Abstract FR:

Pour l'utilisation pratique du formalisme des reseaux bayesiens, les methodologies font l'hypothese que les variables prennent un nombre fini de valeurs. En medecine, l'elaboration du diagnostic procede generalement du melange d'information de type continu (resultats de laboratoire) et de type discret (presence / absence d'un symptome). Le theme de la these est la recherche de solutions pour le traitement des domaines mixtes, modelises par un melange de variables discretes et continues et structures selon un graphe oriente (reseaux bayesiens mixtes). La premiere partie est une presentation du domaine des reseaux bayesiens: convention de lecture du graphe, definitions, proprietes et interets du formalisme. Puis la problematique et les objectifs sont definis par rapport aux approches decrites dans la litterature scientifique. L'approche developpee dans la seconde partie de la these fait l'hypothese que les distributions des elements continus sont des melanges de lois gaussiennes. La version stochastique de l'algorithme type e. M. (expectation maximisation) pour les melanges gaussiens est etendue aux reseaux bayesiens. La methode de l'arbre de jonction est adaptee a notre modele pour realiser les inferences probabilistes exactes. La methode s'adapte a l'apprentissage d'un reseau bayesien mixte pour un utilisateur non statisticien lorsque des donnees pour toutes les variables sont disponibles. La derniere partie est une application en psychiatrie qui illustre une approche stochastique pour le traitement des elements continus dans le cadre de la modelisation. La methode des echantillonnages de gibbs est appliquee a un modele hierarchique bayesien de type logistique-gaussien pour selectionner les signes comportementaux lies a la variation d'une variable latente continue