Med bolj znane primere uporabe tehnik odločitvenih dreves in naivnih Bayesovih klasifikatorjev pri spletnem poosebljanju spada poskus izračunavanja cenilk zanimivosti strani (ang.

S tem omogočimo, da imajo podatki, ki se pri Bayesovih metodah odražajo v funkciji verjetja, prevladujočo vlogo pri dinamiki parametrov modela.

Glavna prednost Bayesovih verjetnostnih mrež je ravno v tem , da korektno obravnavajo verjetnosti , a so še vedno dovolj praktične za uporabo .

Vrednosti Bayesovih faktorjev so sicer bile razmeroma majhne, zato o razlikah na teh lestvicah z gotovostjo ne moremo delati zaključkov.

Tako sklepanje se po hipotezi o Bayesovih možganih izvaja nezavedno in se imenuje nezavedno zaznavno sklepanje (angl.: unconscious perceptual inference).

V zadnjem desetletju vztrajno narašča zanimanje za uporabo Bayesovih predstavitev in metod sklepanja za modeliranje ciljev , želj in potreb uporabnikov .

V besednjaku Bayesovih mrež se ta postopek spremembe vrednosti ob podanih novih podatkih imenuje ažuriranje ali osveževanje (angl. updating).

Bayesov izrek je v uporabi pri Bayesovih metodah za posodabljanje verjetnosti, ki so stopinje prepričanja, ko prejmemo nove podatke.

Tri- ali večplastni perceptroni lahko tako dosežejo funkcionalnost Bayesovih odločitvenih funkcij [4], ki omogočajo odločanje z najmanjšo možno verjetnostjo napačne odločitve.

Gre za klasičen verjetnostni način izračuna, ki je uporabljen tudi v mnogih drugih sorodnih predstavitvah, naprimer v odločitvenih drevesih [18] in Bayesovih mrežah [31].

Slednje določa, katere povezave so dejansko prisotne v grafu in, v primeru Bayesovih omrežij, njihovo usmerjenost.

Souredila je več knjig o podatkovnem rudarjenju , strojnem učenju in Bayesovih mrežah ter o biomedicinski informatiki .

Revizija v Bayesovih mrežah namreč model spreminja tako, da je v popolni skladnosti z novo pridobljenimi podatki (glej razdelek 2.3).

To omrežje lahko razumemo kot posplošitev Bayesovih mrež, saj omogoča obravnavo nenatančnih in nepopolnih verjetnosti.

Metoda največjega dokaza temelji na Bayesovih načelih, ki zagotavljajo prepričljiv in dosleden okvir za sklepanje.

Količina informacij , ki jih ( n ) imaš , je tudi faktor v tem sistemu ( Bayesovih ) verjetnostnih enačb .

V naši raziskavi smo si ogledali delovanje štirih algoritmov aproksimativnega sklepanja v Bayesovih mrežah .

Eksaktno sklepanje v Bayesovih mrežah sicer daje natančne rezultate sklepanja , a ima veliko pomanjkljivost .

Tretji razlog, ki govori v prid uporabe Bayesovih metod, pa je praktične narave.

Metoda spada med posteriorne ( napovedujoče ) algoritme ocenitve gostote z uporabo Bayesovih rekurzivnih enačb .