Apprentissage automatique et réseaux bayésiens

• Comprendre les fondements théoriques des réseaux bayésiens (probabilités conditionnelles, dépendances causales, inférence). 

• Construire et évaluer des modèles bayésiens pour des problèmes industriels (fiabilité des systèmes, maintenance prédictive, gestion des risques).

• Utiliser des logiciels spécialisés (comme GeNIe, Hugin, ou Python avec pgmpy/BayesPy) pour implémenter des RB.

• Appliquer les RB à des cas concrets en logistique, qualité industrielle, optimisation des processus et gestion des incertitudes.

Ce cours vise à initier les étudiants aux réseaux bayésiens (RB) en tant qu'outils puissants pour la modélisation probabiliste, l'analyse des risques et la prise de décision dans des environnements industriels complexes. 

Les réseaux bayésiens offrent un cadre rigoureux pour gérer l'incertitude omniprésente dans les systèmes industriels (pannes, variations de demande, aléas logistiques). Leur capacité à combiner données et expertise métier en fait un outil complémentaire aux approches traditionnelles (simulation discrète, SPC).

Exemple d'application : Modéliser l'impact d'un retard de livraison sur la chaîne de production en intégrant des données historiques et des avis d'experts.

• Connaissances de base en probabilités et statistiques.
• Familiarité avec les concepts d'intelligence artificielle et d'apprentissage automatique (1A2S - UE4 1A GI)

1. Introduction aux réseaux bayésiens

   • Notions de base : graphes orientés, probabilités conjointes, règles de Bayes.

   • Différence entre modèles déterministes et probabilistes.

2. Construction d'un réseau bayésien

   • Identification des variables et de leurs dépendances.

   • Estimation des tables de probabilités conditionnelles (apprentissage à partir de données ou expertise).

3. Inférence bayésienne et raisonnement sous incertitude

   • Algorithmes d'inférence exacte et approchée.

   • Diagnostic et prédiction dans les systèmes industriels.

4. Applications en génie industriel

   • Maintenance prédictive : Modélisation des défaillances d'équipements.

   • Gestion des risques : Analyse des causes racines (RCA) et évaluation des scénarios critiques.

   • Optimisation logistique : Prise de décision dans des chaînes d'approvisionnement incertaines.

   • Contrôle qualité : Détection des causes de non-conformités.

3 séances de CM

6 séances en salle informatique (dont séance en autonomie)

Epreuve individuelle écrite

- Réseaux baysiens, P. Leray et al., Eyrolles

- Causality, Judea Pearl

- Probalistic graphical models, Daphne Koller and Nir Friedman