Bayesian Network

Bir Bayesian Network, değişkenler kümesini ve bunların koșullu bağımlılıklarını temsil etmek için yönlendirilmiş döngüsüz bir grafik (DAG) kullanan bir probabilistic graphical model türüdür. Girdileri basitçe çıktılara eşleyen "kara kutu" algoritmalarının aksine, bu ağlar farklı faktörler arasındaki neden-sonuç ilişkilerini açıkça modeller. Bu yapı, veri bilimcilerin belirsizlik altında predictive modeling ve akıl yürütme gerçekleştirmesine olanak tanır; bu da onları verilerin eksik olabileceği veya uzman alan bilgisinin istatistiksel kanıtlarla birleştirilmesi gereken senaryolarda son derece etkili kılar.

Temel Kavramlar ve İlişki#

Bu ağların kalbinde, daha fazla kanıt veya bilgi elde edildikçe bir hipotezin olasılıklarını güncellemekte kullanılan matematiksel bir formül olan Bayes' theorem yer alır. Bir Bayesian Network içinde düğümler bir semptom, bir sensör okuması veya bir 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 bir etkisi olduğunu gösterir. Bu mimari Explainable AI (XAI) için çok önemlidir çünkü kullanıcıların modelin akıl yürütme yolunu izlemesine olanak tanır ve karmaşık deep learning mimarileriyle elde edilmesi genellikle zor olan şeffaflığı sunar.

Bu modeller, titiz risk değerlendirmesi gerektiren alanlarda özellikle ilgilidir. conditional probability dağılımlarını kullanan bir Bayesian Network, diğerleri hakkında gözlemlenen kanıtlar göz önüne alındığında belirli bir değişkenin durumu hakkındaki sorguları yanıtlayabilir. Genellikle olasılıksal çıkarım olarak adlandırılan bu süreç, standart neural networks tarafından gerçekleştirilen fonksiyon yaklaştırmasından farklıdır.

Gerçek Dünya Uygulamaları#

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

1. Medikal Teşhis: AI in Healthcare 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, medical image analysis, belirli bir tanının olasılığını güncelleyen kanıtlar sağlayarak doktorların karmaşık hasta geçmişlerinde yön bulmasına yardımcı olabilir.

2. Endüstriyel Arıza Teşhisi: AI in Manufacturing içinde Bayesian Networks, anomaly detection ve kök neden analizi için oldukça önemlidir. Bir smart manufacturing sistemi olağandışı bir sıcaklık okuması tespit ederse, ağ çeşitli makine bileşenleri için arıza olasılığını hesaplayabilir ve bakım ekiplerini verimli bir şekilde yönlendirebilir.

İlgili Kavramlardan Ayırma#

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

• Naive Bayes Classifier: Bu, bir Bayesian Network modelinin basitleştirilmiş, özel bir durumudur. "Saf" varsayım, tüm tahminci özelliklerin sınıf değişkeni göz önüne alındığında karşılıklı olarak bağımsız olmasıdır. sentiment analysis gibi görevler için hesaplama açısından verimli olsa da, tam bir Bayesian Network modelinin yakalayabildiği karmaşık karşılıklı bağımlılıkları yakalayamaz.
• Markov Decision Process: Her ikisi de grafik yapıları kullansa da, MDP'ler zaman içinde sıralı karar vermeyi modellemek için öncelikle reinforcement learning içinde kullanılırken, Bayesian Networks genellikle bir zaman anındaki değişkenler arasındaki olasılıksal ilişkilere odaklanır.
• Derin Öğrenme Modelleri (örn. YOLO): YOLO26 gibi modeller object detection gibi yüksek boyutlu algısal görevler için optimize edilmiştir. Ham verilerden (piksellerden) soyut özellik temsilleri öğrenirler. Buna karşılık, Bayesian Networks yapılandırılmış değişkenlerle üst düzey akıl yürütme için daha uygundur.

Modern Yapay Zekada Olasılıksal Çıktı#

Bayesian Networks açık nedensel grafiklerle ilgilenirken, modern derin öğrenme modelleri de kesinliği yansıtan olasılıksal confidence scores çıktısı verir. Modelleri özel datasets üzerinde eğitmek için Ultralytics Platform gibi araçlar kullanırken, 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}")