Εισαγωγή στην Bayesian Networks

Bayesian δίκτυα είναι ένας τύπος κατευθύνεται άκυκλο γράφημα , με κόμβους που αντιπροσωπεύουν μεταβλητές . Σύμφωνα με την Ιουδαία Περλ , καθηγητής της επιστήμης των υπολογιστών στο UCLA , η δύναμη των συνδέσεων του γραφήματος διέπονται από όρους πιθανοτήτων. Bayesian δίκτυα μπορεί να αποτελέσει τη βάση γνώσης του συστήματος τεχνητής νοημοσύνης , από ένα ρομπότ σε μια γραμμή παραγωγής αυτοκινήτων σε ένα σύνθετο αμυντικό σύστημα . Σκηνοθεσία άκυκλες Γράφημα
Η

Σύμφωνα με την Wolfram MathWorld , μια καλά σεβαστή σε απευθείας σύνδεση αποθήκη πληροφοριών σχετικά με τα μαθηματικά , ένα κατευθυνόμενο άκυκλο γράφημα --- ονομάζεται επίσης άκυκλη γράφος --- είναι ένα κατευθυνόμενο γράφημα λείπει κύκλους . Στην πιο βασική του μορφή , ένα κατευθυνόμενο γράφημα ακύκλους μοιάζει με μια εικόνα dot -to - dot , με κουκκίδες αντιπροσωπεύουν «κόμβους» ( κομμάτια πληροφοριών) και οι γραμμές μεταξύ των κόμβων που αντιπροσωπεύουν ποια κατεύθυνση ρέει η πληροφορία . Τα βέλη που βρίσκονται στις γραμμές για να δείξει τη ροή των δεδομένων .
Εικόνων Συνοχή και Πληρότητα
Η

Σύμφωνα με τον καθηγητή Pearl, είναι σημαντικό να μην επιβαρύνει το γράφημα με περιττά στοιχεία , διότι της δυνατότητας πάρα πολλά συμπεράσματα για να αντλήσει. Είναι επίσης σημαντικό ότι το γράφημα είναι όσο το δυνατόν πληρέστερο . Για παράδειγμα , μπορεί να γίνει ένα γράφημα για να εκπροσωπήσει τη διαδικασία λήψης αποφάσεων ενός παθολόγου . Εάν ένας ασθενής φτάνει στο γραφείο του γιατρού με έναν πονοκέφαλο , ο γιατρός θα κάνει τη διάγνωση με βάση το πώς τα δώρα των ασθενών , καθώς μπορεί να κάνει μια απόφαση για να τρέξει περαιτέρω εξετάσεις . Το γράφημα πρέπει να δείξει την απόφαση να δοκιμάσει ή όχι τη δοκιμή , με σαφείς οδηγίες για τις αποφάσεις αυτές . Επιπλέον , η γραφική παράσταση πρέπει να περιλαμβάνει κάθε δυνατότητα για τα αποτελέσματα πονοκέφαλος ( συμπεριλαμβανομένης της ημικρανίας , όγκου του εγκεφάλου , ιγμορίτιδα και μια ολόκληρη σειρά από άλλες ασθένειες) . Χωρίς κάθε δυνατότητα , την κατάσταση του ασθενούς θα μπορούσε να παραμείνει αδιάγνωστη .

Η απόφαση Μοντελοποίηση Ανθρώπινα Αποφάσεων
Η

Μελέτες έχουν δείξει ότι η μοντελοποίηση ανθρώπινες αποφάσεις με Bayesian δίκτυα δεν είναι τόσο εύκολο όσο φαίνεται με την πρώτη . Ο καθηγητής Περλ αναφέρει ότι, λόγω ανθρώπινη λογική είναι υποκειμενική και ατελής , θα ήταν λογικό να ξεκινήσουμε με τη θεωρία των πιθανοτήτων να σχεδιάσει ένα γράφημα . Ωστόσο , αυτή η βασική διαδικασία μοντελοποίησης δεν περιλαμβάνει τις πιο πολύπλοκων τμημάτων του ανθρώπινου συλλογισμού ? Εάν επρόκειτο να προσπαθήσει να κατασκευάσει ένα πίνακα πιθανοτήτων για ορισμένες πολύπλοκες αποφάσεις που λαμβάνονται από τους ανθρώπους , θα πάρει έναν υπολογιστή ένα εξαιρετικό ποσό χρόνο για να υπολογίσει τι θα να λάβει ένα πρόσωπο ένα κλάσμα του δευτερολέπτου για να αποφασίσουν .
εικόνων Πλεονεκτήματα
Η

Σύμφωνα με τη Microsoft , Bayesian δίκτυα είναι χρήσιμα για την μοντελοποίηση των δεδομένων , επειδή μπορεί να χειριστεί τη λήψη αποφάσεων , ακόμη και όταν κάποιες μεταβλητές λείπουν . Bayesian δίκτυα μπορούν να αντιπροσωπεύουν αιτιώδης σχέση , περιλαμβάνουν την προηγούμενη γνώση και να προβλέψει τα πιθανά αποτελέσματα με ευκολία .
Εικόνων Εφαρμογές
Η

Jir Vomlel του Ινστιτούτου Θεωρία Πληροφορίας και Αυτοματισμού Ακαδημία Επιστημών της η Τσεχική Δημοκρατία δηλώνει ότι Bayesian δίκτυα μπορούν να χρησιμοποιηθούν για να αντιπροσωπεύουν ένα ευρύ φάσμα των διαδικασιών λήψης αποφάσεων στον πραγματικό κόσμο , συμπεριλαμβανομένης της ιατρικής διάγνωσης , τη λήψη αποφάσεων μεγιστοποίηση αναμενόμενη χρησιμότητα , τις προσαρμοστικές εξετάσεις και της θεωρίας αποφάσεων αντιμετώπισης προβλημάτων .
Η

Η