Rețea bayesiană

Inteligență artificială
IA simbolică
Căutarea spațiului de stare Planificare automatizată Căutare combinatorială Sistem expert Reprezentarea cunoașterii Sistem bazat pe cunoaștere
Conecționism
Rețele neuronale
Viață artificială
IA distribuită Programare genetică Algoritm genetic Inteligență „roi” Ființă artificială
Metoda empirică Bayes
Rețea neurală Rețea bayesiană Învățare automată Recunoașterea tiparelor Învățare profundă
Sisteme Fuzzy
Logică fuzzy Electronică fuzzy
Filosofie
IA puternică IA slabă Conștiință artificială Test Turing Etică Risc existențial
Glosar
Glosar
Vezi și
Xenoboți Singularitate tehnologică Legea întoarcerilor accelerate Inteligența artificială în ficțiune Superinteligența. Căi, pericole, strategii The Precipice: Existential Risk and the Future of Humanity

Introducere

Modelele grafice probabilistice sunt grafuri în care nodurile reprezintă variabile aleatoare, iar arcele (respectiv lipsa acestora) reprezintă presupuneri de independență condiționată. Ca urmare, ele oferă o reprezentare compactă a distribuțiilor probabilistice cumulate. Modelele grafice neorientate, numite și Câmpuri Markov Aleatoare (Markov Random Fields) sau Rețele Markov, au o definiție simplă a independenței: două (seturi de) noduri A și B sunt condițional independente dacă, dat fiind un al treilea (set) C, toate căile dintre nodurile A și B sunt separate de un nod din C. Spre deosebire, modelele grafice orientate (numite și Rețele Bayesiene), au o noțiune mai complexă a independenței, care ia în considerare direcția arcelor; acestea au mai multe avantaje: cel mai important este că un arc de la A la B poate fi interpretat ca A "cauzează" pe B. Aceasta poate fi folosită ca "ghid" pentru construirea grafului. În plus, modelele orientate pot codifica relații deterministe și sunt mai ușor de învățat.

Sursă (traducere): A Brief Introduction to Graphical Models and Bayesian Networks