Diese Vorlesung findet als Blockveranstaltung im Januar 2009 statt. Bei Interesse wenden Sie sich per E-Mail an den Dozenten.

Bayessche Netze sind eine sehr flexible Modellklasse des Data Mining (aber auch der angewandten Statistik). Sie dienen der Erfassung der probabilistischen Abhängigkeit zwischen Variablen und können - im Gegensatz zu einem reinen Vorhersage-Modell wie etwa einem Entscheidungsbaum - zur Vorhersage wechselnder und zusammengesetzter Zielgrößen verwendet werden. In einem Bayesschen Netz werden Abhängigkeiten zwischen Variablen mittels eines Graphen und die genaue Form der Abhängkeit mittels bedingter Wahrscheinlichkeiten dargestellt.

Die Vorlesung gibt eine Einführung in Bayessche Netze. Ausgehend von der prinzipiellen Modellierung von Einflüssen und bedingten Wahrscheinlichkeiten werden Algorithmen für die exakte und näherungsweise Inferenz (Propagation von Evidenz), die Analyse bayesscher Netze (wahrscheinlichste Erklärung), das Lernen von Parametern sowie das Lernen der Struktur behandelt.

Algorithmen für Inferenz und das Lernen bayesscher Netze greifen i.d.R. auf Graphen-Algorithmen zurück, sowohl auf weit verbreitete Verfahren wie topologische Sortierung und Zusammenhang-Überprüfung, als auch auf speziellere Verfahren wie das Aufzählen von Cliquen etc. Um die Vorlesung möglichst unabhängig zu halten, werden alle benötigten Algorithmen auch in der Vorlesung vorgestellt.