学习程序中使用了几个组件和技术。机器学习组件包括ANN，贝叶斯网络，SVM，PCA和其他基于概率的方法。基于贝叶斯网络的技术在机器学习中扮演什么角色？
知道如何将其中一个或多个这些组件集成到应用程序中会导致实际解决方案，以及软件如何处理有限的知识并仍然产生足够可靠的结果。
概率和学习
概率在所有学习中都起作用。如果我们运用香农的信息理论，则信息将概率向极端或1.0之一的移动是信息。香农将一些定义为假设概率之前和之后的log_2商的商。鉴于该假设的概率及其逻辑反演，如果概率没有增加，则没有学习任何信息。
贝叶斯方法
贝叶斯网络是代表因果关系假设的定向图。它们通常表示为节点，其条件是由代表假设原因和相应效果的箭头连接的条件。算法是基于贝叶斯定理开发的，该定理试图从已收集或正在收集的数据中分析因果关系。
次要注意：分析工具通常会有使用限制。大多数贝叶斯算法都要求定向图是无环的，这意味着该图中的两个或多个节点之间都不存在一系列箭头，它们会创建纯粹顺时针或纯粹逆时针封闭的环路。这是为了避免无尽的循环，但是现在或将来可能会有与周期一起使用的算法，并根据数学理论和软件可用性的观点无缝处理它们。
应用学习
学习的应用是计算出的概率可用于预测潜在的控制机制。学习的试金测试是通过控制能够可靠地改变未来的能力。一个重要的应用程序是从笔迹中分类邮件。神经网和幼稚的贝叶斯分类器都可以在整合到路由或操纵机器人的一般模式识别中很有用。
请记住，在这里，术语网络具有非常广泛的含义。神经网与贝叶斯网络完全不同，尽管它们可能应用于类似的问题解决拓扑。
与其他方法和机制有关
系统设计人员如何使用支持向量机，原理组件分析，神经网和贝叶斯网络在多变量时间序列分析（MTSA）中，作者之间的变化不同。它们如何结合在一起还取决于问题集的问题域和统计质量，包括大小，偏斜，稀疏和维度的数量。
给定的列表仅包含四个更大的机器学习工具集。例如模糊逻辑结合了权重和生产系统（基于规则）的方法。
这一年也是一个因素。明年现在给出的答案可能是陈旧的。如果我要写与十年前给出的预测目标或控制目标相同的软件，那么我可能会完全将各种技术结合在一起。在绘制我的系统拓扑之前，我肯定会有大量的其他图书馆和比较研究。
。字段非常活跃。