Advances in Probabilistic Graphical Models

در سال‌های اخیر پیشرفت قابل‌توجهی در زمینه مدل‌های گرافیکی احتمالی، به‌ویژه شبکه‌های بیزی و نمودارهای تأثیر، صورت گرفته است. مدل‌های گرافیکی احتمالی در حوزه عدم قطعیت در هوش مصنوعی به جریان اصلی تبدیل شده‌اند؛
مشارکت در این حوزه از علوم کامپیوتر، ریاضیات، آمار و مهندسی است.

این کتاب با دقت ویرایش شده در یک جلد گرد هم می‌آید. برخی از مهم‌ترین موضوعات پژوهش حاضر در مدل‌سازی گرافیکی احتمالی، یادگیری از داده‌ها و استنتاج احتمالی است. این شامل موضوعاتی مانند توصیف استقلال مشروط
، حساسیت توزیع احتمال اساسی یک شبکه بیزی به تغییرات در پارامترهای آن، یادگیری مدل‌های گرافیکی با متغیرهای پنهان و پسوندهای فرمالیسم نمودار نفوذ است. علاوه بر این، توجه به زمینه های کاربردی مهم مدل های گرافیکی احتمالی، مانند کنترل وسایل نقلیه، بیوانفورماتیک و پزشکی معطوف شده است.

In recent years considerable progress has been made in the area of probabilistic graphical models, in particular Bayesian networks and influence diagrams. Probabilistic graphical models have become mainstream in the area of uncertainty in artificial intelligence;
contributions to the area are coming from computer science, mathematics, statistics and engineering.

This carefully edited book brings together in one volume some of the most important topics of current research in probabilistic graphical modelling, learning from data and probabilistic inference. This includes topics such as the characterisation of conditional
independence, the sensitivity of the underlying probability distribution of a Bayesian network to variation in its parameters, the learning of graphical models with latent variables and extensions to the influence diagram formalism. In addition, attention is given to important application fields of probabilistic graphical models, such as the control of vehicles, bioinformatics and medicine.