Bayesian Network

Bir Bayesian Network, bir değişkenler kümesini ve bunların koşullu bağımlılıklarını temsil etmek için yönlü döngüsüz bir grafik (DAG) kullanan bir olasılıksal grafik modeli türüdür. Girdileri basitçe çıktılara eşleyen "kara kutu" algoritmalarından farklı olarak, bu ağlar farklı faktörler arasındaki neden-sonuç ilişkilerini açıkça modeller. Bu yapı, veri bilimcilerin tahminleyici modelleme yapmalarına ve belirsizlik altında akıl yürütmelerine olanak tanır; bu da onları, verilerin eksik olabileceği veya uzman alan bilgisinin istatistiksel kanıtlarla birleştirilmesi gereken senaryolar için son derece etkili kılar.

Link to this sectionTemel Kavramlar ve İlişki#

Bu ağların merkezinde, daha fazla kanıt veya bilgi kullanılabilir hale geldikçe bir hipotezin olasılıklarını güncellemek için kullanılan matematiksel bir formül olan Bayes teoremi yer alır. Bir Bayesian Network içinde düğümler, bir semptom, sensör okuması veya sınıflandırma etiketi gibi değişkenleri temsil ederken, kenarlar (oklar) olasılıksal bağımlılıkları temsil eder. A düğümünden B düğümüne bir bağlantı varsa, bu durum A'nın B üzerinde doğrudan bir etkisi olduğunu gösterir. Bu mimari, Açıklanabilir Yapay Zeka (XAI) için çok önemlidir çünkü kullanıcıların modelin mantık yolunu izlemesine olanak tanır ve karmaşık derin öğrenme mimarileriyle elde edilmesi genellikle zor olan bir şeffaflık sunar.

Bu modeller, titiz risk değerlendirmesi gerektiren alanlarda özellikle önemlidir. Koşullu olasılık dağılımlarını kullanarak bir Bayesian Network, diğerleri hakkında gözlemlenen kanıtlar verildiğinde belirli bir değişkenin durumuyla ilgili soruları yanıtlayabilir. Genellikle olasılıksal çıkarım olarak adlandırılan bu süreç, standart sinir ağları tarafından gerçekleştirilen fonksiyon yaklaşımlarından farklıdır.

Link to this sectionGerçek Dünya Uygulamaları#

Bayesian Network, karar vermenin birden fazla belirsiz faktörü tartmayı gerektirdiği sektörlerde yaygın olarak kullanılmaktadır.

1. Tıbbi Teşhis: Sağlık Hizmetlerinde Yapay Zeka alanında, bu ağlar klinik karar destek sistemlerini desteklemek için kullanılır. Bir ağ, hastalıklar (gizli değişkenler) ile semptomlar veya test sonuçları (gözlemlenen değişkenler) arasındaki ilişkileri modelleyebilir. Örneğin, tıbbi görüntü analizi, belirli bir teşhisin olasılığını güncelleyen kanıtlar sağlayarak doktorların karmaşık hasta geçmişlerini yönetmelerine yardımcı olabilir.

2. Endüstriyel Arıza Teşhisi: Üretimde Yapay Zeka bünyesinde, Bayesian Network anomali tespiti ve kök neden analizi için vazgeçilmezdir. Eğer bir akıllı üretim sistemi sıra dışı bir sıcaklık okuması tespit ederse, ağ çeşitli makine bileşenleri için arıza olasılığını hesaplayabilir ve bakım ekiplerini verimli bir şekilde yönlendirebilir.

Link to this sectionİlgili Kavramlardan Ayırma#

Bayesian Network yapısını diğer istatistiksel ve makine öğrenimi modellerinden ayırmak önemlidir:

• Naive Bayes Sınıflandırıcısı: Bu, bir Bayesian Network modelinin basitleştirilmiş, özel bir durumudur. "Naive" (saf) varsayım, tüm tahmin edici özelliklerin sınıf değişkeni verildiğinde birbirlerinden bağımsız olduğudur. Duygu analizi gibi görevler için hesaplama açısından verimli olsa da, tam bir Bayesian Network modelinin yakalayabileceği karmaşık karşılıklı bağımlılıkları yakalayamaz.
• Markov Karar Süreci: Her ikisi de grafik yapılarını kullansa da, MDP'ler öncelikli olarak zaman içindeki sıralı karar verme süreçlerini modellemek için pekiştirmeli öğrenme alanında kullanılır; oysa Bayesian Network modelleri tipik olarak belirli bir andaki değişkenler arasındaki olasılıksal ilişkilere odaklanır.
• Derin Öğrenme Modelleri (örn. YOLO): YOLO26 gibi modeller, nesne tespiti gibi yüksek boyutlu algısal görevler için optimize edilmiştir. Bu modeller, ham verilerden (pikseller) soyut özellik temsilleri öğrenirler. Buna karşılık, Bayesian Network modelleri yapılandırılmış değişkenlerle üst düzey akıl yürütme için daha uygundur.

Link to this sectionModern Yapay Zekada Olasılıksal Çıktı#

Bayesian Network modelleri açık nedensel grafiklerle ilgilenirken, modern derin öğrenme modelleri de kesinliği yansıtan olasılıksal güven puanları üretir. Ultralytics Platform gibi araçları kullanarak özel veri setleri üzerinde modeller eğitirken, bu olasılıkları anlamak model performansını yorumlamanın anahtarıdır.

Aşağıdaki Python kodu, önceden eğitilmiş bir model kullanarak bir sınıflandırma görevi için olasılık dağılımına (güven puanına) nasıl erişileceğini gösterir. Bu, modern bir çıkarım iş akışında kesinliğin nasıl nicelleştirildiğini örnekler.

from ultralytics import YOLO

# Load the YOLO26n-cls classification model
model = YOLO("yolo26n-cls.pt")

# Run inference on an image source
# This returns a results object containing probability data
results = model("https://ultralytics.com/images/bus.jpg")

# Iterate through results to display class probability
for result in results:
    # Access the 'probs' attribute for classification probabilities
    top_class_index = result.probs.top1
    confidence = result.probs.top1conf
    print(f"Predicted Class Index: {top_class_index}, Confidence: {confidence:.4f}")