Remarks on Bayesian Networks and Their Applications

• Autorzy: Tomasz Kozdraj

Warianty tytułu

Uwagi o sieciach bayesowskich i ich zastosowaniach

• Języki publikacji: EN

Abstrakty

EN

Bayesian networks are directed acyclic graphs that represent dependencies between variables in a probabilistic model. They are becoming an increasingly important area for research and applications in the entire field of Artificial Intelligence. This paper explores the nature of implications for Bayesian networks beginning with an overview and comparison of inferential statistics and Bayes' Theorem. It presents the possibilities of applications of Bayesian networks in a field of economic problems and also focuses on the problem of learning. (original abstract)

Sieci Bayesa są strukturami graficznymi będącymi skierowanymi grafami acyklicznymi prezentującymi zależności pomiędzy zmiennymi losowymi. Znajdują one zastosowanie w dziedzinie tzw. oprogramowania inteligentnego, a zwłaszcza w systemach ekspertowych. Artykuł ten porusza problemy samych sieci bayesowskich, uczenia oraz ich zastosowania. Podjęto też próbę ich aplikacji na polu zagadnień ekonomicznych związanych z rynkiem kapitałowym. (abstrakt oryginalny)

Słowa kluczowe

EN

Bayesian network; Random variable; Expert systems; Learning process

PL

Sieci bayesowskie; Zmienne losowe; Systemy ekspertowe; Proces uczenia się

• Czasopismo: Acta Universitatis Lodziensis. Folia Oeconomica
• Rocznik: 2005
• Tom: 194 Multivariate Statistical Analysis : Probability, Statistical Inference and Applications
• Strony: 249--259

Twórcy

autor

Tomasz Kozdraj

• University of Lodz, Poland

Bibliografia

• Bilmes J.A. (2000), Dynamic Bayesian multinets, [in:] Proceedings of the 16"" conference on Uncertainly in Artificial Intelligence, Morgan Kaufmann Publishers, Stanford, Califomia.
• Chickering D.M., Geiger D., Heckerman D. (1994), Learning Bayesian Network is NP-hard, Microsoft Research MSR-TR-94-17, Redmond.
• Diez F.J., Mira J. (1994), Distributed Reasoning and Learning in Bayesian Expert System, Dpto. Informatica y Automatica, UNED, Madrid.
• Domański Cz., Pruska K., Wagner W. (1998), Wnioskowanie statystyczne przy nieklasycznych założeniach, Wyd. UL, Łódź.
• Geiger D., Heckerman D. (1994), Learning Gaussian Networks, Microsoft Research MSR-TR-94- 10, Redmond.
• Ghabramani Z. (1997), Learning Dynamic Bayesian Networks, University of Toronto, Toronto.
• Heckerman D., Geiger D. (1995), Learning Bayesian Networks, Microsoft Research MSR-TR-95- 02, Redmond.
• Krause P. (1998), Learning Probabilistic Networks, technical report, Philips Research Labs, Redhill.
• Mulawka JJ. (1996), Systemy ekspertowe, WNT, Warszawa.
• Murphy K. (2001), An introduction to graphical models, http://www.cs.berkeley.edu/murphyk/Bayes/bayes_tutorial.pdf
• Murphy K. (2002), Dynamic Bayesian Networks: Representation, Inference and Learning, PhD Thesis, UC Berkeley, Computer Science Division.
• Niedermayer D. (1998), An introduction to Bayesian networks and their contemporary applications, http ://www .gpfn.sk.ca/~d aryle/papers/bay esian_networks/bay es .html
• Normand S.L., Tritchler D. (1992), Parameter updating in a Bayes network, Journal of American Statistical Association, 82, 420.
• Russel S., Binder J., Koller D. (1994), Adaptive Probabilistic Networks, technical report UCB/CSD-94-824, University of California, Berkley.
• Settimi R., Smith J.Q., Gargoum A.S. (1999), Approximate Learning in Complex Dynamic Bayesian Networks, Engineering and Physical Sciences Research Council GR/K72254. J. Pearl, web page http://bayes.cs.ucla.edu/jp_home.html