Database Reference
In-Depth Information
Vieh eingesetzt wird. Kunstliche Befruchtungen und Embryonentransfer er-
schweren oftmals den Nachweis einer genauen Abstammung, und BOBLO hilft
hier mit probabilistischen Argumenten. Das System wird in [107] beschrieben.
•
VISTA
ist ein System, das von der NASA beim Start von Raumfahren zur
Steuerung des Antriebssystems eingesetzt wird (vgl. [99]).
•
CHILD
[107] hilft bei der Diagnose angeborener Herzfehler. Dieses System
stellen wir in Abschnitt 13.7.2 eingehender vor.
•
MUNIN
wird zur Diagnose neuromuskularer Erkrankungen eingesetzt (s. hier
auch [129]).
•
SWAN
macht Vorschlage zur Anpassung der Insulin-Dosierung von Diabetes-
Patienten.
•
Das PC-Betriebssystem
Windows
setzt ein Bayessches Netzwerk zur Behe-
bung von Druckerproblemen ein (vgl. [95]).
•
FRAIL
ist ein automatisches System zur Konstruktion Bayesscher Netzwerke
(s. [87]). Es wurde entwickelt, um literarische Prosa zu interpretieren.
•
Hailfinder
macht Unwettervorhersagen im Gebiet des nordostlichen Colorado.
•
Von einer Anwendung Bayesscher Netze im Bereich des Electronic Commerce
berichtet [153]. Im Rahmen einer Projektkooperation zwischen der Daimler-
Benz Forschung, Berlin, und dem Deutschen Forschungszentrum fur Kunst-
liche Intelligenz (DFKI), Saarbrucken und Kaiserslautern, wurde untersucht,
wie sich individuelle Kundenprofile im Online-Betrieb mit Hilfe von Bayes-
Netzen erstellen lassen.
Nahere Informationen zu den meisten dieser Systeme und noch weitere Beispiele
finden sich in [107] und in [45].
13.5
Erlernen Bayesscher Netze aus Daten
Die Spezifikation eines Bayesschen Netzes erfordert sorgfaltige qualitative Uberle-
gungen und quantitative Berechnungen, die man gerne auf statistische Daten stutzt.
Es ist daher nahe liegend, nach Methoden zu suchen, mit denen man Bayessche
Netze automatisch aus Daten ableiten kann. Dies ist ein schwieriges Problem, da
nicht nur die numerischen Parameter (d. h. die bedingten Wahrscheinlichkeiten)
eines solchen Netzes berechnet werden sollen, sondern auch die Struktur des Net-
zes (d. h. die bedingten Unabhangigkeiten) aus den Daten herausgearbeitet werden
soll. Durch diese beiden Komponenten, namlich die Struktur
B
s
und die bedingten
Wahrscheinlichkeiten
B
P
=
{
P (V
|
pa
(V ))
|
V
∈
V
}
, wird ein Bayessches Netz
B
eindeutig bestimmt:
B
=(
B
s
,
B
P
)