« Inférence bayésienne » : différence entre les versions
Aucun résumé des modifications |
Aucun résumé des modifications |
||
| (3 versions intermédiaires par 2 utilisateurs non affichées) | |||
| Ligne 2 : | Ligne 2 : | ||
L'inférence bayésienne (ou raisonnement bayésien) est une méthode utilisée pour calculer les probabilités de diverses causes hypothétiques à partir de l'observation d’événements connus. Le raisonnement bayésien renforce ou diminue la confiance en une hypothèse à mesure que les preuves s’accumulent en faveur de l’hypothèse ou la contredisent. L'inférence bayésienne permet de combiner de l’information a priori avec de nouvelles informations de la façon la plus optimale possible. | L'inférence bayésienne (ou raisonnement bayésien) est une méthode utilisée pour calculer les probabilités de diverses causes hypothétiques à partir de l'observation d’événements connus. Le raisonnement bayésien renforce ou diminue la confiance en une hypothèse à mesure que les preuves s’accumulent en faveur de l’hypothèse ou la contredisent. L'inférence bayésienne permet de combiner de l’information a priori avec de nouvelles informations de la façon la plus optimale possible. | ||
L'inférence bayésienne s'appuie principalement sur le fameux [[théorème de Bayes / Laplace]] qui indique comment mettre à jour nos « croyances » chaque fois que nous voyons de nouvelles preuves. L'approche bayésienne est une des branches principales de l'[[apprentissage automatique]]. | L'inférence bayésienne s'appuie principalement sur le fameux '''[[théorème de Bayes / Laplace]]''' qui indique comment mettre à jour nos « croyances » chaque fois que nous voyons de nouvelles preuves. L'approche bayésienne est une des branches principales de l''''[[apprentissage automatique]]'''. | ||
==Compléments== | ==Compléments== | ||
| Ligne 15 : | Ligne 15 : | ||
On peut dire que le raisonnement bayésien est au cœur de la démarche scientifique avec sa formulation d'hypothèses. | On peut dire que le raisonnement bayésien est au cœur de la démarche scientifique avec sa formulation d'hypothèses. | ||
Voir '''[[ | Voir '''[[Bayésien]]''' | ||
==Français== | ==Français== | ||
| Ligne 27 : | Ligne 27 : | ||
'''bayesian reasoning''' | '''bayesian reasoning''' | ||
==Sources== | |||
[https://fr.wikipedia.org/wiki/Inf%C3%A9rence_bay%C3%A9sienne Source : Wikipedia IA] | |||
</small><br> {{Modèle:101}}<br> | |||
</small><br> | |||
[[Category:GRAND LEXIQUE FRANÇAIS]] | [[Category:GRAND LEXIQUE FRANÇAIS]] | ||
[[Catégorie:101]] | [[Catégorie:101]] | ||
Dernière version du 21 juin 2024 à 16:19
Définition
L'inférence bayésienne (ou raisonnement bayésien) est une méthode utilisée pour calculer les probabilités de diverses causes hypothétiques à partir de l'observation d’événements connus. Le raisonnement bayésien renforce ou diminue la confiance en une hypothèse à mesure que les preuves s’accumulent en faveur de l’hypothèse ou la contredisent. L'inférence bayésienne permet de combiner de l’information a priori avec de nouvelles informations de la façon la plus optimale possible.
L'inférence bayésienne s'appuie principalement sur le fameux théorème de Bayes / Laplace qui indique comment mettre à jour nos « croyances » chaque fois que nous voyons de nouvelles preuves. L'approche bayésienne est une des branches principales de l'apprentissage automatique.
Compléments
Le raisonnement bayésien s'intéresse aux cas où une proposition pourrait être vraie ou fausse, non pas en raison de son rapport logique à des axiomes tenus pour assurément vrais, mais selon des observations où subsiste une incertitude. On attribue à toute proposition une valeur dans l'intervalle ouvert allant de 0 (faux à coup sûr) à 1 (vrai à coup sûr). Quand un événement possède plus de deux issues possibles, on considère une distribution de probabilité pour ces issues. Cette distribution est révisée à chaque nouvelle observation et s'affine de plus en plus.
L'inférence bayésienne produit une probabilité qui s'interprète comme le degré de confiance à accorder à une cause hypothétique. On l'utilise pour l'apprentissage en intelligence artificielle. Ainsi un diagnostic indique-t-il qu'une maladie plus qu'une autre est probablement à l'origine des symptômes d'un patient.
Deux courants de recherche ont abordé la manière dont les décideurs utilisent les informations incertaines. Un premier courant dit descriptif (comment les décisions dans l’incertitude sont prises) identifie les facteurs psychologiques qui influencent la façon dont les décideurs perçoivent le risque et l’incertitude. Les facteurs psychologiques peuvent conduire à des décisions différentes de celles de modèles de décision purement « rationnels ».
Le 2e courant prescriptif ou normatif (comment les décisions dans l’incertitude devraient être prises) s’appuie sur la théorie statistique de la décision (statistical decision theory) aussi connue sous le terme analyse bayésienne de la décision (bayesian decision analysis). Ici, on examine comment les principaux facteurs qui influent sur une décision peuvent être intégrés dans un modèle mathématique qui met en relation les intrants avec les résultats et les performances attendues. Un tel processus peut aider à prendre de meilleures décisions, améliorer la compréhension de la prise de décision et réduire la complexité.
On peut dire que le raisonnement bayésien est au cœur de la démarche scientifique avec sa formulation d'hypothèses.
Voir Bayésien
Français
inférence bayésienne
raisonnement bayésien
Anglais
bayesian inference
bayesian reasoning
Sources
101 MOTS DE L' IA
Ce terme est sélectionné pour le livre « Les 101 mots de l'intelligence artificielle »
Contributeurs: Evan Brach, Claude Coulombe, Imane Meziani, Jacques Barolet, wiki
