redes Bayesianas são um tipo de gráfico acíclico dirigido , com nós que representam variáveis. De acordo com a Judea Pearl , professor de ciência da computação na Universidade da Califórnia , a força das conexões do gráfico são regidos pela probabilidade condicional . Redes Bayesian pode representar a base de um sistema de inteligência artificial conhecimento , a partir de um robô de uma linha de produção de automóveis de um complexo sistema de defesa . Directed Graph Acíclico

Ainda de acordo com Wolfram Mathworld , um repositório on-line muito respeitado de informações sobre a matemática, um grafo acíclico dirigido --- chamado um dígrafo acíclico --- é um grafo dirigido sem ciclos. Na sua forma mais básica, um gráfico acylic dirigido olha como uma imagem de ponto -a- ponto, com pontos que representam "nós" (peças de informação) e as linhas entre os nós que representam a direção que os fluxos de informação . As setas são colocados nas linhas para mostrar o fluxo de dados.
Consistência e Integralidade

Segundo o professor Pérola , é importante não sobrecarregar o gráfico com dados desnecessários porque da possibilidade de muitas conclusões a retirar. Também é vital que o gráfico ser tão completa quanto possível. Por exemplo, um gráfico podem ser utilizadas para representar processo de tomada de decisão de um médico. Se um paciente chega ao consultório médico com uma dor de cabeça , o médico irá fazer um diagnóstico baseado em como o paciente apresenta , mais ele pode tomar a decisão de executar mais testes. O gráfico deve mostrar a decisão de testar ou não testar , com instruções claras para essas decisões . Além disso , o gráfico deve incluir todas as possibilidades para os resultados de dor de cabeça (incluindo enxaqueca , tumor cerebral, sinusite e toda uma série de outras doenças ) . Sem qualquer possibilidade , a condição do paciente pode permanecer sem diagnóstico.
Decisão Modelagem humanas fazendo

Estudos têm demonstrado que a modelagem de decisões humanas com redes Bayesianas não é tão fácil como parece à primeira vista . Professor Pérola afirma que, por causa do raciocínio humano é subjetiva e incompleta , parece razoável começar com a teoria da probabilidade para desenhar um gráfico. No entanto, este processo de modelagem básica não inclui as peças mais complexas de raciocínio humano , se estivéssemos a tentar construir uma tabela de probabilidade para algumas decisões complexas feitas por pessoas , que seria necessário um computador uma quantidade extraordinária de tempo para calcular o que seria levar uma pessoa uma fração de segundo para decidir.

Vantagens

segundo a Microsoft, redes Bayesianas são úteis para a modelagem de dados , porque eles podem lidar com a tomada de decisão , mesmo quando algumas variáveis estão faltando. Redes Bayesian pode representar relação causal, incluem o conhecimento prévio e prever possíveis resultados com facilidade.

Applications

Jir Vomlel do Instituto de Teoria da Informação e Automação Academia de Ciências da República Checa afirma que as redes Bayesian pode ser usado para representar uma grande variedade de processos de tomada de decisão no mundo real , incluindo diagnósticos médicos, a tomada de decisão a maximização da utilidade esperada , testes de adaptação e resolução de problemas teórico -decisão.