Apprentissage de réseaux bayésiens à partir de bases de données de graphes

L'apprentissage de modèles graphiques de type réseaux bayésiens s'appuie généralement sur des données "plates". Les réseaux bayésiens relationnels étendent ces modèles à des bases de données structurées, relationnelles, avec des modèles conceptuels de données de type entité-association. Dans la mouvance du Big Data, et du NoSQL, sont apparues de nouvelles solutions comme les bases de données orientées graphes, adaptées à l'exploitation de données de type graphe comme les réseaux sociaux, etc ...

Nous montrerons dans cette présentation comment nous adaptons les algorithmes d'apprentissage de réseaux bayésiens relationnels pour apprendre de nouveaux types de modèles probabilistes, s'appuyant sur des données stockées dans des BD de graphes, avec les avantages et les inconvénients associés.

Notre présentateur :

Philippe Leray (http://tinyurl.com/PhLeray) est diplômé d'une école d'ingénieur en Informatique depuis 1993. Il a obtenu son doctorat en Informatique à l'Université Paris 6 en 1998 sur l'utlisation des réseaux bayésiens et des réseaux de neurones pour le diagnostic de systèmes complexes.

Depuis 2007, il est Professeur des Universités à l'Université de Nantes, enseignant à Polytech'Nantes et chercheur dans l'équipe DUKe (http://www.lina.univ-nantes.fr/?-DUKe-.html) - Data User Knowledge, dont il est le responsable.

Il travaille depuis dans le domaine des réseaux bayésiens depuis presque 15 ans, autant au niveau théorique (apprentissage) qu'applicatif (fiabilité, détection d'intrusion, bio-informatique, ...).

Il est l'un des auteurs du livre de référence (http://www.editions-eyrolles.com/Livre/9782212119725/reseaux-bayesiens) sur le sujet dont la 3ème édition est parue en 2007 aux éditions Eyrolles.

Live stream

Live stream et archive vidéo : https://youtu.be/YZ8q1HCjkHU