Sieci bayesowskie to modele graficzne, które przedstawiają zmienne jako węzły, a ich probabilistyczne zależności jako skierowane strzałki. Za pomocą twierdzenia Bayesa pokazują, jak nowe obserwacje zmieniają prawdopodobieństwo innych zdarzeń. Przykładem jest wspomaganie diagnostyki: szacowanie najbardziej prawdopodobnej przyczyny na podstawie zaobserwowanych objawów. Ich mocnymi stronami są przejrzystość i zdolność do pracy z niepewnymi lub niekompletnymi danymi.
Agenci, przepływy i szablony w jednym obszarze roboczym – bezpłatne demo na 24 godziny.
Uruchom demoWnioskowanie przyczynowe obejmuje metody wyprowadzania z danych związków przyczynowo-skutkowych, a nie tylko wykrywania korelacji. Odpowiada na pytania takie jak: „Co by się stało, gdybyśmy nie podjęli tego działania?”. Narzędzia to eksperymenty z randomizacją, takie jak testy A/B, grafy przyczynowe i techniki statystyczne dla danych obserwacyjnych. Przykład: sprawdzenie, czy kampania rabatowa rzeczywiście zwiększyła sprzedaż, czy też wzrosłaby ona i tak z przyczyn sezonowych.
Naiwny klasyfikator bayesowski (Naive Bayes) to rodzina prostych metod klasyfikacji opartych na twierdzeniu Bayesa. Nazywa się je „naiwnymi”, ponieważ zakładają, że wszystkie cechy są od siebie niezależne, co w praktyce rzadko jest prawdą, ale często mimo to daje dobre wyniki. Metody te są szybkie, wymagają niewielu danych treningowych i szczególnie dobrze nadają się do tekstów. Klasycznym przykładem jest filtr spamu, który sortuje wiadomości e-mail na podstawie typowych słów.
Ukryty model Markowa (HMM) to model statystyczny dla sekwencji, w którym rzeczywiste stany są ukryte i można je wywnioskować tylko z obserwowalnych sygnałów. Opisuje prawdopodobieństwo, że po jednym stanie nastąpi inny, oraz że każdy stan wytworzy daną obserwację. HMM-y były długo standardem w rozpoznawaniu mowy i oznaczaniu części mowy; dziś nadal stosuje się je na przykład w bioinformatyce i analizie szeregów czasowych.
System ekspertowy to program komputerowy, który przechowuje wiedzę fachową ludzi-specjalistów w postaci reguł i faktów i wyciąga z nich wnioski. Zwykle składa się z bazy wiedzy oraz silnika wnioskowania, który stosuje reguły. Systemy ekspertowe kształtowały AI w latach 70. i 80., na przykład w diagnostyce medycznej lub konfigurowaniu urządzeń technicznych. Ich idee żyją dziś w kontrolach opartych na regułach i grafach wiedzy.
