目录
21 关系: 临床决策支持系统，世界观，人工智能史，圖模式，决策树，因子图，BBN，知识工程和机器学习实验室，置信度传播，隐含狄利克雷分布，達芙妮·科勒，診斷 (工程)，马尔可夫网络，贝叶斯定理，迈克尔·乔丹 (学者)，概率逻辑，涡轮码，朱迪亚·珀尔，朴素贝叶斯分类器，机器学习，拉普拉斯方法。
临床决策支持系统
临床决策支持系统 (英文Clinical decision support system，简称CDSS)是一种协助医护人员进行医疗决策的交互式专家系统。它是人工智能理论在医疗领域的主要实践，而且它的概念仍在不断更新，目前主流的工作定义是Robert Hayward提出的：“连接临床观察与临床知识，影响临床决策，改善临床结果”。这一定义将CDSS简化为功能概念。 CDSS被设计成一种可以让医生在床旁操作Berner, Eta S., ed.
世界观
世界觀意思是「著眼世界之上」。這是德國知識論中所使用的語言，指的是一個「廣泛世界的觀念」。它指涉的是一種人類知覺的基礎架構。透過它，個體可以理解這個世界並且與它互動。.
查看 貝氏網路和世界观
人工智能史
人工智能的历史源远流长。在古代的神话传说中，技艺高超的工匠可以制作人造人，并为其赋予智能或意识。现代意义上的AI始于古典哲学家用机械符号处理的观点解释人类思考过程的尝试。20世纪40年代基于抽象数学推理的可编程数字计算机的发明使一批科学家开始严肃地探讨构造一个电子大脑的可能性。 1956年，在达特茅斯学院举行的一次会议上正式确立了人工智能的研究领域。会议的参加者在接下来的数十年间是AI研究的领军人物。他们中有许多人预言，经过一代人的努力，与人类具有同等智能水平的机器将会出现。同时，上千万美元被投入到AI研究中，以期实现这一目标。 研究人员发现自己大大低估了这一工程的难度，人工智慧史上共出現過好幾次低潮。由于James Lighthill爵士的批评和国会方面的压力，美国和英国政府于1973年停止向没有明确目标的人工智能研究项目拨款。七年之后受到日本政府研究规划的刺激，美国政府和企业再次在AI领域投入数十亿研究经费，但这些投资者在80年代末重新撤回了投资。AI研究领域诸如此类的高潮和低谷不断交替出现；至今仍有人对AI的前景作出异常乐观的预测。 尽管在政府官僚和风投资本家那里经历了大起大落，AI领域仍在取得进展。某些在20世纪70年代被认为不可能解决的问题今天已经获得了圆满解决并已成功应用在商业产品上。与第一代AI研究人员的乐观估计不同，具有与人类同等智能水平的机器至今仍未出现。图灵在1950年发表的一篇催生现代智能机器研究的著名论文中称，“我们只能看到眼前的一小段距离……但是，我们可以看到仍有许多工作要做”。.
查看 貝氏網路和人工智能史
圖模式
在機率論、統計學及機器學習中，圖模式是用圖論方法以表現數個獨立隨機變數之關聯的一種建模法。其圖中的任一節點為隨機變數，若兩節點間無邊相接則意味此二變數彼此條件獨立。 兩種常見的圖模式是具有向性邊的圖及具無向性邊的圖。 若為具有向性邊的圖，該圖顯示了所有隨機變數的合成機率函數的因子分割。 概率图模型被广泛地应用于概率论，数理统计等学科，特别是贝叶斯概率与机器学习中。.
查看 貝氏網路和圖模式
决策树
决策论中 （如风险管理），决策树（Decision tree）由一个决策图和可能的结果（包括资源成本和风险）组成， 用来创建到达目标的规划。决策树建立并用来辅助决策，是一种特殊的树结构。决策树是一个利用像树一样的图形或决策模型的决策支持工具，包括随机事件结果，资源代价和实用性。它是一个算法显示的方法。决策树经常在运筹学中使用，特别是在决策分析中，它帮助确定一个能最可能达到目标的策略。如果在实际中，决策不得不在没有完备知识的情况下被在线采用，一个决策树应该平行概率模型作为最佳的选择模型或在线选择模型算法。决策树的另一个使用是作为计算条件概率的描述性手段。.
查看 貝氏網路和决策树
因子图
将一个具有多变量的全局函数因子分解，得到几个局部函数的乘积，以此为基础得到的一个双向图叫做因子图。在概率论及其应用中, 因子图是一个在贝叶斯推理中得到广泛应用的模型。.
查看 貝氏網路和因子图
BBN
BBN可以指：.
查看 貝氏網路和BBN
知识工程和机器学习实验室
知识工程和机器学习实验室 (简称KEMLg)隶属于加泰罗尼亚理工大学，由Ulises Cortés教授成立。从1988年起，实验室积极开展人工智能领域的研究工作。 实验室的主要研究目标是对多种人工智能技术进行分析、设计、实现及应用，从而对现实世界中复杂系统和领域的操作和行为进行分析。研究主要集中在对系统或领域进行分析、设计、管理或者监视，例如医学健康领域、生态处理系统以及工业企业部门等。 实验室具体研究内容包括：智能体的分析和发展，联合设施动态性理解，社会结构动态性分析，电子商务系统建模，信息流设计，基于临时事件的推理，基于经验的论证技术，统计学和人工智能混合方法，贝叶斯网络（信念网络），基于案例的推理，基于知识的系统，监视和非监视机器学习技术，知识模型的识别和建立，知识表达，知识本体论，社交网络，语义Web，Web服务以及目录服务研究。 实验室主要的专业知识应用领域之一是运用人工智能技术发展环境决策支持系统(EDSS)。尤其是从1990年开始一直致力于城市污水处理厂(Urban Wastewater Treatment Plants,WWTP)领域的研究，具体来说是那些存在活性污泥的处理厂。.
置信度传播
置信度传播（belief propagation），又称为乘积和信息传递（sum-product message passing），是在贝叶斯网络、马尔可夫随机场等概率图模型中用于推断的一种信息传递算法。在给定已观测节点时，可以用该算法高效地计算未观测节点的边缘分布。置信度传播在人工智能、信息论中十分常见，已成功应用于低密度奇偶检查码、Turbo码、自由能估计、等不同领域。 置信度传播由美国计算机科学家朱迪亚·珀尔于1982年提出。 最初该算法的运用范围仅限于树，不久则扩展到。 此后，研究者发现在一般的图中该算法是一种十分有用的近似算法。.
查看 貝氏網路和置信度传播
隐含狄利克雷分布
含狄利克雷分布（Latent Dirichlet allocation，简称LDA），是一种主题模型，它可以将文档集中每篇文档的主题按照概率分布的形式给出。同时它是一种无监督学习算法，在训练时不需要手工标注的训练集，需要的仅仅是文档集以及指定主题的数量k即可。此外LDA的另一个优点则是，对于每一个主题均可找出一些词语来描述它。 LDA首先由Blei, David M.、吴恩达和Jordan, Michael I于2003年提出，目前在文本挖掘领域包括文本主题识别、文本分类以及文本相似度计算方面都有应用。.
達芙妮·科勒
達芙妮·科勒是一位美籍以色列裔的教授，在史丹佛大学教授電腦科學。她也是一位麦克阿瑟獎學金的獲獎者。.
查看 貝氏網路和達芙妮·科勒
診斷 (工程)
診斷是指找出一特定現象的本質及產生原因，再配合邏輯、分析及經驗來判斷因果关系，在許多不同的領域都有用到診斷，像醫療診斷即為診斷的一種。在系統工程及電腦科學中，會用診斷來確認現象的成因、減輕方式以及對策。.
查看 貝氏網路和診斷 (工程)
马尔可夫网络
尔可夫网络，（马尔可夫随机场、无向图模型）是关于一组有马尔可夫性质随机变量X的全联合概率分布模型。 马尔可夫网络类似贝叶斯网络用于表示依赖关系。但是，一方面它可以表示贝叶斯网络无法表示的一些依赖关系，如循环依赖；另一方面，它不能表示贝叶斯网络能够表示的某些关系，如推导关系。马尔可夫网络的原型是易辛模型，最初是用来说明该模型的基本假设。.
查看 貝氏網路和马尔可夫网络
贝叶斯定理
贝叶斯定理（Bayes' theorem）是概率论中的一个定理，它跟随机变量的条件概率以及边缘概率分布有关。在有些关于概率的解释中，贝叶斯定理（贝叶斯公式）能够告知我们如何利用新证据修改已有的看法。這個名稱來自於托马斯·贝叶斯。 通常，事件A在事件B（发生）的条件下的概率，与事件B在事件A（发生）的条件下的概率是不一样的。然而，这两者是有确定的关系的，贝叶斯定理就是这种关系的陈述。贝叶斯公式的一个用途在于通过已知的三个概率函数推出第四个。 作为一个普遍的原理，贝叶斯定理对于所有概率的解释是有效的。然而，频率主义者和贝叶斯主义者对于“在应用中，某个随机事件的概率该如何被赋值？”这个问题有着不同的看法：频率主义者根据随机事件发生的频率，或者总体样本裡面的发生的个数来赋值概率；贝叶斯主义者则根据未知的命题来赋值概率。这样的理念导致贝叶斯主义者有更多的机会使用贝叶斯定理。.
查看 貝氏網路和贝叶斯定理
迈克尔·乔丹 (学者)
迈克尔·I·乔丹（, ）是知名的计算机科学和统计学学者，主要研究机器学习和人工智能。目前担任加州大学伯克利分校电机工程与计算机系和统计学系教授。2016年，据《科学》报道，迈克尔·I·乔丹是当今世界最有影响力的计算机科学家。 他的重要贡献包括指出了机器学习与统计学之间的联系，并推动机器学习界广泛认识到贝叶斯网络的重要性。他还以近似推断变分方法的形式化、最大期望算法在机器学习的普及方面的工作而知名。.
概率逻辑
概率逻辑（或或然性逻辑）的目标是组合概率论的处理不确定性的能力和演绎逻辑开发结构的能力。结果是更加丰富和更有表达力的形式化，并有广阔的可能应用领域。概率逻辑的困难是增加了它们的概率论和逻辑构件的计算复杂性。.
查看 貝氏網路和概率逻辑
涡轮码
涡轮码（Turbo code）是信息论中一种前向纠错的编码技术，发明于1990至1991年间，并于1993年首次发表。涡轮码是首个得以接近香农极限的现实可行的编码，在低信噪比条件下有着优越的性能，广泛运用于3G/4G移动通信（如UMTS与LTE）、深空卫星通信等领域。 涡轮码的解码过程通过一个反馈环路迭代进行，因类似于内燃机中涡轮增压器的工作过程而得名。 以人工智能的角度而言，涡轮码的解码可看作是贝叶斯网络上的循环置信度传播（loopy belief propagation）。.
查看 貝氏網路和涡轮码
朱迪亚·珀尔
朱迪亚·珀尔（Judea Pearl，），美国以色列裔计算机科学家和哲学家，因其人工智能概率方法的杰出成绩和貝氏網路的研发而知名。2011年，他因通过概率和因果推理的算法研发在人工智能取得的杰出贡献而获得图灵奖。, ACM, retrieved 2012-03-14.
查看 貝氏網路和朱迪亚·珀尔
朴素贝叶斯分类器
在机器学习中，單純貝氏分类器是一系列以假设特征之间强（朴素）独立下运用贝叶斯定理为基础的简单。 單純貝氏自20世纪50年代已广泛研究。在20世纪60年代初就以另外一个名称引入到文本信息检索界中， 并仍然是文本分类的一种热门（基准）方法，文本分类是以词频为特征判断文件所属类别或其他（如垃圾邮件、合法性、体育或政治等等）的问题。通过适当的预处理，它可以与这个领域更先进的方法（包括支持向量机）相竞争。 它在自动医疗诊断中也有应用。 單純貝氏分类器是高度可扩展的，因此需要数量与学习问题中的变量（特征/预测器）成线性关系的参数。最大似然训练可以通过评估一个封闭形式的表达式来完成， 只需花费线性时间，而不需要其他很多类型的分类器所使用的费时的迭代逼近。 在统计学和计算机科学文献中，單純貝氏模型有各种名称，包括简单贝叶斯和独立贝叶斯。 所有这些名称都参考了贝叶斯定理在该分类器的决策规则中的使用，但單純貝氏不（一定）用到贝叶斯方法； 《》提到“『單純貝氏』有时被称为贝叶斯分类器，这个马虎的使用促使真正的贝叶斯论者称之为傻瓜贝叶斯模型。”.
机器学习
机器学习是人工智能的一个分支。人工智能的研究历史有着一条从以“推理”为重点，到以“知识”为重点，再到以“学习”为重点的自然、清晰的脉络。显然，机器学习是实现人工智能的一个途径，即以机器学习为手段解决人工智能中的问题。机器学习在近30多年已发展为一门多领域交叉学科，涉及概率论、统计学、逼近论、、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。机器学习算法是一类从数据中自动分析获得规律，并利用规律对未知数据进行预测的算法。因为学习算法中涉及了大量的统计学理论，机器学习与推断统计学联系尤为密切，也被称为统计学习理论。算法设计方面，机器学习理论关注可以实现的，行之有效的学习算法。很多推论问题属于无程序可循难度，所以部分的机器学习研究是开发容易处理的近似算法。 机器学习已广泛应用于数据挖掘、计算机视觉、自然语言处理、生物特征识别、搜索引擎、医学诊断、检测信用卡欺诈、证券市场分析、DNA序列测序、语音和手写识别、战略游戏和机器人等领域。.
查看 貝氏網路和机器学习
拉普拉斯方法
在数学上，以皮埃尔-西蒙·拉普拉斯命名的拉普拉斯方法是用于得出下列积分形式的近似解的方法： 其中的 ƒ(x) 是一個二次可微函数， M 是一個很大的數，而積分邊界點 a 與 b 則允許為無限大。此外，函數 ƒ(x) 在此積分範圍內的 全域極大值 所在處必須是唯一的並且不在邊界點上。則它的近似解可以寫為 其中的 x0 為極大值所在處。這方法最早是拉普拉斯在 (1774, pp.
查看 貝氏網路和拉普拉斯方法
亦称为 贝叶斯网络。