ajout de la semaine 6

semaine06.md

@@ -0,0 +1,123 @@
+---
+header-includes:
+  - \usepackage[T1]{fontenc}
+  - \usepackage[french]{babel}
+  - \usepackage{datetime}
+  - \usepackage{hyperref}
+---
+
+# Semaine 6: La gestion de l'incertain dans les systèmes à base de connaissances
+
+## Systèmes à base de règles:
+
+Référence: [Managing Uncertainty in Rule-Based Systems](http://mercury.webster.edu/aleshunas/CSIS%205420/CSIS%205420/Instructor%20Materials/Chapter%2013.pdf)
+
+Types d'incertitude:
+- Définition de l'antécédent de la règle
+- Niveau de confiance en la règle
+- Comment combiner les informations incertaines et le déclenchement de plusieurs règles
+
+Méthodes pour gérer l'incertitude:
+- Basées sur les probabilités
+    - Objeectives
+        - Valeurs bien définies pour un problème donné 
+        - Jeux de hasard
+    - Expérimentales
+        - Obtenues par échantillonnage
+        - Développer des tables de probabilités pour les assurances
+    - Subjectives
+        - Basées sur une opinion d'un expert
+- Basées sur des heuristiques
+    - Approche préférée pour les systèmes à base de règles
+    - Nature inexacte des données
+    - Facteurs de certitudes: développés en premier pour MYCIN
+    - Logique floue: Zadeh (1965) - mots avec une signification ambigue
+
+### Systèmes à base de règles floues
+
+Une règle est formée de variables linguistiques et de valeurs linguistiques. Les valeurs linguistiques sont associées à un ensemble flou. Un ensemble flou est caractérisé par une fonction d'appartenance prenant une valeur entre 0 et 1 pour chacune des valeurs numériques de la variable. Un ensemble flou peut aussi être discret.
+
+- Pour les nouvelles valeurs de la variable qui ne sont pas définies dans l'ensemble discret:
+    - Interpolation
+    - Réseaux de neurones
+
+Inférence en quatre étapes:
+
+- Calcul des degrés d'appartenance
+- Inférence par les règles:
+    - Union: Degré d'appartenance maximum pour toutes les conditions
+    - Intersection: Degré d'appartenance minimum pour toutes les conditions
+    - Couper la fonction d'appartenance à la hauteur spécifiée par la ondition de l'antécédent.
+- Composition des règles
+- Convertir l'ensemble flou en degrés de confiance
+    - Prendre la valeur maximum des règles
+    - Calculer le centre de gravité
+
+### Approche probabiliste
+
+Théorème de Bayes:
+$$P(H\mid E)={\frac {P(E\mid H)\,P(H)}{P(E\mid H)P(H)+P(E\mid \neg H)P(\neg H)}}\cdot$$
+
+- Utilisé en premier dans le système expert PROSPECTOR
+- Approche mathématiquement correcte
+- Combinaison possible de plusieurs évidences. On peut simplifier les calculs en supposant l'hypothèse que les évidences sont conditionnellement indépendantes
+
+#### Ratios de vraisemblance
+
+- Vraisemblance de la suffisance (tend vers 1 signifie que E est suffisant pour affirmer H): $LS=\frac{P(E \mid H)}{P(E\mid\neg N)}$
+- Vraisemblance de la nécessité (tend vers 0 signifie que E est nécessaire pour affirmer H):
+$LN=\frac{P(\neg E \mid H)}{P(\neg E\mid\neg N)}$
+
+On peut utiliser ces ratios et le théorème de Bayes pour exprimer les deux règles suivantes:
+$$P(H\mid E) = \frac{LS \times O(H)}{1+LS \times O(H)}$$
+$$P(H\mid\neg E) = \frac{LN \times O(H)}{1+LN \times O(H)}$$
+où 
+$$O(H) = \frac{P(H)}{P(\neg H)}$$
+
+Pour utiliser dans un système à base de règles, on doit fixer une valeur de LN et de LS pour chaque évidence.
+
+#### Enjeux
+
+Problème de MYCIN: les experts n'étaient pas capables de faire sommer $P(H \mid E) + P(\neg H \mid E) = 1$
+
+Hypothèses: Probabilités à priori, indépendance conditionnelle (approche forte ou naïve).
+
+Besoin de beaucoup de données pour avoir un bon estimé des probabilité conditionnelles. Était un enjeu à l'époque, probablement moins aujourd'hui ce qui ramène les bases probabilistes à l'avant-plan et le machine learning avec des approches bayesiennes (Naive Bayes).
+
+## Systèmes à base de schémas probabilistes
+
+Source: [Probabilistic frame-based systems](http://ai.stanford.edu/%7Ekoller/Papers/Koller+Pfeffer:AAAI98.pdf)
+
+
+## Systèmes à base d'estimation (valuation-based system)
+
+Source: [Prakash P. Shenoy - Valuation-Based Systems (Slides)](http://www.gipsa-lab.fr/summerschool/bfta/includes/Valuation-Based-Systems-Shenoy.pdf)
+
+### Bases
+
+Système mathématique formel pour représenter et raisonner avec des connaissances.
+Deux parties:
+- Statique: Représentation des connaissances
+    - Variables: ensemble fini $\Phi = \lbrace X, Y, Z, \ldots \rbrace$ et sous-ensembles $r,s,t,\ldots$
+    - Estimations: ensemble fini $\Psi = \lbrace \rho, \sigma\, \tau \rbrace$ qui encodent les connaîssance s sur un sous-ensemble de variable.
+- Dynamique: Raisonnement avec les connaissances avec des opérateurs
+    - Combinaison: $\oplus: \Psi \times \Psi \rightarrow \Psi$
+    - Margiinalisation: $-X: \Psi \rightarrow \Psi$ permet de sortir X du domaine d'une estimation
+
+Représentation graphique: réseau d'estimations
+
+Abstraction de plusieurs calculs d'incertitude:
+- Calcul propositionnel
+-  Théorie des probabilités
+- Théorie des fonctions de croyances: application au problème du Capitaine dans les slides
+- Calcul de croyances épistémique de Spohn
+- Théorie des possiibilités
+
+Problème du capitaine: Estimer le nombre de jours de retard de son bateau à destination. Plusieurs facteurs d'incertitude.
+
+Combinaison: [Règle de Dempster](https://wikimonde.com/article/Th%C3%A9orie_de_Dempster-Shafer)
+
+
+
+
+