Bayesiaanse netwerken zijn een soort van grafestructuur , met knooppunten die variabelen vertegenwoordigen . Volgens Judea Pearl , hoogleraar informatica aan de UCLA , wordt de sterkte van de verbindingen van de grafiek beheerst door conditionele kans . Bayesiaanse netwerken kan de kennisbasis van een kunstmatige intelligentie systeem vertegenwoordigt , van een robot op een auto - productielijn om een complex afweersysteem . Grafestructuur Volgens Wolfram Mathworld , een gerespecteerde online opslagplaats van informatie over wiskunde , grafestructuur --- ook wel een acyclische digraph --- is een gerichte graaf ontbreekt cycli . In zijn meest elementaire vorm , een gerichte acyclische grafiek ziet eruit als een dot - to- dot beeld , met stippen die " nodes " ( informatie stuks) en de lijnen tussen de knooppunten vertegenwoordigen welke richting de informatiestromen . Pijlen op de lijnen geplaatst om de stroom van gegevens blijkt . Consistentie en volledigheid Volgens professor Pearl , is het belangrijk niet te overbelasten de grafiek met overbodige gegevens , omdat van de mogelijkheid om te veel conclusies te trekken uit . Het is ook belangrijk dat de grafiek zo volledig mogelijk . Bijvoorbeeld , kan een grafiek worden getrokken door een arts besluitvormingsproces te vertegenwoordigen. Als een patiënt komt bij de dokter met hoofdpijn , zal de arts een diagnose stellen op basis van hoe de patiënt presenteert , plus hij kan een besluit tot verdere tests uit te voeren te maken . De grafiek moet de beslissing al dan niet te testen testen , met duidelijke instructies om deze beslissingen te tonen . Bovendien moet de grafiek iedere mogelijkheid tot hoofdpijn uitkomsten ( waaronder migraine , hersentumor , sinusitis en een hele reeks andere ziekten ) omvatten . Zonder alle mogelijkheden , kon de toestand van de patiënt niet gediagnosticeerd . Modeling Human Decision Making Studies hebben aangetoond dat het modelleren van menselijke beslissingen met Bayesiaanse netwerken is niet zo eenvoudig als het eerste gezicht lijkt. Professor Pearl stelt dat , omdat de menselijke redenering is subjectief en onvolledig is , zou het redelijk om te beginnen met de kansrekening om een grafiek te ontwerpen lijken . Echter, deze fundamentele modellering proces niet onder de meer complexe onderdelen van het menselijk redeneren , als we proberen een waarschijnlijkheidstabel construeren voor sommige complexe beslissingen van mensen , het zou een computer over te nemen een enorme hoeveelheid tijd om te berekenen wat het zou neem een persoon die een fractie van een seconde om te beslissen . Voordelen Volgens Microsoft , Bayesiaanse netwerken zijn nuttig voor datamodellering , omdat ze kunnen omgaan met de beslissing te maken , zelfs wanneer sommige variabelen ontbreken . Bayesiaanse netwerken kunnen causaal verband vertegenwoordigen , onder meer voorkennis en voorspellen van mogelijke uitkomsten met gemak . Toepassingen Jir Vomlel van het Instituut voor Information Theory en Automatisering Academie van Wetenschappen van de Tsjechische Republiek dat Bayesiaanse netwerken kunnen worden gebruikt om een breed scala van besluitvormingsprocessen in de echte wereld , met inbegrip van medische diagnostiek , besluitvorming maximaliseren verwachte nut , adaptief testen en beslis-theoretische problemen oplossen . vertegenwoordigen < br >
|