Informations administratives
| Titre | Réseaux de décision |
| Durée | 60 |
| Module | A |
| Type de leçon | Conférence |
| Focus | Technique — Fondements de l’IA |
| Sujet | Fondements de l’IA |
Mots-clés
Réseaux bayésiens naïfs,réseaux bayésiens,Réseaux de décision, principe d’utilité maximale, décision optimale, inférence probabiliste,valeur de l’information,
Objectifs d’apprentissage
- Réseaux bayésiens naïfs
- Réseaux bayésiens
- Réseaux de décision
- Les étudiants peuvent définir une distribution conjointe multivariée: multinomial et gaussien
- Les étudiants peuvent expliquer la différence entre l’association et la causalité
- Les étudiants peuvent définir l’inférence observationnelle, causale et contrefactuelle
- Les étudiants peuvent définir l’équité à l’aide d’un raisonnement observationnel et contrefactuel
Préparation prévue
Événements d’apprentissage à compléter avant
Obligatoire pour les étudiants
- Probabilité (par exemple à partir d’AIMA4e ou de wikipedia)
- concepts de base de la théorie des probabilités
- distributions de probabilités conjointes multivariées, règle de chaîne
Optionnel pour les étudiants
- Intelligence artificielle: A Modern Approach, 4e édition mondiale de Stuart Russell et Peter Norvig, Pearson (AIMA4e):ch16-17
Références et antécédents pour les étudiants
- AIMA4e:ch16-17
Recommandé pour les enseignants
- AIMA4e:ch16-17
- Charniak, E., 1991. Réseaux bayésiens sans larmes. Magazine AI, 12(4), p. 50-50.
- Pearl, J., 2019. Les sept outils de l’inférence causale, avec des réflexions sur l’apprentissage automatique. Communications de l’ACM, 62(3), p. 54 à 60.
Matériel de leçon
Instructions pour les enseignants
- Rappel: cadre d’un problème de décision en une seule étape, éléments (action, incertitude, utilité/perte), principe d’utilité maximale attendue
- Rappel: modèles graphiques probabilistes, diagrammes causals
- Définir les éléments d’un réseau décisionnel: chance, action, nœuds utilitaires/pertes
- Expliquer le flux de travail: preuves, actions, inférence probabiliste, attentes, maximisation de l’action
- Exemple
- Discuter de la valeur de l’information
Esquisse/horaire
| Durée | Description |
|---|---|
| 10 | Répartition conjointe multivariée: multinomial et gaussien |
| 5 | Différence entre l’association et la causalité |
| 15 | Réseaux Bayésiens généraux |
| 15 | Inférence observationnelle, causale et contrefactuelle |
| 15 | Exemple: définition de l’équité à l’aide d’un raisonnement observationnel, causal et contrefactuel |
Remerciements
Le programme de master IA centré sur l’humain a été cofinancé par le mécanisme pour l’interconnexion en Europe de l’Union européenne dans le cadre de la subvention CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068.