Hybride Strategien zur Verbesserung der Bayesschen Netzwerke

Einer der Hauptfaktoren fr den Erfolg des Data Mining hngt mit der Nachvollziehbarkeit der durch die Techniken der Computational Intelligence entdeckten Muster zusammen; wobei Bayes'sche Netze als einer der herausragendsten gelten, wenn man die Leichtigkeit der erreichten Wissensinterpretation betrachtet. Seine quantitative und qualitative Semantik, verbunden mit der Verstndlichkeit der entdeckten Muster, motiviert seine Anwendung im Wissensentdeckungsprozess. Bayes'sche Netzwerke weisen jedoch, wie jede Technik der Computational Intelligence, Einschrnkungen und Nachteile hinsichtlich ihrer Anwendung auf; unter diesen knnen wir das Lernen der Struktur aus groen Datenstzen und die Bereitstellung von Schlussfolgerungen ber die Zeit hinweg nennen. Dieses Buch zeigt Erweiterungen zur Verbesserung von Bayes'schen Netzwerken auf, stellt Strategien zur Verbesserung ihrer Eigenschaften vor, behandelt Aspekte wie Leistung sowie Interpretierbarkeit und Verwendung ihrer Ergebnisse; es enthlt Modelle der multiplen Regression fr das Strukturlernen und zeitliche Aspekte unter Verwendung von Markov-Ketten. Die Modelle sollen den Benutzern helfen, den Anwendungsbereich dieses vielseitigen Modells fr neue Bereiche und Aufgaben zu erweitern.