Проектування статичних та динамічних моделей на основі байєсівських мереж

Abstract

Навчальний посібник присвячено висвітленню сучасних підходів до моделювання процесів довільної природи за допомогою байєсівських мереж, які сьогодні успішно використовуються для розв’язання задач прогнозування, передбачення, медичної і технічної діагностики, прийняття управлінських рішень, автоматичного керування. Розглянуто теорію побудови байєсівських мереж, яка включає задачі навчання структури мережі та формування ймовірнісного висновку на її основі. Наведено практичні методики побудови структури мережі на основі статистичних даних і експертних оцінок. Розглянуто приклади розв’язання практичних задач моделювання, прогнозування і прийняття рішень. Наведено перелік відомих програмних продуктів та їх виробників для побудови та застосування мереж Байєса. Книга рекомендується як навчальний посібник для студентів, аспірантів та викладачів, а також спеціалістів у галузі розв’язання задач ймовірнісного математичного моделювання, прогнозування, передбачення, інформація стосовно яких представлена статистичними даними та експертними оцінками. This textbook is devoted to the exposition of contemporary approaches to the modeling of processes of various natures using Bayesian networks, which are currently employed successfully in addressing tasks such as forecasting, prediction, medical and technical diagnostics, managerial decision-making, and automated control. The theoretical foundations of Bayesian network construction are examined, including problems of structure learning and the formulation of probabilistic inference based on the network. The text presents practical methodologies for constructing network structures using statistical data and expert judgments. Particular attention is given to illustrative examples of solving real-world problems in modeling, forecasting, and decision-making. Additionally, the textbook provides an overview of widely known software tools and their developers used for constructing and applying Bayesian networks. This work is recommended as an academic resource for undergraduate and graduate students, instructors, and professionals involved in probabilistic mathematical modeling, forecasting, and prediction, particularly in domains where the available information is based on statistical data and expert evaluations.