Bayesian networks represent a speci

Bayesian networks represent a special class of graphical models that may be used to depict causal dependencies between random variables (Cowell et al., 2007). Graphical models use a combination of probability theory and graph theory in the statistical modeling of complex interactions between such variables. Bayesian networks have evolved as a useful tool in analyzing uncertainty. When Bayesian networks were first introduced, assigning the full probability distributions manually was time intensive. Solving a Bayesian network with a considerable number of nodes is known to be a nondeterministic polynomial time hard (NP hard) problem (Dagum and Luby, 1993). However, significant advancements in computational capability along with the development of heuristic search techniques to find events with the highest probability have enhanced the development and understanding of Bayesian networks. Correspondingly, the Bayesian computational concept has become an emergent tool for a wide range of risk management applications (Cowell et al., 2007). The methodology has been shown to be especially useful when information about past and/or current situations is vague, incomplete, conflicting, and uncertain.

ผลลัพธ์ (ไทย) 1:

ทฤษฎีเครือข่ายแสดงถึงชั้นเรียนพิเศษของรูปแบบกราฟิกที่สามารถใช้เพื่อแสดงความสัมพันธ์เชิงสาเหตุระหว่างตัวแปรสุ่ม (โคเวลล์ et al., 2007) รูปแบบกราฟิกใช้ทฤษฎีกราฟและทฤษฎีความน่าเป็นในโมเดลทางสถิติของการโต้ตอบที่ซับซ้อนระหว่างตัวแปรดังกล่าว ทฤษฎีเครือข่ายมีพัฒนาเป็นเครื่องมือที่มีประโยชน์ในการวิเคราะห์ความไม่แน่นอน เมื่อแนะนำเครือข่ายทฤษฎีแรก การกำหนดให้การกระจายความน่าเป็นเต็มรูปแบบด้วยตนเองได้เวลาเร่งรัด แก้ทฤษฎีเครือข่ายที่ มีจำนวนโหนมากรู้จักให้ เวลาโพลิโนเมียถูกยาก (NP ยาก) ปัญหา (Dagum และ Luby, 1993) อย่างไรก็ตาม ก้าวหน้าอย่างมีนัยสำคัญในความสามารถในการคำนวณรวมทั้งการพัฒนาเทคนิคการค้นหาแล้วค้นหาเหตุการณ์ต่าง ๆ มีความเป็นไปได้สูงสุดได้ปรับปรุงพัฒนาและความเข้าใจในทฤษฎีเครือข่าย ตามลำดับ แนวคิดทฤษฎีคำนวณได้กลายเป็น เครื่องมือโผล่ออกมาสำหรับหลากหลายของการใช้งานการจัดการความเสี่ยง (โคเวลล์ et al., 2007) วิธีที่ได้แสดงให้เป็นประโยชน์โดยเฉพาะอย่างยิ่งเมื่อข้อมูลเกี่ยวกับอดีต หรือปัจจุบันสถานการณ์คลุมเครือ ไม่ สมบูรณ์ ความขัดแย้ง และแน่ใจ

ผลลัพธ์ (ไทย) 2:

เครือข่ายแบบเบย์เป็นตัวแทนของชั้นเรียนพิเศษของรูปแบบกราฟิกที่อาจถูกใช้เพื่อแสดงให้เห็นถึงการอ้างอิงสาเหตุระหว่างตัวแปรสุ่ม (โคเวล et al., 2007) รูปแบบกราฟิกที่ใช้การรวมกันของทฤษฎีความน่าจะเป็นและทฤษฎีกราฟในการสร้างแบบจำลองทางสถิติของการปฏิสัมพันธ์ที่ซับซ้อนระหว่างตัวแปรดังกล่าว เครือข่ายแบบเบย์มีการพัฒนาเป็นเครื่องมือที่มีประโยชน์ในการวิเคราะห์ความไม่แน่นอน เมื่อเครือข่ายแบบเบย์เป็นครั้งแรก, การกำหนดแจกแจงความน่าจะเต็มด้วยตนเองเป็นเวลาที่เข้มข้น การแก้เครือข่ายแบบเบย์ที่มีจำนวนมากของโหนดเป็นที่รู้จักกันเป็นช่วงเวลาที่ยาก nondeterministic พหุนาม (NP ยาก) ปัญหา (Dagum และ Luby, 1993) อย่างไรก็ตามความก้าวหน้าที่สำคัญในการคำนวณความสามารถพร้อมกับการพัฒนาเทคนิคการค้นหาการแก้ปัญหาที่จะหาเหตุการณ์ที่มีความน่าจะเป็นสูงสุดมีการปรับปรุงการพัฒนาและความเข้าใจของเครือข่ายแบบเบย์ ตามลําดับแนวคิดการคำนวณแบบเบย์ได้กลายเป็นเครื่องมือฉุกเฉินสำหรับหลากหลายของการใช้งานการบริหารความเสี่ยง (โคเวล et al., 2007) วิธีการได้รับการแสดงที่จะเป็นประโยชน์โดยเฉพาะอย่างยิ่งเมื่อมีข้อมูลเกี่ยวกับอดีตและ / หรือสถานการณ์ปัจจุบันคลุมเครือไม่สมบูรณ์ขัดแย้งและความไม่แน่นอน

ผลลัพธ์ (ไทย) 3:

เครือข่ายคชกรรมเป็นตัวแทนของชั้นเรียนพิเศษของแบบจำลองที่อาจถูกใช้เพื่อแสดงให้เห็นถึงการอ้างอิงเชิงสาเหตุระหว่างตัวแปรสุ่ม ( โคเวลล์ et al . , 2007 ) รูปแบบกราฟิกที่ใช้การรวมกันของทฤษฎีความน่าจะเป็นและทฤษฎีกราฟในแบบจำลองทางสถิติของปฏิสัมพันธ์ที่ซับซ้อนระหว่างตัวแปรดังกล่าว เครือข่ายคชกรรมมีการพัฒนาเป็นเครื่องมือที่มีประโยชน์ในการวิเคราะห์ความไม่แน่นอนเมื่อเครือข่ายคชกรรมเป็นครั้งแรกที่กำหนดความน่าจะเป็นการแจกแจงแบบเต็มด้วยเวลาเร่งรัด การแก้ปัญหาเครือข่ายคชกรรมกับจำนวนมากของโหนดเป็นที่รู้จักกันเป็น nondeterministic พหุนามเวลายาก ( NP ( ยาก ) และปัญหา dagum ลูบี้ , 1993 ) อย่างไรก็ตามความก้าวหน้าในความสามารถทางคอมพิวเตอร์พร้อมกับการพัฒนาเทคนิคค้นหาฮิวริสติกเพื่อค้นหากิจกรรมที่มีความน่าจะเป็นสูงสุดได้ปรับปรุงพัฒนาและความเข้าใจของเครือข่ายคชกรรม . ดับ , แนวคิดเชิงเบส์ได้กลายเป็นเครื่องมือฉุกเฉินสำหรับหลากหลายของโปรแกรมการบริหารจัดการความเสี่ยง ( โคเวลล์ et al . , 2007 )วิธีการได้รับการแสดงที่จะเป็นประโยชน์โดยเฉพาะอย่างยิ่งเมื่อข้อมูลเกี่ยวกับอดีตปัจจุบันและ / หรือสถานการณ์ที่คลุมเครือ ไม่ขัดแย้งกัน และไม่แน่ใจ