Vikipediya azad ensiklopediya Süni intellektəsas hədəflərSüni ümumi intellekt Planlaşdırma Kompüter görünüşü Biliyin əsa

Vikipediya azad ensiklopediya Suni intellektEsas hedeflerSuni umumi intellekt Planlasdirma Komputer gorunusu Biliyin esaslandirmasi Masin oyrenmesi Tebii dilin emali Robototexnika TehlukesizlikYanasmalarSimvolik Derin oyrenme Bayesov sebekesi Tekamul alqoritmleri Hibrid intellekt sistemleri Sistemlerin inteqrasiyasiFelsefesiCin otagi Dost suni intellekt Etika Risk Turinq testiTarixiProqres Suni intellektin qisi Suni intellekt bumuTexnologiyaLugetbr Bayesov sebekesi ing Bayesian Network ehtimal nezeriyyesine esaslanan qrafik modeldir ve deyisenler arasindaki asililiqlari elaqeleri tesvir etmek ucun istifade olunur Bu model kompleks sistemlerde ehtimallarin hesablanmasini ve qeyri mueyyenliklerin idare olunmasini temin edir Bayesov sebekesi hem tesviri hem de proqnozlasdirici analizler aparmaqda genis istifade olunur ve xususile suni intellektde qerar qebuletme proseslerinde effektivdir Bayesov sebekesinin qurulusu span Bayesov sebekesi yonlendirilmis asiklik qraf ing DAG Directed Acyclic Graph uzerinde qurulur Bu qrafda Duyunler deyisenleri temsil edir Kenar ise deyisenler arasindaki sebeb netice ve ya tesir elaqelerini gosterir Meselen eger A duyunu B duyunu ile birbasa elaqelidirse ve B de her hansi bir deyisiklik A ya tesir gosterirse bu halda B A ya valideyn kimi tesvir edilir Bayesov sebekesinin esasini teskil eden ehtimal qaydalari Bayes teoremine esaslanir ve sebeke qurularken deyisenlerin serti ehtimallari ile islenilir Bayesov teoremi span Bayesov teoremi iki deyisen arasindaki serti ehtimali hesablamaga komek edir Teorem asagidaki kimi ifade edilir P A B P B A P A P B displaystyle P A B frac P B A cdot P A P B Burada P A B B melum olduqda A nin ehtimalidir P B A A melum olduqda B nin ehtimalidir P A A nin umumi ehtimalidir P B B nin umumi ehtimalidir Esaslandirma span Bayesov sebekesinde esaslandirma ing inference mueyyen deyisenlerin ehtimalini digerlerinin deyerleri melum olduqda hesablamaq demekdir Bu en cox asagidaki meqsedler ucun istifade olunur Diaqnostika simptomlara esasen xestelik ehtimallarini teyin etmek Proqnozlasdirma gelecekde bas vere bilecek hadiseleri qabaqcadan mueyyen etmek Netice cixarma sebekede movcud deyisenlerin serti ehtimallari esasinda elaqeli neticeler cixarmaq Tetbiq saheleri span Bayesov sebekesi muxtelif sahelerde qeyri mueyyenlikler ve ehtimallarin idare olunmasi ucun genis istifade olunur Tibb xestelik diaqnostikasi ve mualice planlasdirilmasi ucun simptomlardan istifade etmekle xestelik ehtimallarini mueyyen etmek Robot texnologiyasi robotlarin muhitlerini qavramasi ve qeyri mueyyen hallar ucun qerar vermesi Fizika ve muhendislik sistemlerde nasazliq hallarini proqnozlasdirmaq ve riskleri idare etmek Maliyye bazarda qeyri mueyyenlikler esasinda risk idareetme ve sigorta analizi Ustunlukleri ve mehdudiyyetleri span Ustunlukleri span Sebeke deyisenler arasindaki sebeb netice elaqelerini intuitiv sekilde gosterir Kompleks sistemlerde melumatin vizual temsilini asanlasdirir Tetbiqi genisdir ve ferqli sahelerde ehtimal hesablamalari aparmaga imkan verir Mehdudiyyetleri span Deyisenler arasindaki elaqeleri ve ehtimallari deqiq teyin etmek cetin ola biler Cox boyuk ve kompleks sebekeler ucun hesablamalar cetinlese biler Sebeb netice elaqelerinin duzgun teyin olunmasi ucun derin biliye ehtiyac var Belelikle Bayesov sebekeleri qeyri mueyyenliklerin idaresi ve ehtimallarin hesablanmasi ucun effektiv vasitedir ve suni intellektde qerar qebuletme proseslerini asanlasdirir Istinadlar span The Back Door Criterion PDF 27 dekabr 2013 tarixinde arxivlesdirilib PDF Istifade tarixi 18 sentyabr 2014 Deligeorgaki Danai Markham Alex Misra Pratik Solus Liam Combinatorial and algebraic perspectives on the marginal independence structure of Bayesian networks Algebraic Statistics 14 2 2023 233 286 arXiv 2210 00822 doi 10 2140 astat 2023 14 233 d Separation without Tears PDF 4 mart 2016 tarixinde arxivlesdirilib PDF Istifade tarixi 18 sentyabr 2014 Ruggeri Fabrizio Kenett Ron S Faltin Frederick W redaktorlar Encyclopedia of Statistics in Quality and Reliability ingilis 1 Wiley 14 dekabr 2007 1 doi 10 1002 9780470061572 eqr089 ISBN 978 0 470 01861 3 21 mart 2024 tarixinde arxivlesdirilib Istifade tarixi 30 oktyabr 2024 Pearl J A Probabilistic Calculus of Actions Lopez de Mantaras R Poole D redaktorlar UAI 94 Proceedings of the Tenth international conference on Uncertainty in artificial intelligence San Mateo CA Morgan Kaufmann 1994 454 462 arXiv 1302 6835 Bibcode 2013arXiv1302 6835P ISBN 1 55860 332 8 Neapolitan Richard E Learning Bayesian networks Prentice Hall 2004 ISBN 978 0 13 012534 7 Shpitser I Pearl J Identification of Conditional Interventional Distributions Dechter R Richardson TS redaktorlar Proceedings of the Twenty Second Conference on Uncertainty in Artificial Intelligence Corvallis OR AUAI Press 2006 437 444 arXiv 1206 6876 Causality Models Reasoning and Inference Cambridge University Press 2000 ISBN 978 0 521 77362 1 OCLC 42291253 Spirtes Peter Glymour Clark N Scheines Richard Causation Prediction and Search 1st Springer Verlag 1993 ISBN 978 0 387 97979 3 Spirtes P Glymour C An algorithm for fast recovery of sparse causal graphs PDF Social Science Computer Review 9 1 1991 62 72 CiteSeerX 10 1 1 650 2922 doi 10 1177 089443939100900106 16 aprel 2016 tarixinde arxivlesdirilib Istifade tarixi 30 oktyabr 2024 M Scanagatta G Corani C P de Campos and M Zaffalon Learning Treewidth Bounded Bayesian Networks with Thousands of Variables Arxiv sureti 26 noyabr 2016 tarixinden Wayback Machine saytinda In NIPS 16 Advances in Neural Information Processing Systems 29 2016 Edebiyyat span Conrady Stefan Jouffe Lionel Bayesian Networks and BayesiaLab A practical introduction for researchers Franklin Tennessee Bayesian USA 1 iyul 2015 ISBN 978 0 9965333 0 0 Charniak Eugene Bayesian networks without tears PDF AI Magazine Winter 1991 Kruse Rudolf Borgelt Christian Klawonn Frank Moewes Christian Steinbrecher Matthias Held Pascal Computational Intelligence A Methodological Introduction London Springer Verlag 2013 ISBN 978 1 4471 5012 1 Borgelt Christian Steinbrecher Matthias Kruse Rudolf Graphical Models Representations for Learning Reasoning and Data Mining Second Chichester Wiley 2009 ISBN 978 0 470 74956 2 Xarici kecidler span An Introduction to Bayesian Networks and their Contemporary Applications On line Tutorial on Bayesian nets and probability Web App to create Bayesian nets and run it with a Monte Carlo method Continuous Time Bayesian Networks Bayesian Networks Explanation and Analogy A live tutorial on learning Bayesian networks A hierarchical Bayes Model for handling sample heterogeneity in classification problems provides a classification model taking into consideration the uncertainty associated with measuring replicate samples Hierarchical Naive Bayes Model for handling sample uncertainty Arxivlesdirilib 2007 09 28 at the Wayback Machine shows how to perform classification and learning with continuous and discrete variables with replicated measurements Lugetler ve ensiklopediyalarBritannica onlayn Normativ yoxlamaGND 4567228 3 Microsoft 33724603 NKC ph1235575 Suni intellektTarixiSuni intellektin tarixi Suni intellektin qisi Dartmut seminariFelsefeTurinq testi Cin otagi Dost suni intellekt Suni intellekt etikasiIstiqametlerAgent yanasmasi Adaptiv idareetme Bilik muhendisliyi Masin oyrenmesi Neyron sebekeleri Qeyri selis mentiq Tebii dilin emali Obraz taninmasi Simvolik SI Tekamul alqoritmleri Ekspert sistemlerTetbiqiSesli idareetme Masin tercumesi Simvollarin optik taninmasi Nitqin taninmasiTedqiqatcilarCarlz Bebbic Cozef Vayzenbaum Norbert Viner Viktor Qluskov Yan Lekun Aleksey Lyapunov Con Makkarti Marvin Minski Allen Nyuell Seymur Peypert Cuda Perl Frenk Rozenblat Herbert Saymon Alan Turinq Patrik Vinston Ceffri Hinton Noam Comski Klod Sennon Kateqoriya Suni intellekt