Strategie ibride per il miglioramento delle reti bayesiane

Uno dei principali fattori di successo del data mining è legato alla comprensibilità dei modelli scoperti dalle tecniche di intelligenza computazionale; le reti bayesiane sono tra le più importanti, se si considera la facilità di interpretazione della conoscenza raggiunta. La sua semantica quantitativa e qualitativa, unita alla comprensibilità dei modelli scoperti, ne motiva l'applicazione nel processo di scoperta della conoscenza. Le reti bayesiane, tuttavia, come qualsiasi tecnica di intelligenza computazionale, presenta limiti e svantaggi per quanto riguarda il suo uso; tra i quali possiamo indicare l'apprendimento della struttura da grandi insiemi di dati e la fornitura di inferenze nel tempo. Questo libro mostrerà le estensioni per il miglioramento delle reti bayesiane, presentando strategie per migliorare le sue proprietà, trattando aspetti come le prestazioni, così come l'interpretabilità e l'uso dei suoi risultati; incorporando modelli di regressione multipla per l'apprendimento della struttura, e aspetti temporali usando le catene di Markov. I modelli dovrebbero aiutare gli utenti ad estendere la gamma di applicabilità di questo versatile modello per nuovi domini e compiti.