Equipe / Team : DUKe
Participants : P. Leray (correspondant), M. Ben Ishak, R. Chulyadyo, A. Coutant, C. Niel, T. Gherasim, T. Vincent„ A. Yasin, G. Trabelsi
Licence : dépot APP, diffusion GPL à venir
Mots clés : Modèles graphiques probabilistes, Réseaux bayésiens, Modèles relationnels probabilistes, Apprentissage, Recommandation
Résumé : PILGRIM traite de l’apprentissage de réseaux bayésiens,
dont les fonctionnalités sont les suivantes :
- PILGRIM-General : manipulation/évaluation de réseaux
bayésiens statiques ou dynamiques, apprentissage
de la structure par GreedySearch (GS) et Max-
MinHillClimbing (MMHC) - PILGRIM-Relational : définition
des modèles relationnels probabilistes (PRM) et
de leurs extensions (incertitude de référence et d’existence),
transformation d’un PRM en réseau bayésien.
Apprentissage des paramètres et de la structure des
PRM. - PILGRIM-Evential : création de modèles graphiques
d’événements, apprentissage de tels modèles
avec des fichiers de logs d’événements. (en cours de
développement, pas encore déposé à l’APP)
