Bayesianske nettverk er en type rettet asyklisk graf , med noder som representerer variabler. Ifølge Judea Pearl , professor i informatikk ved UCLA , er styrken på grafen tilkoblinger styrt av betinget sannsynlighet. Bayesianske nettverk kan representere kunnskapsgrunnlaget for en kunstig intelligens system , fra en robot på en bil - produksjon linje til et komplekst forsvarssystem . Rettet asyklisk graf

Ifølge Wolfram MathWorld , en respektert online oppbevaringssted for informasjon om matematikk, en rettet asyklisk graf --- også kalt en asyklisk digraph --- er en rettet graf mangler sykluser . I sin mest grunnleggende form, ser en rettet ACYLIC graf som en prikk -til - prikk bilde , med prikker som representerer "noder " ( informasjon stykker) og linjer mellom nodene representerer hvilken retning informasjonsflyt . Pilene er plassert på linjene for å vise flyten av data .
Konsistens og Fullstendighet

Ifølge professor Pearl , er det viktig å ikke overbelaste grafen med unødvendige data fordi om muligheten for mange konklusjoner å trekke fra. Det er også viktig at grafen være så komplett som mulig. For eksempel kan en graf bli trukket til å representere en lege beslutningsprosessen . Hvis en pasient kommer til legekontoret med en hodepine , vil legen stille en diagnose basert på hvordan pasienten presenterer, pluss han kan gjøre en beslutning om å kjøre flere tester . Grafen må vise beslutningen om å teste eller ikke teste , med klare instruksjoner for disse beslutningene . I tillegg må grafen inneholde alle muligheter for hodepine utfall ( inkludert migrene , hjernesvulst , bihulebetennelse og en hel rekke andre sykdommer ) . Uten alle muligheter , kunne pasientens tilstand forblir udiagnostisert .
Modeling Menneskelig Decision Making

Studier har vist at modellering menneskelige beslutninger med Bayesianske nettverk er ikke like lett som det først ser ut. Professor Pearl sier at fordi menneskelig fornuft er subjektiv og ufullstendig , vil det synes rimelig å starte med sannsynlighetsteori å designe en graf. Men dette betyr grunnleggende modellering prosessen inkluderer ikke de mer komplekse stykker av menneskelig fornuft , hvis vi skulle forsøke å konstruere en sannsynlighet tabell for noen komplekse beslutninger gjort av folk , ville det ta en datamaskin en ekstraordinær mengde tid til å beregne hva det ville ta en person et tiendedels sekund å bestemme.
Fordeler

Ifølge Microsoft , Bayesianske nettverk er nyttig for datamodellering fordi de kan håndtere beslutningsprosesser selv når noen variabler mangler. Bayesianske nettverk kan representere årsakssammenheng , inkluderer forkunnskaper og forutsi mulige utfall med letthet.
Applications

JIR Vomlel av Institute of Information Theory and Automation Academy of Sciences av Tsjekkia slår fast at Bayesiansk nettverk kan brukes til å representere et bredt spekter av beslutningsprosessene i den virkelige verden, inkludert medisinsk diagnostikk , beslutningsprosesser maksimere forventet nytte , adaptive testing og beslutnings- teoretisk feilsøking.