Hybrydowe strategie na rzecz usprawnienia sieci bayesowskich
Jeden z głównych czynników sukcesu eksploracji danych jest związany ze zrozumiałością wzorców odkrytych przez techniki inteligencji obliczeniowej; z bayesowskimi sieciami jako jednymi z najbardziej znaczących, biorąc pod uwagę łatwość osiągniętej interpretacji wiedzy. Jej semantyka ilościowa i jakościowa, powiązana ze zrozumiałością odkrytych wzorców, motywuje do zastosowania jej w procesie odkrywania wiedzy. Sieci bayesowskie, jak każda technika inteligencji obliczeniowej, mają jednak ograniczenia i wady związane z jej wykorzystaniem, wśród których możemy wskazać na uczenie się struktury z dużych zbiorów danych i wyciąganie wniosków w czasie. Książka ta ukaże rozszerzenia dotyczące doskonalenia bayesowskich sieci, przedstawiając strategie poprawy ich właściwości, traktując aspekty takie jak wydajność, a także możliwość interpretacji i wykorzystania ich wyników; włączając modele regresji wielokrotnej dla uczenia się struktury oraz aspekty czasowe z wykorzystaniem łańcuchów Markowa. Modele te powinny pomóc użytkownikom poszerzyć zakres możliwości zastosowania tego wszechstronnego modelu w nowych dziedzinach i zadaniach.