In diesem Modul definieren wir die Bayes'sche Netzwerkdarstellung und ihre Semantik. Außerdem analysieren wir die Beziehung zwischen der Graphenstruktur und den Unabhängigkeitseigenschaften einer über diesen Graphen dargestellten Verteilung. Schließlich geben wir einige praktische Tipps, wie Sie eine reale Situation als Bayes'sches Netzwerk modellieren können.

In vielen Fällen müssen wir Verteilungen modellieren, die eine wiederkehrende Struktur haben. In diesem Modul beschreiben wir Darstellungen für zwei solche Situationen. Zum einen geht es um zeitliche Szenarien, in denen wir eine probabilistische Struktur modellieren wollen, die über die Zeit konstant bleibt. Hier verwenden wir Hidden Markov Modelle oder, allgemeiner, dynamische Bayes'sche Netze. Das andere zielt auf Szenarien ab, in denen mehrere ähnliche Entitäten involviert sind, deren Eigenschaften jeweils von einem ähnlichen Modell bestimmt werden; hier verwenden wir Plate-Modelle.

Eine tabellenbasierte Darstellung einer CPD in einem Bayes'schen Netzwerk hat eine Größe, die mit der Anzahl der Eltern exponentiell wächst. Es gibt eine Vielzahl anderer Formen von CPD, die eine Art von Struktur im Abhängigkeitsmodell ausnutzen, um eine viel kompaktere Darstellung zu ermöglichen. Hier beschreiben wir eine Reihe der in der Praxis am häufigsten verwendeten Formen.

In diesem Modul beschreiben wir Markov-Netzwerke (auch Markov-Zufallsfelder genannt): probabilistische graphische Modelle, die auf einer ungerichteten Graphendarstellung basieren. Wir besprechen die Darstellung dieser Modelle und ihre Semantik. Außerdem analysieren wir die Unabhängigkeitseigenschaften von Verteilungen, die durch diese Graphen kodiert werden, und ihre Beziehung zur Graphenstruktur. Wir vergleichen diese Abhängigkeiten mit denen, die von einem Bayes'schen Netzwerk kodiert werden, was uns einen Einblick gibt, welche Art von Modell für welche Szenarien besser geeignet ist.

In diesem Modul diskutieren wir die Aufgabe der Entscheidungsfindung unter Unsicherheit. Wir beschreiben den Rahmen der Entscheidungstheorie, einschließlich einiger Aspekte der Nutzenfunktionen. Anschließend sprechen wir darüber, wie Entscheidungsszenarien in einem grafischen Modell, dem so genannten Einflussdiagramm, kodiert werden können und wie solche Modelle Einblicke sowohl in die Entscheidungsfindung als auch in den Wert der Informationsbeschaffung bieten.

Dieses Modul bietet einen Überblick über grafische Modelldarstellungen und einige der Überlegungen aus der Praxis, wenn ein Szenario als grafisches Modell modelliert wird. Es beinhaltet auch die Abschlussprüfung des Kurses.