Bayesian Belief Networkچکيدهشبکه 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 روشهاي 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 مطالبمقدمهفصل اول مقدمات رياضي(1-1مستقل شرطي1-(2 احتمال شرطي(3-1قانون ضرب احتمال ها1-4( قاعده احتمال کل1-5( قانون بيزفصل دوم معرفي شبکه هاي بيز2-1 (شبکه هاي بيز2-2( ساختار شبکه هاي بيز2-3( حالت ها2-4 (جدول توزيع احتمال2-5 (کاربرد شبکه هاي بيزفصل سوم يادگيري بيزي3-1( مقدمه3-2 (اهميت يادگيري بيزي3-3( نگرش بيزي به يادگيري ماشين3-4( ويژگي هاي يادگيري بيزي3-5( نحوه ساخت شبکه هاي بيز(6-3چگونه ميتوان يک شبکه بيز را از روي داده هاي آموزشي يادگرفت؟3-7( روشهاي يادگيري شبکه هاي بيز3-7-1(الگوريتم يادگيري MAP سبعي3-7-3( دستبندي کننده بيزي بهينه3-7-4( دسته بندي ساده بيزيm_estimate(5-7-3دسته بندي متن3-7-7( الگوريتم EMتوليد الگوريتمK-Mean از الگوريتم EMفصل چهارم يادگيري با استفاده از الگوريتم حريصانه4-1( مقدمه4 –(2 يادگيري شبكه‌هاي بيز4-2-(1 يادگيري ساختار4-2-(2 معيار امتياز4-2-(3 تابع جستجو4 -(3 نمونه‌گيري شبكه‌هاي بيزفصل پنجم نرم افزارهاي مورد نياز براي پياده سازي5-1( نصب نرم افزارهاي مورد نياز5-2( نتايج کد BOAفصل ششم نتيجه گيري و پيشنهادات6-1( نتيجه گيري……………….……………..…….…………………….616-2( پيشنهادات…………….......….……………..………………………62مراجع …………………………………………………………………..63 مقدمهشبکه 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 نماييEM يا شيب صعوديجستجو ميان فضاي مدل هاEM + جستجو ميان فضاي مدل هادر 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.
Bayesian Belief Networkچکيدهشبکه 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 روشهاي 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 مطالبمقدمهفصل اول مقدمات رياضي(1-1مستقل شرطي1-(2 احتمال شرطي(3-1قانون ضرب احتمال ها1-4( قاعده احتمال کل1-5( قانون بيزفصل دوم معرفي شبکه هاي بيز2-1 (شبکه هاي بيز2-2( ساختار شبکه هاي بيز2-3( حالت ها2-4 (جدول توزيع احتمال2-5 (کاربرد شبکه هاي بيزفصل سوم يادگيري بيزي3-1( مقدمه3-2 (اهميت يادگيري بيزي3-3( نگرش بيزي به يادگيري ماشين3-4( ويژگي هاي يادگيري بيزي3-5( نحوه ساخت شبکه هاي بيز(6-3چگونه ميتوان يک شبکه بيز را از روي داده هاي آموزشي يادگرفت؟3-7( روشهاي يادگيري شبکه هاي بيز3-7-1(الگوريتم يادگيري MAP سبعي3-7-3( دستبندي کننده بيزي بهينه3-7-4( دسته بندي ساده بيزيm_estimate(5-7-3دسته بندي متن3-7-7( الگوريتم EMتوليد الگوريتمK-Mean از الگوريتم EMفصل چهارم يادگيري با استفاده از الگوريتم حريصانه4-1( مقدمه4 –(2 يادگيري شبكه‌هاي بيز4-2-(1 يادگيري ساختار4-2-(2 معيار امتياز4-2-(3 تابع جستجو4 -(3 نمونه‌گيري شبكه‌هاي بيزفصل پنجم نرم افزارهاي مورد نياز براي پياده سازي5-1( نصب نرم افزارهاي مورد نياز5-2( نتايج کد BOAفصل ششم نتيجه گيري و پيشنهادات6-1( نتيجه گيري……………….……………..…….…………………….616-2( پيشنهادات…………….......….……………..………………………62مراجع …………………………………………………………………..63 مقدمهشبکه 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 نماييEM يا شيب صعوديجستجو ميان فضاي مدل هاEM + جستجو ميان فضاي مدل هادر 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.