ÑоÑÐ¼Ð°Ñ Adobe PDF, ÑÐ°Ð·Ð¼ÐµÑ 2173 Ðб - ÐнÑоÑмаÑионно ...
ÑоÑÐ¼Ð°Ñ Adobe PDF, ÑÐ°Ð·Ð¼ÐµÑ 2173 Ðб - ÐнÑоÑмаÑионно ...
ÑоÑÐ¼Ð°Ñ Adobe PDF, ÑÐ°Ð·Ð¼ÐµÑ 2173 Ðб - ÐнÑоÑмаÑионно ...
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
С. А. ТЕРЕХОВнепросто совместить их с классическими положениями теории вероятностей.Особенно затруднительно получить формулировку, понятную вычислительноймашине.Другая сторона идейных трудностей возникает при практической необходимостивероятностного прогнозирования событий, к которым не вполнеприменимы классические представления о статистической повторяемости.Представим себе серию экспериментов с бросанием кубика, сделанногоиз сахара, на влажную поверхность стола. Вероятности исходов последующихиспытаний зависят от относительной частоты исходов предыдущихиспытаний, при этом исследуемая система каждый раз необратимо изменяетсяв результате каждого эксперимента. Этим свойством обладают многиебиологические и социальные системы, что делает их вероятностное моделированиеклассическими методами крайне проблематичным.Часть из указанных проблем решается в вероятностных байесовых сетях,которые представляют собой графовые модели причинно-следственныхотношений между случайными переменными. В байесовых сетях могуторганически сочетаться эмпирические частоты появления различныхзначений переменных, субъективные оценки «ожиданий» и теоретическиепредставления о математических вероятностях тех или иных следствийиз априорной информации. Это является важным практическим преимуществоми отличает байесовы сети от других методик информационногомоделирования.Байесовы сети широко применяются в таких областях, как медицина,стратегическое планирование, финансы и экономика.Изложение свойств байесовых сетей, которые являются основным предметомэтой лекции, будет построено следующим образом. Вначале рассматриваетсяобщий байесов подход к моделированию процесса выводасуждений в условиях неопределенности. Далее излагаются алгоритмы вычислениявероятностей сложных событий в байесовых сетях. Затем обсуждаютсяподходы к обучению параметров таких сетей. В завершение лекциипредлагается эффективная практическая методика эмпирического выводана основе вероятностных деревьев, и рассматриваются приложения байесовыхметодик. В приложении приведен краткий обзор ресурсов Интернетпо данной тематике.УДК 004.032.26 (06) Нейронные сети 151