Les réseaux bayésiens sont un type de graphe acyclique dirigé , avec des nœuds qui représentent des variables . Selon Judea Pearl , professeur d'informatique à l'UCLA , la force des liens du graphe sont régies par la probabilité conditionnelle . Les réseaux bayésiens peuvent représenter la base de connaissances d'un système d' intelligence artificielle, d'un robot sur une ligne de fabrication de voitures à un système de défense complexe. Réalisé acyclique Graphique

Selon Wolfram Mathworld , un référentiel en ligne bien respectée d'information sur les mathématiques , un graphe acyclique dirigé --- aussi appelé un graphe orienté acyclique --- est un graphe orienté manque cycles. Dans sa forme la plus basique , un graphe acyclique dirigé ressemble à une image point- à - point, avec des points représentant des «nœuds» ( éléments d'information ) et des lignes entre les nœuds représentant la direction dans laquelle les flux d'information. Les flèches sont placées sur les lignes pour montrer le flux de données .
Cohérence et l'exhaustivité

Selon le professeur Pearl, il est important de ne pas surcharger le graphique avec des données inutiles parce que de la possibilité de trop de conclusions à tirer . Il est également essentiel que le graphique soit aussi complète que possible. Par exemple, un graphique peut être établi pour représenter le processus de prise de décision d'un médecin. Si un patient arrive au cabinet du médecin avec un mal de tête , le médecin pourra établir un diagnostic basé sur la façon dont le patient présente , en plus il peut prendre une décision d'exécuter des tests supplémentaires . Le graphique doit montrer la décision de tester ou pas test, avec des instructions claires pour ces décisions. En outre, le graphique doit inclure toutes les possibilités pour obtenir des résultats de maux de tête ( y compris la migraine , tumeur au cerveau , la sinusite et une foule d' autres maladies). Sans toutes les possibilités, l'état du patient peut rester non diagnostiqué.
Modeling prise de décision humaine

études ont montré que la modélisation des décisions humaines avec les réseaux bayésiens n'est pas aussi facile qu'il n'y paraît . Professeur perle affirme que parce que le raisonnement humain est subjective et incomplète , il semble raisonnable de commencer par la théorie de la probabilité de concevoir un graphique. Toutefois, ce processus de modélisation de base n'inclut pas les pièces les plus complexes de raisonnement humain , si nous devions tenter de construire une table de probabilité pour certaines décisions complexes faites par les gens, il faudrait un ordinateur une quantité extraordinaire de temps à calculer ce qu'il prendre une personne en une fraction de seconde pour décider .
Avantages

Selon Microsoft , les réseaux bayésiens sont utiles pour la modélisation des données, car ils peuvent gérer la prise de décision , même si certaines variables sont manquants. Les réseaux bayésiens peuvent représenter relation causale , inclure une connaissance préalable et prévoir les résultats possibles avec facilité.
Applications

Jir Vomlel de l'Institut de Théorie de l'information et de l'Académie de l'automatisation des sciences de la République tchèque déclare que les réseaux bayésiens peuvent être utilisés pour représenter une grande variété de processus décisionnels dans le monde réel , y compris le diagnostic médical , rendant maximiser l'utilité attendue , testing adaptatif et le dépannage de prise de décision théorique .