формат Adobe PDF, размер 2173 Кб - Информационно ...

ISBN 5–7262–0471–9ЛЕКЦИИ ПО НЕЙРОИНФОРМАТИКЕзадачи, а также позволяют в явной форме учесть априорный опыт экспертовв соответствующей предметной области.Благодаря удачному представлению в виде графов, байесовы сети весьмаудобны в пользовательских приложениях.Байесовы сети базируются на фундаментальных положениях и результатахтеории вероятностей, разрабатываемых в течение нескольких сотенлет, что и лежит в основе их успеха в практической плоскости. Редукциясовместного распределения вероятностей большого числа событий в видепроизведения условных вероятностей, зависящих от малого числа переменных,позволяет избежать «комбинаторных взрывов» при моделировании.Байесова методология, в действительности, шире, чем семейство способовоперирования с условными вероятностями в ориентированных графах.Она включает в себя также модели с симметричными связями (случайныеполя и решетки), модели динамических процессов (марковские цепи),а также широкий класс моделей со скрытыми переменными, позволяющихрешать вероятностные задачи классификации, распознавания образови прогнозирования.БлагодарностиАвтор благодарит своих коллег по работе С. А. Шумского, Н. Н. Федорову,А. В. Квичанского за плодотворные обсуждения. Отдельная благодарностьЮ. В. Тюменцеву за высококачественную редакторскую работу, важные замечанияи его энтузиазм в отношении организации лекций, без которого этоиздание было бы невозможным. Спасибо родному МИФИ — Alma Mater —за организацию Школы по нейроинформатике и гостеприимство.Литература1. D’Agostini G. Bayesian reasoning in high energy physics — principles andapplications. – CERN Yellow Report 99-03, July 1999.2. Bishop C.M. Neural networks for pattern recognition. – Oxford University Press,1995.3. Вентцель Е. С. Теория вероятностей. – М. Высшая Школа, 2001.4. Cheng J., Druzdel M. J. Latin hypercube sampling in Bayesian networks // In: Proc.of the Thirteenth International Florida Artificial Intelligence Research Symposium182 УДК 004.032.26 (06) Нейронные сети