| Property |
Value |
| dbo:abstract
|
- L’inférence bayésienne est une méthode d'inférence statistique par laquelle on calcule les probabilités de diverses causes hypothétiques à partir de l'observation d'événements connus. Elle s'appuie principalement sur le théorème de Bayes. Le raisonnement bayésien construit, à partir d'observations, une probabilité de la cause d'un type d'événements. On attribue à toute proposition de cause une valeur de sa probabilité, prise dans l'intervalle ouvert allant de 0 (contradiction, faux à coup sûr) à 1 (tautologie, vraie à coup sûr). Quand un événement possède plus de deux causes possibles, on considère une distribution de probabilité pour ces causes. Cette distribution est révisée à chaque nouvelle observation et s'affine de plus en plus. Ainsi, un diagnostic médical indique-t-il qu'une maladie plus qu'une autre est probablement à l'origine des symptômes d'un patient, et des examens renforcent ou infirment cette hypothèse. On révise de même, au vu des résultats de chaque sondage d'une campagne de prospection, la probabilité qu'il existe un gisement de pétrole à un certain endroit. Le théorème de Cox-Jaynes formalise la notion intuitive de plausibilité sous une forme numérique. Il démontre que, si les plausibilités satisfont à l'ensemble d'hypothèses qu'il propose, la seule façon cohérente de les manipuler est d'utiliser un système isomorphe à la théorie des probabilités, induisant alors une interprétation « logique » des probabilités indépendante de celle de fréquence et une base rationnelle au mécanisme d'induction logique. 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 automatique en intelligence artificielle. (fr)
- L’inférence bayésienne est une méthode d'inférence statistique par laquelle on calcule les probabilités de diverses causes hypothétiques à partir de l'observation d'événements connus. Elle s'appuie principalement sur le théorème de Bayes. Le raisonnement bayésien construit, à partir d'observations, une probabilité de la cause d'un type d'événements. On attribue à toute proposition de cause une valeur de sa probabilité, prise dans l'intervalle ouvert allant de 0 (contradiction, faux à coup sûr) à 1 (tautologie, vraie à coup sûr). Quand un événement possède plus de deux causes possibles, on considère une distribution de probabilité pour ces causes. Cette distribution est révisée à chaque nouvelle observation et s'affine de plus en plus. Ainsi, un diagnostic médical indique-t-il qu'une maladie plus qu'une autre est probablement à l'origine des symptômes d'un patient, et des examens renforcent ou infirment cette hypothèse. On révise de même, au vu des résultats de chaque sondage d'une campagne de prospection, la probabilité qu'il existe un gisement de pétrole à un certain endroit. Le théorème de Cox-Jaynes formalise la notion intuitive de plausibilité sous une forme numérique. Il démontre que, si les plausibilités satisfont à l'ensemble d'hypothèses qu'il propose, la seule façon cohérente de les manipuler est d'utiliser un système isomorphe à la théorie des probabilités, induisant alors une interprétation « logique » des probabilités indépendante de celle de fréquence et une base rationnelle au mécanisme d'induction logique. 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 automatique en intelligence artificielle. (fr)
|
| dbo:namedAfter
| |
| dbo:thumbnail
| |
| dbo:wikiPageExternalLink
| |
| dbo:wikiPageID
| |
| dbo:wikiPageLength
|
- 38528 (xsd:nonNegativeInteger)
|
| dbo:wikiPageRevisionID
| |
| dbo:wikiPageWikiLink
| |
| prop-fr:année
|
- 1969 (xsd:integer)
- 1972 (xsd:integer)
- 1988 (xsd:integer)
- 2000 (xsd:integer)
- 2002 (xsd:integer)
- 2003 (xsd:integer)
- 2006 (xsd:integer)
- 2010 (xsd:integer)
- 2015 (xsd:integer)
- 2016 (xsd:integer)
|
| prop-fr:annéePremièreÉdition
|
- 1992 (xsd:integer)
- 1994 (xsd:integer)
|
| prop-fr:auteur
|
- Collectif Biobayes (fr)
- Collectif Biobayes (fr)
|
| prop-fr:auteursOuvrage
|
- G. J. Erickson et C. R. Smith (fr)
- G. J. Erickson et C. R. Smith (fr)
|
| prop-fr:date
| |
| prop-fr:format
| |
| prop-fr:isbn
|
- 0 (xsd:integer)
- 978 (xsd:integer)
- 9780471921301 (xsd:decimal)
- 9782340005013 (xsd:decimal)
- 9782710808138 (xsd:decimal)
|
| prop-fr:lang
| |
| prop-fr:langue
| |
| prop-fr:langueOriginale
| |
| prop-fr:lienAuteur
|
- Gilbert Saporta (fr)
- Christian Robert (fr)
- Andrew Gelman (fr)
- Edwin Thompson Jaynes (fr)
- Donald Rubin (fr)
- Myron Tribus (fr)
- Gilbert Saporta (fr)
- Christian Robert (fr)
- Andrew Gelman (fr)
- Edwin Thompson Jaynes (fr)
- Donald Rubin (fr)
- Myron Tribus (fr)
|
| prop-fr:lieu
|
- Dordrecht (fr)
- New York (fr)
- Paris (fr)
- Dordrecht (fr)
- New York (fr)
- Paris (fr)
|
| prop-fr:lireEnLigne
| |
| prop-fr:nom
|
- Parent (fr)
- Smith (fr)
- Robert (fr)
- Rubin (fr)
- Bernier (fr)
- Drouet (fr)
- Stern (fr)
- Tribus (fr)
- Watanabe (fr)
- Carlin (fr)
- Saporta (fr)
- Fine (fr)
- Bernardo (fr)
- Gelman (fr)
- Jaynes (fr)
- Boreux (fr)
- Droesbeke (fr)
- Parent (fr)
- Smith (fr)
- Robert (fr)
- Rubin (fr)
- Bernier (fr)
- Drouet (fr)
- Stern (fr)
- Tribus (fr)
- Watanabe (fr)
- Carlin (fr)
- Saporta (fr)
- Fine (fr)
- Bernardo (fr)
- Gelman (fr)
- Jaynes (fr)
- Boreux (fr)
- Droesbeke (fr)
|
| prop-fr:numéroÉdition
| |
| prop-fr:pagesTotales
|
- 503 (xsd:integer)
- 504 (xsd:integer)
|
| prop-fr:prénom
|
- Andrew (fr)
- Jacques (fr)
- Jeanne (fr)
- Isabelle (fr)
- Jean-Jacques (fr)
- Gilbert (fr)
- Éric (fr)
- Myron (fr)
- Edwin T. (fr)
- Donald B (fr)
- Hal S (fr)
- John B (fr)
- Satoshi (fr)
- Christian P. (fr)
- Adrian F.M. (fr)
- José M. (fr)
- Andrew (fr)
- Jacques (fr)
- Jeanne (fr)
- Isabelle (fr)
- Jean-Jacques (fr)
- Gilbert (fr)
- Éric (fr)
- Myron (fr)
- Edwin T. (fr)
- Donald B (fr)
- Hal S (fr)
- John B (fr)
- Satoshi (fr)
- Christian P. (fr)
- Adrian F.M. (fr)
- José M. (fr)
|
| prop-fr:présentationEnLigne
| |
| prop-fr:périodique
|
- Hygiène Mentale (fr)
- Hygiène Mentale (fr)
|
| prop-fr:responsabilité
| |
| prop-fr:site
| |
| prop-fr:sousTitre
|
- Fondements et pratiques (fr)
- Bases théoriques et applications en alimentation, environnement, épidémiologie et génétique (fr)
- Fondements et pratiques (fr)
- Bases théoriques et applications en alimentation, environnement, épidémiologie et génétique (fr)
|
| prop-fr:titre
|
- Bayesian data analysis (fr)
- Knowing and guessing : a quantitative study of inference and information (fr)
- Bayesian Theory (fr)
- Décisions rationnelles dans l'incertain (fr)
- Initiation à la statistique bayésienne (fr)
- Le Choix bayésien, principe et pratique (fr)
- Le bayésianisme aujourd’hui (fr)
- Méthodes bayésiennes en statistique (fr)
- Pratique du calcul bayésien (fr)
- Rational Descriptions, Decisions and Designs (fr)
- Bayesian data analysis (fr)
- Knowing and guessing : a quantitative study of inference and information (fr)
- Bayesian Theory (fr)
- Décisions rationnelles dans l'incertain (fr)
- Initiation à la statistique bayésienne (fr)
- Le Choix bayésien, principe et pratique (fr)
- Le bayésianisme aujourd’hui (fr)
- Méthodes bayésiennes en statistique (fr)
- Pratique du calcul bayésien (fr)
- Rational Descriptions, Decisions and Designs (fr)
|
| prop-fr:titreChapitre
|
- How Does the Brain Do Plausible Reasoning? (fr)
- How Does the Brain Do Plausible Reasoning? (fr)
|
| prop-fr:titreOriginal
|
- Rational descriptions, decisions and designs (fr)
- The Bayesian Choice, 2.nd ed. (fr)
- Rational descriptions, decisions and designs (fr)
- The Bayesian Choice, 2.nd ed. (fr)
|
| prop-fr:titreOuvrage
|
- Science and Engineering -- Maximum-Entropy and Bayesian Methods (fr)
- Science and Engineering -- Maximum-Entropy and Bayesian Methods (fr)
|
| prop-fr:trad
|
- Technometrics (fr)
- Technometrics (fr)
|
| prop-fr:traducteur
|
- l'auteur (fr)
- Jacques Pezier (fr)
- l'auteur (fr)
- Jacques Pezier (fr)
|
| prop-fr:url
|
- https://www.youtube.com/watch?v=x-2uVNze56s|titre=« La pensée bayésienne » (fr)
- https://www.youtube.com/watch?v=x-2uVNze56s|titre=« La pensée bayésienne » (fr)
|
| prop-fr:wikiPageUsesTemplate
| |
| prop-fr:éditeur
| |
| dct:subject
| |
| rdfs:comment
|
- L’inférence bayésienne est une méthode d'inférence statistique par laquelle on calcule les probabilités de diverses causes hypothétiques à partir de l'observation d'événements connus. Elle s'appuie principalement sur le théorème de Bayes. 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 automatique en intelligence artificielle. (fr)
- L’inférence bayésienne est une méthode d'inférence statistique par laquelle on calcule les probabilités de diverses causes hypothétiques à partir de l'observation d'événements connus. Elle s'appuie principalement sur le théorème de Bayes. 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 automatique en intelligence artificielle. (fr)
|
| rdfs:label
|
- Bayesian inference (en)
- Bayesiansk statistik (sv)
- Inferenza bayesiana (it)
- Inferência bayesiana (pt)
- Inférence bayésienne (fr)
- Suy luận Bayes (vi)
- Wnioskowanie bayesowskie (pl)
- Байесовский вывод (ru)
- Баєсове висновування (uk)
- ベイズ推定 (ja)
|
| rdfs:seeAlso
| |
| owl:sameAs
| |
| prov:wasDerivedFrom
| |
| foaf:depiction
| |
| foaf:isPrimaryTopicOf
| |
| is dbo:domain
of | |
| is dbo:wikiPageDisambiguates
of | |
| is dbo:wikiPageRedirects
of | |
| is dbo:wikiPageWikiLink
of | |
| is prop-fr:champs
of | |
| is oa:hasTarget
of | |
| is foaf:primaryTopic
of | |
_-_Bayes_vs_Frequentist.png?width=300)
_-_Bayes_vs_Frequentist.png?width=300){kind=link}
_-_Bayes_vs_Frequentist.png){kind=link}
_-_Bayes_vs_Frequentist.png){kind=link}