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.
Nous vous suggérons de passer à IE 7 ou Firefox pour une meilleure navigation.
Ressources
BayesiaLab en action : présentations et études de cas
Rejoignez notre groupe de discussion "Bayesian Belief Networks with BayesiaLab"
Présentations du logiciel
- Introduction aux réseaux Bayésiens Découvrez le monde des réseaux Bayésiens.
- Présentation générale de BayesiaLab Découvrez le monde des réseaux bayésiens avec cette première présentation de BayesiaLab.
- Outils d'analyse Les réseaux bayésiens sont par nature lisibles. BayesiaLab va plus loin en proposant une boîte à outils d'analyse complète.
- Apprentissage des réseaux bayésiens BayesiaLab est un formidable outil de Data Mining et permet d'extraire simplement et automatiquement la connaissance enfouie dans vos données.
- Aide à la décision Utilisation des noeuds Décision et des noeuds Utilités pour découvrir les politiques d'actions optimales sur un exemple simple : le forage de puits de pétrole.
- Réseaux bayésiens dynamiques et apprentissage de politiques d'actions Outre la représentation de la connaissance statique, BayesiaLab permet également de représenter la connaissance dynamique et de calculer vos politiques d'actions optimales.
- Modalités filtrées On trouve régulièrement dans les études des variables dont l'existence est conditionnelle à un contexte (usage/configuration). Nous décrivons ici comment BayesiaLab permet de prendre en compte ces variables de manière rigoureuse pendant l'apprentissage et l'analyse
-
Inférence Causale et Effets Directs
Ce document est composé de deux chapitres, le premier se concentrant sur des considérations essentiellement théoriques (même si illustré par un exemple), tandis que le second fournit une approche pratique utilisant un exemple réel présenté sous la forme de tutorial.
- 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.
-
Imputation des valeurs manquantes
Le traitement des valeurs manquantes (au-delà de la naïveté des approches ad hoc) est souvent une une tâche exigeante, tant du point de vue méthodologique qu’en termes de calcul. L'objectif principal de cet article est de décrire le traitement des valeurs manquantes dans le cadre des réseaux Bayésiens et de montrer que l’approche est fiable, efficace et intuitive.
- 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.
- Equations structurelles probabilistes Nous décrivons dans cette présentation comment BayesiaLab permet d'utiliser les réseaux bayésiens comme alternative pragmatique à la modélisation par équations structurelles (SEM), aux PLS et aux analyses de trajets (Path Analysis)
- Environnement de recueil d'expertise de BayesiaLab Cette présentation décrit le nouvel environnement de recueil d'expertise mis en oeuvre dans BayesiaLab 5.0. Cet environnement permet de réduire fortement les traditionnels biais du recueil d'expertise (biais cognitifs, biais liés au groupe, biais liés aux "facilitateurs"), et permet également d'améliorer de manière très significative la traçabilité des sessions de Brainstorming.
- Analyse de facteurs et optimisation de produit Ce tutoriel couvre l'analyse de facteurs et l'optimisation de produit avec les équations structurelles probabilistes de BayesiaLab. Il fournit des exemples pratiques d'utilisation des réseaux bayésiens dans le domaine du marketing.
- Apprentissage supervisé et non supervisé avec BayesiaLab Les marches financiers, plus que tout autre type de séries chronologiques peut être, ont été examinés par d’innombrables mathématiciens, économistes, investisseurs et spéculateurs, sur des centaines d'années. Même dans les temps modernes, malgré tous les progrès scientifiques, l'effort pour prédire les mouvements futurs des marchés boursiers ressemble parfois aux aspirations alchimiques anciennes de transformation des métaux basiques en or. Cela ne veut pas dire qu'il n’existe pas de véritables efforts scientifiques dans l'étude des marches financiers, mais plutôt que la distinction entre recherche sérieuse et charlatanisme (ou même fraude) reste remarquablement difficile.
- 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).
Manuel utilisateur de BayesiaLab
Spécifications Techniques de BayesiaLab
Etudes de cas
Industrie
- Modélisation et simulation de systèmes dynamiques Optimisation des stratégies de maintenance d'un processus industriel complexe via un réseau bayésien dynamique.
- Optimisation de la production par analyse du rex A travers cette étude de cas, découvrez la puissance de l'apprentissage automatique de BayesiaLab pour exploiter et valoriser vos données issues du retour d'expérience.
Marketing
-
Identification de leviers d'appréciation de parfums
Pangborn 2009
Présentation à la conférence de Pangborn 2009 par notre partenaire Repères de l'utilisation des réseaux bayésiens via BayesiaLab pour l'identification des leviers d'appréciation de parfums.
-
Analyse sensorielle de parfums
Applibugs 2009
Application des Equations Structurelles Probabilistes à l'analyse sensorielle de parfums.
-
Modélisation des préférences des consommateurs
Sensometrics meeting 2008 (St Catharine, Ontario)
Présentation lors du congrès Sensometrics (St Catharines, Ontario, 21 Juillet 2008) d'une méthode de modélisation bayésienne des préférences des consommateurs (en collaboration avec Repères)
-
Segmentation des consommateurs
Conférence SKIM 2008 (Barcelone)
Présentation à la conférence SKIM (Barcelone, mai 2008) d'une méthode novatrice pour la segmentation des consommateurs par réseaux bayésiens (en collaboration avec Repères).
- Caractérisation de clients, élaboration de profils Apprentissage de profil de clients à partir d'une base de donnée, caractérisation pour prédire les produits adaptés et détecter les fraudes.
- Analyse de questionnaires de satisfaction La satisfaction des clients passée au crible avec BayesiaLab.
- Mise en oeuvre d'un score bayésien Mise en oeuvre d'un score bayésien et utilisation du module graphique pour visualiser les données.
Santé
- 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.
- Diagnostic du cancer du sein avec des réseaux Bayésiens 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.
-
Analyse des intubations difficiles
Scata 2007 (Londres)
La prédiction des intubations difficiles est cruciale pendant l'évaluation du patient avant l'anesthésie. Plusieurs critères sont utilisés pour prédire les intubations difficiles avec des performances différentes. Cette étude de cas démontre comment l'analyse de données d'intubations difficiles avec BayesiaLab a permis de découvrir rapidement des relations probabilistes inconnues entre les variables et d'améliorer la prédiction.
-
Détection de salmonelles
20th International Pig Veterinary Society Congress, 2008, Durban (Afrique du Sud)
Identification des facteurs associés à la détection de salmonelles sur les carcasses de porc grâce aux réseaux bayésiens.
- Analyse des trajectoires de santé Prévision du besoin médical avec BayesiaLab.
- Analyse du transcriptome Bioinformatique avec BayesiaLab.
Stratégie
- Coupe du monde de football 2010 Une application ludique illustrant les chances d'une équipe de se qualifier pour le second tour de la coupe du monde 2010.
- Analyse de la satisfaction du personnel Application des équations structurelles probabilistes pour déterminer les leviers de la satisfaction du personnel en entreprise.
-
Analyse politique
Réunion MAGDA - CEVIPOF
Analyse des résultats des élections présidentielles françaises d'avril 2007 (présentation au CEVIPOF : Centre de Recherches Politiques de Sciences Po).
Gestion du risque
- Analyse du risque et politique de sécurité : exemple du transport de personne Analyse de risque pour le transport de personnes, modélisation d'une politique de prévention.
Autres
- Text mining : identification de noms de sociétés Le text-mining avec BayesiaLab.


Lire
Télécharger
Voir