【新书】贝叶斯网络进展与新应用,附全书下载

2019 年 12 月 9 日 专知
【新书】贝叶斯网络进展与新应用,附全书下载

导读

贝叶斯网络在经济学、人工智能、交通系统、医疗领域都有举足轻重的应用,许多研究表明,贝叶斯网络是可靠和稳定的因果关系表示。本书的写作者阐明了贝叶斯网络在各个领域的进展和应用。


作者 | Edited by Douglas McNair
编译 | Xiaowen


https://www.intechopen.com/books/bayesian-networks-advances-and-novel-applications


贝叶斯网络(Bayesian networks,BN)最近在众多领域中引发了兴趣,参与了许多不同的应用,包括经济、风险分析、资产和负债管理、人工智能和机器人、交通系统规划和优化、政治学分析、法律和法医科学评估、药理学和药物基因组学、系统生物学和代谢组学、心理学和政策制定和社会方案评价等。这种强烈的响应可以看出,结构和过程的概率贝叶斯模型是可靠的和稳定的因果关系的表示。与传统的频率统计方法相比,BN通过合并新的数据而获得增量或纵向改进的能力提供了额外的优势。本书的参与者阐明了BN这些方面的各种新的进展。



第一章


1. Introductory Chapter: Timeliness of Advantages of Bayesian Networks
By Douglas S. McNair


对于目前的应用来说,BNS的价值包括:
  • 便于合并因果知识,提升可解释的概率;
  • 支持从各种来源(包括专家启发和人群来源)和混合数据类型的信息的一致组合;
  • 可响应于新获取的或输入的数据的批处理或连续更新;
  • 适用于测量和计算模型结构不确定性的过程;
  • 适合于对部分未标记的数据进行建模;
  • 可以估计不可见的变量的值的确定性。



章节全文下载见文末。


第二章


2. An Economic Growth Model Using Hierarchical Bayesian Method
By Nur Iriawan and Septia Devi Prihastuti Yasmirullah


经济增长可以作为对区域经济建设成功的评估。自从2004年《共和国印度尼西亚第32号条例》得到执行以来,印度尼西亚的局势之间的不平衡经济增长正在上升。经济增长状况的不平衡在各区域之间存在差异,目的是扩大各区域的经济活动,以改善社会福利。本章的目的是阐述在印尼各地区的银行信贷分布情况下,经济增长是否存在差异。本研究采用层次结构模型对经济增长数据进行了分析,在第一层次采用了基于正态的模型。将采用两种建模方法,即一般的一级贝叶斯方法和两层结构的层次贝叶斯方法。这些方法的成功证明了两层层次结构贝叶斯比一般一级贝叶斯具有更好的估计能力。结果表明,各省的宏观特征对各相关省份不同的经济增长都有显著的影响。这些变化也受到它们的跨层级相互作用、区域和省级特征的显著影响。


章节全文下载见文末。


第三章


3. Bayesian Networks for Decision-Making and Causal Analysis under Uncertainty in Aviation
By Rosa Maria Arnaldo Valdés, V. Fernando Gómez Comendador, Alvaro Rodriguez Sanz, Eduardo Sanchez Ayra, Javier Alberto Pérez Castán and Luis Perez Sanz


航空领域有关系统和操作的大多数决定目前都是在不确定的情况下作出的,以有限的可衡量的信息进行传递,很少有正式的方法和工具来帮助决策者处理所有这些不确定因素。本章说明贝叶斯分析如何构成处理航空和空中运输不确定性的系统方法。本章阐述了贝叶斯网络目前在航空工业中用于科学或法规决策目的的三种主要方式,三种方式取决于决策者完全或部分依赖正式方法的程度。这三种方案用三个航空案例研究进行说明。


章节全文下载见文末。



第四章


4. Using Bayesian Networks for Risk Assessment in Healthcare System
By Bouchra Zoullouti, Mustapha Amghar and Sbiti Nawal


为了确保病人的安全,医疗服务必须是高质量、安全和有效的。这项工作旨在为医院系统的风险管理提出综合方法。为了病人的安全,我们的方法应该考虑到风险的不同方面和信息类型。第一种方法是针对有关风险事件的数据可用的上下文而设计的,采用贝叶斯网络进行医院定量风险分析。贝叶斯网络提供了一种用于呈现因果关系并在一组变量之间实现概率推理的框架。该方法用于分析手术室内病人的安全风险。第二种方法采用模糊贝叶斯网络对风险进行建模和分析。模糊逻辑允许在缺乏定量数据的情况下使用专家的意见,并且只能做出定性或模糊的陈述。该方法提供了一种可操作的模型,该模型使用语言变量精确地支持人类认知。使用手术室中患者的安全风险的病例研究说明了拟定方法的可用性。


章节全文下载见文末。



第五章


5. Continuous Learning of the Structure of Bayesian Networks: A Mapping Study
By Luiz Antonio Pereira Silva, João Batista Nunes Bezerra, Mirko Barbosa Perkusich, Kyller Costa Gorgônio, Hyggo Oliveira de Almeida and Angelo Perkusich


贝叶斯网络可以基于知识、数据或两者来构建。单独使用构建模型的信息来源,可能发生不准确或应用域可能发生变化。因此,需要在其使用过程中连续地改进模型。随着新数据的收集,不断集成更新知识的算法在此过程中可以发挥重要的作用。关于贝叶斯网络的结构的连续学习,当前的解决方案基于其结构细化或自适应。最近,研究人员的目标是降低复杂性和内存使用量,从而解决复杂和大规模的实际问题。本研究旨在确定和评估对贝叶斯网络结构的持续学习的解决方案,并概述相关的未来研究方向。我们的注意力集中在结构上,因为如果结构不具备代表性,那么精确的参数也将还无用处。


章节全文下载见文末。



第六章


6. Multimodal Bayesian Network for Artificial Perception
By Diego R. Faria, Cristiano Premebida, Luis J. Manso, Eduardo P. Ribeiro and Pedro Núñez


为了使机器一致地感知外部环境,可以使用来自几种不同模态的多个感官信息来源(例如照相机、激光雷达、立体声、RGB-D和雷达)。所有这些不同的信息来源可以有效地合并,形成一个强有力的环境感知。本章重点介绍了构成这种传感器信息融合的一些机制,表明根据信息的类型,可以使用不同的组合和集成策略,而且通常需要先验知识来有效地解释感官信号。感知相关的贝叶斯推理是越来越流行的方法。贝叶斯模型提供了对许多感知现象的洞察,表明它们是处理现实世界不确定性和鲁棒分类的有效方法,包括对时间相关性问题的分类。本章讨论了贝叶斯网络在以下领域的应用:移动机器人、自动驾驶系统、先进的驾驶员辅助系统、用于目标检测的传感器融合以及基于EEG的精神状态分类。


章节全文下载见文末。



第七章


7. Quantitative Structure-Activity Relationship Modeling and Bayesian Networks: Optimality of Naive Bayes Model
By Oleg Kupervasser


Previously, computational drag design was usually based on simplified laws of molecular physics, used for calculation of ligand’s interaction with an active site of a protein-enzyme. However, currently, this interaction is widely estimated using some statistical properties of known ligand-protein complex properties. Such statistical properties are described by quantitative structure-activity relationships (QSAR). Bayesian networks can help us to evaluate stability of a ligand-protein complex using found statistics. Moreover, we are possible to prove optimality of Naive Bayes model that makes these evaluations simple and easy for practical realization. We prove here optimality of Naive Bayes model using as an illustration ligand-protein interaction.


章节全文下载见文末。



第八章


8. Bayesian Graphical Model Application for Monetary Policy and Macroeconomic Performance in Nigeria
By David Oluseun Olayungbo


本研究应用贝叶斯图形网络(BGN)的贝叶斯图形向量自回归(BGVAR)模型,结合有效的马尔可夫链蒙特卡罗(MCMC)M-H抽样算法,对尼日利亚1986q1-2017q4期间的货币政策与宏观经济绩效之间的动态交互作用进行了研究。由于经济结构的影响,过去几年,尼日利亚汇率、通货膨胀率和利率的流动不稳定。通过这种方式,货币管理当局定期运用各种政策手段,在到期时利用储备和货币供应来稳定经济。本研究采用VAR和SVAR结构来考察利益变量之间的动态相互作用,从而更好地理解货币政策动态,适应尼日利亚经济结构动态变化。 我们的结果显示,通货膨胀是尼日利亚利率的有力预测因素。


章节全文下载见文末。


全书下载:关注专知公众号(点击上方蓝色专知关注)
  • 后台回复“BNBOOK” 获取Bayesian Network 全书PDF 下载索引~



更多“贝叶斯网络”资料请上专知网站(www.zhuanzhi.ai )进行查看!

https://www.zhuanzhi.ai/topic/2001920811914876/new




-END-
专 · 知


专知,专业可信的人工智能知识分发,让认知协作更快更好!欢迎注册登录专知www.zhuanzhi.ai,获取5000+AI主题干货知识资料!
欢迎微信扫一扫加入专知人工智能知识星球群,获取最新AI专业干货知识教程视频资料和与专家交流咨询
请加专知小助手微信(扫一扫如下二维码添加), 获取专知VIP会员码 加入专知人工智能主题群,咨询技术商务合作~
点击“阅读原文”,了解使用专知,查看5000+AI主题知识资料
登录查看更多
12

相关内容

贝叶斯网络是一种概率网络,它是基于概率推理的图形化网络,而贝叶斯公式则是这个概率网络的基础。贝叶斯网络是基于概率推理的数学模型,所谓概率推理就是通过一些变量的信息来获取其他的概率信息的过程,基于概率推理的贝叶斯网络(Bayesian network)是为了解决不定性和不完整性问题而提出的,它对于解决复杂设备不确定性和关联性引起的故障有很大的优势,在多个领域中获得广泛应用。

摘要 大数据是经济发展的新动能, 社会发展的新引擎, 塑造国家竞争力的战略制高点, 对人民生活 具有重大影响. 然而随着社会对数据价值认知的提升和大数据平台建设的蓬勃发展, 大数据安全问题 日益成为阻碍大数据应用推广的瓶颈. 同时, 由于大数据技术、框架仍在不断演变当中, 研究人员对大 数据安全内涵的核心认知和关键特征理解还存在差异, 尚未形成相对统一的大数据安全框架. 当前亟 需对大数据安全技术发展现状进行梳理, 为大数据安全重点问题的研究和突破提供参考. 本文结合典 型大数据系统技术框架, 围绕大数据安全需求, 构建了大数据安全技术框架. 在此框架下, 从大数据安 全共享与可信服务、大数据平台安全和大数据安全监管 3 个方面系统梳理了大数据安全关键技术的 研究现状, 囊括了大数据业务流程和大数据系统技术框架所涉及的主要安全机制. 最后总结了大数据 安全技术有待解决的核心问题和发展趋势.

成为VIP会员查看完整内容
0
36

这个可访问的文本/参考提供了从工程角度对概率图模型(PGMs)的一般介绍。这本书涵盖了每一个PGMs的主要类的基础知识,包括表示、推理和学习原则,并回顾了每种类型模型的实际应用。这些应用来自广泛的学科领域,突出了贝叶斯分类器、隐马尔可夫模型、贝叶斯网络、动态和时态贝叶斯网络、马尔可夫随机域、影响图和马尔可夫决策过程的多种用途。

提出了一个统一的框架,包括所有的主要类别的PGMs;描述不同技术的实际应用;检视该领域的最新发展,包括多维贝叶斯分类器、相关图模型和因果模型;在每一章的结尾提供练习,进一步阅读的建议,和研究或编程项目的想法。

成为VIP会员查看完整内容
0
71

【导读】这本书对自动化机器学习(AutoML)的一般化方法进行了全面的阐述,并且收集了以这些方法为基础的系统的描述和一系列关于自动化机器学习系统领域的挑战。最近,机器学习在商业领域取得的成就和该领域的快速增长对机器学习产生了大量的需求,尤其是可以很容易地使用,并且不需要专家知识的机器学习方法。然而,当前许多表现优异的机器学习方法的大多都依赖人类专家去手动选择适当的机器学习架构以及模型的超参数(深度学习架构或者更加传统的机器学习方法)。为了克服这个问题,AutoML基于优化原理和机器学习本身去逐步实现机器学习的自动化。这本书可以为为研究人员和高年级学生提供一个进入这个快速发展的领域的切入点,同时也为打算在工作中使用AutoML的从业者提供参考。

第一部分 自动机器学习方法

每个机器学习系统都有超参数,而自动化机器学习最基本的任务就是自动设置这些超参数来优化性能。尤其是最近的深度神经网络严重依赖对于神经网络的结构、正则化和优化等超参数的选择。自动优化超参数(HPO)有几个重要的用例:​

  • 减少机器学习应用过程中所需的人力。这在自动化机器学习(AutoML)的上下文中尤其重要。
  • 提高机器学习算法的性能(根据实际问题调整算法);这已经在一些研究中对重要的机器学习基准方法产生了效果。
  • 提高科学研究的再现性和公平性。自动化的HPO显然比手工搜索更具可重复性。它使得不同的方法可以公平的比较,因为不同的方法只有在它们在相同级别的问题上调优时才能公平地进行比较。

第二部分 自动化机器学习系统

越来越多的非领域专家开始学习使用机器学习工具,他们需要非独立的解决方案。机器学习社区通过开源代码为这些用户提供了大量复杂的学习算法和特征选择方法,比如WEKA和mlr。这些开源包需要使用者做出两种选择:选择一种学习算法,并通过设置超参数对其进行定制。然而想要一次性做出正确的选择是非常具有挑战性的,这使得许多用户不得不通过算法的声誉或直觉来进行选择,并将超参数设置为默认值。当然,采用这种方法所获得的性能要比最佳方法进行超参数设置差得多。

第三部分 自动化机器学习面临的挑战

直到十年之前,机器学习还是一门鲜为人知的学科。对于机器学习领域的科学家们来说,这是一个“卖方市场”:他们研究产出了大量的算法,并不断地寻找新的有趣的数据集。大的互联网公司积累了大量的数据,如谷歌,Facebook,微软和亚马逊已经上线了基于机器学习的应用,数据科学竞赛也吸引了新一代的年轻科学家。如今,随着开放性数据的增加,政府和企业不断发掘机器学习的新的应用领域。然而,不幸的是机器学习并不是全自动的:依旧很难确定哪个算法一定适用于哪种问题和如何选择超参数。完全自动化是一个无界的问题,因为总是有一些从未遇到过的新设置。AutoML面临的挑战包括但不限于:

  • 监督学习问题(分类和回归)
  • 特征向量表示问题
  • 数据集特征分布问题(训练集,验证集和测试集分布相同)
  • 小于200兆字节的中型数据集
  • 有限的计算资源
成为VIP会员查看完整内容
0
99

时间序列分析一直是研究的热点,在很多场景都有应用。近期,IntechOpen发布一本由Chun-Kit Ngan编辑众多领域专家撰写的新书《Time Series Analysis:Data, Methods, and Applications》,总共六章,110页pdf,提供了时间序列分析的当前信息、发展和趋势,特别是在时间序列数据模式、技术方法和实际应用方面,是值的关注的一本书。

本书旨在为读者提供时间序列分析的当前信息、发展和趋势,特别是在时间序列数据模式、技术方法和实际应用方面。本书分为三节,每节包括两章。第一部分讨论了多元时间序列和模糊时间序列的分析。第2节着重于开发用于时间序列预测和分类的深度神经网络。第3节描述了如何使用时间序列技术解决实际领域的特定问题。本书包含的概念和技术涵盖了时间序列研究的主题,学生、研究人员、实践者和教授将对时间序列预测和分类、数据分析、机器学习、深度学习和人工智能感兴趣。

目录:

  • 第一章:Process Fault Diagnosis for Continuous Dynamic Systems Over Multivariate Time Series (多变量时间序列上连续动态系统的过程故障诊断)
  • 第二章:Fuzzy Forecast Based on Fuzzy Time Series (基于模糊时间序列的模糊预测)
  • 第三章:Training Deep Neural Networks with Reinforcement Learning for Time Series Forecasting (利用强化学习训练深度神经网络进行时间序列预测)
  • 第四章:CNN Approaches for Time Series Classification (CNN方法用于时间序列分类)
  • 第五章:Forecasting Shrimp and Fish Catch in Chilika Lake over Time Series Analysis (通过时间序列分析,预测了赤喀湖虾、鱼的捕捞量)
  • 第六章:Using Gray-Markov Model and Time Series Model to Predict Foreign Direct Investment Trend for Supporting China’s Economic Development (利用Gray马尔可夫模型和时间序列模型预测支持中国经济发展的外商直接投资趋势)
成为VIP会员查看完整内容
0
110
小贴士
相关论文
Wenwu Zhu,Xin Wang,Peng Cui
18+阅读 · 2020年1月2日
Muhan Zhang,Shali Jiang,Zhicheng Cui,Roman Garnett,Yixin Chen
7+阅读 · 2019年5月30日
Antreas Antoniou,Harrison Edwards,Amos Storkey
18+阅读 · 2019年3月5日
Yanbin Liu,Juho Lee,Minseop Park,Saehoon Kim,Eunho Yang,Sungju Hwang,Yi Yang
19+阅读 · 2018年12月25日
Ivana Balazevic,Carl Allen,Timothy M. Hospedales
8+阅读 · 2018年10月18日
Yong Wang,Xiao-Ming Wu,Qimai Li,Jiatao Gu,Wangmeng Xiang,Lei Zhang,Victor O. K. Li
9+阅读 · 2018年7月8日
Peter Shaw,Jakob Uszkoreit,Ashish Vaswani
23+阅读 · 2018年4月12日
Matthew Ricci,Junkyung Kim,Thomas Serre
5+阅读 · 2018年2月12日
Ruoyu Li,Sheng Wang,Feiyun Zhu,Junzhou Huang
5+阅读 · 2018年1月10日
Shafin Rahman,Salman H. Khan,Fatih Porikli
3+阅读 · 2017年10月26日
Top