Réseaux bayésiens dynamiquesIl manque dans JMP/SAS une partie entière dédiée aux réseaux bayésiens dynamiques et statiques. L'importance des réseaux bayésiens et donc du monde du machine learning est de plus en plus importante et avoir la possibilité de commandes ou de packages dédiés serait très important. Dans R-project il existe le package bnlearn ou bnstruct qui permet d'analyser des données avec des dynamiques temporelles répétées, mais dans JMP et/ou SAS rien n'existe. Dans SAS il existe une procédure proc hpbnet, mais elle génère des réseaux avec une variable cible et non un réseau que l'on ne veut pas cibler, mais libre de contraintes, comme le font les deux packages bnlearn et/ou bnstruct.
Automatisation et scriptsOrganisation du contenuAccès aux donnéesAnalyse de fiabilitéObjet : Réseaux bayésiens dynamiquesIl peut exprimer des phénomènes complexes. Peut être exprimé de façon probabiliste. Ces expressions correspondent aux sens humains. J'espère aussi vivement le réseau bayésien.
Objet : Réseaux bayésiens dynamiquesUne équipe de science des données chez HP a commencé à utiliser BNA pour prédire ou filtrer les facteurs pour les problèmes de fabrication. C'est la première fois que quelqu'un me montre une analyse prête à l'emploi disponible pour les ingénieurs ici où je dois dire "JMP ne peut pas faire ça".
Re: Réseaux bayésiens dynamiquesUn logiciel d'analyse de réseaux bayésiens, créé par Fenton et Neil, est disponible depuis des années. Il serait très utile que ce type d'analyse soit possible dans JMP. Par exemple, JMP pourrait-il implémenter une plateforme permettant à un ingénieur de partir d'un graphe acyclique orienté (DAG), lequel pourrait être progressivement affiné pour obtenir une analyse mathématique complète permettant de calculer les probabilités conjointes et marginales à partir des probabilités conditionnelles ? Deux applications dans le secteur manufacturier me seraient particulièrement utiles : 1) étendre la plateforme existante de diagrammes de fiabilité pour y intégrer les probabilités conditionnelles et effectuer les calculs souhaités ; 2) s'appuyer sur la plateforme de diagramme d'Ishikawa pour permettre la création de DAG afin de modéliser les relations causales d'une chaîne de valeur complexe ou d'un problème à la racine, et d'estimer les probabilités au sein du réseau avant d'investir dans des plans d'expériences (DOE) coûteux, juste pour obtenir un modèle initial permettant une forme de prédiction (comme le fait l'approche de base du cadre DMAIC).
