Розробка інтелектуальної системи підтримки прийняття рішень на основі баєсівських мереж
Анотація
У сучасних умовах стрімкого розвитку цифрових технологій та активного впровадження інтелектуальних рішень у практику бізнесу, медицини, освіти й інших сфер життєдіяльності особливого значення набувають питання ефективного і швидкого прийняття рішень в умовах високої невизначеності. У ситуації, коли дані можуть бути частковими, неповними, зашумленими або суперечливими, класичні детерміновані алгоритми часто виявляються недостатньо гнучкими. Саме тому дедалі більшої популярності набувають ймовірнісні методи, зокрема баєсівські мережі (Bayesian Networks, БМ), що дають змогу моделювати причинно-наслідкові зв’язки між змінними та робити обґрунтовані висновки на основі наявної інформації.
Посилання
Koller D., Friedman N. Probabilistic Graphical Models: Principles and Techniques. MIT Press, 2009. 1231 p.
Pearl J. Causality: Models, Reasoning and Inference. Cambridge University Press, 2009.
Ankan A., Panda A. pgmpy: Probabilistic Graphical Models using Python. Proceedings of the Python in Science Conference. 2015. P. 1–6. URL: https://www.researchgate.net/publication/328778465_pgmpy_Probabilistic_Graphical_Models_using_Python
A Survey of Methods for Explaining Black Box Models / R. Guidotti, A. Monreale, S. Ruggieri et al. ACM Computing Surveys. 2019. Vol. 51(5). P. 93:1–93:42. URL: https://dl.acm.org/doi/ 10.1145/3236009
Fenton N., Neil M. Risk Assessment and Decision Analysis with Bayesian Networks. 2nd ed. CRC Press, 2018. URL: http://bayesianrisk.com/sample_chapters/K31678_C000.pdf
A Hybrid Deep Learning and Bayesian Network Model for Decision-Making under Uncertainty / S. Zhu, B. Chen, S. Gao et al. 2021 IEEE International Conference on Prognostics and Health Management (ICPHM). URL: https://ieeexplore.ieee.org/document/9486527
Barber D. Bayesian Reasoning and Machine Learning. Cambridge University Press, 2012.
