ElsewareLivres & publications | Elseware

Bayesian networks

Elseware — Sat, 31 May 2008 09:00:36 +0000

Cet article contient un lien sur le livre écrit en mai 2008 par Olivier Pourret, Patrick Naïm et Bruce Marcot.

Vous pouvez télécharger la table des matières de ce livre ici.

Bayesian Networks, the result of the convergence of artificial intelligence with statistics, are growing in popularity. Their versatility and modelling power is now employed across a variety of fields for the purposes of analysis, simulation, prediction and diagnosis.

This book provides a general introduction to Bayesian networks, defining and illustrating the basic concepts with pedagogical examples and twenty real-life case studies drawn from a range of fields including medicine, computing, natural sciences and engineering.

Designed to help analysts, engineers, scientists and professionals taking part in complex decision processes to successfully implement Bayesian networks, this book equips readers with proven methods to generate, calibrate, evaluate and validate Bayesian networks.

The book:

Provides the tools to overcome common practical challenges such as the treatment of missing input data, interaction with experts and decision makers, determination of the optimal granularity and size of the model.
Highlights the strengths of Bayesian networks whilst also presenting a discussion of their limitations.
Compares Bayesian networks with other modelling techniques such as neural networks, fuzzy logic and fault trees.
Describes, for ease of comparison, the main features of the major Bayesian network software packages: Netica, Hugin, Elvira and Discoverer, from the point of view of the user.
Offers a historical perspective on the subject and analyses future directions for research.

Written by leading experts with practical experience of applying Bayesian networks in finance, banking, medicine, robotics, civil engineering, geology, geography, genetics, forensic science, ecology, and industry, the book has much to offer both practitioners and researchers involved in statistical analysis or modelling in any of these fields.

Réseaux bayésiens

Elseware — Fri, 16 Nov 2007 09:00:49 +0000

Cet article contient un lien sur le livre écrit en 2007 (troisième édition d’un livre dont la première édition date de 1999) par Patrick Naïm , Pierre-Henri Wuillemin , Philippe Leray , Olivier Pourret , Anna Becker.

Vous pouvez télécharger la table des matières de ce livre ici.

Présentation par l’éditeur

Modèles de connaissances pour l’aide à la décision, le diagnostic ou le contrôle de systèmes complexes

Technique mathématique combinant statistiques et intelligence artificielle, les réseaux bayésiens permettent d’analyser de grandes quantités de données pour en extraire des connaissances utiles à la prise de décision, contrôler ou prévoir le comportement d’un système, diagnostiquer les causes d’un phénomène, etc.

Les réseaux bayésiens sont utilisés dans de nombreux domaines : santé et environnement (localisation de gènes, diagnostic, gestion des ressources naturelles), industrie et transports (contrôle d’automates et de véhicules), informatique et réseaux (agents intelligents), marketing (data mining, gestion de la relation client), management (aide à la décision, analyse financière, gestion des risques), etc.

Fondements théoriques, méthodologie de mise en oeuvre, études de cas et panorama des outils

Après une première partie de présentation « intuitive » des réseaux bayésiens accompagnée d’exercices, la deuxième partie du livre en expose les fondements théoriques, avec une étude détaillée des algorithmes les plus importants. Résolument pratique, la troisième partie de l’ouvrage propose une méthodologie de mise en oeuvre, un panorama des domaines d’application, six études de cas détaillées, ainsi qu’une présentation des principaux logiciels de modélisation de réseaux bayésiens (Bayes Net Toolbox, BayesiaLab, Hugin, Netica et Elvira).

À qui s’adresse l’ouvrage ?

Aux ingénieurs, informaticiens, industriels, biologistes, économistes confrontés à des problèmes d’analyse de données, d’aide à la décision, de gestion des connaissances, de diagnostic ou de contrôle de systèmes.
Aux étudiants en mathématiques appliquées, algorithmique, économie, recherche opérationnelle, gestion de production, automatique, etc.

Risk Quantification: Management, Diagnosis and Hedging

Elseware — Wed, 28 Feb 2007 09:00:07 +0000

Cet article contient un lien sur le livre écrit en 2007 par Laurent Condamin, Jean-Paul Louisot, Patrick Naïm.

Vous pouvez télécharger la table des matières de ce livre ici.

This book offers a practical answer for the non-mathematician to all the questions any businessman always wanted to ask about risk quantification, and never dare to ask. Enterprise-wide risk management (ERM) is a key issue for board of directors worldwide. Its proper implementation ensures transparent governance with all stakeholders’ interests integrated into the strategic equation. Furthermore, Risk quantification is the cornerstone of effective risk management,at the strategic and tactical level, covering finance as well as ethics considerations. Both downside and upside risks (threats & opportunities) must be assessed to select the most efficient risk control measures and to set up efficient risk financing mechanisms. Only thus will an optimum return on capital and a reliable protection against bankruptcy be ensured, i.e. long term sustainable development.

Within the ERM framework, each individual operational entity is called upon to control its own risks, within the guidelines set up by the board of directors, whereas the risk financing strategy is developed and implemented at the corporate level to optimise the balance between threats and opportunities, systematic and non systematic risks.

This book is designed to equip each board member, each executives and each field manager, with the tool box enabling them to quantify the risks within his/her jurisdiction to all the extend possible and thus make sound, rational and justifiable decisions, while recognising the limits of the exercise. Beyond traditional probability analysis, used since the 18^th Century by the insurance community, it offers insight into new developments like Bayesian expert networks, Monte-Carlo simulation, etc. with practical illustrations on how to implement them within the three steps of risk management, diagnostic, treatment and audit.

With a foreword by Catherine Veret and an introduction by Kevin Knight.