Een van de belangrijkste factoren voor het succes van datamining is gerelateerd aan de begrijpelijkheid van de patronen die door de computationele intelligentietechnieken zijn ontdekt; met Bayesiaanse netwerken als een van de meest prominente, wanneer men kijkt naar de eenvoud van de bereikte kennisinterpretatie. De kwantitatieve en kwalitatieve semantiek, gekoppeld aan de begrijpelijkheid van de ontdekte patronen, motiveert de toepassing ervan in het kennisontdekkingsproces. Bayesiaanse netwerken hebben echter, net als elke andere computationele intelligentietechniek, beperkingen en nadelen met betrekking tot het gebruik ervan; zo kunnen we het leren van de structuur van grote datasets en het leveren van gevolgtrekkingen door de tijd heen aanwijzen. Dit boek toont uitbreidingen voor de verbetering van Bayesiaanse netwerken, presenteert strategieën om de eigenschappen ervan te verbeteren, behandelt aspecten zoals prestaties, evenals de interpreteerbaarheid en het gebruik van de resultaten; integreert modellen van meervoudige regressie voor het leren van structuren, en temporele aspecten met behulp van Markov-ketens. De modellen moeten gebruikers helpen om het toepassingsgebied van dit veelzijdige model uit te breiden voor nieuwe domeinen en taken.
Hinweis: Dieser Artikel kann nur an eine deutsche Lieferadresse ausgeliefert werden.
Hinweis: Dieser Artikel kann nur an eine deutsche Lieferadresse ausgeliefert werden.