Economy

"Using the right word, the right idea, the right concept, with the most commonly accepted definition, or even better, with the best accepted and understood definition, can sometimes be a feat...”

Patrick Triplet

> With this quote, we wish to pay tribute to the colosal work of this biologist, and doctor of ecology whose great oeuvre, Dictionnaire encyclopédique de la diversité biologique et de la conservation de la nature (The Encyclopaedic Dictionary of Biological Diversity and Nature Conservation) ─ compiled over the course of more than ten years ─ is the basis of many of the definitions found in this glossary. Indeed, it is by using a language with precise words and clearly defined concepts that everyone and anyone can approach and understand fields of study that may not necessarily be within their own expertise.

This glossary of over 6,000 definitions, written in French with corresponding English translations, is here to help you. It covers the complementary fields of Geography, Ecology, and Economics, without forgetting a small detour into the world of Finance, which of course regulates a large part of our existence.

Travelling from one definition to another, this glossary invites you to explore the rich world of conservation and to understand its mechanisms and challenges.

We wish you all : "Happy reading and a safe journey through our world".

Réseau bayésien

Search for glossary terms (regular expression allowed)

Glossaries

Term Definition
Réseau bayésien


♦ Graphe (constitué de noeuds et d'arcs), associé à un ensemble de tables de probabilités de noeuds (TPN), ainsi nommées car il y en a une et une seule par noeud du graphe. Les noeuds représentent des variables aléatoires discrètes. Les arcs représentent des relations de cause à effet entre variables. Le graphe est acyclique et ne contient pas de boucle. Les arcs représentent des relations entre variables qui sont soit déterministes, soit probabilistes. Ainsi, l'observation d'une ou plusieurs causes n'entraîne pas systématiquement l'effet ou les effets qui en dépendent, mais modifie seulement la probabilité de les observer. Le graphe est aussi appelé la "structure" du modèle, et les tables de probabilités ses paramètres.
Généralement, la structure est définie par des experts et les tables de probabilités calculées à partir de données expérimentales. Les réseaux bayésiens permettent d'analyser des quantités de données utiles à la prise de décision, au contrôle ou à la prévision. Ils conjuguent les avantages de diverses approches :

  • La compréhensibilité des modèles symboliques
  • Les fondements probabilistes rigoureux des méthodes statistiques
  • La structure en réseau de composants simples des approches connexionistes

Les réseaux bayésiens représentent toutes les relations entre les attributs (décrivant les exemples) et ils permettent une utilisation multidirectionnelle.

> Le réseau bayésien peut être directement construit ou être pris d’une base de données. Tout mélange des deux approches est également possible. Une fois construit, le réseau peut produire des simulations probabilistes du modèle avec une liberté complète dans le choix des variables d’entrée et sortie. Les variables connues (de manière certaine ou seulement en probabilité) sont entrées dans le réseau en tant qu’évidences. Des requêtes sont alors effectuées pour connaitre en probabilité les valeurs d’autre variables dans le réseau :

  • Le raisonnement peut être diagnostique, pour inférer en probabilité la valeur des causes d’un effet observé
  • Il peut être prédictif, pour déduire les conséquences d’un événement
  • Il peut être inter-causal en utilisant la connaissance d’un effet et d’une de ses causes pour inférer la valeur d’autres causes possibles
  • Il peut finalement combiner la connaissance (certaine ou floue) de tout sous-ensemble de variables pour effectuer une inférence probabiliste sur les autres.

Les réseaux bayésiens s’appuient sur le théorème de Bayes qui lorsqu’un événement A s’est produit, permet de déterminer quelle est la probabilité que la cause Mi l’ait produit ?

P(Mi | A) = P(A | Mi) x P (Mi ) / P(A)

  où    • P(Mi | A) : probabilité a posteriori
         • P(A) : constante (pour chaque Mi )

reseau bayesien

 ♦ Équivalent étranger : Bayesian network.