdaria

Tami Fatima ? 25 Bachloul

Incertitude

● L’incertitude apparaît dans plusieurs tâches:

–Règles avec exceptionsالسام المؤنث ينتهي بتاء مربوطة–ما عدا–

ساعاد•حمزة، أساامة، •

Incertitude

● L’incertitude apparaît dans plusieurs tâches:

–Observations avec des “bruits”

Traitement de l’incertitude

● Ignorer l’incertitude (logique classique)

● Construire un modèle qui décrit l’incertitude sur – l’état du système

– sa dynamique

– les observations

Comment representer l’incertitude?

On a besoin de répondre à certaines questions:● Ce qu’on veut représenter et comment le

représenter ?● Que pouvons-nous faire avec ces

représentations?● Comment construire une représentation ?

Comment representer l’incertitude?

On a besoin de repondre à certaines questions:● Ce qu’on veut représenter et comment le

représenter ?– Quel langage utiliser pour la représentation de l’incertitude?

– Quelle est la sémantique de la représentation?● Que pouvons-nous faire avec ces représentations?

● Comment construire une représentation?

Comment representer l’incertitude?

On a besoin de repondre à certaines questions:● Ce qu’on veut représenter et comment le représenter ?

● Que pouvons-nous faire avec ces représentations?– Quelles questions peuvent être répondues?

– Comment peut on y répondre?● Comment construire une représentation?

Comment representer l’incertitude?

On a besoin de repondre à certaines questions:● Ce qu’on veut représenter et comment le représenter

● Que pouvons-nous faire avec ces représentations?

● Comment construire une représentation?– Pouvons-nous demander à un expert?

– Pouvons-nous apprendre à partir des données?

Comment representer l’incertitude?

Pouvons-nous apprendre à partir des données?

Théorie des probabilités

● Une très bonne théorie pour gérer et représenter les incertitudes

● Sémantique claire● Offre des réponses aux :– Combiner les évidences – Raisonnement Prédictive et diagnostique– Incorporer des nouvelles évidences

● Intuitive (à certain niveau) aux experts humain● Peut être appris

Théorie des probabilités

● Une très bonne théorie pour gérer et représenter les incertitudes

● Sémantique claire–

Théorie des probabilités

● Offre des réponses aux :– Combiner les évidances

– Raisonnement Prédictive et diagnostique

– Incorporer des nouvelles évidances

● Intuitive (à certain niveau) aux experts humain

●

Théorie des probabilités

● Offre des réponses aux :– Combiner les évidances

– Raisonnement Prédictive et diagnostique

– Incorporer des nouvelles évidances

● Intuitive (à certain niveau) aux experts humain

●

Théorie des probabilités

● Peut être appris

Les modèles graphiques probabilistes

- Appelés aussi Réseaux “causaux”

- Outils importants pour la représentation et l’analyse des informations incertaines dans les systèmes de base de connaissances

Représentation des probabilités

● Une représentation simple des proba● Exemple:– Un Patient à l’hopital peut être décrit par les propriétés :• Background: age, genre, historique, …• Symptoms: fievre, tension, • Problème: pneumotique, cardiaque

Représentation pragmatique

● l’idée clé – exploiter les régularités

● Exploiter les propriétes d’independence conditionelle

Exemple37 variables, 509 parameters (instead of 237)

PCWP CO

HRBP

HREKG HRSAT

ERRCAUTERHRHISTORY

CATECHOL

SAO2 EXPCO2

ARTCO2

VENTALV

VENTLUNG VENITUBE

DISCONNECT

MINVOLSET

VENTMACHKINKEDTUBEINTUBATIONPULMEMBOLUS

PAP SHUNT

ANAPHYLAXIS

MINOVL

PVSAT

FIO2

PRESS

INSUFFANESTHTPR

LVFAILURE

ERRBLOWOUTPUTSTROEVOLUMELVEDVOLUME

HYPOVOLEMIA

CVP

BP

Réseaux bayésiens

L'émergence des réseaux causaux probabilistes est dûe:• Limites des systèmes experts• Logique probabiliste

But: Développer un outil simple et efficace pour:• Représentation d'informations incertaines (probabilistes)"Si l'événement A est vraie, alors la probabilité d'avoir B est "• Raisonnement• Décision• Révision des croyances

Réseaux bayésiens

L'émergence des réseaux causaux probabilistes est dûe:• Limites des systèmes experts• Logique probabiliste

But: Développer un outil simple et efficace pour:• Représentation d'informations incertaines (probabilistes)"Si l'événement A est vraie, alors la probabilité d'avoir B est "• Raisonnement• Décision• Révision des croyances

 Composante qualitative•  Structure graphique

– Graphe acyclique orienté (DAG)– Influence et Indépendance

Outils utilisés

 Composante quantitative • Théorie des probabilités

–Incertitude –Indépendance

Applications

● Diagnostique médical● Diagnostique Informatique● Trafic routier

Applications “réelles” des Réseaux Bayésiens

MicrosoftMicrosoft

Windows : identification de problèmes d'impression (LUMIERE)

Office : l'agent Office Assistant (LUMIERE)

NASA : aide au diagnostic de pannes en temps réel pour les systèmes de propulsion de la navette spatiale (VISTA)

IndustrieIndustrie : Système expert de diagnostic pour les photocopieurs (FIXIT): après diagnostic, le système fournit les manuels de maintenances nécessaires.

DiagnosticDiagnostic médicalmédical : Aide à l'évaluation de la gravité chez des patients atteints de douleurs thoraciques, consultant aux urgences.

PrédictionPrédiction : AT&T, détection de fraudes (mauvais payeurs) sur les factures de téléphone.

Diagnostique médical

● Déterminer la maladie d’un patient sachant des symptômes.

● Monter les symptômes d’une maladie

SexeAge

FumerExposé

aux toxique

Cancer

Tumeur pneumatiqueManque

de calcium

Diagnostique médical

● PathFinder [ 1992]

● Un programme basé sur les réseaux bayésiens,

● Il est en accord avec les experts 50 fois sur 53

● Prédictions aussi bonnes que celles des experts qui on développé le système.

Diagnostique Informatique

● MicrosoftMicrosoft

– Windows : identification de problèmes d'impression

– Office : l'agent Office Assistant

Diagnostique Informatique

● MicrosoftMicrosoft

– Windows : identification de problèmes d'impression

– Office : l'agent Office Assistant

Trafic routier

● Jambayes :système de prédiction du trafic routier à Seatle

Autres applications

● NASA : aide au diagnostic de pannes en temps réel pour les systèmes de propulsion de la navette spatiale (VISTA)

● IndustrieIndustrie : Système expert de diagnostic pour les photocopieurs

● PrédictionPrédiction : AT&T, détection de fraudes (mauvais payeurs) sur les factures de téléphone.

● Classification des documents :

– Détection des courriers indésirables SPAM

Prérequis

● Connaissances préalables recommandées :● - Module de Math et de statistiques de licence

Références

● Références (Livres et polycopiés, sites internet, etc)● 1. J. Pearl. Probabilistic Reasoning in Intelligent Systems.

Morgan Kaufman, San● Mateo, California, 1988.● 2. F.V. Jensen. Bayesian Networks and Decision Graphs.

Springer‐Verlag, 2000● 3. O. Sigaud and O. Buffet. Processus Décisionnels de

Markov en Intelligence● Artificielle ‐ Tome 1 : Principes Généraux et Applications.

Lavoisier, 2008

Lexique

A Priori بديهي

A posteriori اساتدللي

inférence اساتنباط