En savoir plus
Das Bayes'sche Netzwerk ist eine Kombination aus probabilistischem Modell und Graphenmodell. Es findet breite Anwendung in den Bereichen maschinelles Lernen, Data Mining, Diagnose usw., da es eine solide evidenzbasierte Inferenz bietet, die der menschlichen Intuition vertraut ist. Allerdings kann ein Bayes'sches Netz Verwirrung stiften, da es viele komplizierte Konzepte, Formeln und Diagramme enthält. Diese Konzepte sollten so klar organisiert und dargestellt werden, dass sie leicht zu verstehen sind. Dies ist das Ziel des vorliegenden Berichts. Der Bericht umfasst 5 Hauptabschnitte, die die Grundsätze des Bayes'schen Netzes behandeln. Abschnitt 1 ist eine Einführung in das Bayes'sche Netzwerk mit einigen grundlegenden Konzepten. Fortgeschrittene Konzepte werden in Abschnitt 2 behandelt. Der Inferenzmechanismus des Bayes'schen Netzes wird in Abschnitt 3 beschrieben. Das Parameterlernen, das uns erklärt, wie man die Parameter des Bayes'schen Netzes aktualisiert, wird in Abschnitt 4 beschrieben. Abschnitt 5 befasst sich mit dem Strukturlernen, in dem beschrieben wird, wie ein Bayes'sches Netz aufgebaut wird. Im Allgemeinen sind die drei Hauptthemen des Bayes'schen Netzes die Inferenz, das Parameterlernen und das Strukturlernen, die in den aufeinander folgenden Abschnitten 3, 4 und 5 behandelt werden. Abschnitt 6 ist die Schlussfolgerung.
A propos de l'auteur
Loc Nguyen ist seit 2017 ein unabhängiger Wissenschaftler. Er ist Postdoktorand in Informatik, zertifiziert von INSTICC im Jahr 2015. Seit 2016 ist er von der LMS als Mathematiker anerkannt. 2016 wurde ihm von HOSREM der Doktortitel in statistischer Medizin verliehen. Er hat 78 Arbeiten und Vorabdrucke sowie 8 wissenschaftliche und technologische Produkte veröffentlicht.
