베이지안 네트워크는 노드로 구성되고 그 사이의 링크를 지시하는 그래프입니다. 베이지안 네트워크가 정확히 무엇인지에 들어가기 전에 먼저 확률 이론을 검토하는 것이 유용합니다. 우리가 알고있는 것들 (증거)는 베이지안 네트워크의 각 노드 / 변수에 설정할 수 있습니다. 예를 들어, 누군가가 흡연자라는 것을 알고 있는 경우 흡연자 노드의 상태를 True로 설정할 수 있습니다. 마찬가지로 네트워크에 연속 변수가 포함된 경우 Age = 37.5와 같은 증거를 설정할 수 있습니다. 몇 가지 중요한 베이지안 네트워크 주의 사항 / 연구 영역 : 변화하는 환경에 거주하는 엔터티는 시간이 지남에 따라 값이 변경되는 변수를 추적해야 합니다. 동적 베이지안 네트워크는 각 시간 단계에 대해 하나씩 상태 변수의 여러 복사본을 나타내서 이 프로세스를 캡처합니다. 변수 집합Xt-1및 Xt는 각각 t-1과 t의 세계 상태를 나타냅니다. 증거 변수 집합 Et는 시간 t에서 사용할 수 있는 관측값들을 나타냅니다. 센서 모델 P(Et| Xt)는 상태 변수를 고려하여 관찰 가능한 변수에 대한 조건부 확률 분포로 인코딩됩니다. 전환 모델 P(Xt| Xt-1) 시간 t-1의 상태를 시간 t-1의 상태를 시간 t.1의 상태로 관련시 t.

세계를 추적하는 것은 모든 과거 관측값, 즉 P(Xt| E1,…,Et)을 참조하십시오. 베이지안 네트워크(BN)의 그래프 구조를 자동으로 학습하는 것은 기계 학습 내에서 추구하는 과제입니다. 기본 아이디어는 Rebane및 Pearl[6]이 개발한 복구 알고리즘으로 돌아가 3노드 DAG에서 허용되는 세 가지 가능한 패턴 의 구별에 달려 있습니다: 물론 베이지안 네트워크의 실제 응용 프로그램은 이러한 «장난감 예제»를 훨씬 뛰어넘습니다. 다음은 베이지안 네트워크의 광범위한 실제 응용 프로그램을 보여 줄 자습서, 웨비나 및 세미나의 선택입니다. 인과 관계는 관계가 인과 관계가 있어야 하는 베이지안 네트워크입니다. 인과 네트워크의 추가 의미 체계는 노드 X가 주어진 상태 x(Do(X = x)로 작성된 작업)에 있는 경우 확률 밀도 함수가 X의 부모에서 X로 링크를 절단하여 얻은 네트워크의 함수로 변경되도록 지정합니다. 및 X를 발생 된 값 x.[1] 이러한 의미 체계를 사용 하 여, 개입 하기 전에 얻은 데이터에서 외부 개입의 영향을 예측할 수 있습니다. 베이지안 네트워크는 확률적 인과 관계의 시스템을 나타내는 데 매우 편리합니다.

`X는 종종 Y`를 발생시킨다는 사실은 X에서 Y로 방향 아크를 추가하고 확률을 적절하게 설정하여 네트워크에서 쉽게 모델링할 수 있습니다. 반면에 A가 B에 인과 관계가 없다면 단순히 A에서 B로 호를 남길 수 있습니다(예를 들어, 일반적인 감기는 아마도 자발적인 연소를 유발하거나 방지하지 못하기 때문에 위의 네트워크에서 C에서 S로 의 호가 없습니다.) 경계트리 폭을 가진 베이지안 네트워크를 학습하는 것은 최악의 경우 추론 복잡성이 트리 너비 k에서 기하급수적이기 때문에 정확하고 견인 가능한 추론을 허용하려면 필요합니다(지수 시간 가설 아래). 그러나 그래프의 글로벌 속성으로서 학습 과정의 난이도가 상당히 높아집니다. 이러한 맥락에서 효과적인 학습을 위해 K-트리를 사용할 수 있다. [15] 베이지안 네트워크 개발은 종종 X가 G와 관련하여 로컬 마르코프 속성을 만족하도록 DAG G를 만드는 것으로 시작됩니다. 때때로 이것은 인과 적 DAG입니다. G의 부모를 감안할 때 각 변수의 조건부 확률 분포가 평가됩니다. 많은 경우에, 특히 변수가 이산되는 경우, X의 조인트 분포가 이러한 조건부 분포의 산물인 경우, X는 G.[18] Bayesian 네트워크를 사용하여 상당한 양의 비용을 절약할 수 있습니다. [전체 확률 테이블]에 대한 메모리(조인트 분포의 종속성이 희박한 경우). 예를 들어, 10개의 두 값 변수의 조건부 확률을 테이블로 저장하는 순진한 방법을 사용하려면 2 10 = 1024 {displaystyle 2^{10}=1024} 값에 대한 저장 공간이 필요합니다.