Choose an application

• Reference Manager
• EndNote
• RefWorks (Direct export to RefWorks)

Cet ouvrage introduit ses lecteurs à la découverte des réseaux bayésiens. À partir d’exemples simples, mais suffisamment complexes pour détailler les différents mécanismes en cause, les trois premiers chapitres présentent les réseaux bayésiens pour variables discrètes, variables gaussiennes et variables quelconques. Toutes les étapes de construction, de vérification des propriétés, d’estimation et d’interprétation sont illustrées par l’usage de fonctions R. Le but est de permettre aux lecteurs de reproduire la démarche pour leurs propres problématiques, en utilisant leurs propres données par simple adaptation de ce qui est présenté. Le quatrième chapitre propose un traitement concis mais rigoureux des théories mathématiques sous-jacentes couvrant la définition des réseaux bayésiens, les principaux algorithmes d’apprentissage de structure à partir de données et les requêtes d’exploration des propriétés d’un réseau estimé pour répondre à diverses questions concrètes. Le cinquième chapitre est dédié à une revue des principaux logiciels disponibles, en particulier des paquets R existant. Le sixième chapitre est le traitement en détails de deux situations réelles qu’ont abordées les auteurs dans leurs activités professionnelles, à l’aide des réseaux bayésiens. Il comprend également les principales commandes de R utilisées pour mener les calculs. Les cinq premiers chapitres comportent des exercices dont les solutions sont proposées en fin d’ouvrage. Deux annexes indépendantes sont consacrées à la théorie des graphes et aux distributions de probabilité majeures. Enfin, un glossaire des termes spécialisés employés tout au long de l’ouvrage est fourni ainsi qu’un index général, il contient en particulier les références de toutes les fonctions R invoquées. Les auteurs ont cherché à d’abord expliquer les concepts par l’intuition et l’exemple avant d’aboutir au formalisme mathématico-informatique. À la fois pratique et théorique l’ouvrage sera utile aussi bien aux chercheurs et ingénieurs qui doivent modéliser une situation incertaine ou interpréter des données où interviennent de nombreuses variables aléatoires qu’aux étudiants en mathématiques appliquées.

Bayesian statistical decision theory. --- R (Computer program language). --- Mathematics --- Physical Sciences & Mathematics --- Mathematical Statistics --- R (Computer program language) --- GNU-S (Computer program language) --- Bayes' solution --- Bayesian analysis --- Domain-specific programming languages --- Statistical decision

Choose an application

• Reference Manager
• EndNote
• RefWorks (Direct export to RefWorks)

"Bayesian Networks: With Examples in R, Second Edition introduces Bayesian networks using a hands-on approach. Simple yet meaningful examples illustrate each step of the modelling process and discuss side-by-side the underlying theory and its application using R code. The examples start from the simplest notions and gradually increase in complexity. In particular, this new edition contains significant new material on topics from modern machine learning practice: dynamic networks, networks with heterogeneous variables, and model validation. The first three chapters explain the whole process of Bayesian network modelling, from structure learning to parameter learning to inference. These chapters cover discrete, Gaussian, and conditional Gaussian Bayesian networks. The following two chapters delve into dynamic networks (to model temporal data) and into networks including arbitrary random variables (using Stan).

Basic Sciences. Statistics -- Probability Theory, Sampling Theory. --- Bayesian statistical decision theory. --- R (Computer program language).

Choose an application

• Reference Manager
• EndNote
• RefWorks (Direct export to RefWorks)

Bayesian Networks in R with Applications in Systems Biology introduces the reader to the essential concepts in Bayesian network modeling and inference in conjunction with examples in the open-source statistical environment R. The level of sophistication is gradually increased across the chapters with exercises and solutions for enhanced understanding and hands-on experimentation of key concepts. Applications focus on systems biology with emphasis on modeling pathways and signaling mechanisms from high throughput molecular data. Bayesian networks have proven to be especially useful abstractions in this regards as exemplified by their ability to discover new associations while validating known ones. It is also expected that the prevalence of publicly available high-throughput biological and healthcare data sets may encourage the audience to explore investigating novel paradigms using the approaches presented in the book

Bayesian statistical decision theory. --- R (Computer program language). --- Systems biology -- Statistical methods. --- Bayesian statistical decision theory --- R (Computer program language) --- Systems biology --- Mathematics --- Physical Sciences & Mathematics --- Mathematical Statistics --- Statistical methods --- Mathematical statistics. --- Statistical inference --- Statistics, Mathematical --- Bayes' solution --- Bayesian analysis --- Computer science. --- Statistics and Computing/Statistics Programs. --- Statistical Theory and Methods. --- Programming Languages, Compilers, Interpreters. --- Statistics --- Probabilities --- Sampling (Statistics) --- Statistical decision --- Informatics --- Science --- Statistics . --- Programming languages (Electronic computers). --- Computer languages --- Computer program languages --- Computer programming languages --- Machine language --- Electronic data processing --- Languages, Artificial --- Statistical analysis --- Statistical data --- Statistical science --- Econometrics --- Statistical methods. --- GNU-S (Computer program language) --- Domain-specific programming languages --- Systems biology - Statistical methods