Contribution to Bayesian Networks Learning from Timed Data to diagnose continuous dynamic processes

• Auteur / Autrice : Ahmad El Ahdab
• Direction : Marc Le Goc
• Type : Thèse de doctorat
• Discipline(s) : Génie informatique et automatique
• Date : Soutenance en 2010
• Etablissement(s) : Aix-Marseille 3

Mots clés

Mots clés contrôlés

Exploration de données

Processus stochastiques

Statistique bayésienne

Apprentissage automatique

Résumé

Cette thèse aborde le problème de l'apprentissage de réseaux bayésiens à partir de données datées, sans connaissances a priori du processus dynamique à l'origine des données. Une des principales difficultés de l'apprentissage d'un réseau bayésien est la construction et l'orientation des arcs du réseau tout en évitant les boucles. Cette difficulté augmente significativement lorsque les données sont datées. Ce mémoire propose un algorithme, appelé BJT4BN, basé sur une représentation adéquate d'un ensemble de séquences d'observations datées et utilise la BJ-mesure, une mesure de la théorie de l'information adaptée aux données datées, pour évaluer le flux d'information circulant le long d'un arc. Cet algorithme et cette mesure ont été conçus dans le cadre du processus TOM4L (Timed Observations Mining for Leaming), fondé sur la théorie des observations datées. Les travaux présentés dans ce mémoire sont illustrés sur l'exemple pédagogique du diagnostic d'un véhicule automobile. Le caractère opérationnel des travaux sont décrit à partir des résultats obtenus à partir des données du système Apache, le système à bases de connaissances développé par le groupe Arcelor Mittal Steel Group pour piloter ses bains de galvanisation.