Bayesian Networks

Koski, Timo; Noble, John M.

doi:10.1002/9780470684023

Cited by 133 publications

(101 citation statements)

References 0 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Thus the vector θ = (θ b k ,sm;a i ,s j ) is a critial point of the likelihood function. Claim that this point maximizes the likelihood function; the proof idea goes back to Koski et al [13]. Indeed, let H(θ) = − n i=1 log θ i denote the entropy of a probability distribution θ = (θ 1 , .…”

Section: Learning the Conditional Probability Potentialsmentioning

confidence: 99%

See 1 more Smart Citation

Inference and Learning in Stochastic Automata

Zimmermann¹

2017

Int. J. of Pure and Appl. Math.

View full text Add to dashboard Cite

Machine learning provides algorithms that can learn from data and make inferences or predictions on data. Stochastic automata are a class of input/output devices which can model components in machine learning scenarios. In this paper, we provide an inference algorithm for stochastic automata which is related to the Viterbi algorithm. Moreover, we specify a learning algorithm using the expectation-maximization technique and describe a more efficient implementation which is related to the Baum-Welch algorithm.

show abstract

Section: Learning the Conditional Probability Potentialsmentioning

confidence: 99%

“…The hidden Markov model (HMM) is a Bayesian network which is related to stochastic automata [3,13,20]. It models a Markov chain with observed (emission) data and unobserved (hidden) states.…”

Section: Introductionmentioning

confidence: 99%

Inference and Learning in Stochastic Automata

Zimmermann¹

2017

Int. J. of Pure and Appl. Math.

View full text Add to dashboard Cite

show abstract

“…In general terms, Bayesian networks are called Casual Probabilistic Networks and very useful instrument which achieves a knowledge representation and reasoning. They are also capable of generating very accurate classification results under uncertainty where the data set includes many uncertain conditions [40]. The Bayesian networks are the probabilistic models which graphically encode and represent the conditional independence (CI) relationships among a set of data [38].…”

Section: Data Analysis By Bayesian Networkmentioning

confidence: 99%

A Quantisation of Cognitive Learning Process by Computer Graphics-Games: Towards More Efficient Learning Models

Orun¹,

Şeker²,

Rose³

et al. 2016

OALib

View full text Add to dashboard Cite

“…[1][2][3][4]. Інтелектуальний аналіз даних виник і набув подальшого розвитку на базі досягнень прикладної статистики, розпі-знавання образів, методів штучного інтелекту, теорії баз даних тощо.…”

unclassified

Application of data mining methods to solving the problems of actuarial modeling and estimation of financial risks

Dubinina¹,

Bidyuk²

2017

SRIT

View full text Add to dashboard Cite

Анотація. Подано результати застосування методів інтелектуального аналізу даних до актуарного моделювання та оцінювання ризиків страхових компаній. Як математичний апарат використано узагальнені лінійні моделі, метод групо-вого врахування аргументів та нечіткий метод групового врахування аргумен-тів, а також байєсівський підхід до оцінювання невідомих параметрів моделей. На підставі фактичних статистичних даних з галузі страхування побудовано нові узагальнені лінійні моделі для подальшого застосування під час оціню-вання ризику втрат страхових компаній, розроблено й апробовано мережу Байєса для оцінювання ризику банкрутства страхових компаній у разі настан-ня страхового випадку. Прийнятною для подальшого використання виявилась модель з гамма-розподілом та логарифмічною функцією зв'язку, параметри якої отримано за чотири ітерації алгоритму оцінювання. Великий ризик банк-рутства страхових компаній свідчить про відсутність ефективного механізму управління коштами як власного капіталу, так і надходжень, отриманих від страхових договорів. Застосування методів інтелектуального аналізу даних є ефективним підходом до розв'язання задач прогнозування та оцінювання ри-зиків актуарних процесів.Ключові слова: актуарні процеси, страхові ризики, узагальнені лінійні моделі, байєсівський підхід, методи інтелектуального аналізу даних, метод групового врахування аргументів, нечіткий метод групового врахування аргументів. ВСТУПУ зв'язку з удосконаленням технологій пошуку та оброблення даних у сус-пільстві нагромаджуються великі масиви даних різного спрямування. Функ-ціонування будь-яких підприємств супроводжується реєстрацією і записом детальної інформації щодо їх діяльності та споживачів. У результаті величе-зні скупчення даних утворюють хаотичні нагромадження, які без спеціаль-ного оброблення непотрібні; більше того, вони суттєво ускладнюють процес пошуку потрібної інформації. Критеріями ефективного оброблення даних є врахування таких особливостей: дані мають необмежений обсяг і є різно-рідними; результати мають бути конкретними і зрозумілими, а інструменти для їх оброблення -простими та зручними у використанні.Одним з методів ефективного оброблення інформації є інтелектуальний аналіз даних (ІАД), який полягає у виявленні у первинних даних, раніше невідомих, доступних, практично корисних і нетривіальних інтерпретацій знань, необхідних для прийняття рішень у різних галузях діяльності. До ме-тодів і алгоритмів ІАД належать: нейронні мережі, дерева рішень, символьні правила, методи найближчого сусіда і k-найближчого сусіда, метод опорних векторів, байєсівські мережі (БМ), лінійна регресія, кореляційно-регресійний

show abstract

Bayesian Networks

Cited by 133 publications

References 0 publications

Inference and Learning in Stochastic Automata

Inference and Learning in Stochastic Automata

A Quantisation of Cognitive Learning Process by Computer Graphics-Games: Towards More Efficient Learning Models

Application of data mining methods to solving the problems of actuarial modeling and estimation of financial risks

Contact Info

Product

Resources

About