Bayesian Network

Bayes Ağı, bir dizi değişkeni ve bunların koşullu bağımlılıklarını temsil etmek için yönlendirilmiş çevrimsiz grafik (DAG) kullanan bir olasılıksal grafiksel model türüdür. Girdileri yalnızca çıktılara eşleyen "kara kutu" algoritmaların aksine bu ağlar, farklı faktörler arasındaki neden-sonuç ilişkilerini açıkça modeller. Bu yapı, veri bilimcilerinin tahmine dayalı modelleme ve belirsizlik altında akıl yürütme gerçekleştirmesine olanak tanır; bu da onları verilerin eksik olabileceği veya uzmanlık alanı bilgisinin istatistiksel kanıtlarla birleştirilmesi gereken senaryolarda son derece etkili kılar.

Temel Kavramlar ve Önemi#

Bu ağların temelinde, daha fazla kanıt veya bilgi elde edildikçe bir hipotezin olasılıklarını güncellemek için kullanılan matematiksel bir formül olan Bayes teoremi bulunur. Bayes Ağı'nda düğümler; bir belirti, sensör okuması veya sınıflandırma etiketi gibi değişkenleri temsil ederken, kenarlar (oklar) olasılıksal bağımlılıkları temsil eder. A düğümünden B düğümüne bir bağlantı varsa bu, A'nın B üzerinde doğrudan etkisi olduğunu gösterir. Bu mimari, Açıklanabilir Yapay Zeka (XAI) için kritik öneme sahiptir; çünkü kullanıcıların modelin akıl yürütme yolunu izlemesine olanak tanır ve karmaşık derin öğrenme mimarileriyle elde edilmesi çoğu zaman zor olan bir şeffaflık sunar.

Bu modeller, titiz risk değerlendirmesi gerektiren alanlarda özellikle önemlidir. Bir Bayes Ağı, koşullu olasılık dağılımlarından yararlanarak diğer değişkenlerle ilgili gözlemlenen kanıtlar verildiğinde belirli bir değişkenin durumuna ilişkin sorguları yanıtlayabilir. Genellikle olasılıksal çıkarım olarak adlandırılan bu süreç, standart sinir ağları tarafından gerçekleştirilen fonksiyon yaklaşıklamasından farklıdır.

Gerçek Dünya Uygulamaları#

Bayes Ağları, karar vermenin birden fazla belirsiz faktörü değerlendirmeyi gerektirdiği sektörlerde yaygın olarak kullanılır.

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

2. Endüstriyel Arıza Tanısı: Üretimde Yapay Zeka kapsamında Bayes Ağları, anomali tespiti ve kök neden analizi için önemli bir araçtır. Bir akıllı üretim sistemi olağandışı bir sıcaklık ölçümü tespit ederse ağ, çeşitli makine bileşenleri için arıza olasılığını hesaplayarak bakım ekiplerinin verimli şekilde yönlendirilmesini sağlayabilir.

İlgili Kavramlardan Farkları#

Bayes Ağlarını diğer istatistiksel ve makine öğrenimi modellerinden ayırt etmek önemlidir:

• Naive Bayes Sınıflandırıcısı: Bu, Bayes Ağının basitleştirilmiş ve özel bir durumudur. "Naive" varsayım, tüm tahmin edici özelliklerin sınıf değişkeni verildiğinde birbirinden bağımsız olduğudur. Duygu analizi gibi görevlerde hesaplama açısından verimli olsa da tam kapsamlı bir Bayes Ağının yakalayabildiği karmaşık karşılıklı bağımlılıkları yakalayamaz.
• Markov Karar Süreci: Her ikisi de grafik yapılarını kullansa da MDP'ler, zaman içinde ardışık karar vermeyi modellemek için öncelikle pekiştirmeli öğrenmede kullanılırken Bayes Ağları genellikle belirli bir andaki değişkenler arasındaki olasılıksal ilişkilere odaklanır.
• Derin Öğrenme Modelleri (ör. YOLO): YOLO26 gibi modeller, nesne tespiti gibi yüksek boyutlu algısal görevler için optimize edilmiştir. Ham verilerden (piksellerden) soyut özellik temsillerini öğrenirler. Buna karşılık Bayes Ağları, yapılandırılmış değişkenlerle üst düzey akıl yürütme için daha uygundur.

Modern Yapay Zekada Olasılıksal Çıktı#

Bayes Ağları açık nedensel grafiklerle çalışırken modern derin öğrenme modelleri de kesinliği yansıtan olasılıksal güven skorları üretir. Modelleri özel veri kümeleri üzerinde eğitmek için Ultralytics Platformu gibi araçları kullanırken bu olasılıkları anlamak, model performansını yorumlamak açısından kritik öneme sahiptir.

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

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}")