Bayesian Belief Network

چکيده

شبکه هاي باور بيزي در مواردي که مقدار کمي از اطلاعات کاملاً شناخته شده است و داده هاي ورودي نامعلوم يا خارج از دسترس باشند کارايي بالايي دارند . هدف این پژوهش،آشنايي با شبکه هاي باور بيزي و روش هاي ساخت شبکه هاي بيزي است ، سپس کاربردهاي اين نوع از شبکه هاي احتمالي بيان مي شود ودر آخر يادگيري ساختارشبکه هاي بيز با استفاده از الگوريتم حريصانه مورد بحث قرار مي گيرد.

فهرست مطالب

مقدمه

فصل اول مقدمات رياضي

(1-1مستقل شرطي

1-(2 احتمال شرطي

(3-1قانون ضرب احتمال­ ها

1-4( قاعده احتمال کل

1-5( قانون بيز

فصل دوم معرفي شبکه ­هاي بيز

2-1 (شبکه ­هاي بيز

2-2( ساختار شبکه­ هاي بيز

2-3( حالت ­ها

2-4 (جدول توزيع احتمال

2-5 (کاربرد شبکه­ هاي بيز

فصل سوم يادگيري بيزي

3-1( مقدمه

3-2 (اهميت يادگيري بيزي

3-3( نگرش بيزي به يادگيري ماشين

3-4( ويژگي­ هاي يادگيري بيزي

3-5( نحوه ساخت شبکه ­هاي بيز

(6-3چگونه ميتوان يک شبکه بيز را از روي داده­ هاي آموزشي يادگرفت؟

3-7( روش­هاي يادگيري شبکه­ هاي بيز

3-7-1(الگوريتم يادگيري MAP سبعي

3-7-3( دست­بندي کننده بيزي بهينه

3-7-4( دسته ­بندي ساده بيزي

m_estimate(5-7-3دسته­بندي متن

3-7-7( الگوريتم EM

توليد الگوريتمK-Mean از الگوريتم EM

فصل چهارم يادگيري با استفاده از الگوريتم حريصانه

4-1( مقدمه

4 –(2 يادگيري شبكه‌هاي بيز

4-2-(1 يادگيري ساختار

4-2-(2 معيار امتياز

4-2-(3 تابع جستجو

4 -(3 نمونه‌گيري شبكه‌هاي بيز

فصل پنجم نرم­افزارهاي مورد نياز براي پياده­سازي

5-1( نصب نرم­ افزارهاي مورد نياز

5-2( نتايج کد BOA

فصل ششم نتيجه­گيري و پيشنهادات

6-1( نتيجه­ گيري……………….……………..…….…………………….61

6-2( پيشنهادات…………….......….……………..………………………62

مراجع …………………………………………………………………..63

مقدمه

شبکه­ هاي بيز با استفاده از اطلاعات قبلي که در جدول احتمال شرطي ذخيره شده مي­توانند براي تصميم ­گيري استفاده شوند يا به عنوان راهي براي پردازش تصميم­گيري اتوماتيک استفاده شوند.

مي­توانيم از شبکه هاي بيز براي نشان دادن استدلال استنتاجي (تشخيص علت يک معلول) و استدلال استقرايي (پيشگويي معلول يک علت) استفاده کنيم .

قبل از آشنايي با شبکه­­ ها­ي بيز مقدمات رياضي کوتاهي از احتمالات از جمله قانون بيز در فصل اول بيان مي­ شود ، سپس در فصل دوم به آشنايي با شبکه­ هاي بيز و ساختارشان و جداول توزيع احتمال مي­ پردازيم و برخي کاربرد­هاي آن بيان مي ­شود.

در فصل سوم روش ­هاي يادگيري شبکه­ هاي بيز مطرح مي شود که شامل موارد زير است :

تخمين ماکزيمم درست نمايي

EM يا شيب صعودي

جستجو ميان فضاي مدل­ ها

EM + جستجو ميان فضاي مدل­ ها

در فصل چهارم الگوريتم حريصانه را براي يادگيري ساختار مورد بحث قرار مي­ دهيم .

براي يادگيري ساخار شبکه هاي بيز ابتدا با استفاده از يک معيار امتياز که کيفيت ساختار ها را مي­ سنجد ، امتياز هر ساختار مشخص مي ­شود سپس تابع جستجو با توجه به معيار امتياز كل فضاي ساختارهاي ممكن شبكه را جستجو مي‌كند تا بهترين شبكه را پيدا كند. از آنجا که يادگيري ساختار از جمله مسائل NP-کامل است الگوريتم حريصانه را براي حل اين مساله به کار مي بريم.

فصل پنجم نيز در مورد نرم افزارهاي مورد نياز براي پياده سازي شبکه هاي بيز است.