Hybrydowe strategie na rzecz usprawnienia sieci bayesowskich

Jeden z g-ównych czynników sukcesu eksploracji danych jest zwi-zany ze zrozumiäo-ci- wzorców odkrytych przez techniki inteligencji obliczeniowej; z bayesowskimi sieciami jako jednymi z najbardziej znacz-cych, bior-c pod uwag- -atwo-- osi-gni-tej interpretacji wiedzy. Jej semantyka ilo-ciowa i jako-ciowa, powi-zana ze zrozumiäo-ci- odkrytych wzorców, motywuje do zastosowania jej w procesie odkrywania wiedzy. Sieci bayesowskie, jak käda technika inteligencji obliczeniowej, maj- jednak ograniczenia i wady zwi-zane z jej wykorzystaniem, w-ród których mo-emy wskazä na uczenie si- struktury z du-ych zbiorów danych i wyci-ganie wniosków w czasie. Ksi--ka ta ukäe rozszerzenia dotycz-ce doskonalenia bayesowskich sieci, przedstawiaj-c strategie poprawy ich w-äciwo-ci, traktuj-c aspekty takie jak wydajno--, a tak-e mo-liwo-- interpretacji i wykorzystania ich wyników; w--czaj-c modele regresji wielokrotnej dla uczenia si- struktury oraz aspekty czasowe z wykorzystaniem -äcuchów Markowa. Modele te powinny pomóc u-ytkownikom poszerzy- zakres mo-liwo-ci zastosowania tego wszechstronnego modelu w nowych dziedzinach i zadaniach.

Doctors Ádamo Santana, Carlos Francês and João Costa areresearchers at the Federal University of Pará, with vastexperience in applied computer science on the subjects ofcomputational intelligence and optimization; actively publishingin the domains of power systems and communication networks,particularly toward digital inclusion in Brazil.