Hybrydowe strategie na rzecz usprawnienia sieci bayesowskich

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