Bayesov şəbəkəsi üçün mənbəyə bax

{{Süni intellekt yanqutu}}

'''Bayesov şəbəkəsi''' ({{dil-en|Bayesian Network}}) — ehtimal nəzəriyyəsinə əsaslanan qrafik modeldir və dəyişənlər arasındakı asılılıqları, əlaqələri təsvir etmək üçün istifadə olunur.<ref>{{cite web |url=http://bayes.cs.ucla.edu/BOOK-2K/ch3-3.pdf |title=The Back-Door Criterion |access-date=2014-09-18 |archive-date=2013-12-27 |archive-url=https://web.archive.org/web/20131227203907/http://bayes.cs.ucla.edu/BOOK-2K/ch3-3.pdf |url-status=live }}</ref>

Bu model, kompleks sistemlərdə ehtimalların hesablanmasını və qeyri-müəyyənliklərin idarə olunmasını təmin edir.<ref>{{cite journal |last1=Deligeorgaki |first1=Danai |last2=Markham |first2=Alex |last3=Misra |first3=Pratik |last4=Solus |first4=Liam |title=Combinatorial and algebraic perspectives on the marginal independence structure of Bayesian networks |journal=Algebraic Statistics |date=2023 |volume=14 |issue=2 |pages=233–286 |doi=10.2140/astat.2023.14.233|arxiv=2210.00822 }}</ref> Bayesov şəbəkəsi həm təsviri, həm də proqnozlaşdırıcı analizlər aparmaqda geniş istifadə olunur və xüsusilə süni intellektdə qərar qəbuletmə proseslərində effektivdir.<ref>{{cite web |url=http://bayes.cs.ucla.edu/BOOK-09/ch11-1-2-final.pdf |title=d-Separation without Tears |access-date=2014-09-18 |archive-date=2016-03-04 |archive-url=https://web.archive.org/web/20160304032607/http://bayes.cs.ucla.edu/BOOK-09/ch11-1-2-final.pdf |url-status=live }}</ref>

== Bayesov şəbəkəsinin quruluşu ==
Bayesov şəbəkəsi yönləndirilmiş asiklik qraf ({{dil-en|DAG – Directed Acyclic Graph}})<ref>{{Cite book |url=https://onlinelibrary.wiley.com/doi/book/10.1002/9780470061572 |title=Encyclopedia of Statistics in Quality and Reliability |date=2007-12-14 |publisher=Wiley |isbn=978-0-470-01861-3 |editor-last=Ruggeri |editor-first=Fabrizio |edition=1 |pages=1 |language=en |doi=10.1002/9780470061572.eqr089 |editor-last2=Kenett |editor-first2=Ron S. |editor-last3=Faltin |editor-first3=Frederick W. |access-date=2024-10-30 |archive-date=2024-03-21 |archive-url=https://web.archive.org/web/20240321142345/https://onlinelibrary.wiley.com/doi/book/10.1002/9780470061572 |url-status=live }}</ref> üzərində qurulur. Bu qrafda:

* ''Düyünlər'' dəyişənləri təmsil edir.
* ''Kənar'' isə dəyişənlər arasındakı səbəb-nəticə və ya təsir əlaqələrini göstərir.

Məsələn, əgər A düyünü B düyünü ilə birbaşa əlaqəlidirsə və B-də hər hansı bir dəyişiklik A-ya təsir göstərirsə, bu halda B A-ya “valideyn” kimi təsvir edilir. Bayesov şəbəkəsinin əsasını təşkil edən ehtimal qaydaları Bayes teoreminə əsaslanır və şəbəkə qurularkən dəyişənlərin şərti ehtimalları ilə işlənilir.<ref name="pearl-r212">{{cite conference |url=http://dl.acm.org/ft_gateway.cfm?id=2074452&ftid=1062250&dwn=1&CFID=161588115&CFTOKEN=10243006 |title=A Probabilistic Calculus of Actions | vauthors = Pearl J |year=1994 | veditors = Lopez de Mantaras R, Poole D | book-title = UAI'94 Proceedings of the Tenth international conference on Uncertainty in artificial intelligence |publisher= Morgan Kaufmann |location=San Mateo CA |pages=454–462 |isbn=1-55860-332-8 |arxiv=1302.6835 |bibcode=2013arXiv1302.6835P }}</ref>

== Bayesov teoremi ==
Bayesov teoremi iki dəyişən arasındakı şərti ehtimalı hesablamağa kömək edir. Teorem aşağıdakı kimi ifadə edilir:<ref>{{cite book |first=Richard E. |last=Neapolitan | name-list-style = vanc |title=Learning Bayesian networks |url={{google books |plainurl=y |id=OlMZAQAAIAAJ}} |year=2004 |publisher=Prentice Hall |isbn=978-0-13-012534-7 }}</ref>

<center> <math>P(A|B) = \frac{P(B|A) \cdot P(A)}{P(B)}</math></center>

Burada:

* P(A∣B): B məlum olduqda A-nın ehtimalıdır.
* P(B∣A): A məlum olduqda B-nin ehtimalıdır.
* P(A): A-nın ümumi ehtimalıdır.
* P(B): B-nin ümumi ehtimalıdır.

== Əsaslandırma ==
Bayesov şəbəkəsində əsaslandırma ({{dil-en|inference}}) müəyyən dəyişənlərin ehtimalını digərlərinin dəyərləri məlum olduqda hesablamaq deməkdir. Bu, ən çox aşağıdakı məqsədlər üçün istifadə olunur:<ref>{{cite book | vauthors = Shpitser I, Pearl J | chapter = Identification of Conditional Interventional Distributions | veditors = Dechter R, Richardson TS | title  = Proceedings of the Twenty-Second Conference on Uncertainty in Artificial Intelligence | pages = 437–444 | location = Corvallis, OR | publisher = AUAI Press | year = 2006 | arxiv = 1206.6876 }}</ref>

# Diaqnostika — simptomlara əsasən xəstəlik ehtimallarını təyin etmək.
# Proqnozlaşdırma — gələcəkdə baş verə biləcək hadisələri qabaqcadan müəyyən etmək.
# Nəticə çıxarma — şəbəkədə mövcud dəyişənlərin şərti ehtimalları əsasında əlaqəli nəticələr çıxarmaq.

== Tətbiq sahələri ==
Bayesov şəbəkəsi müxtəlif sahələrdə qeyri-müəyyənliklər və ehtimalların idarə olunması üçün geniş istifadə olunur:<ref name="pearl2000">{{Cite book | first = Judea | last = Pearl | author-link = Judea Pearl | title = Causality: Models, Reasoning, and Inference |url={{google books |plainurl=y |id=LLkhAwAAQBAJ}}| publisher = [[Cambridge University Press]] | year = 2000 | isbn = 978-0-521-77362-1 | oclc = 42291253 }}</ref>

* Tibb — xəstəlik diaqnostikası və müalicə planlaşdırılması üçün simptomlardan istifadə etməklə xəstəlik ehtimallarını müəyyən etmək.
* Robot texnologiyası — robotların mühitlərini qavraması və qeyri-müəyyən hallar üçün qərar verməsi.
* Fizika və mühəndislik — sistemlərdə nasazlıq hallarını proqnozlaşdırmaq və riskləri idarə etmək.
* Maliyyə — bazarda qeyri-müəyyənliklər əsasında risk idarəetmə və sığorta analizi.

== Üstünlükləri və məhdudiyyətləri ==
=== Üstünlükləri ===
Şəbəkə dəyişənlər arasındakı səbəb-nəticə əlaqələrini intuitiv şəkildə göstərir. Kompleks sistemlərdə məlumatın vizual təmsilini asanlaşdırır. Tətbiqi genişdir və fərqli sahələrdə ehtimal hesablamaları aparmağa imkan verir.<ref>{{cite book |first1=Peter |last1=Spirtes |first2=Clark N. |last2=Glymour |first3=Richard |last3=Scheines | name-list-style = vanc |title=Causation, Prediction, and Search |url={{google books |plainurl=y |id=VkawQgAACAAJ}} |year=1993 |publisher=Springer-Verlag |isbn=978-0-387-97979-3 |edition=1st}}</ref>

=== Məhdudiyyətləri ===
Dəyişənlər arasındakı əlaqələri və ehtimalları dəqiq təyin etmək çətin ola bilər. Çox böyük və kompleks şəbəkələr üçün hesablamalar çətinləşə bilər. Səbəb-nəticə əlaqələrinin düzgün təyin olunması üçün dərin biliyə ehtiyac var.<ref>{{cite journal |vauthors=Spirtes P, Glymour C |title=An algorithm for fast recovery of sparse causal graphs |journal=Social Science Computer Review |volume=9 |issue=1 |pages=62–72 |year=1991 |doi=10.1177/089443939100900106 |s2cid=38398322 |url=http://repository.cmu.edu/cgi/viewcontent.cgi?article=1316&context=philosophy |format=PDF |citeseerx=10.1.1.650.2922 |access-date=2024-10-30 |archive-date=2016-04-16 |archive-url=https://web.archive.org/web/20160416124632/http://repository.cmu.edu/cgi/viewcontent.cgi?article=1316&context=philosophy |url-status=live }}</ref>

Beləliklə, Bayesov şəbəkələri qeyri-müəyyənliklərin idarəsi və ehtimalların hesablanması üçün effektiv vasitədir və süni intellektdə qərar qəbuletmə proseslərini asanlaşdırır.<ref>M. Scanagatta, G. Corani, C. P. de Campos, and M. Zaffalon. [http://papers.nips.cc/paper/6232-learning-treewidth-bounded-bayesian-networks-with-thousands-of-variables Learning Treewidth-Bounded Bayesian Networks with Thousands of Variables.] {{Wayback|url=http://papers.nips.cc/paper/6232-learning-treewidth-bounded-bayesian-networks-with-thousands-of-variables |date=20161126005250 }} In NIPS-16: Advances in Neural Information Processing Systems 29, 2016.</ref>

== İstinadlar ==
{{İstinad siyahısı}}

== Ədəbiyyat ==
* {{cite book | title = Bayesian Networks and BayesiaLab – A practical introduction for researchers|url={{google books |plainurl=y |id=etXXsgEACAAJ}} | first1 = Stefan | last1 = Conrady | first2 = Lionel | last2 = Jouffe | name-list-style = vanc | isbn = 978-0-9965333-0-0 | publisher = Bayesian USA | location = Franklin, Tennessee |date=2015-07-01 }}
* {{cite web | url = http://pages.cs.wisc.edu/~dyer/cs540/handouts/charniak.pdf | title = Bayesian networks without tears | first = Eugene | last = Charniak | name-list-style = vanc | work = AI Magazine | date = Winter 1991 }}
* {{cite book | first1  =Rudolf | last1 = Kruse | first2 = Christian | last2 = Borgelt | first3 = Frank | last3 = Klawonn | first4 = Christian | last4 = Moewes | first5 = Matthias | last5 = Steinbrecher | first6 = Pascal | last6 = Held | name-list-style = vanc | title = Computational Intelligence A Methodological Introduction |url={{google books |plainurl=y |id=etXXsgEACAAJ}}| date=2013  |publisher = Springer-Verlag | location = London | isbn = 978-1-4471-5012-1 }}
* {{cite book | first1 = Christian | last1 = Borgelt | first2 = Matthias | last2 = Steinbrecher | first3 = Rudolf | last3 = Kruse | name-list-style = vanc | title = Graphical Models – Representations for Learning, Reasoning and Data Mining |url={{google books |plainurl=y |id=I8Fa-LKDpF0C}} | date = 2009 | publisher = Wiley | location = Chichester | isbn = 978-0-470-74956-2 | edition = Second }}

== Xarici keçidlər ==
*[http://www.niedermayer.ca/papers/bayesian/bayes.html An Introduction to Bayesian Networks and their Contemporary Applications]
*[http://www.dcs.qmw.ac.uk/%7Enorman/BBNs/BBNs.htm On-line Tutorial on Bayesian nets and probability]
*[https://web.archive.org/web/20170601002137/http://princesofserendib.com/ Web-App to create Bayesian nets and run it with a Monte Carlo method]
*[http://robotics.stanford.edu/~nodelman/papers/ctbn.pdf Continuous Time Bayesian Networks]
*[https://web.archive.org/web/20090923200511/http://wiki.syncleus.com/index.php/DANN%3ABayesian_Network Bayesian Networks: Explanation and Analogy]
*[http://videolectures.net/kdd07_neapolitan_lbn/ A live tutorial on learning Bayesian networks]
*[http://www.biomedcentral.com/1471-2105/7/514/abstract A hierarchical Bayes Model for handling sample heterogeneity in classification problems], provides a classification model taking into consideration the uncertainty associated with measuring replicate samples.
*[http://www.labmedinfo.org/download/lmi339.pdf Hierarchical Naive Bayes Model for handling sample uncertainty] {{Webarchive|url=https://web.archive.org/web/20070928081740/http://www.labmedinfo.org/download/lmi339.pdf |date=2007-09-28 }}, shows how to perform classification and learning with continuous and discrete variables with replicated measurements.

{{Xarici keçidlər}}
{{Süni intellekt}}

[[Kateqoriya:Süni intellekt]]