<p>Un réseau trophique est constitué d'un ensemble d'espèces reliées par des relations de type
« proie/prédateur ». Un tel réseau peut être représenté par un graphe orienté dont les nœuds sont les
espèces et les arêtes sont dirigées des proies vers les prédateurs. En s'appuyant sur cette
représentation graphique, la dynamique des espèces au cours du temps peut se modéliser comme un
« réseau bayésien dynamique » (RBD). </p>
<p>L'estimation des paramètres d'un tel modèle est une
question classique. Un problème plus compliqué est celui de l'inférence de la structure du réseau
trophique (qui mange qui?) à partir de données de type séries temporelles de présence/absence
d'espèces. On peut pour cela s'inspirer des approches génériques décrites dans la littérature pour
l'inférence de la structure d'un RBD quelconque [1,2] en les spécifiant pour le cas réseau trophique.</p>
<p>
L'objectif de ce stage est ainsi d'adapter et d'implémenter une version exacte et une version
approchée parmi ces approches classiques d'inférence d'un RBD. Nous nous focaliserons sur des
approches cherchant à optimiser un score de type vraisemblance des données pénalisée. Les
performances des algorithmes seront testées sur des données simulées. Des données issues du suivi
d'espèces marines devraient également être disponibles (http://esapubs.org/archive/ecol/E094/245/).</p>
<p><b>Compétences requises :</b></p>
<p>
Ce stage s'adresse soit à un étudiant en statistique intéressé par les questions computationnelles soit
à un étudiant en Intelligence Artificielle ou Recherche Opérationnelle ayant des bases en
statistiques et probabilités. Des compétences en programmation (Matlab) sont nécessaires.
</p>
[1] Friedman, N., Murphy, K. & Russell, S. 1998. Learning the structure of dynamic probabilistic
networks. In Proceedings of the Fourteenth Conference on Uncertainty in Artificial Intelligence
(UAI-98), Cooper, G. F. & Moral, S. (eds). Morgan Kaufmann, 139–148.
[2] Dojer, N. 2006. Learning Bayesian networks does not have to be NP-hard. In Proceedings of the
Thirty-First International Symposium on Mathematical Foundations of Computer Science, Lecture
Notes in Computer Science 4162, 305–314. Springer.