Apprentissage de modèles graphiques possibilistes à partir de données

This work fits within the framework of learning possibilistic networks, the possibilistic counterpart of Bayesian networks, which representan interesting combination between possibility theory and graphical models. This thesis presents two major contributions. The first oneconsists on proposing a validation strategy for possibilistic networks learning algorithms. This strategy proposes a sampling process togenerate imprecise datasets from theses models and two new evaluation measures. Our second contribution consists on proposing a global approach to learn the structure and the parameters of possibilistic networks. We propose a possibilistic likelihood function to learn possibilistic networks parameters and to define a new score function used to learn the structure of these models. A detailed experimental study showing the feasibility and the efficiency of the proposed methods has been also proposed.Ce travail s’intègre dans le cadre de l’apprentissage automatiquedes réseaux possibilistes, la contrepartie possibiliste des réseauxbayésiens qui représentent une combinaison intéressante entre lathéorie des possibilités et les modèles graphiques. Cette thèseprésente deux contributions majeures. La première contributionconsiste à proposer une stratégie de validation pour les algorithmesd’apprentissage des réseaux possibilistes. Cette stratégie proposeun processus d’échantillonnage permettant de générer desensembles de données imprécises à partir de ces modèles et deuxnouvelles mesures d’évaluation. Notre deuxième contributionconsiste à proposer une approche globale pour l’apprentissage desparamètres et de la structure des réseaux possibilistes. Nousproposons une fonction de vraisemblance possibiliste pourapprendre les paramètres les réseaux possibilistes et définir unenouvelle fonction de score pour apprendre la structure de cesmodèles. Une étude expérimentale détaillée montrant la faisabilitéet l’efficacité des méthodes proposées a été aussi proposée