Bayesian network (original) (raw)
ベイジアンネットワーク（英: Bayesian network）は、因果関係を確率により記述するグラフィカルモデルの1つで、複雑な因果関係の推論を有向非巡回グラフ構造により表すとともに、個々の変数の関係を条件つき確率で表す確率推論のモデルである。ネットワークとは重み付けグラフのこと。
| Property | Value |
|---|---|
| dbo:abstract | Bayesovská síť (BN, anglicky Bayesian Network) je pravděpodobnostní model, který využívá grafovou reprezentaci pro zobrazení pravděpodobnostních vztahů mezi jednotlivými jevy. Využívá se pro určení pravděpodobnosti určitých jevů přičemž vychází ze základu teorie pravděpodobnosti. Bayesovská síť je acyklický orientovaný graf, kde každý uzel odpovídá jedné náhodné veličině, přičemž každý graf typicky obsahuje několik veličin/uzlů. Všechny veličiny v grafu se vztahují k neznámému jevu, přičemž každá veličina je reprezentována jedním uzlem a hrany (neboli vztahy) mezi uzly zobrazují pravděpodobnostní závislost mezi vybranými veličinami. Tyto závislosti se obvykle vypočítávají na základě statistických metod. Obecně se Bayesovské sítě používají pro modelování napříč různými oblastmi, podporu rozhodování a výpočet pravděpodobnosti. (cs) Una xarxa bayesiana o xarxa de creença és un model probabilístic multivariat que relaciona un conjunt de variables aleatòries mitjançant un graf dirigit que indica explícitament influència causal. Gràcies al seu motor d'actualització de probabilitats del Teorema de Bayes, les xarxes bayesianes són una eina extremadament útil en l'estimació de probabilitats davant noves proves. Una xarxa bayesiana és un tipus de . Un diagrama d'influència és un híbrid de xarxa bayesiana i la Teoria de la Utilitat. Formalment, les xarxes bayesianes són grafs acíclics dirigits els nodes dels quals representen variables i els arcs que els uneixen codifiquen dependències condicionals entre les variables. Els nodes poden representar qualsevol tipus de variable, ja sigui un paràmetre mesurable (o mesurat), una variable latent o una hipòtesi. Hi ha algoritmes que realitzen alguna inferència si l'aprenentatge és basat en xarxes bayesianes. Si hi ha un arc que uneix un node A amb un altre node B , A és anomenat pare de B , i B és anomenat fill d'A . El conjunt de nodes pare d'un node X i es denota com pare ( X i ). Un gràfic acíclic dirigit és una xarxa Bayesiana relativa a un conjunt de variables si la distribució conjunta dels valors del node es pot escriure com el producte de les distribucions locals de cada node i els seus parells: Si el node no té parells, la seva es pren com a incondicional, en un altre cas és condicional. Si el valor d'un node és observable -i per tant etiquetat com a observat, aquest node és un node d'evidència. (ca) Ein bayessches Netz oder Bayes’sches Netz (benannt nach Thomas Bayes) ist ein gerichteter azyklischer Graph (DAG), in dem die Knoten Zufallsvariablen und die Kanten bedingte Abhängigkeiten zwischen den Variablen beschreiben. Jedem Knoten des Netzes ist eine bedingte Wahrscheinlichkeitsverteilung der durch ihn repräsentierten Zufallsvariable, gegeben die Zufallsvariablen an den Elternknoten, zugeordnet. Sie werden durch Wahrscheinlichkeitstabellen beschrieben. Diese Verteilung kann beliebig sein, jedoch wird häufig mit diskreten oder Normalverteilungen gearbeitet. Eltern eines Knotens v sind diejenigen Knoten, von denen eine Kante zu v führt. Ein bayessches Netz dient dazu, die gemeinsame Wahrscheinlichkeitsverteilung aller beteiligten Variablen unter Ausnutzung bekannter bedingter Unabhängigkeiten möglichst kompakt zu repräsentieren. Dabei wird die bedingte (Un)abhängigkeit von Untermengen der Variablen mit dem A-priori-Wissen kombiniert. Sind X1, …, Xn einige der im Graphen vorkommenden Zufallsvariablen (die abgeschlossen sind unter Hinzufügen von Elternvariablen), so berechnet sich deren gemeinsame Verteilung als Dabei ist eine symbolische Schreibweise für die gemeinsame Wahrscheinlichkeitsverteilung der Zufallsvariablen .Hat ein Knoten keine Eltern, so handelt es sich bei der assoziierten Wahrscheinlichkeitsverteilung um eine unbedingte Verteilung. Wie im Beispiel unten, interessiert man sich häufig für eine Randwahrscheinlichkeit, die man durch Marginalisierung über alle möglichen Realisierungen im Zustandsraum der Zufallsvariable erhält: (de) Η θεωρία των πιθανοτήτων είναι η καλύτερη θεωρία για να ελεγχθεί και να εκφραστεί η αβεβαιότητα ενός γεγονότος, καθώς παρέχει τη μεθοδολογία για να εκτιμηθεί ορθά η πιθανότητα για διάφορους τύπους σύνθετων δεδομένων. Τα Bayesian δίκτυα είναι ένα πολύ σημαντικό εργαλείο για την κατανόηση της εξάρτησης μεταξύ των γεγονότων και της εκχώρησης πιθανοτήτων σε αυτά, διασφαλίζοντας έτσι πόσο πιθανή ή ποια είναι η αλλαγή της εμφάνισης ενός συμβάντος δεδομένου του άλλου. Είναι πολύ σημαντικό να υπάρχουν διαθέσιμα ποιοτικά δεδομένα, καθώς σε όποιο κλάδο εφαρμοστούν οι κανόνες και η θεωρία πιθανοτήτων και της στατιστικής, η σημαντικότητα και η αξιοπιστία των αποτελεσμάτων εξαρτάται και από τα δεδομένα με τα οποία εκτιμώνται οι πιθανότητες. Καθώς διανύουμε τον 21ο αιώνα και ο όγκος των πληροφοριών που λαμβάνουμε καθημερινά αυξάνεται εκθετικά, τα μαθηματικά μοντέλα είναι απαραίτητα για την εξήγηση αλλά και την κατανόηση διάφορων καταστάσεων, όπως για παράδειγμα τα βιολογικά φαινόμενα. Τα Bayesian δίκτυα λοιπόν, είναι ικανά να ενσωματώνουν την προηγούμενη γνώση στη διαδικασία μάθησης ενός μοντέλου. (el) الشبكة البايزية (بالإنجليزية: Bayesian network) هي مؤلفة من مجموعة عقد تمثل متغيرات مختلفة ومجموعة أقواس تمثل dependence relation بين هذه المتغيرات. إذا كان هناك قوس يتجه من العقدة A إلى العقدة B، عندئذ يمكن أن نقول أن العقدة A هي والد أو أصل العقدة B. إذا كانت للعقدة قيمة معروفة (ثابتة) عندئذ تدعى (عقدة تأكيد) evidence node. يمكن للعقد أن تمثل أي نوع من أنواع المتغيرات : قياسات، مؤشرات (معالم) parameter، أو فرضيات hypothesis. تدعى أيضا شبكات الاعتقاد البايزي Bayesian belief network أو اختصارا شبكات الاعتقاد belief network ولها تطبيقات عديدة في حقل المعلوماتية الحيوية. تمثل الشبكات البايزية للمتغيرات كافة الممثلة بعفد الشبكة. إذا افترضنا المتغيرات التالية : X(1),..., X(n). وليكن مصطلح أصول(A) التعبير عن مجموعة العقد المتصلة بالعقدة A. عندئذ يكون التوزيع الاقتراني للمتغيرات منX(1) إلى X(n) مثل جداء التوزيعات الاحتمالية : من اجل : i الذي يأخذ قيما من 1 إلى n. إذا لم تكن للعقدة والد (أصل) عندئذ يكون توزعها الاحتمالي غير شرطيا unconditional، وإلا فإن توزعها الاحتمالي يدعى شرطي (عندما يكون لها والد). (ar) A Bayesian network (also known as a Bayes network, Bayes net, belief network, or decision network) is a probabilistic graphical model that represents a set of variables and their conditional dependencies via a directed acyclic graph (DAG). Bayesian networks are ideal for taking an event that occurred and predicting the likelihood that any one of several possible known causes was the contributing factor. For example, a Bayesian network could represent the probabilistic relationships between diseases and symptoms. Given symptoms, the network can be used to compute the probabilities of the presence of various diseases. Efficient algorithms can perform inference and learning in Bayesian networks. Bayesian networks that model sequences of variables (e.g. speech signals or protein sequences) are called dynamic Bayesian networks. Generalizations of Bayesian networks that can represent and solve decision problems under uncertainty are called influence diagrams. (en) Una red bayesiana, red de Bayes, red de creencia, modelo bayesiano (de Bayes) o modelo probabilístico en un grafo acíclico dirigido es un (un tipo de ) que representa un conjunto de variables aleatorias y sus a través de un grafo acíclico dirigido (DAG por sus siglas en inglés). Por ejemplo, una red bayesiana puede representar las relaciones probabilísticas entre enfermedades y síntomas. Dados los síntomas, la red puede ser usada para computar la probabilidad de la presencia de varias enfermedades. Su nombre deriva del matemático inglés del siglo XVIII Thomas Bayes. Formalmente, las redes bayesianas son grafos dirigidos acíclicos cuyos nodos representan variables aleatorias en el sentido de : las mismas pueden ser cantidades observables, , parámetros desconocidos o hipótesis. Las aristas representan dependencias condicionales; los nodos que no se encuentran conectados representan variables las cuales son condicionalmente independientes de las otras. Cada nodo tiene asociado una función de probabilidad que toma como entrada un conjunto particular de valores de las variables del nodo y devuelve la probabilidad de la variable representada por el nodo. Por ejemplo, si por padres son variables booleanas entonces la función de probabilidad puede ser representada por una tabla de entradas, una entrada para cada una de las posibles combinaciones de los padres siendo verdadero o falso. Ideas similares pueden ser aplicadas a grafos no dirigidos, y posiblemente cíclicos; como son las llamadas redes de Markov. Existen algoritmos eficientes que llevan a cabo la inferencia y el en redes bayesianas. Las redes bayesianas que modelan secuencias de variables (ej. señales del habla o ) son llamadas redes bayesianas dinámicas. Las generalizaciones de las redes bayesianas que pueden representar y resolver problemas de decisión bajo incertidumbre son llamados . (es) En informatique et en statistique, un réseau bayésien est un modèle graphique probabiliste représentant un ensemble de variables aléatoires sous la forme d'un graphe orienté acyclique. Intuitivement, un réseau bayésien est à la fois : 1. * un modèle de représentation des connaissances ; 2. * une « machine à calculer » des probabilités conditionnelles 3. * une base pour des systèmes d'aide à la décision Pour un domaine donné (par exemple médical), on décrit les relations causales entre variables d'intérêt par un graphe. Dans ce graphe, les relations de cause à effet entre les variables ne sont pas déterministes, mais probabilisées. Ainsi, l'observation d'une cause ou de plusieurs causes n'entraîne pas systématiquement l'effet ou les effets qui en dépendent, mais modifie seulement la probabilité de les observer. L'intérêt particulier des réseaux bayésiens est de tenir compte simultanément de connaissances a priori d'experts (dans le graphe) et de l'expérience contenue dans les données. Les réseaux bayésiens sont surtout utilisés pour le diagnostic (médical et industriel), l'analyse de risques, la détection des spams et le data mining. (fr) 베이즈 네트워크(Bayesian network) 혹은 빌리프 네트워크(영어: belief network) 또는 방향성 비순환 그래픽 모델(영어: directed acyclic graphical model)은 랜덤 변수의 집합과 방향성 비순환 그래프를 통하여 그 집합을 조건부 독립으로 표현하는 확률의 그래픽 모델이다. 예를 들어, 베이지안 네트워크는 질환과 증상 사이의 확률관계를 나타낼 수 있다. 증상이 주어지면, 네트워크는 다양한 질병의 존재 확률을 계산할 수 있다. "베이즈 네트워크"라는 용어는 유디 펄이 다음의 세 개 특징을 강조하면서 만들어졌다. (1) 입력 정보의 주관적인 특성, (2) 정보를 갱신하기 위한 기초로 베이지 조건에 의존함, (3) 추론의 원인과 증거 사이의 구분. 그리고, 이러한 것들은 토마스 베이즈의 1763년 논문에 기초하고 있다. 형식적으로, 베이즈 네트워크는 방향성 비순환 그래프로서, 그래프의 각 마디(node)는 변수를 나타내고, 마디를 연결하는 호(arc)는 변수 간의 조건부 의존성(conditional dependency)을 표현한다. 마디는 측정된 모수, 잠재 변수, 가설 등 어떤 종류의 변수든 표현할 수 있다. 베이즈 네트워크에서는 추론과 학습을 수행하기 위한 효과적인 알고리즘이 존재한다. 나 과 같은 일련의 변수를 모형화하는 베이지 네트워크를 (dynamic Bayesian network)라고 부른다. 불확실성 하에 문제를 표현하고 해를 구할 수 있는 베이즈 네트워크의 일반화를 이라고 부른다.베이지안 네트워크(Bayesian network) 혹은 빌리프 네트워크(belief network) 또는 유향 비순환 그래픽 모델(directed acyclic graphical model)은 랜덤 변수의 집합과 유향 비순환 그래프를 통하여 그 집합을 조건부 독립으로 표현하는 확률의 그래픽 모델이다. 예를 들어, 베이지안 네트워크는 질환과 증상 사이의 확률관계를 나타낼 수 있다. 증상이 주어지면, 네트워크는 다양한 질병의 존재 확률을 계산할 수 있다. 공식적으로, 베이지안 네트워크는 베이지안 관점에서 랜덤 변수를 나타내는 노드를 갖는 DAG(Directed acyclic Graph)이다(수량 혹은 잠재변수, 매개 변수, 알 수 없는 가설들을 관찰할 수 있다.). 선(edge: 그래프에서 노드를 연결하는 선)은 조건부 의존성을 표현한다(연결되지 않은 노드는 서로 다른 것의 조건부 독립 변수를 나타낸다.). 노드는 서로, 그 노드의 부모 변수를 위한 변수의 집합을 입력으로 주어지고 노드에 의해 나타난 변수의 확률이 주어진, 확률 함수로 관련되어있다. 예를 들어, 부모가 Boolean 변수 이면 그 확률 함수는 항목의 테이블(true 혹은 false인 부모의 가능한 조합의 각각을 위한 하나의 엔트리)에 의해 표현될 수 있다. 효율적인 알고리즘으로 베이지안 네트워크에서 추론과 학습을 수행하는 것이 존재한다. 변수들의 시퀀스(e.g. 음성신호 혹은 단백질 서열) 모델링하는 베이지안 네트워크는 동적 베이지안 네트워크(Dynamic Bayesian Network)로 불린다. 불확학설하에 있는 문제 결정을 표현하고 풀어낼 수 있는, 베이지안 네트워크의 일반화는 영향 다이어그램(influence diagram)이라 불린다. (ko) ベイジアンネットワーク（英: Bayesian network）は、因果関係を確率により記述するグラフィカルモデルの1つで、複雑な因果関係の推論を有向非巡回グラフ構造により表すとともに、個々の変数の関係を条件つき確率で表す確率推論のモデルである。ネットワークとは重み付けグラフのこと。 (ja) Una rete bayesiana (BN, Bayesian network) è un modello grafico probabilistico che rappresenta un insieme di variabili stocastiche con le loro dipendenze condizionali attraverso l'uso di un grafo aciclico diretto (DAG). Per esempio una rete Bayesiana potrebbe rappresentare la relazione probabilistica esistente tra i sintomi e le malattie. Dati i sintomi, la rete può essere usata per calcolare la probabilità della presenza di diverse malattie. Il termine modello gerarchico è talvolta considerato un particolare tipo di rete Bayesiana, ma non ha nessuna definizione formale. Qualche volta viene usato per modelli con tre o più livelli di variabili stocastiche; in altri casi viene usato per modelli con variabili latenti. Comunque in generale qualsiasi rete Bayesiana moderatamente complessa viene usualmente detta "gerarchica". Formalmente le reti Bayesiane sono grafi diretti aciclici i cui nodi rappresentano variabili casuali in senso Bayesiano: possono essere quantità osservabili, variabili latenti, parametri sconosciuti o ipotesi. Gli archi rappresentano condizioni di dipendenza; i nodi che non sono connessi rappresentano variabili che sono condizionalmente indipendenti tra di loro. Ad ogni nodo è associata una funzione di probabilità che prende in input un particolare insieme di valori per le variabili del nodo genitore e restituisce la probabilità della variabile rappresentata dal nodo. Per esempio, se i genitori del nodo sono variabili booleane allora la funzione di probabilità può essere rappresentata da una tabella in cui ogni entry rappresenta una possibile combinazione di valori vero o falso che i suoi genitori possono assumere.Esistono algoritmi efficienti che effettuano inferenza e apprendimento a partire dalle reti Bayesiane. Le reti Bayesiane che modellano sequenze di variabili che variano nel tempo sono chiamate reti Bayesiane dinamiche. (it) Een probabilistisch netwerk (synoniemen: Bayesiaans netwerk (Engels: Bayesian network, belief network)) is een datastructuur die gebruikt wordt om probabilistische redeneringen (of abstracter gezien kansverdelingen) te modelleren. Het is een gerichte acyclische graaf waarin de knopen (vertices) proposities/gebeurtenissen beschrijven, en de kanten (arcs) de relaties ertussen. Meestal wordt de richting van de kant gezien als een (bijna) oorzakelijk verband tussen de verschillende gebeurtenissen, dit is echter niet een noodzakelijkheid. Wel is de oorzakelijke interpretatie vaak een goede intuïtieve manier om (voor het eerst) een probabilistisch netwerk te lezen. Bij de knopen horen inschattingsfuncties. De wortel(s) van de graaf hebben inschattingsfuncties die vertellen hoe vaak ze optreden. Knopen met ouders hebben inschattingsfuncties die vertellen wat de kans is dat de bijbehorende gebeurtenissen optreden, gegeven de verschillende mogelijke configuraties van hun ouders. (nl) As redes bayesianas são grafos que representam relações de probabilidade condicional, ou seja, como que a ocorrência de certas variáveis depende do estado de outra. Elas foram desenvolvidas no início dos anos 1980 para facilitar a tarefa de predição e “abdução” em sistemas de inteligência artificial (AI). Em resumo, redes bayesianas, também conhecidas como redes de opinião, redes causais e gráficos de dependência probabilística, são modelos gráficos para raciocínio (conclusões) baseados em incerteza, onde os nós representam as variáveis (discretas ou contínuas), e os arcos representam conexões diretas entre eles. Redes bayesianas vem se tornando a metodologia padrão para a construção dos sistemas que confiam no conhecimento probabilístico e tem sido aplicada em uma variedade de atividades do mundo real. Redes bayesianas são modelos de representação do conhecimento que trabalham com o conhecimento incerto e incompleto por meio do Teorema de Bayes, publicado pelo matemático Thomas Bayes em 1763. Matematicamente, uma rede bayesiana é uma representação compacta de uma tabela de conjunção de probabilidades do universo do problema. Do ponto de vista de um especialista, redes bayesianas constituem um modelo gráfico que representa de forma simples as relações de causalidade das variáveis de um sistema. Essa representação tem como uma das suas principais características a adaptabilidade, podendo, a partir de novas informações, e com base em informações de cunho verdadeiro, gerar alterações nas dependências e nos seus conceitos. Permite, dessa forma, que as probabilidades não sejam meros acasos, podendo confirmar e criar novos conceitos. A representação das redes bayesianas é feita por meio de um grafo acíclico direcionado, no qual os nós representam variáveis de um domínio e os arcos representam a dependência condicional entre as variáveis. Para representar a força da dependência, são utilizadas probabilidades, associadas a cada grupo de nós pais-filhos na rede. (pt) Байесовская сеть (или байесова сеть, байесовская сеть доверия, англ. Bayesian network, belief network) — графовая вероятностная модель, представляющая собой множество переменных и их вероятностных зависимостей по Байесу. Например, байесовская сеть может быть использована для вычисления вероятности того, чем болен пациент, по наличию или отсутствию ряда симптомов, основываясь на данных о зависимости между симптомами и болезнями. Математический аппарат байесовых сетей создан американским учёным Джудой Перлом, лауреатом Премии Тьюринга (2011). Формально, байесовская сеть — это ориентированный ациклический граф, каждой вершине которого соответствует случайная переменная, а дуги графа кодируют отношения условной независимости между этими переменными. Вершины могут представлять переменные любых типов, быть взвешенными параметрами, скрытыми переменными или гипотезами. Существуют эффективные методы, которые используются для вычислений и обучения байесовских сетей. Если переменные байесовской сети являются дискретными случайными величинами, то такая сеть называется дискретной байесовской сетью. Байесовские сети, которые моделируют последовательности переменных, называют . Байесовские сети, в которых могут присутствовать как дискретные переменные, так и непрерывные, называются . Байесовская сеть, в которой дуги помимо отношений условной независимости кодируют также отношения причинности, называют (англ. causal bayesian networks)). (ru) Sieć bayesowska służy do przedstawiania zależności pomiędzy zdarzeniami bazując na rachunku prawdopodobieństwa. Klasycznym przykładem jest reprezentowanie zależności pomiędzy symptomami a chorobą. Formalnie taka sieć jest modelowana za pomocą skierowanego grafu acyklicznego, w którym wierzchołki reprezentują zdarzenia, a łuki związki przyczynowe pomiędzy tymi zdarzeniami. Jeśli od wierzchołka A prowadzi ścieżka do wierzchołka B to B jest potomkiem A. Podstawowym założeniem sieci bayesowskiej jest niezależność danego zdarzenia od wszystkich innych, które nie są jego potomkami. (pl) Ett bayesiskt nätverk, bayesianskt nätverk eller nät är en grafisk modell för sannolikhet. Den föreställer en mängd av tillfälliga variabler och deras betingade samband framställda med hjälp av en riktad acyklisk graf (en riktad graf som saknar cykler). Ett sådant nät är uppbyggt av noder, knutpunkter, som är beroende av varandra. Om det finns två noder, A och B, där B är beroende av A, innebär det att A är "förälder" till B. Med hjälp av ett bayesiskt nätverk kan man beräkna sannolikheter för olika utfall, där hänsyn tas till alla faktorer som kan spela in. Exempelvis om föräldranoderna är boolska variabler, så kan sannolikhetsfunktionen representeras i en tabell av noteringar. Det är en för var och en av de möjliga kombinationerna av föräldranodernas möjlighet att vara sanna eller falska. Användningsområden finns inom medicin, bildbehandling och beslutsstödsystem, bland annat för skräpposthantering eller textinmatning i mobiltelefon. Fördelar ligger i att en stor mängd data kan behandlas snabbt och kostnadseffektivt. (sv) 貝氏網路（Bayesian network），又稱信念網絡（belief network）或是有向無環圖模型（directed acyclic graphical model），是一種機率圖型模型，藉由有向無環圖（directed acyclic graphs, or DAGs）中得知一組隨機變數及其n組條件機率分配（conditional probability distributions, or CPDs）的性質。舉例而言，貝氏網路可用來表示疾病和其相關症狀間的機率關係；倘若已知某種症狀下，貝氏網路就可用來計算各種可能罹患疾病之發生機率。 一般而言，貝氏網路的有向無環圖中的節點表示隨機變數，它們可以是可觀察到的變量，抑或是潛在變量、未知參數等。連接兩個節點的箭頭代表此兩個隨機變數是具有因果關係或是非條件獨立的；而两个節點間若沒有箭頭相互連接一起的情況就稱其隨機變數彼此間為條件獨立。若兩個節點間以一個單箭頭連接在一起，表示其中一個節點是「因（parents）」，另一個是「果（descendants or children）」，兩節點就會產生一個條件機率值。比方說，我們以表示第i個節點，而的「因」以表示，的「果」以表示；圖一就是一種典型的貝氏網路結構圖，依照先前的定義，我們就可以輕易的從圖一可以得知： ，以及 大部分的情況下，貝氏網路適用在節點的性質是屬於離散型的情況下，且依照此條件機率寫出條件機率表（conditional probability table, or CPT），此條件機率表的每一列（row）列出所有可能發生的，每一行（column）列出所有可能發生的，且任一列的機率總和必為1。寫出條件機率表後就很容易將事情給條理化，且輕易地得知此貝氏網路結構圖中各節點間之因果關係；但是條件機率表也有其缺點：若是節點是由很多的「因」所造成的「果」，如此條件機率表就會變得在計算上既複雜又使用不便。下圖為圖一貝氏網路中某部分結構圖之條件機率表。 (zh) Ба́єсова мере́жа, мере́жа Ба́єса, мере́жа перекона́нь, ба́єсова моде́ль або ймові́рнісна орієнто́вана ациклі́чна гра́фова моде́ль (англ. Bayesian network, Bayes network, belief network, Bayes(ian) model, probabilistic directed acyclic graphical model) — це ймовірнісна графова модель (різновид статистичної моделі), яка представляє набір випадкових змінних та їхніх за допомогою орієнтованого ациклічного графу (ОАГ, англ. directed acyclic graph, DAG). Наприклад, баєсова мережа може представляти ймовірнісні зв'язки між захворюваннями та симптомами. Таку мережу можна використовувати для обчислення ймовірностей наявності різних захворювань за наявних симптомів. Формально баєсові мережі є ОАГ, чиї вершини представляють випадкові змінні у баєсовому сенсі: вони можуть бути спостережуваними величинами, латентними змінними, невідомими параметрами або гіпотезами. Ребра представляють умовні залежності; не з'єднані вершини (такі, що в Баєсовій мережі не існує шляху від однієї змінної до іншої) представляють змінні, що є одна від одної. Кожну вершину пов'язано із функцією ймовірності, що бере на вході певний набір значень батьківських вершин, і видає (на виході) ймовірність (або розподіл імовірності, якщо застосовно) змінної, представленої цією вершиною. Наприклад, якщо батьківських вершин представляють булевих змінних, то функцію ймовірності може бути представлено таблицею записів, по одному запису для кожної з можливих комбінацій істинності або хибності її батьків. Схожі ідеї можуть застосовуватися до неорієнтованих та, можливо, циклічних графів, таких як марковські мережі. Існують ефективні алгоритми, що виконують висновування та навчання в баєсових мережах. Баєсові мережі, що моделюють послідовності змінних (наприклад, сигнали мовлення, або послідовності білків), називають динамічними баєсовими мережами. Узагальнення баєсових мереж, що можуть представляти та розв'язувати задачі ухвалення рішень за умов невизначеності, називають . (uk) |
| dbo:thumbnail | wiki-commons:Special:FilePath/SimpleBayesNet.svg?width=300 |
| dbo:wikiPageExternalLink | http://fuzzy.cs.uni-magdeburg.de/books/gm/%7Cdate= http://robotics.stanford.edu/~nodelman/papers/ctbn.pdf http://www.agenarisk.com/resources/apps_bayesian_networks.pdf http://www.cs.ust.hk/~lzhang/paper/pspdf/canai94.pdf http://www.csse.monash.edu.au/~dld/David.Dowe.publications.html%23ComleyDowe2005 http://www.dcs.qmul.ac.uk/~norman/papers/oprisk.pdf http://www.dcs.qmw.ac.uk/%7Enorman/BBNs/BBNs.htm http://www.labmedinfo.org/download/lmi339.pdf http://www.niedermayer.ca/papers/bayesian/bayes.html https://www.dcs.qmul.ac.uk/~norman/papers/Combining%20evidence%20in%20risk%20analysis%20using%20BNs.pdf http://research.microsoft.com/research/pubs/view.aspx%3Fmsr_tr_id=MSR-TR-95-06 https://web.archive.org/web/20060719171558/http:/research.microsoft.com/research/pubs/view.aspx%3Fmsr_tr_id=MSR-TR-95-06 https://web.archive.org/web/20070927153751/https:/www.dcs.qmul.ac.uk/~norman/papers/Combining%20evidence%20in%20risk%20analysis%20using%20BNs.pdf https://web.archive.org/web/20070928081740/http:/www.labmedinfo.org/download/lmi339.pdf https://web.archive.org/web/20080514044436/http:/www.agenarisk.com/resources/apps_bayesian_networks.pdf https://web.archive.org/web/20090923200511/http:/wiki.syncleus.com/index.php/DANN%3ABayesian_Network https://web.archive.org/web/20170601002137/http:/princesofserendib.com/ http://www.kamran-karimi.com/pubs/khISMIS2000.pdf http://www.biomedcentral.com/1471-2105/7/514/abstract http://www.csse.monash.edu.au/~dld/David.Dowe.publications.html%23ComleyDowe2003 http://www.csse.monash.edu.au/~dld/MML.html http://www.csse.monash.edu.au/~dld/Publications/2010/Dowe2010_MML_HandbookPhilSci_Vol7_HandbookPhilStat_MML+hybridBayesianNetworkGraphicalModels+StatisticalConsistency+InvarianceAndUniqueness_pp901-982.pdf http://www.cambridge.org/9780521884389 https://archive.org/details/theorythatwouldn0000mcgr http://pages.cs.wisc.edu/~dyer/cs540/handouts/charniak.pdf http://videolectures.net/kdd07_neapolitan_lbn/ http://www.eng.tau.ac.il/~bengal/BN.pdf |
| dbo:wikiPageID | 203996 (xsd:integer) |
| dbo:wikiPageLength | 51599 (xsd:nonNegativeInteger) |
| dbo:wikiPageRevisionID | 1094972270 (xsd:integer) |
| dbo:wikiPageWikiLink | dbr:Cambridge,_Massachusetts dbr:Cambridge_University_Press dbr:Bayesian_epistemology dbr:Bayesian_hierarchical_modeling dbr:Bayesian_information_criterion dbr:Bayesian_probability dbr:Bayesian_programming dbr:Bayesian_statistics dbc:Bayesian_networks dbc:Causal_inference dbr:Probability_distribution dbr:PyMC3 dbr:Entropy_rate dbr:Naive_Bayes_classifier dbr:Memory-prediction_framework dbr:Product_measure dbr:Topological_ordering dbr:Bayes'_theorem dbr:Boolean_data_type dbr:Approximate_inference dbr:Joint_probability_distribution dbr:Judea_Pearl dbr:Cutting-plane_method dbr:Cycle_(graph_theory) dbr:Decision_tree_learning dbr:Deep_belief_network dbr:Deterministic_algorithm dbr:Dynamic_Bayesian_network dbr:Inference dbr:Influence_diagram dbr:Integer_programming dbr:Standard_deviation dbr:Sequence_alignment dbr:John_Wiley_&_Sons dbr:Nuisance_variable dbr:Conditional_independence dbr:Conditional_probability dbc:Graphical_models dbr:Maxima_and_minima dbr:SPSS_Modeler dbr:Mixture_model dbr:Variable-order_Bayesian_network dbr:Glossary_of_graph_theory dbr:Mixture_distribution dbr:Mutual_information dbr:NP-hard dbr:Conditional_dependence dbr:Conditional_probability_table dbr:Conjunctive_normal_form dbr:Dan_Roth dbr:Likelihood_function dbr:London dbr:London_Mathematical_Society dbr:Loopy_belief_propagation dbr:MIT_Press dbr:Machine_learning dbr:Chow–Liu_tree dbr:Stan_(software) dbr:Structural_equation_modeling dbr:Computational_intelligence dbr:Computational_phylogenetics dbr:Dempster–Shafer_theory dbr:CRC_Press dbr:Admissible_decision_rule dbr:Causality dbr:Treewidth dbr:Data_Mining_and_Knowledge_Discovery dbr:WinBUGS dbr:Junction_tree_algorithm dbr:K-tree dbr:Space–time_tradeoff dbr:Normal_distribution dbr:Causal_graph dbr:Causal_inference dbr:Causal_loop_diagram dbr:Graphical_model dbr:Kalman_filter dbr:Probability_density_function dbr:Variable_elimination dbr:Generalized_belief_propagation dbr:Sensor_fusion dbr:Posterior_probability dbr:Prior_probability dbr:Random_variable dbr:Speech_recognition dbr:Hierarchical_temporal_memory dbr:Tetration dbr:Jeffreys_prior dbc:Causality dbr:Chapman_&_Hall dbr:Chichester dbr:Just_another_Gibbs_sampler dbr:Latent_variable dbr:Directed_acyclic_graph dbr:Artificial_Intelligence_(journal) dbr:Polytree dbr:Springer_Science+Business_Media dbr:Expectation-maximization_algorithm dbr:Scoring_function dbr:Microsoft_Research dbr:Minimum_message_length dbr:New_York_City dbr:Newcastle_upon_Tyne dbr:OpenBUGS dbr:Randomized_algorithm dbr:Chain_rule_(probability) dbr:Yale_University_Press dbr:Markov_blanket dbr:Loss_function dbr:Markov_chain_Monte_Carlo dbr:Maximum_likelihood dbr:Principle_of_maximum_entropy dbr:Simpson's_paradox dbr:Expectation–maximization_algorithm dbr:Factor_graph dbr:Importance_sampling dbr:Michael_Luby dbr:Peptide_sequence dbr:Sharp-P-complete dbr:Maximum_likelihood_estimate dbr:Shrinkage_estimator dbr:San_Francisco,_California dbr:Subjective_logic dbr:Sufficient_statistic dbr:Richard_E._Neapolitan dbr:Variational_Bayes dbr:Chain_rule_of_probability dbr:Improper_prior dbr:Joint_distribution dbr:Markov_network dbr:Absolute_error dbr:Information_entropy dbr:Exhaustive_search dbr:Morgan_Kaufmann dbr:File:SimpleBayesNet.svg dbr:Paul_Dagum |
| dbp:date | 2007-09-28 (xsd:date) March 2009 (en) |
| dbp:reason | More examples needed (en) |
| dbp:url | https://web.archive.org/web/20070928081740/http:/www.labmedinfo.org/download/lmi339.pdf |
| dbp:wikiPageUsesTemplate | dbt:Anchor dbt:Cite_book dbt:Cite_encyclopedia dbt:Cite_journal dbt:Cite_news dbt:Cite_web dbt:Columns-list dbt:Expand_section dbt:Main dbt:More_footnotes dbt:Portal dbt:Refbegin dbt:Refend dbt:Reflist dbt:See_also dbt:Sfn dbt:Short_description dbt:Webarchive dbt:Google_books dbt:Toclimit dbt:Russell_Norvig_2003 dbt:Bayesian_statistics |
| dct:subject | dbc:Bayesian_networks dbc:Causal_inference dbc:Graphical_models dbc:Causality |
| rdf:type | owl:Thing yago:WikicatBayesianNetworks yago:WikicatNetworks yago:Abstraction100002137 yago:Arrangement105726596 yago:Cognition100023271 yago:Communication100033020 yago:DataStructure105728493 yago:Graph107000195 yago:Group100031264 yago:Network108434259 yago:PsychologicalFeature100023100 yago:Structure105726345 yago:System108435388 yago:VisualCommunication106873252 yago:WikicatDataStructures yago:WikicatDirectedGraphs |
| rdfs:comment | ベイジアンネットワーク（英: Bayesian network）は、因果関係を確率により記述するグラフィカルモデルの1つで、複雑な因果関係の推論を有向非巡回グラフ構造により表すとともに、個々の変数の関係を条件つき確率で表す確率推論のモデルである。ネットワークとは重み付けグラフのこと。 (ja) Sieć bayesowska służy do przedstawiania zależności pomiędzy zdarzeniami bazując na rachunku prawdopodobieństwa. Klasycznym przykładem jest reprezentowanie zależności pomiędzy symptomami a chorobą. Formalnie taka sieć jest modelowana za pomocą skierowanego grafu acyklicznego, w którym wierzchołki reprezentują zdarzenia, a łuki związki przyczynowe pomiędzy tymi zdarzeniami. Jeśli od wierzchołka A prowadzi ścieżka do wierzchołka B to B jest potomkiem A. Podstawowym założeniem sieci bayesowskiej jest niezależność danego zdarzenia od wszystkich innych, które nie są jego potomkami. (pl) الشبكة البايزية (بالإنجليزية: Bayesian network) هي مؤلفة من مجموعة عقد تمثل متغيرات مختلفة ومجموعة أقواس تمثل dependence relation بين هذه المتغيرات. إذا كان هناك قوس يتجه من العقدة A إلى العقدة B، عندئذ يمكن أن نقول أن العقدة A هي والد أو أصل العقدة B. إذا كانت للعقدة قيمة معروفة (ثابتة) عندئذ تدعى (عقدة تأكيد) evidence node. يمكن للعقد أن تمثل أي نوع من أنواع المتغيرات : قياسات، مؤشرات (معالم) parameter، أو فرضيات hypothesis. تدعى أيضا شبكات الاعتقاد البايزي Bayesian belief network أو اختصارا شبكات الاعتقاد belief network ولها تطبيقات عديدة في حقل المعلوماتية الحيوية. (ar) Una xarxa bayesiana o xarxa de creença és un model probabilístic multivariat que relaciona un conjunt de variables aleatòries mitjançant un graf dirigit que indica explícitament influència causal. Gràcies al seu motor d'actualització de probabilitats del Teorema de Bayes, les xarxes bayesianes són una eina extremadament útil en l'estimació de probabilitats davant noves proves. Una xarxa bayesiana és un tipus de . Un diagrama d'influència és un híbrid de xarxa bayesiana i la Teoria de la Utilitat. (ca) Bayesovská síť (BN, anglicky Bayesian Network) je pravděpodobnostní model, který využívá grafovou reprezentaci pro zobrazení pravděpodobnostních vztahů mezi jednotlivými jevy. Využívá se pro určení pravděpodobnosti určitých jevů přičemž vychází ze základu teorie pravděpodobnosti. Bayesovská síť je acyklický orientovaný graf, kde každý uzel odpovídá jedné náhodné veličině, přičemž každý graf typicky obsahuje několik veličin/uzlů. Obecně se Bayesovské sítě používají pro modelování napříč různými oblastmi, podporu rozhodování a výpočet pravděpodobnosti. (cs) Ein bayessches Netz oder Bayes’sches Netz (benannt nach Thomas Bayes) ist ein gerichteter azyklischer Graph (DAG), in dem die Knoten Zufallsvariablen und die Kanten bedingte Abhängigkeiten zwischen den Variablen beschreiben. Jedem Knoten des Netzes ist eine bedingte Wahrscheinlichkeitsverteilung der durch ihn repräsentierten Zufallsvariable, gegeben die Zufallsvariablen an den Elternknoten, zugeordnet. Sie werden durch Wahrscheinlichkeitstabellen beschrieben. Diese Verteilung kann beliebig sein, jedoch wird häufig mit diskreten oder Normalverteilungen gearbeitet. Eltern eines Knotens v sind diejenigen Knoten, von denen eine Kante zu v führt. (de) Η θεωρία των πιθανοτήτων είναι η καλύτερη θεωρία για να ελεγχθεί και να εκφραστεί η αβεβαιότητα ενός γεγονότος, καθώς παρέχει τη μεθοδολογία για να εκτιμηθεί ορθά η πιθανότητα για διάφορους τύπους σύνθετων δεδομένων. Τα Bayesian δίκτυα είναι ένα πολύ σημαντικό εργαλείο για την κατανόηση της εξάρτησης μεταξύ των γεγονότων και της εκχώρησης πιθανοτήτων σε αυτά, διασφαλίζοντας έτσι πόσο πιθανή ή ποια είναι η αλλαγή της εμφάνισης ενός συμβάντος δεδομένου του άλλου. Είναι πολύ σημαντικό να υπάρχουν διαθέσιμα ποιοτικά δεδομένα, καθώς σε όποιο κλάδο εφαρμοστούν οι κανόνες και η θεωρία πιθανοτήτων και της στατιστικής, η σημαντικότητα και η αξιοπιστία των αποτελεσμάτων εξαρτάται και από τα δεδομένα με τα οποία εκτιμώνται οι πιθανότητες. Καθώς διανύουμε τον 21ο αιώνα και ο όγκος των πληροφοριών πο (el) A Bayesian network (also known as a Bayes network, Bayes net, belief network, or decision network) is a probabilistic graphical model that represents a set of variables and their conditional dependencies via a directed acyclic graph (DAG). Bayesian networks are ideal for taking an event that occurred and predicting the likelihood that any one of several possible known causes was the contributing factor. For example, a Bayesian network could represent the probabilistic relationships between diseases and symptoms. Given symptoms, the network can be used to compute the probabilities of the presence of various diseases. (en) Una red bayesiana, red de Bayes, red de creencia, modelo bayesiano (de Bayes) o modelo probabilístico en un grafo acíclico dirigido es un (un tipo de ) que representa un conjunto de variables aleatorias y sus a través de un grafo acíclico dirigido (DAG por sus siglas en inglés). Por ejemplo, una red bayesiana puede representar las relaciones probabilísticas entre enfermedades y síntomas. Dados los síntomas, la red puede ser usada para computar la probabilidad de la presencia de varias enfermedades. Su nombre deriva del matemático inglés del siglo XVIII Thomas Bayes. (es) Una rete bayesiana (BN, Bayesian network) è un modello grafico probabilistico che rappresenta un insieme di variabili stocastiche con le loro dipendenze condizionali attraverso l'uso di un grafo aciclico diretto (DAG). Per esempio una rete Bayesiana potrebbe rappresentare la relazione probabilistica esistente tra i sintomi e le malattie. Dati i sintomi, la rete può essere usata per calcolare la probabilità della presenza di diverse malattie. (it) En informatique et en statistique, un réseau bayésien est un modèle graphique probabiliste représentant un ensemble de variables aléatoires sous la forme d'un graphe orienté acyclique. Intuitivement, un réseau bayésien est à la fois : 1. * un modèle de représentation des connaissances ; 2. * une « machine à calculer » des probabilités conditionnelles 3. * une base pour des systèmes d'aide à la décision L'intérêt particulier des réseaux bayésiens est de tenir compte simultanément de connaissances a priori d'experts (dans le graphe) et de l'expérience contenue dans les données. (fr) 베이즈 네트워크(Bayesian network) 혹은 빌리프 네트워크(영어: belief network) 또는 방향성 비순환 그래픽 모델(영어: directed acyclic graphical model)은 랜덤 변수의 집합과 방향성 비순환 그래프를 통하여 그 집합을 조건부 독립으로 표현하는 확률의 그래픽 모델이다. 예를 들어, 베이지안 네트워크는 질환과 증상 사이의 확률관계를 나타낼 수 있다. 증상이 주어지면, 네트워크는 다양한 질병의 존재 확률을 계산할 수 있다. "베이즈 네트워크"라는 용어는 유디 펄이 다음의 세 개 특징을 강조하면서 만들어졌다. (1) 입력 정보의 주관적인 특성, (2) 정보를 갱신하기 위한 기초로 베이지 조건에 의존함, (3) 추론의 원인과 증거 사이의 구분. 그리고, 이러한 것들은 토마스 베이즈의 1763년 논문에 기초하고 있다. 형식적으로, 베이즈 네트워크는 방향성 비순환 그래프로서, 그래프의 각 마디(node)는 변수를 나타내고, 마디를 연결하는 호(arc)는 변수 간의 조건부 의존성(conditional dependency)을 표현한다. 마디는 측정된 모수, 잠재 변수, 가설 등 어떤 종류의 변수든 표현할 수 있다. (ko) Een probabilistisch netwerk (synoniemen: Bayesiaans netwerk (Engels: Bayesian network, belief network)) is een datastructuur die gebruikt wordt om probabilistische redeneringen (of abstracter gezien kansverdelingen) te modelleren. Het is een gerichte acyclische graaf waarin de knopen (vertices) proposities/gebeurtenissen beschrijven, en de kanten (arcs) de relaties ertussen. Meestal wordt de richting van de kant gezien als een (bijna) oorzakelijk verband tussen de verschillende gebeurtenissen, dit is echter niet een noodzakelijkheid. Wel is de oorzakelijke interpretatie vaak een goede intuïtieve manier om (voor het eerst) een probabilistisch netwerk te lezen. Bij de knopen horen inschattingsfuncties. De wortel(s) van de graaf hebben inschattingsfuncties die vertellen hoe vaak ze optreden. (nl) As redes bayesianas são grafos que representam relações de probabilidade condicional, ou seja, como que a ocorrência de certas variáveis depende do estado de outra. Elas foram desenvolvidas no início dos anos 1980 para facilitar a tarefa de predição e “abdução” em sistemas de inteligência artificial (AI). Redes bayesianas são modelos de representação do conhecimento que trabalham com o conhecimento incerto e incompleto por meio do Teorema de Bayes, publicado pelo matemático Thomas Bayes em 1763. (pt) Байесовская сеть (или байесова сеть, байесовская сеть доверия, англ. Bayesian network, belief network) — графовая вероятностная модель, представляющая собой множество переменных и их вероятностных зависимостей по Байесу. Например, байесовская сеть может быть использована для вычисления вероятности того, чем болен пациент, по наличию или отсутствию ряда симптомов, основываясь на данных о зависимости между симптомами и болезнями. Математический аппарат байесовых сетей создан американским учёным Джудой Перлом, лауреатом Премии Тьюринга (2011). (ru) Ett bayesiskt nätverk, bayesianskt nätverk eller nät är en grafisk modell för sannolikhet. Den föreställer en mängd av tillfälliga variabler och deras betingade samband framställda med hjälp av en riktad acyklisk graf (en riktad graf som saknar cykler). Ett sådant nät är uppbyggt av noder, knutpunkter, som är beroende av varandra. Om det finns två noder, A och B, där B är beroende av A, innebär det att A är "förälder" till B. Med hjälp av ett bayesiskt nätverk kan man beräkna sannolikheter för olika utfall, där hänsyn tas till alla faktorer som kan spela in. Exempelvis om föräldranoderna är boolska variabler, så kan sannolikhetsfunktionen representeras i en tabell av noteringar. Det är en för var och en av de möjliga kombinationerna av föräldranodernas möjlighet att vara sanna eller fal (sv) 貝氏網路（Bayesian network），又稱信念網絡（belief network）或是有向無環圖模型（directed acyclic graphical model），是一種機率圖型模型，藉由有向無環圖（directed acyclic graphs, or DAGs）中得知一組隨機變數及其n組條件機率分配（conditional probability distributions, or CPDs）的性質。舉例而言，貝氏網路可用來表示疾病和其相關症狀間的機率關係；倘若已知某種症狀下，貝氏網路就可用來計算各種可能罹患疾病之發生機率。 一般而言，貝氏網路的有向無環圖中的節點表示隨機變數，它們可以是可觀察到的變量，抑或是潛在變量、未知參數等。連接兩個節點的箭頭代表此兩個隨機變數是具有因果關係或是非條件獨立的；而两个節點間若沒有箭頭相互連接一起的情況就稱其隨機變數彼此間為條件獨立。若兩個節點間以一個單箭頭連接在一起，表示其中一個節點是「因（parents）」，另一個是「果（descendants or children）」，兩節點就會產生一個條件機率值。比方說，我們以表示第i個節點，而的「因」以表示，的「果」以表示；圖一就是一種典型的貝氏網路結構圖，依照先前的定義，我們就可以輕易的從圖一可以得知： ，以及 (zh) Ба́єсова мере́жа, мере́жа Ба́єса, мере́жа перекона́нь, ба́єсова моде́ль або ймові́рнісна орієнто́вана ациклі́чна гра́фова моде́ль (англ. Bayesian network, Bayes network, belief network, Bayes(ian) model, probabilistic directed acyclic graphical model) — це ймовірнісна графова модель (різновид статистичної моделі), яка представляє набір випадкових змінних та їхніх за допомогою орієнтованого ациклічного графу (ОАГ, англ. directed acyclic graph, DAG). Наприклад, баєсова мережа може представляти ймовірнісні зв'язки між захворюваннями та симптомами. Таку мережу можна використовувати для обчислення ймовірностей наявності різних захворювань за наявних симптомів. (uk) |
| rdfs:label | شبكة بايزية (ar) Xarxa bayesiana (ca) Bayesovská síť (cs) Bayessches Netz (de) Bayesian Δίκτυα (el) Bayesian network (en) Red bayesiana (es) Réseau bayésien (fr) Rete bayesiana (it) ベイジアンネットワーク (ja) 베이즈 네트워크 (ko) Probabilistisch netwerk (nl) Sieć bayesowska (pl) Rede bayesiana (pt) Байесовская сеть (ru) 貝氏網路 (zh) Bayesiskt nätverk (sv) Баєсова мережа (uk) |
| rdfs:seeAlso | dbr:Glossary_of_graph_theory |
| owl:sameAs | freebase:Bayesian network yago-res:Bayesian network wikidata:Bayesian network dbpedia-ar:Bayesian network dbpedia-bg:Bayesian network dbpedia-ca:Bayesian network dbpedia-cs:Bayesian network dbpedia-de:Bayesian network dbpedia-el:Bayesian network dbpedia-es:Bayesian network dbpedia-fa:Bayesian network dbpedia-fi:Bayesian network dbpedia-fr:Bayesian network http://hy.dbpedia.org/resource/Բայեսյան_ցանց dbpedia-it:Bayesian network dbpedia-ja:Bayesian network dbpedia-ko:Bayesian network dbpedia-nl:Bayesian network dbpedia-no:Bayesian network dbpedia-pl:Bayesian network dbpedia-pt:Bayesian network dbpedia-ro:Bayesian network dbpedia-ru:Bayesian network dbpedia-simple:Bayesian network http://su.dbpedia.org/resource/Jaringan_Bayes dbpedia-sv:Bayesian network http://tl.dbpedia.org/resource/Network_na_Bayesian dbpedia-tr:Bayesian network dbpedia-uk:Bayesian network dbpedia-vi:Bayesian network dbpedia-zh:Bayesian network https://global.dbpedia.org/id/4yESL |
| prov:wasDerivedFrom | wikipedia-en:Bayesian_network?oldid=1094972270&ns=0 |
| foaf:depiction | wiki-commons:Special:FilePath/SimpleBayesNet.svg |
| foaf:isPrimaryTopicOf | wikipedia-en:Bayesian_network |
| is dbo:wikiPageRedirects of | dbr:Bayesian_Network dbr:List_of_Bayesian_network_software dbr:Bayesian_Graphical_Model dbr:Bayesian_belief_network dbr:Bayesian_networks dbr:Applications_of_Bayesian_networks dbr:D-separation dbr:Hierarchical_bayes_model dbr:Bayes_net dbr:Bayes_network dbr:Bayes_networks dbr:Bayesian_Belief_Network dbr:Bayesian_Networks dbr:Bayesian_belief_net dbr:Bayesian_belief_networks dbr:Bayesian_decision_network dbr:Bayesian_graphical_model dbr:Bayesian_hierarchical_model dbr:Bayesian_model dbr:Bayesian_net dbr:Baysian_network dbr:Belief_network dbr:Belief_networks dbr:Causal_network dbr:Hierarchial_bayes dbr:Hierarchical_Bayesian_model dbr:Hierarchical_bayes dbr:Learning_bayesian_network_structure dbr:Inference_network |
| is dbo:wikiPageWikiLink of | dbr:Bayesian_programming dbr:Belief_propagation dbr:List_of_computer_scientists dbr:Naive_Bayes_classifier dbr:Non-negative_matrix_factorization dbr:Memory-prediction_framework dbr:Moral_reasoning dbr:Bayesian_Network dbr:Dependency_network_(graphical_model) dbr:Anomaly_detection dbr:Approximate_inference dbr:Argument_map dbr:Joint_probability_distribution dbr:List_of_University_of_California,_Los_Angeles_people dbr:List_of_graph_theory_topics dbr:Resilient_control_systems dbr:Richard_Neapolitan dbr:Deep_belief_network dbr:Dynamic_Bayesian_network dbr:Index_of_robotics_articles dbr:Influence_diagram dbr:Intuitive_statistics dbr:List_of_network_theory_topics dbr:Multisensory_integration dbr:Structured_prediction dbr:Pseudolikelihood dbr:Confounding dbr:Credal_network dbr:Analysis_of_competing_hypotheses dbr:Estimation_of_distribution_algorithm dbr:Gene_regulatory_network dbr:Geometric_feature_learning dbr:Open_Software_License dbr:Quantum_nonlocality dbr:Quantum_Bayesianism dbr:Variable-order_Bayesian_network dbr:Gaussian_process dbr:Generative_model dbr:Glossary_of_artificial_intelligence dbr:Multimodal_interaction dbr:Mutual_information dbr:Name-letter_effect dbr:Confabulation_(neural_networks) dbr:The_Media_Equation dbr:Thomas_Bayes dbr:Ann_Nicholson dbr:Bereitschaftspotential dbr:Berkson's_paradox dbr:Link_grammar dbr:List_of_Bayesian_network_software dbr:Chow–Liu_tree dbr:Situation_awareness dbr:Computational_phylogenetics dbr:Dempster–Shafer_theory dbr:Embedded_intelligence dbr:Emotion_recognition dbr:Empirical_Bayes_method dbr:Functional_decomposition dbr:Bayesian_Graphical_Model dbr:Bayesian_belief_network dbr:Parallel_computing dbr:Path_analysis_(statistics) dbr:Pattern_recognition dbr:Probabilistic_neural_network dbr:Wolfgang_Spohn dbr:Multi-label_classification dbr:Viterbi_algorithm dbr:Activity_recognition dbr:Causal_model dbr:Causality dbr:Data_mining dbr:Jurimetrics dbr:Latent_Dirichlet_allocation dbr:Lateral_computing dbr:Nir_Friedman dbr:Abductive_reasoning dbr:Dana_Pe'er dbr:Daphne_Koller dbr:Explainable_artificial_intelligence dbr:Exponential_family dbr:Ballistic_movement dbr:Numbers_(season_4) dbr:Outline_of_robotics dbr:Carla_Cotwright-Williams dbr:Causal_Markov_condition dbr:Causal_graph dbr:Causal_loop_diagram dbr:Bayesian_networks dbr:Dirichlet-multinomial_distribution dbr:Graphical_model dbr:Graphoid dbr:List_of_Jewish_American_computer_scientists dbr:Variable_elimination dbr:Sensor_fusion dbr:Quantum_machine_learning dbr:Rete_algorithm dbr:Hierarchical_temporal_memory dbr:Terry_Speed dbr:Jeff_Sagarin dbr:UCLA_Henry_Samueli_School_of_Engineering_and_Applied_Science dbr:Stanford_University_centers_and_institutes dbr:Artificial_intelligence dbr:Accountability dbr:Afzal_Upal dbr:Jewish_culture dbr:Binary_classification dbr:Biological_network_inference dbr:Blackboard_system dbr:Ecological_forecasting dbr:Ecosystem_Management_Decision_Support dbr:Hidden_Markov_random_field dbr:Hongmei_Zhang dbr:Turbo_code dbr:Regime_shift dbr:Directed_acyclic_graph dbr:Dlib dbr:Artificial_intelligence_in_healthcare dbr:Polytree dbr:Source_attribution dbr:Finale_Doshi-Velez dbr:Applications_of_Bayesian_networks dbr:D-separation dbr:Instrumental_variables_estimation dbr:Knowledge_Engineering_and_Machine_Learning_Group dbr:Michael_I._Jordan dbr:Mill's_Methods dbr:Minimum_message_length dbr:Catalog_of_articles_in_probability_theory dbr:Rebellion_Research dbr:Chain_rule_(probability) dbr:Markov_blanket dbr:Markov_chain_Monte_Carlo dbr:Markov_random_field dbr:Mastino dbr:Statistical_relational_learning dbr:Paola_Sebastiani dbr:Variational_Bayesian_methods dbr:Network_theory_in_risk_assessment dbr:Neural_network_Gaussian_process dbr:Urban_traffic_modeling_and_analysis dbr:Factor_graph dbr:Importance_sampling dbr:List_of_statistics_articles dbr:List_of_things_named_after_Thomas_Bayes dbr:Plate_notation dbr:Wigmore_chart dbr:Fitness_approximation dbr:Gibbs_sampling dbr:Mycin dbr:Squashed_entanglement dbr:Hierarchical_bayes_model dbr:Silvia_Ferrari dbr:UCPH_Bioinformatics_Centre dbr:Semantic_decision_table dbr:Outline_of_artificial_intelligence dbr:Outline_of_machine_learning dbr:Recursive_Bayesian_estimation dbr:Subjective_logic dbr:Sequence_labeling dbr:Types_of_artificial_neural_networks dbr:Bayes_net dbr:Bayes_network dbr:Bayes_networks dbr:Bayesian_Belief_Network dbr:Bayesian_Networks dbr:Bayesian_belief_net dbr:Bayesian_belief_networks dbr:Bayesian_decision_network dbr:Bayesian_graphical_model dbr:Bayesian_hierarchical_model dbr:Bayesian_model dbr:Bayesian_net dbr:Baysian_network dbr:Belief_network dbr:Belief_networks dbr:Causal_network dbr:Hierarchial_bayes dbr:Hierarchical_Bayesian_model dbr:Hierarchical_bayes dbr:Learning_bayesian_network_structure dbr:Inference_network |
| is foaf:primaryTopic of | wikipedia-en:Bayesian_network |
