Contenus :

·        Probabilités et raisonnement probabiliste

·        Indépendance conditionnelle

·        Structure et représentation des réseaux bayésiens

·        Inférence exacte : élimination de variables

·        Inférence approchée : échantillonnage (Monte Carlo, rejet)

Objectifs pédagogiques :

·        Comprendre les fondements du raisonnement probabiliste en IA

·        Construire un réseau bayésien pour modéliser des dépendances complexes

·        Appliquer les algorithmes d'inférence pour répondre à des requêtes probabilistes

·        Analyser la complexité de l'inférence dans les réseaux bayésiens