ดูต้นฉบับสำหรับ โครงข่ายแบบเบส์

'''โครงข่ายแบบเบส์''' (Bayesian network) เป็น [[แบบจำลองเชิงกราฟ]]ที่อธิบาย[[เหตุภาพ|ความสัมพันธ์เชิงสาเหตุ]] โดยใช้[[ความน่าจะเป็น]] เป็นการแสดงออกถึง[[การอนุมาน]] เกี่ยวกับความสัมพันธ์เชิงสาเหตุที่ซับซ้อนโดยใช้โครงสร้าง[[กราฟไม่มีวงแบบระบุทิศทาง]] และใช้การอนุมานความน่าจะเป็นที่แสดงความสัมพันธ์ระหว่างตัวแปรแต่ละตัวโดยใช้[[ความน่าจะเป็นมีเงื่อนไข]] โครงข่ายหมายถึงกราฟถ่วงน้ำหนัก

== คำนิยาม ==
[[การแจกแจงความน่าจะเป็น]]สามารถแสดงเป็น [[กราฟ (แบบชนิดข้อมูลนามธรรม)|กราฟ]] หรือโครงข่าย โดยใช้[[ตัวแปรสุ่ม]]เป็นโหนด และความสัมพันธ์ระหว่างตัวแปรเป็นเส้นโยง<ref>"A graph comprises nodes ... connected by links ... . In a probabilistic graphical model, each node represents a random variable ... and the links express probabilistic relationships between these variables." PRML. p.360.</ref><ref>ネットワーク（重み付けグラフ）</ref> ([[แบบจำลองเชิงกราฟ]]เชิงความน่าจะเป็น<ref>"diagrammatic representations of probability distributions, called probabilistic graphical models." PRML p.359</ref>) ในบรรดากราฟเหล่านี้ กราฟที่เส้นโยงมีทิศทางและการขึ้นต่อกันไม่เป็นวงกลมได้รับการเรียกตามชื่อดังต่อไปนี้<ref>"''Directed graphical models are a type of probabilistic models where all the variables are topologically organized into a directed acyclic graph.''" Kingma. (2019). ''[[arxiv:1906.02691|An Introduction to Variational Autoencoders]]''. Foundations and Trends in Machine Learning.</ref>

* '''โครงข่ายแบบเบส์''' (Bayesian newwork) <ref name=":0">"Bayesian networks, also known as directed graphical models" PRML. p.360.</ref>
* '''แบบจำลองเชิงกราฟแบบระบุทิศทาง''' (directed graphical model) <ref name=":0" />
* '''แบบจำลองความน่าจะเป็นแบบระบุทิศทาง''' (directed probabilistic model) <ref name=":1">"''We work with directed probabilistic models, also called directed probabilistic graphical models (PGMs), or Bayesian networks.''" Kingma. (2019). ''[[arxiv:1906.02691|An Introduction to Variational Autoencoders]]''. Foundations and Trends in Machine Learning.</ref>
* '''แบบจำลองเชิงกราฟแบบความน่าจะเป็นแบบกำหนดทิศทาง''' (directed probabilistic graphical model) <ref name=":1" />

การแจกแจงร่วมของกลุ่มตัวแปรสุ่มจากสมบัติ[[กราฟไม่มีวงแบบระบุทิศทาง|ไม่มีวงแบบระบุทิศทาง]]สามารถแสดงได้ดังนี้

: <math>P(x_1, ..., x_N)=\prod_{i=1}^N P(x_i | parent(x_i))</math>

นั่นคือ การแจกแจงร่วมสามารถอธิบายได้ว่าเป็นผลคูณของ[[ความน่าจะเป็นมีเงื่อนไข]]บนโหนดพ่อแม่<ref>"''The joint distribution over the variables of such models factorizes as a product of prior and conditional distributions''" Kingma. (2019). ''[[arxiv:1906.02691|An Introduction to Variational Autoencoders]]''. Foundations and Trends in Machine Learning.</ref>

== ประวัติศาสตร์ ==
ชื่อโครงข่ายแบบเบส์นี้ถูกตั้งชื่อโดย[[จูเดีย เพิร์ล]] ใน ปี 1985<ref>{{Cite journal|last=Pearl|first=Judea|year=1985|title=Bayesian Networks: a Model of Self-Activated Memory for Evidential Reasoning|url=http://ftp.cs.ucla.edu/pub/stat_ser/r43-1985.pdf|journal=Proceedings, Cognitive Science Society|pages=329-334}}</ref> เขาได้รับ[[รางวัลทัวริง]] จากผลงานในสาขา[[ปัญญาประดิษฐ์]] โครงข่ายแบบเบส์ได้รับการศึกษาในฐานะ[[ขั้นตอนวิธี]][[การอนุมาน]][[ความน่าจะเป็น]]มา โดยโครงข่ายนี้มีประวัติศาสตร์ในด้านการวิจัยและการประยุกต์ใช้ในทางปฏิบัติมาตั้งแต่ประมาณช่วงปี 1980 แล้ว

== อ้างอิง ==
{{รายการอ้างอิง}}
[[หมวดหมู่:การอนุมานเหตุ]]
[[หมวดหมู่:ทฤษฎีความน่าจะเป็น]]