Stratgies hybrides pour l'amlioration des rseaux baysiens

L'un des principaux facteurs de succs de l'exploration de donnes est li la comprhensibilit des modles dcouverts par les techniques d'intelligence informatique ; les rseaux baysiens tant l'un des plus importants, si l'on considre la facilit d'interprtation des connaissances obtenue. Sa smantique quantitative et qualitative, allie la comprhensibilit des modles dcouverts, motive son application dans le processus de dcouverte des connaissances. Les rseaux baysiens, cependant, comme toute technique d'intelligence informatique, prsentent des limites et des inconvnients en ce qui concerne leur utilisation, parmi lesquels on peut citer l'apprentissage de la structure partir de grands ensembles de donnes et la fourniture d'infrences au fil du temps. Ce livre prsentera des extensions pour l'amlioration des rseaux baysiens, en prsentant des stratgies pour amliorer ses proprits, en traitant des aspects tels que la performance, ainsi que l'interprtabilit et l'utilisation de ses rsultats ; en incorporant des modles de rgression multiple pour l'apprentissage de la structure, et des aspects temporels en utilisant des chanes de Markov. Les modles devraient aider les utilisateurs tendre le champ d'application de ce modle polyvalent de nouveaux domaines et tches.