دانلود کتاب Bayesian Networks for Data Mining

ترجمه فارسی توضیحات (ترجمه ماشینی)

شبکه های بیزی برای داده کاوی

شبکه بیزی یک مدل گرافیکی است که روابط احتمالی را بین متغیرهای مورد علاقه رمزگذاری می کند. هنگامی که در ارتباط با تکنیک های آماری استفاده می شود، مدل گرافیکی چندین مزیت برای مدل سازی داده ها دارد. یکی، از آنجا که مدل وابستگی‌ها را در بین همه متغیرها رمزگذاری می‌کند، به راحتی موقعیت‌هایی را که برخی از ورودی‌های داده وجود ندارد، کنترل می‌کند. دوم، یک شبکه بیزی می تواند برای یادگیری روابط علّی استفاده شود، و از این رو می تواند برای به دست آوردن درک در مورد یک حوزه مشکل و برای پیش بینی پیامدهای مداخله استفاده شود. سه، از آنجایی که مدل دارای معناشناسی علّی و احتمالی است، یک نمایش ایده‌آل برای ترکیب دانش قبلی (که اغلب به شکل علی می‌آید) و داده‌ها است. چهار، روش‌های آماری بیزی در ارتباط با شبکه‌های بیزی یک رویکرد کارآمد و اصولی برای جلوگیری از برازش بیش از حد داده‌ها ارائه می‌دهند. در این مقاله، روش‌های ساخت شبکه‌های بیزی از دانش قبلی را مورد بحث قرار می‌دهیم و روش‌های آماری بیزی را برای استفاده از داده‌ها برای بهبود این مدل‌ها خلاصه می‌کنیم. با توجه به کار اخیر، ما روش هایی را برای یادگیری پارامترها و ساختار یک شبکه بیزی، از جمله تکنیک هایی برای یادگیری با داده های ناقص، توصیف می کنیم. علاوه بر این، روش‌های شبکه بیزی برای یادگیری را به تکنیک‌های یادگیری تحت نظارت و بدون نظارت مرتبط می‌کنیم. ما رویکرد مدل‌سازی گرافیکی را با استفاده از یک مطالعه موردی در دنیای واقعی نشان می‌دهیم.

Bayesian Networks for Data Mining

A Bayesian network is a graphical model that encodes probabilistic relationships among variables of interest. When used in conjunction with statistical techniques, the graphical model has several advantages for data modeling. One, because the model encodes dependencies among all variables, it readily handles situations where some data entries are missing. Two, a Bayesian network can be used to learn causal relationships, andhence can be used to gain understanding about a problem domain and to predict the consequences of intervention. Three, because the model has both a causal and probabilistic semantics, it is an ideal representation for combining prior knowledge (which often comes in causal form) and data. Four, Bayesian statistical methods in conjunction with Bayesian networks offer an efficient and principled approach for avoiding the overfitting of data. In this paper, we discuss methods for constructing Bayesian networks from prior knowledge and summarize Bayesian statistical methods for using data to improve these models. With regard to the latter task, we describe methodsfor learning both the parameters and structure of a Bayesian network, including techniques for learning with incomplete data. In addition, we relate Bayesian-network methods for learning to techniques for supervised and unsupervised learning. We illustrate the graphical-modeling approach using a real-world case study.