Bayesianske netværk er en type af rettet acycliske graf med knuder , der repræsenterer variable. Ifølge Judea Pearl, professor i datalogi ved UCLA , er styrken af grafens forbindelser styret af betinget sandsynlighed . Bayesianske netværk kan repræsentere videngrundlaget for en kunstig intelligens -system, fra en robot på en bil - produktion linje til et komplekst forsvarssystem. Instrueret Acycliske Graph
Ifølge Wolfram MathWorld , en højt respekteret online database af oplysninger om matematik, en rettet acyklisk graf --- også kaldet en acyklisk digraph --- er en orienteret graf mangler cykler. I sin mest basale form , ser en rettet Acylic graf som en prik -til- prik billede, med prikker , der repræsenterer "knuder " (information stykker ) og linjer mellem knuderne repræsenterer hvilken retning informationsstrømme . Pile er placeret på linjerne for at vise strømmen af data.
Sammenhæng og Fuldstændighed
Ifølge professor Pearl , er det vigtigt ikke at overbelaste graf med unødvendige data, fordi muligheden for for mange konklusioner trække fra . Det er også afgørende, at grafen være så fuldstændig som muligt. For eksempel kan en graf drages til at repræsentere en læges beslutningsproces . Hvis en patient ankommer til lægens kontor med en hovedpine, vil lægen stille en diagnose baseret på, hvordan patienten præsenterer, plus han kan gøre en beslutning om at køre yderligere test . Grafen skal vise beslutningen om at afprøve eller ikke test, med klare instruktioner til disse beslutninger. Desuden skal grafen omfatte alle muligheder for hovedpine udfald ( herunder migræne , hjernetumor , bihulebetændelse og en hel række andre sygdomme ) . Uden alle muligheder , kan patientens tilstand forbliver uopdagede .
Modeling Menneskelige Beslutningstagning
Undersøgelser har vist, at modellere menneskelige beslutninger med Bayesianske netværk ikke er så let, som det umiddelbart ser ud. Professor Pearl hedder det , fordi menneskelig ræsonnement er subjektiv og ufuldstændig , synes det rimeligt at starte med sandsynlighedsregning til at designe en graf. Men denne grundlæggende modellering proces omfatter ikke de mere komplekse stykker af menneskelig ræsonnement , hvis vi skulle forsøge at konstruere en sandsynlighed tabel for nogle komplekse beslutninger mennesker, ville det tage en computer et ekstraordinært beløb af tid til at beregne , hvad det ville tage en person et split- sekund til at beslutte.
Fordele
Ifølge Microsoft Bayesianske netværk er nyttige for datamodellering , fordi de kan håndtere beslutningsprocessen , selv når nogle variabler mangler . Bayesianske netværk kan repræsentere årsagssammenhæng omfatter forudgående viden og forudsige mulige udfald med lethed.
Applications
Jir Vomlel af Institut for Informations Teori og Automation Academy of Sciences i den Tjekkiske Republik , at Bayesianske netværk kan bruges til at repræsentere en bred vifte af beslutningsprocesserne i den virkelige verden , herunder medicinsk diagnostik , beslutningstagning maksimere forventet nytte , adaptive test og beslutnings- teoretisk fejlfinding.
< br >