Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Introduction Kapitel lesen Erstes Kapitel lesen

2015 | OriginalPaper | Buchkapitel

7. Bayesian Networks: Representation and Inference

verfasst von : Luis Enrique Sucar

Erschienen in: Probabilistic Graphical Models

Verlag: Springer London

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

This chapter introduces Bayesian networks, covering representation and inference. The basic representational aspects of a Bayesian network are presented, including the concept of D-Separation and the independence axioms. With respect to parameter specification, the two main alternatives for a compact representation are described, one based on canonical models and the other on graphical representations. Then the main algorithms for probabilistic inference are introduced, including belief propagation, variable elimination, conditioning, junction trees, loopy propagation, and stochastic simulation. The chapter concludes by illustrating the application of Bayesian networks in information validation and system reliability analysis.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Markov Random Fields
Nächstes Kapitel Bayesian Networks: Learning
Fußnoten
1
A polytree is a singly connected DAG in which some nodes have more than one parent; in a directed tree, each node has at most one parent.
 
Literatur
1.
Cooper, G.F.: The computational complexity of probabilistic inference using Bayesian networks. Artif. Intell. 42, 393–405 (1990)MATHCrossRef
2.
Darwiche, A.: Modeling and Reasoning with Bayesian Networks. Cambridge University Press, New York (2009)MATHCrossRef
3.
Díez, F.J., Druzdzel, M.J.: Canonical probabilistic models for knowledge engineering. Technical Report CISIAD-06-01. Universidad Nacional de Educación a Distancia, Spain (2007)
4.
Ibargüengoytia, P.H., Sucar, L.E., Vadera, S.: A probabilistic model for sensor validation. In: Proceedings of the Twelfth Conference on Uncertainty in Artificial Intelligence UAI-96, pp. 332–339. Morgan Kaufmann Publishers Inc. (1996)
5.
Ibargüengoytia, P.H., Vadera, S., Sucar, L.E.: A probabilistic model for information validation. Br. Comput. J. 49(1), 113–126 (2006)CrossRef
6.
Jensen, F.V., Andersen, S.K.: Approximations in Bayesian belief universes for knowledge based systems. In: Proceedings of the Sixth Conference on Uncertainty in Artificial Intelligence UAI-90, pp. 162–169. Elsevier, New York (1990)
7.
8.
Korb, K.B., Nicholson, A.E.: Bayesian Artificial Intelligence, 2nd edn. CRC Press, Boca Raton (2010)
9.
Lauritzen, S., Spiegelhalter, D.J.: Local computations with probabilities on graphical structures and their application to expert systems. J. R. Stat. Soc. Ser. B. 50(2), 157–224 (1988)MATHMathSciNet
10.
Moral, S., Rumi, R., Salmerón, A.: Mixtures of truncated exponentials in hybrid Bayesian networks. Symb. Quant. Approaches Reason. Uncertain. 2143, 156–167 (2001)CrossRef
11.
Murphy, K.P., Weiss, Y., Jordan, M.: Loopy belief propagation for approximate inference: an empirical study. In: Proceedings of the Fifteenth Conference on Uncertainty in Artificial Intelligence, pp. 467–475. Morgan Kaufmann Publishers Inc. (1999)
12.
Neapolitan, R.E.: Probabilistic Reasoning in Expert Systems. Wiley, New York (1990)
13.
14.
Pearl, J.: Probabilistic Reasoning in Intelligent Systems: Networks of Plausible Inference. Morgan Kaufmann, San Francisco (1988)
15.
Pourret, O., Naim, P., Marcot, B. (eds.): Bayesian Belief Networks: A Practical Guide to Applications. Wiley, New Jersey (2008)
16.
Shenoy, P., Shafer, G.: Axioms for probability and belief-function propagation. Uncertainty in Artificial Intelligence, vol. 4, pp. 169–198. Elsevier, New York (1990)
17.
Torres-Toledano, J.G., Sucar, L.E.: Bayesian networks for reliability analysis of complex systems. In: Coelho, H. (ed.) IBERAMIA’98. Lecture Notes in Computer Science, vol. 1484, pp. 195–206. Springer, Berlin (1998)
Metadaten
Titel
Bayesian Networks: Representation and Inference
verfasst von
Luis Enrique Sucar
Copyright-Jahr
2015
Verlag
Springer London
Buch
Probabilistic Graphical Models

Print ISBN: 978-1-4471-6698-6

Electronic ISBN: 978-1-4471-6699-3

Copyright-Jahr: 2015

DOI
https://doi.org/10.1007/978-1-4471-6699-3_7