---

مدل‌های آماری برای شناخت مکانیزمی که داده‌ها از آن تولید شده، استفاده می‌شود. در بیشتر مدل‌ها فرض می‌شود متغیرهای

تصادفی ‎Y_{i}‎، ‎i=1,...,n‎، نمونه‌ای تصادفی از توزیع ‎F‎ هستند، که ‎F‎ متعلق به یک کلاس از خانواده توزیع‌های پارامتری است. اما در بسیاری از مسائل عملی نمی‌توان انتظار داشت که یک مدل پارامتری برای توصیف داده‌ها مناسب باشد. در این شرایط می‌توان فرض پارامتری را کنار گذاشت و از مدل‌های انعطاف‌پذیر و نیرومندتری برای تحلیل داده‌ها استفاده کرد. در چارچوب روش بیز ناپارامتری با تعریف یک توزیع پیشین روی فضای کل توزیع‌های احتمالی و فرض نمودن آن برای توزیع متغیر تصادفی این انعطاف‌پذیری حاصل می‌شود.

بعبارت دیگر فرآیندهای تصادفی روی خانواده‌ای از توابع توزیع تعریف می‌شوند و بعنوان پیشین برای توزیع تصادفی

بکار می‌روند. از جمله مهم‌ترین این ‎‏پیشین‌ها فرآیند دیریکله است که دارای ویژگی‌های مهم و جالبی است، لذا در

گستره وسیعی از مسائل بیز ناپارامتری مورد استفاده قرار می‌گیرد. در این مقاله این فرآیند و خواص آن معرفی

می‌شود.

 

---

شبکه‌ها‌ی بیزی ابزار جدیدی در مدل‌بندی پدیده‌ها و سیستم‌های ایستا و پویا هستند و در زمینه‌های مختلفی از جمله تشخیص بیماری‌ها، پیش‌بینی آب و هوا، تصمیم‌گیری و دسته‌بندی کاربرد دارند. یک شبکه بیزی یک مدل گرافی-احتمالی است که ارتباط‌های علی و معلولی بین متغیرهای تصادفی را نشان می‌دهد و از یک گراف بدون ‌دور جهت‌دار و یک مجموعه از احتمال‌های شرطی تشکیل شده است. دو موضوع مهم در مدل‌بندی یک مجموعه داده با شبکه بیزی یادگیری ساختاری و یادگیری پارامتری شبکه است. در این مقاله یک شبکه بیزی با ساختار معلوم را در نظر می‌گیریم و با شبیه‌سازی تلاش می‌کنیم ساختار شبکه را با استفاده از دو الگوریتم متداول PC و $ K_{2} $ یاد بگیریم. سپس، به یادگیری پارامترهای شبکه می‌پردازیم و برآوردهای ماکسیمم درستنمایی، ماکریمم احتمال پسین و میانگین پسین پارامترهای مورد علاقه را به‌ دست می‌آوریم. در ادامه، عملکرد برآوردها را با استفاده از معیار واگرایی کولبک-لایبلر مقایسه می‌کنیم و در نهایت، با استفاده از یک مجموعه داده واقعی، به یادگیری ساختاری و پارامتری شبکه می‌پردازیم تا امکان پیاده‌سازی روش‌های پیشنهادی بر روی داده‌های واقعی را نشان دهیم.