Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

Wyszukujesz frazę "Sieci bayesowskie" wg kryterium: Temat


Wyświetlanie 1-3 z 3
Tytuł:
Modeling dynamical systems by means of dynamic Bayesian networks
Modelowanie systemów dynamicznych przy użyciu dynamicznych sieci Bayesowskich
Autorzy:
Łupińska-Dubicka, A.
Powiązania:
https://bibliotekanauki.pl/articles/341171.pdf
Data publikacji:
2012
Wydawca:
Politechnika Białostocka. Oficyna Wydawnicza Politechniki Białostockiej
Tematy:
sieci bayesowskie
zależości temporalne
modele dynamiczne
dynamiczne sieci bayesowskie
Bayesian networks
temporal dependencies
dynamical models
dynamic Bayesian networks
Opis:
Bayesian networks (BNs) are powerful tools for modeling complex problems involving uncertain knowledge. They have been employed in practice in a variety of fields. Their extension to time-dependent domains, dynamic Bayesian networks (DBNs) allow to monitor and update the system as time procedes and predict further behavior of the system. Most practical uses of DBNs involve temporal influences of the first order, i.e., influences between neighboring time steps. This choice is a convenient approximation influenced by the existence of efficient algorithms for first order models and limitations of available tools. This paper presents how to create higher order dynamic Bayesian networks and shows that introducing higher order influences can improve the accuracy of the model. To introduce the formalism to the readers, it describes a hypothetical simplified model based on a DBN.
Sieci Bayesowskie (Bayesian networks, BNs) są popularnym narzędziem do reprezentacji wiedzy w warunkach niepewnosci. Znalazły praktyczne zastosowanie w wielu dziedzinach. Ich rozszerzenie o domenę czasową dynamiczne sieci bayesowskie (dynamic Bayesian networks, DBNs) umozliwiają monitorowanie oraz aktualizację systemów zmieniających się wraz z upływem czasu, a takze predykcję przyszłego stanu takiego systemu. Większość praktycznych zastosowań dynamicznych sieci Bayesowskich bierze pod uwagę tylko zależności pierwszego rzędu, to znaczy, że bieżący stan systemu zale ży tylko od jego stanu w bezpośrednio poprzedzającym go kroku czasowym. Takie założenie jest uproszczeniem, wynikającym najprawdopodobniej z braku efektywnych narzędzi zdolnych obsłużyć modele wyższych rzędów. Niniejszy artykuł przedstawia na przykładzie sposób w jakim tworzy się modele wyższych rzędów oraz pokazuje, wpływy wyższych rzędów mogą zwiększyc jakość modelu.
Źródło:
Zeszyty Naukowe Politechniki Białostockiej. Informatyka; 2012, 9; 77-92
1644-0331
Pojawia się w:
Zeszyty Naukowe Politechniki Białostockiej. Informatyka
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Knowledge acquisition from human experts for building bayesian network models
Pozyskiwanie wiedzy od ekspertów w budowaniu modeli sieci bayesowskich
Autorzy:
Oniśko, A.
Powiązania:
https://bibliotekanauki.pl/articles/341063.pdf
Data publikacji:
2007
Wydawca:
Politechnika Białostocka. Oficyna Wydawnicza Politechniki Białostockiej
Tematy:
pozyskiwanie wiedzy
inżynieria wiedzy
sieci bayesowskie
knowledge acquisition
Bayesian network
parameter elicitation
Opis:
Knowledge acquisition from experts is a costly and time-consuming task. While domain experts have the necessary knowledge and expertise, they rarely have the experience needed to translate this knowledge into the model. This paper describes typical problems that are encountered by knowledge engineers when building Bayesian network models and illustrates some practical techniques to overcome them. The presented examples capture the problems that occurred during elicitation the numerical parameters of the model for diagnosis of liver disorders.
Pozyskiwanie wiedzy od ekspertów jest kosztownym i czasochłonnym zadaniem. Pomimo ogromnej wiedzy i doświadczenia, jakie posiadają eksperci, niejednokrotnie nie potrafią ich przenieść na tworzony model. Poniższy artykuł opisuje przykłady problemów, z jakimi może się zetknąć inżynier wiedzy w trakcie budowania modeli sieci bayesowskich, jak również proponuje rozwiązania tych problemów. Prezentowane przykłady dotyczą problemów, jakie pojawiły się w trakcie pozyskiwania od eksperta parametrów numerycznych modelu sieci bayesowskiej do diagnozowania chorób wątroby.
Źródło:
Zeszyty Naukowe Politechniki Białostockiej. Informatyka; 2007, 2; 109-119
1644-0331
Pojawia się w:
Zeszyty Naukowe Politechniki Białostockiej. Informatyka
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Application of dynamic Bayesian networks to risk assessmnet in medicine
Zastosowanie dynamicznych rozkładów Gaussowskich przy pomocy algorytmu ewolucji różnicowej
Autorzy:
Oniśko, A.
Powiązania:
https://bibliotekanauki.pl/articles/341045.pdf
Data publikacji:
2010
Wydawca:
Politechnika Białostocka. Oficyna Wydawnicza Politechniki Białostockiej
Tematy:
dynamiczne sieci bayesowskie
wyznaczanie ryzyka w medycynie
dynamic Bayesian networks
risk assessment in medicine
Opis:
Dynamic Bayesian networks (DBNs) offer a framework for explicit modeling of temporal relationships, and are useful as both prognostic and diagnostic tools. In medicine, for example, they can assist in planning treatment options or in clinical management of patients. They have been also widely applied to genomics and proteomics. This paper shows how dynamic Bayesian networks can be used in a risk assessment in medicine and presents an example of an application to cervical cancer screening. The model is a convenient tool for assessing the risk of cervical precancer and invasive cervical cancer over time. These quantitative risk assessments are helpful for establishing the optimal timing of follow-up screening and are the first step toward generating individualized reevaluation scheduling.
Dynamiczne sieci bayesowskie (DBNs) pozwalają na modelowanie zależności czasowych. Modele te są niejednokrotnie używane w prognostyce. Na przykład w medycynie, jako narzędzia do prognozowania czy też planowania terapii. Dynamiczne siecibayesowskie sa˛ też szeroko stosowane w genomice oraz w proteomice. Atrykuł ten opisuje, w jaki sposób dynamiczne sieci bayesowskie mogą być zastosowane w wyznaczaniu ryzyka w medycynie. W pracy przedstawiono przykład zastosowania dynamicznych sieci bayesowskich w profilaktyce raka szyjki macicy. Prezentowany model został zbudowany w oparciu o dwa źródła wiedzy: opinie eksperta oraz dane medyczne. Model ten pozwala na wyznaczanie ryzyka zachorowania na raka szyjki macicy. Wartości ryzyka wyznaczane przez model pozwalają na określenie optymalnego czasu wykonania kolejnych badań przesiewowych oraz na zindywidualizowanie procesu profilaktyki.
Źródło:
Zeszyty Naukowe Politechniki Białostockiej. Informatyka; 2010, 5; 35-49
1644-0331
Pojawia się w:
Zeszyty Naukowe Politechniki Białostockiej. Informatyka
Dostawca treści:
Biblioteka Nauki
Artykuł
    Wyświetlanie 1-3 z 3

    Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies