www.bayesia.com n'est pas optimisé pour votre navigateur (Internet Explorer 6).
Nous vous suggérons de passer à IE 7 ou Firefox pour une meilleure navigation.

Lettre d'information, Décembre 2011

16 décembre 2011

Cette dernière lettre d'information de l'année contient le programme de formation pour 2012, la liste des articles décrivant les différentes utilisations de BayesiaLab, ainsi que les liens vers les différents webinars que nous avons été en mesure d'enregistrer en 2011. Vous y trouverez notamment un lien vers le webinar enregistré hier soir, consacré aux Equations Structurelles Probabilistes appliquées au domaine des Ressources Humaines.

Nous profitons également de cette dernière lettre d'information de l'année pour vous souhaitez d'excellentes fêtes de fin d'année et vous adresser tous nos voeux pour 2012.

 

 Sessions de formation

Les prochaines sessions de formation "Modélisation des Connaissances Expertes et l'Analyse de Données avec les réseaux Bayésiens" auront lieu à :

• Paris, France, du 17 au 19 janvier 2012, date limite d'inscription le 10 janvier
• Orlando, FL, USA, du 13 au 15 février 2012 (en anglais)
• Paris, France, du 20 au 22 mars 2012
• Orange County, CA, USA, du 18 au 20 avril 2012 (en anglais)
• Paris, France, du 19 au 21 juin 2012
• Toronto, Canada, du 10 au 12 juillet 2012 (en anglais)
• Paris, France, du 25 au 27 septembre 2012
• San Jose, CA, USA, octobre 2012 (en anglais)

L'objectif de ces formations est de fournir une vision complète des réseaux Bayésiens et de leurs applications pratiques avec BayesiaLab. Nous y abordons les fondamentaux des réseaux Bayésiens et du Data Mining. Aucune connaissance spécifique dans ces domaines n'est donc nécessaire ; seul pré-requis : une familiarité basique avec les mathématiques et les concepts statistiques.

Afin d'illustrer chaque concept, cette formation alterne la théorie et la pratique. Une version de BayesiaLab Professional Edition valide pendant deux mois est donc offerte à chaque participant.

Cliquez ici pour plus de détails sur ces formations et pour vous enregistrer.

 

 Bibliothèque

Voici la liste des principales nouvelles ressources de BayesiaLab :

• Introduction aux réseaux Bayésiens
  Les réseaux Bayésiens sont en quelque sorte une rupture technologique. Ils challengent un certain nombre de pratiques courantes dans le monde des affaires et des sciences. Ainsi, au-delà du monde académique, la promotion de réseaux Bayésiens comme nouvel outil de gestion des connaissances et de raisonnement probabiliste nécessite encore des efforts importants de persuasion. Nous tentons dans cet article d'expliquer brièvement pourquoi les réseaux Bayésiens sont si importants, tant du point de vue pratique que technique.
  
  
• Célèbres paradoxes et raisonnements fallacieux revisités avec les réseaux Bayésiens
  Il y a un certain nombre de paradoxes et de raisonnements fallacieux qui reviennent constamment dans les médias comme casse-têtes populaires. Bien qu'il y ait (aujourd'hui) consensus entre les scientifiques sur la façon de les résoudre, les réponses correctes sont souvent complexes pour l'observateur occasionnel et reste totalement contre intuitives. Nous illustrons dans cet article la modélisation formelle de ces problèmes avec des réseaux Bayésiens.
  
  
• Analyse de facteurs et optimisation de produit
  Ce tutoriel couvre l'analyse de facteurs et l'optimisation de produit avec les Equations Structurelles Probabilistes (PSEm) de BayesiaLab. Il fournit des exemples pratiques d'utilisation des réseaux bayésiens dans le domaine du marketing.
  
  
• Induction de facteurs latents probabilistes et analyse factorielle
  Il n'est pas surprenant que le nouveau paradigme que représentent les réseaux Bayésiens invite aux comparaisons avec des méthodes plus classiques. Dans le domaine des études de marché, par exemple, les méthodes établies de longue date, comme l'analyse factorielle, restent privilégiées aujourd'hui. Étant donné qu'il existe une contrepartie directe à l’analyse factorielle dans le cadre des réseaux Bayésiens, nous voulons faire ressortir les similitudes et les différences fondamentales. L'objectif de cet article est de présenter les deux méthodes sur un même exemple, et donc aider les chercheurs à comparer et interpréter correctement les résultats respectifs. Plus précisément, nous voulons établir les équivalences sémantiques entre l'approche factorielle traditionnelle de l'analyse statistique et la nouvelle méthode proposée dans BayesiaLab, que nous appelons l’induction de facteurs latents probabilistes. 
  
  
•  Inférence causale et effets directs
  Ce document est composé de deux chapitres, le premier, "Méthode d'inférence causale", se concentrant sur des considérations essentiellement théoriques (même si illustré par un exemple), tandis que le second, "Applications pratiques des effets directs et de l'inférence causale", fournit une approche pratique utilisant un exemple réel présenté sous la forme de tutorial.
  
  
• Apprentissage supervisé et non supervisé pour la découverte de connaissances dans les marchés financiers.
  Nous utilisons dans ce tutoriel les algorithmes d'apprentissage non supervisés et supervisés du logiciel BayesiaLab pour générer automatiquement les réseaux Bayésiens à partir des valeurs quotidiennes des titres sur une période de six ans. Nous examinons 459 actions du marché américain S&P 500 Index, pour lesquelles des observations sont disponibles sur toute la période. Nous avons choisi le S&P 500 comme base de notre étude car les sociétés cotées dans cet indice figurent vraisemblablement parmi les sociétés les plus connues dans le monde entier, de sorte que même un observateur occasionnel doit être en mesure de pouvoir juger de la pertinence des résultats obtenus.
  
  
• Diagnostic du cancer du sein avec des réseaux Bayésiens
  La base de données « Wisconsin Breast Cancer Database » (WBCD) a fait l’objet de nombreuses études dans le domaine du diagnostic du cancer du sein. La thématique de recherche des créateurs de cette base de données, Wolberg, Street, Heisey et Managasarian, était l'automatisation du diagnostic par le traitement d'images et l’apprentissage automatique. Au-delà du domaine médical, statisticiens et informaticiens ont proposé un large éventail de modèles de classification basé sur WBCD. Ces nouvelles méthodes ont constamment amélioré la référence en termes de performance du diagnostic. Cet article repose sur l’analyse de cette base de données avec des réseaux Bayésiens, ce qui, à notre connaissance, n'a pas été fait auparavant. Nous montrons comment le logiciel BayesiaLab peut très rapidement - et simplement - créer un modèle dont les performances sont comparables avec celles des meilleurs modèles développés à partir de WBCD lors des 15 dernières années.
  
  
• Analyse de biopuces avec des réseaux Bayésiens
  Dans cette étude, nous abordons le domaine de la classification du cancer au moyen de l'analyse de bio-puces. L’analyse des puces à ADN est une technique de profilage de l’expression génique d'échantillons de cellules. Les profils d'expression indiquent quels gènes sont actuellement actifs parmi des milliers de gènes.
  
  
• Modélisation du choix d'un véhicule et estimation de parts de marché
  Nous présentons une nouvelle méthodologie pour l'estimation des parts de marché de nouveaux produits. L’approche utilise exclusivement les données correspondant aux produits actuellement sur le marché, telles que les données classiquement issues des études syndiquées (frais partagés entre plusieurs clients, dans le domaine automobile par exemple).
  
  

 Téléchargement de BayesiaLab 5.0

Une version d'évaluation gratuite de 30 jours de la dernière version de BayesiaLab 5.0 Professional Edition est disponible en téléchargement sur notre site.

Cliquez ici pour vous inscrire et télécharger BayesiaLab 5.0 (Windows, OS X, Linux / Unix, 32/64).

Vous pourrez ainsi expérimenter de nouvelles fonctionnalités de BayesiaLab 5.0, en utilisant notamment les exemples décrits dans notre série de White Papers.

 

 Webinars enregistrés

•  Equations Structurelles Probabilistes avec les réseaux Bayésiens - Application à la gestion des Ressources Humaines 
  Les Equations Structurelles Probabilistes (PSEM) fournissent une alternative efficace aux traditionnels modèles d'équations structurelles (SEM). Avec BayesiaLab 5.0, les PSEMs peuvent être très facilement créés par une série d'étapes semi-automatiques permettant aux analystes d'effectuer une analyse pilote extrêmement rapidement (quelques minutes). Ce webinar présente un workflow complet d'une application typique dans le domaine de la gestion des ressources humaines. Lionel Jouffe et Stefan Conrady présentent plusieurs mises à jour de l'approche décrite dans leur article « Driver Analysis & Product Optimization ». Cela comprend notamment l’illustration des effets directs calculés à l'aide de l’algorithme Likelihood Matching (LM).
  
  
• Analyse de leviers avec les modèles d'Equations Structurels Probabilistes
  Les Equations Structurelles Probabilistes (PSEm) représentent une alternative efficace aux traditionnelles modèles d'équations structurelles (SEM). Avec BayesiaLab, les PSEm sont créées au travers d'une série d'étapes semi-automatiques, permettant à l'analyste d'effectuer une analyse de leviers extrêmement rapidement, réduisant le temps d'analyse à quelques minutes. Ce webinar illustre le workflow complet d'une application typique des PSEm dans le domaine du marketing : l'analyse des leviers de l'intention d'achat et l'optimisation de produits.
  
  
• Découverte de connaissances dans le marché boursier - 1ère partie
  Nous illustrons dans ce webinar comment les algorithmes d'apprentissage non supervisées, supervisés, et semi-supervisés de BayesiaLab peuvent être utilisés pour générer des réseaux Bayésiéns décrivant les principales interactions entre les titres des entreprises du S&P 500 (USA). Les réseaux obtenus fournissent des représentations intuitives des dynamiques existantes au sein du S&P 500.
  
  
• Découverte de connaissances dans le marché boursier - 2ème partie
  Nous utilisons à nouveau dans ce webinar les algorithmes d'apprentissage non supervisés, supervisés et semi-supervisés de BayesiaLab pour générer automatiquement une nouvelle série de réseaux Bayésiens à partir des valeurs quotidiennes des titres du S&P 500 sur une période de six ans.
  
  
• Segmentation de données (clustering)
  Nous décrivons dans ce webinar comment exploiter BayesiaLab pour la segmentation de données.
  
  
• Introduction aux réseaux Bayésiens
  Ce webinar de 30 minutes donne un bref aperçu des concepts de base des réseaux Bayésiens. Parmi les sujets fondamentaux, nous expliquons le lien entre la factorisation d'une distribution de probabilité conjointe et la structure d'un réseau Bayésien. Pour illustrer les propriétés des réseaux bayésiens, nous utilisons l'exemple  de l'arrosage automatique fréquemment présenté dans la littérature.

 Groupe de discussion : "Bayesian Belief Networks with BayesiaLab"

Nous avons créé fin décembre un groupe de discussion sur LinkedIn dédié aux réseaux Bayésiens avec BayesiaLab. Ce groupe compte aujourd’hui plus de 740 membres. C’est l’endroit idéal pour poser vos questions sur l’utilisation des réseaux Bayésiens dans vos problématiques spécifiques et partager vos expériences. Nous y postons également les réponses aux questions fréquemment posées (FAQ).

N’hésitez pas à rejoindre ce groupe et à participer aux discussions en cliquant sur ce lien.

Encore une fois, nous vous souhaitons d'excellentes fêtes de fin d'année et vous adressons tous nos voeux pour 2012.