Ádamo Lima Santana

Hybrydowe strategie na rzecz usprawnienia sieci bayesowskich Ádamo Lima Santana

Jeden z glównych czynników sukcesu eksploracji danych jest zwi?zany ze zrozumialo?ci? wzorców odkrytych przez techniki inteligencji obliczeniowej; z bayesowskimi sieciami jako jednymi z najbardziej znacz?cych, bior?c pod uwag? latwo?c osi?gni?tej interpretacji wiedzy. Jej semantyka ilo?ciowa i jako?ciowa, powi?zana ze zrozumialo?ci? odkrytych wzorców, motywuje do zastosowania jej w procesie odkrywania wiedzy. Sieci bayesowskie, jak ka?da technika inteligencji obliczeniowej, maj? jednak ograniczenia i wady zwi?zane z jej wykorzystaniem, w?ród których mo?emy wskazac na uczenie si? struktury z du?ych zbiorów danych i wyci?ganie wniosków w czasie. Ksi??ka ta uka?e rozszerzenia dotycz?ce doskonalenia bayesowskich sieci, przedstawiaj?c strategie poprawy ich wla?ciwo?ci, traktuj?c aspekty takie jak wydajno?c, a tak?e mo?liwo?c interpretacji i wykorzystania ich wyników; wl?czaj?c modele regresji wielokrotnej dla uczenia si? struktury oraz aspekty czasowe z wykorzystaniem la?cuchów Markowa. Modele te powinny pomóc u?ytkownikom poszerzyc zakres mo?liwo?ci zastosowania tego wszechstronnego modelu w nowych dziedzinach i zadaniach.