Dieses Buch ist eine gründliche Einführung in die formalen Grundlagen und praktischen Anwendungen von Bayes'schen Netzwerken. Es bietet eine ausführliche Erörterung von Techniken zum Aufbau von Bayes'schen Netzwerken, die reale Situationen modellieren, einschließlich Techniken zum Synthetisieren von Modellen aus Design-Lernmodellen aus Daten und zum Debuggen von Modellen mithilfe von Sensitivitätsanalysen. Es behandelt auch exakte und approximative Inferenzalgorithmen sowohl auf theoretischer als auch auf praktischer Ebene. Die Behandlung exakter Algorithmen deckt die wichtigsten Inferenzparadigmen ab, die auf Eliminierung und Konditionierung basieren, und umfasst fortgeschrittene Methoden zur Kompilierung von Bayes'schen Netzwerken, Zeit-Raum-Kompromissen und zur Ausnutzung der lokalen Struktur massiv verbundener Netzwerke. Die Behandlung von approximativen Algorithmen deckt die wichtigsten Inferenzparadigmen ab, die auf Sampling und Optimierung basieren, und umfasst einflussreiche Algorithmen wie Importance Sampling, MCMC und Belief Propagation. Der Autor geht von sehr wenig Hintergrundwissen zu den behandelten Themen aus, liefert tiefgründige Diskussionen für theoretisch geneigte Leser und genügend praktische Details, um ein algorithmisches Kochbuch für den Systementwickler zu erstellen. Sprache: Englisch