Mạng Bayes: Mô hình dự đoán xác suất có điều kiện

I. Khám phá Mạng Bayes Mô hình dự đoán xác suất có điều kiện

Mạng Bayes (Bayesian Network), còn được biết đến với các tên gọi như mạng tin cậy Bayes hay mạng nhân quả, là một mô hình đồ thị xác suất mạnh mẽ trong lĩnh vực trí tuệ nhân tạo và học máy. Mô hình này biểu diễn các mối quan hệ phụ thuộc xác suất giữa một tập hợp các biến ngẫu nhiên thông qua một Đồ thị không có chu trình có hướng (Directed Acyclic Graph - DAG). Về bản chất, Mạng Bayes là một công cụ để biểu diễn và thực hiện suy diễn xác suất trong các hệ thống phức tạp, nơi sự không chắc chắn là một yếu tố cố hữu. Theo Judea Pearl (2011), quá trình xây dựng một mạng Bayes từ dữ liệu bao gồm hai giai đoạn chính: học cấu trúc (structure learning) và học tham số (parameter learning). Học cấu trúc nhằm xác định các mối quan hệ phụ thuộc và độc lập giữa các biến, trong khi học tham số tập trung vào việc tính toán các xác suất có điều kiện từ một cấu trúc đã cho. Mỗi nút trong đồ thị đại diện cho một biến, và các cạnh có hướng thể hiện sự phụ thuộc trực tiếp. Sức mạnh của Mạng Bayes: Mô hình dự đoán xác suất có điều kiện nằm ở khả năng mô hình hóa các mối quan hệ nhân quả và cập nhật 'niềm tin' (xác suất) về một biến khi có thông tin mới (bằng chứng) về các biến khác. Cấu trúc đồ thị cho phép đơn giản hóa việc tính toán phân phối xác suất đồng thời của tất cả các biến, bằng cách phân rã nó thành tích của các phân phối xác suất có điều kiện cục bộ. Cụ thể, xác suất của mỗi biến chỉ phụ thuộc vào các biến cha trực tiếp của nó trong đồ thị. Điều này không chỉ giúp giảm đáng kể độ phức tạp tính toán mà còn làm cho mô hình trở nên dễ hiểu và dễ diễn giải hơn so với các mô hình hộp đen khác. Nền tảng của mô hình này chính là Định lý Bayes, cho phép đảo ngược hướng của xác suất có điều kiện, giúp suy luận từ kết quả về nguyên nhân một cách hiệu quả.

1.1. Nền tảng từ Định lý Bayes và suy diễn xác suất

Cốt lõi của Mạng Bayes chính là Định lý Bayes, một định lý nền tảng trong lý thuyết xác suất. Định lý này mô tả cách cập nhật xác suất của một giả thuyết khi có thêm bằng chứng mới. Công thức Bayes cho phép tính toán xác suất hậu nghiệm P(A|B) từ xác suất tiên nghiệm P(A) và khả năng xảy ra của bằng chứng P(B|A). Trong bối cảnh của một mô hình dự đoán xác suất có điều kiện, nguyên lý này cho phép hệ thống 'học' từ dữ liệu. Khi một sự kiện được quan sát (một nút trong mạng có giá trị xác định), thông tin này sẽ được lan truyền khắp mạng lưới, cập nhật lại xác suất của tất cả các biến liên quan. Quá trình này được gọi là suy diễn xác suất hoặc suy luận Bayes, là cơ chế trung tâm giúp Mạng Bayes đưa ra các dự đoán và chẩn đoán. Ví dụ, trong y học, xác suất một bệnh nhân mắc bệnh A (giả thuyết) sẽ được cập nhật khi có kết quả xét nghiệm B (bằng chứng).

1.2. Mạng Bayes Sự kết hợp giữa đồ thị và xác suất

Mạng Bayes là sự kết hợp độc đáo giữa lý thuyết đồ thị và lý thuyết xác suất. Phần đồ thị, một Directed Acyclic Graph (DAG), cung cấp một biểu diễn trực quan về cấu trúc phụ thuộc giữa các biến. Các nút là các biến ngẫu nhiên và các cạnh có hướng thể hiện mối quan hệ nhân quả hoặc sự phụ thuộc trực tiếp. Phần xác suất định lượng các mối quan hệ này thông qua các Bảng xác suất có điều kiện (Conditional Probability Table - CPT). Mỗi nút trong mạng được liên kết với một CPT, bảng này chỉ định xác suất của nút đó cho mỗi tổ hợp giá trị có thể có của các nút cha của nó. Sự kết hợp này cho phép mô hình hóa các hệ thống phức tạp một cách hiệu quả, nơi mà việc biểu diễn phân phối xác suất đồng thời đầy đủ là không khả thi do số lượng tham số quá lớn.

1.3. Phân biệt Mạng Bayes và mô hình Naive Bayes

Mặc dù cùng dựa trên Định lý Bayes, Mạng Bayes và Naive Bayes là hai mô hình khác nhau về cơ bản. Naive Bayes là một trường hợp đặc biệt và đơn giản hóa của Mạng Bayes, trong đó nó đưa ra một giả định 'ngây thơ' (naive) rằng tất cả các biến đầu vào (features) đều độc lập có điều kiện với nhau khi đã biết lớp (class). Cấu trúc của Naive Bayes rất đơn giản: một nút cha (lớp) và nhiều nút con (features) không có cạnh nối giữa chúng. Ngược lại, Mạng Bayes tổng quát hơn nhiều, nó cho phép mô hình hóa các mối quan hệ phụ thuộc phức tạp giữa các biến đầu vào. Cấu trúc đồ thị của Mạng Bayes có thể là bất kỳ DAG nào, phản ánh đúng mối quan hệ phụ thuộc trong thực tế, thay vì áp đặt giả định độc lập cứng nhắc.

II. Giải mã Mạng Bayes Cách xử lý sự không chắc chắn hiệu quả

Một trong những thách thức lớn nhất trong học máy và phân tích dữ liệu là xử lý sự không chắc chắn. Dữ liệu trong thế giới thực hiếm khi đầy đủ và hoàn hảo; nó thường chứa nhiễu, thiếu sót và các mối quan hệ phức tạp, phi tuyến tính. Các mô hình tất định truyền thống thường gặp khó khăn trong việc nắm bắt bản chất xác suất này. Đây chính là lúc Mạng Bayes: Mô hình dự đoán xác suất có điều kiện phát huy vai trò của mình. Thay vì đưa ra một dự đoán duy nhất, chắc chắn, Mạng Bayes cung cấp một phân phối xác suất đầy đủ trên các kết quả có thể xảy ra. Điều này cho phép lượng hóa mức độ không chắc chắn trong dự đoán, một yếu tố cực kỳ quan trọng trong các lĩnh vực như y tế và tài chính, nơi việc đánh giá rủi ro là tối quan trọng. Ví dụ, thay vì kết luận chắc chắn 'bệnh nhân A có bệnh X', mô hình có thể đưa ra 'có 85% khả năng bệnh nhân A có bệnh X dựa trên các triệu chứng đã biết'. Cách tiếp cận này minh bạch và cung cấp nhiều thông tin hơn cho người ra quyết định. Luận văn của Trần Nhật Vinh (2021) nhấn mạnh rằng Mạng Bayes là phương pháp thống kê biểu thị độ không chắc chắn thông qua các mối quan hệ độc lập có điều kiện. Bằng cách sử dụng suy diễn nhân quả và lan truyền xác suất, mô hình có thể cập nhật niềm tin một cách linh hoạt khi có thêm dữ liệu, làm cho nó trở thành một công cụ lý tưởng để xử lý các hệ thống động và không đầy đủ. Mạng Bayes cũng vượt trội trong việc kết hợp kiến thức chuyên gia (dưới dạng cấu trúc đồ thị ban đầu hoặc xác suất tiên nghiệm) với dữ liệu quan sát, tạo ra một mô hình sinh mạnh mẽ và toàn diện.

2.1. Hạn chế của phương pháp thống kê cổ điển

Các phương pháp thống kê cổ điển (tần suất) thường xem các tham số của mô hình là các hằng số cố định nhưng chưa biết. Việc suy diễn tập trung vào việc ước tính các giá trị điểm hoặc các khoảng tin cậy cho các tham số này. Tuy nhiên, cách tiếp cận này gặp khó khăn khi xử lý dữ liệu nhỏ, thiếu thông tin hoặc khi cần tích hợp kiến thức chuyên gia một cách có hệ thống. Các mô hình này thường không cung cấp một cơ chế tự nhiên để cập nhật kiến thức khi có bằng chứng mới. Ngược lại, phương pháp suy luận Bayes xem tham số như những biến ngẫu nhiên có phân phối xác suất riêng, cho phép một khuôn khổ linh hoạt để kết hợp niềm tin ban đầu và cập nhật chúng một cách chặt chẽ dựa trên dữ liệu.

2.2. Nhu cầu về một mô hình đồ thị xác suất trực quan

Khi số lượng biến trong một bài toán tăng lên, việc hiểu và diễn giải các mối quan hệ tương quan và phụ thuộc trở nên cực kỳ khó khăn. Mô hình đồ thị xác suất như Mạng Bayes giải quyết vấn đề này bằng cách cung cấp một ngôn ngữ trực quan để biểu diễn các mối quan hệ phụ thuộc. Cấu trúc đồ thị cho phép các chuyên gia và nhà phân tích dễ dàng nhìn thấy biến nào ảnh hưởng đến biến nào, và luồng thông tin (hay sự ảnh hưởng xác suất) lan truyền trong hệ thống như thế nào. Tính trực quan này không chỉ hỗ trợ việc xây dựng và kiểm tra mô hình mà còn giúp giải thích kết quả cho những người không có chuyên môn sâu về thống kê, làm tăng sự tin cậy và tính ứng dụng của mô hình.

III. Cấu trúc cốt lõi của một mô hình Mạng Bayes hiệu quả

Để xây dựng một Mạng Bayes hiệu quả, việc hiểu rõ các thành phần cấu trúc của nó là điều kiện tiên quyết. Mô hình này không chỉ là một tập hợp các công thức toán học mà còn là một biểu diễn có cấu trúc về tri thức. Cốt lõi của mô hình là Đồ thị không có chu trình có hướng (DAG), trong đó mỗi nút đại diện cho một biến ngẫu nhiên và mỗi cạnh có hướng thể hiện một sự phụ thuộc trực tiếp. Ví dụ, một cạnh từ nút 'Mưa' đến nút 'Cỏ ướt' chỉ ra rằng việc trời có mưa hay không ảnh hưởng trực tiếp đến xác suất cỏ bị ướt. Sự vắng mặt của một cạnh giữa hai nút ngụ ý rằng chúng độc lập có điều kiện, khi biết giá trị của các nút cha của chúng. Đây là một giả định quan trọng giúp đơn giản hóa đáng kể mô hình. Phần định lượng của Mạng Bayes: Mô hình dự đoán xác suất có điều kiện được thể hiện qua các Bảng xác suất có điều kiện (CPT). Mỗi nút trong DAG được gắn với một CPT, nơi lưu trữ xác suất của nút đó ứng với mọi tổ hợp giá trị của các nút cha. Ví dụ, CPT của nút 'Cỏ ướt' sẽ chứa các xác suất như P(Cỏ ướt=True | Mưa=True, Vòi phun=False). Việc học tham số chính là quá trình ước tính các giá trị trong các bảng CPT này từ dữ liệu thực tế. Các cấu trúc vi mô trong đồ thị, như chuỗi (serial), phân kỳ (divergence), và đặc biệt là hội tụ (convergence hay V-structure), quyết định cách thức thông tin và sự phụ thuộc lan truyền trong mạng, tạo nên nền tảng cho các thuật toán suy diễn xác suất phức tạp.

3.1. Vai trò của Đồ thị không chu trình có hướng DAG

Đồ thị không có chu trình có hướng (DAG) là xương sống của Mạng Bayes. Tính 'có hướng' của các cạnh cho phép mô hình hóa các mối quan hệ nhân quả hoặc sự phụ thuộc bất đối xứng. Tính 'không chu trình' đảm bảo rằng mô hình là nhất quán và không có các vòng lặp nhân quả tự mâu thuẫn (ví dụ: A gây ra B và B lại gây ra A). Cấu trúc DAG mã hóa các giả định về sự độc lập có điều kiện giữa các biến. Cụ thể, một biến là độc lập có điều kiện với tất cả các biến không phải là con cháu của nó, khi biết các biến cha của nó. Thuộc tính này được gọi là tính chất Markov địa phương, là chìa khóa để phân rã phân phối xác suất đồng thời và làm cho việc suy luận Bayes trở nên khả thi về mặt tính toán.

3.2. Bảng xác suất có điều kiện CPT và học tham số

Bảng xác suất có điều kiện (CPT) là nơi lưu trữ các tham số của Mạng Bayes. Nó định lượng sức mạnh của các mối quan hệ được biểu diễn bởi các cạnh trong DAG. Đối với mỗi nút, CPT chỉ định một phân phối xác suất trên các giá trị của nút đó, có điều kiện dựa trên các giá trị của các nút cha. Quá trình xác định các giá trị xác suất này được gọi là học tham số. Nếu dữ liệu đầy đủ, các xác suất này có thể được ước tính trực tiếp từ tần suất tương đối trong tập dữ liệu. Trong trường hợp dữ liệu bị thiếu, các thuật toán phức tạp hơn như Expectation-Maximization (EM) có thể được sử dụng. Việc ước tính chính xác các CPT là rất quan trọng để mô hình có khả năng dự đoán tốt.

3.3. Các cấu trúc phụ thuộc Serial Divergence V structure

Sự lan truyền phụ thuộc trong Mạng Bayes được quyết định bởi ba cấu trúc cơ bản. Trong cấu trúc Serial (A → B → C), A và C phụ thuộc, nhưng trở nên độc lập khi biết B. Trong cấu trúc Divergence (A ← B → C), A và C cũng phụ thuộc, nhưng trở nên độc lập khi biết B. Cấu trúc đặc biệt nhất là Convergence (V-structure: A → B ← C), nơi A và C ban đầu độc lập, nhưng lại trở nên phụ thuộc khi biết thông tin về B hoặc bất kỳ hậu duệ nào của B. Hiểu rõ các cấu trúc này là nền tảng để thực hiện các thuật toán suy diễn xác suất và trả lời các câu hỏi về sự độc lập có điều kiện trong mô hình.

IV. Hướng dẫn xây dựng và suy luận trong Mạng Bayes từ A Z

Việc triển khai một Mạng Bayes: Mô hình dự đoán xác suất có điều kiện bao gồm một quy trình có hệ thống, từ việc định nghĩa bài toán đến suy luận và dự đoán. Quá trình này có thể được chia thành hai giai đoạn chính: học mô hình và thực hiện suy luận. Giai đoạn đầu tiên, học mô hình, lại bao gồm hai bước nhỏ hơn là học cấu trúc và học tham số. Học cấu trúc là quá trình xác định đồ thị DAG từ dữ liệu. Đây là một bài toán khó, có thể được tiếp cận theo hai hướng: dựa trên ràng buộc (constraint-based) bằng cách thực hiện các kiểm định độc lập có điều kiện, hoặc dựa trên điểm số (score-based) bằng cách tìm kiếm trong không gian các đồ thị để tối ưu hóa một hàm điểm (ví dụ: Bayesian Information Criterion). Trong nhiều trường hợp, cấu trúc ban đầu được xây dựng dựa trên kiến thức của chuyên gia. Sau khi có cấu trúc DAG, bước tiếp theo là học tham số, tức là ước tính các giá trị trong Bảng xác suất có điều kiện (CPT) cho mỗi nút. Giai đoạn thứ hai là suy diễn xác suất, đây là quá trình sử dụng mô hình đã học để trả lời các câu hỏi. Khi có bằng chứng mới (giá trị quan sát được của một hoặc nhiều biến), thuật toán suy luận sẽ cập nhật phân phối xác suất của các biến chưa biết. Ví dụ, nếu biết 'cỏ ướt', xác suất của 'trời mưa' và 'vòi phun hoạt động' sẽ được tính toán lại. Các thuật toán suy luận chính xác như Variable Elimination có thể được sử dụng cho các mạng nhỏ, trong khi các phương pháp xấp xỉ như Markov Chain Monte Carlo (MCMC) được dùng cho các mạng lớn và phức tạp hơn. Các thư viện như pgmpy trong Python cung cấp công cụ mạnh mẽ để thực hiện toàn bộ quy trình này.

4.1. Quy trình học cấu trúc và học tham số từ dữ liệu

Quá trình học một Mạng Bayes từ dữ liệu là một nhiệm vụ trọng tâm. Học cấu trúc tìm kiếm một DAG phù hợp nhất với dữ liệu, phản ánh các mối quan hệ phụ thuộc. Các thuật toán như PC hoặc Hill-Climbing được sử dụng phổ biến. Sau khi cấu trúc được xác định, học tham số sẽ ước tính các CPT. Phương pháp phổ biến nhất là Maximum Likelihood Estimation (MLE), trong đó xác suất được ước tính bằng tần suất quan sát trong dữ liệu. Một cách tiếp cận Bayes hơn là sử dụng Bayesian Estimation, trong đó một phân phối tiên nghiệm (ví dụ: phân phối Dirichlet) được kết hợp với dữ liệu để tính ra phân phối hậu nghiệm cho các tham số, giúp mô hình hoạt động tốt hơn với dữ liệu nhỏ.

4.2. Nguyên lý suy diễn xác suất và cập nhật tri thức

Suy diễn xác suất là trái tim của Mạng Bayes. Mục tiêu là tính toán phân phối xác suất hậu nghiệm của một tập các biến truy vấn (query variables), khi đã biết giá trị của một tập các biến bằng chứng (evidence variables). Ví dụ, tính P(Bệnh | Triệu chứng_1, Triệu chứng_2). Quá trình này về cơ bản là áp dụng lặp đi lặp lại Định lý Bayes và quy tắc tổng để lan truyền ảnh hưởng của bằng chứng qua mạng lưới. Mỗi khi có một quan sát mới, 'niềm tin' về trạng thái của các biến khác được cập nhật một cách nhất quán. Khả năng cập nhật tri thức một cách linh hoạt này làm cho Mạng Bayes trở thành một công cụ cực kỳ mạnh mẽ cho các hệ thống hỗ trợ ra quyết định và chẩn đoán động.

V. Top ứng dụng thực tiễn của Mạng Bayes trong nhiều lĩnh vực

Mạng Bayes: Mô hình dự đoán xác suất có điều kiện không chỉ là một khái niệm lý thuyết mà còn có vô số ứng dụng thực tiễn giá trị. Một trong những ưu điểm lớn nhất, như Uusitalo (2007) đã chỉ ra, là khả năng hoạt động hiệu quả với các tập dữ liệu nhỏ và không đầy đủ, một tình huống phổ biến trong nhiều lĩnh vực. Trong y học, Mạng Bayes được sử dụng để xây dựng các hệ thống chẩn đoán bệnh. Mô hình có thể biểu diễn mối quan hệ giữa các triệu chứng, yếu tố nguy cơ và bệnh tật, sau đó tính toán xác suất mắc bệnh của một bệnh nhân dựa trên thông tin cá nhân của họ. Trong lĩnh vực tài chính, mô hình hóa rủi ro là một ứng dụng quan trọng. Mạng Bayes có thể mô hình hóa sự phụ thuộc phức tạp giữa các yếu tố thị trường, rủi ro tín dụng và rủi ro hoạt động để dự đoán khả năng vỡ nợ hoặc biến động thị trường. Một ứng dụng kinh điển khác là trong các bộ lọc thư rác. Naive Bayes, một dạng đơn giản của Mạng Bayes, đã chứng minh hiệu quả vượt trội trong việc phân loại email là spam hay không spam dựa trên sự xuất hiện của các từ khóa. Ngoài ra, Mạng tin cậy Bayes còn được sử dụng trong hệ thống gợi ý (recommendation systems), nhận dạng giọng nói, xử lý ngôn ngữ tự nhiên, và robot học để xử lý sự không chắc chắn từ các cảm biến. Khả năng kết hợp dữ liệu từ nhiều nguồn khác nhau và kiến thức chuyên gia làm cho Mạng Bayes trở thành một công cụ linh hoạt và mạnh mẽ, cung cấp các giải pháp minh bạch và dễ diễn giải cho các bài toán dự đoán phức tạp.

5.1. Mô hình hóa rủi ro tài chính và chẩn đoán y khoa

Trong tài chính, mô hình hóa rủi ro là tối quan trọng. Mạng Bayes cho phép các nhà phân tích xây dựng các mô hình phức tạp về sự phụ thuộc giữa các loại tài sản, chỉ số kinh tế vĩ mô và các sự kiện thị trường. Mô hình có thể dự đoán xác suất xảy ra một cuộc khủng hoảng tài chính khi có những dấu hiệu cảnh báo nhất định. Tương tự, trong chẩn đoán y khoa, Mạng Bayes giúp các bác sĩ đưa ra quyết định dựa trên bằng chứng. Một mô hình đồ thị xác suất có thể tích hợp thông tin từ hồ sơ bệnh án, kết quả xét nghiệm và các triệu chứng lâm sàng để đưa ra một danh sách các chẩn đoán có khả năng nhất cùng với xác suất của chúng.

5.2. Lợi ích khi làm việc với dữ liệu nhỏ và không đầy đủ

Nhiều kỹ thuật học máy hiện đại, đặc biệt là học sâu, đòi hỏi một lượng dữ liệu khổng lồ để huấn luyện. Tuy nhiên, trong nhiều bài toán thực tế (ví dụ: nghiên cứu bệnh hiếm, dự báo lỗi thiết bị), dữ liệu thường rất thưa thớt. Mạng Bayes tỏ ra vượt trội trong những tình huống này. Bằng cách kết hợp cấu trúc nhân quả và phương pháp suy luận Bayes, mô hình có thể tận dụng hiệu quả lượng thông tin ít ỏi có sẵn. Hơn nữa, nó có cơ chế tự nhiên để xử lý các giá trị bị thiếu trong dữ liệu, thay vì phải loại bỏ các bản ghi hoặc sử dụng các phương pháp điền dữ liệu phức tạp. Khả năng này làm cho nó trở thành một công cụ vô giá cho các nhà khoa học và kỹ sư làm việc với dữ liệu hạn chế.

VI. Tương lai Mạng Bayes Hướng phát triển và thách thức mới

Mặc dù đã tồn tại trong nhiều thập kỷ, Mạng Bayes vẫn là một lĩnh vực nghiên cứu và phát triển năng động trong trí tuệ nhân tạo. Tương lai của Mạng Bayes: Mô hình dự đoán xác suất có điều kiện nằm ở việc giải quyết các thách thức hiện tại và mở rộng khả năng ứng dụng của nó. Một trong những thách thức lớn nhất là học cấu trúc cho các mạng quy mô lớn với hàng ngàn biến. Các thuật toán hiện tại vẫn còn tốn kém về mặt tính toán và có thể không tìm ra được cấu trúc tối ưu toàn cục. Hướng phát triển trong lĩnh vực này tập trung vào việc tạo ra các thuật toán tìm kiếm hiệu quả hơn và kết hợp các phương pháp học sâu để đề xuất các cấu trúc tiềm năng. Một hướng đi thú vị khác là phát triển Mạng Bayes Động (Dynamic Bayesian Networks - DBNs), một sự mở rộng của Mạng Bayes để mô hình hóa các quá trình thay đổi theo thời gian, như chuỗi thời gian trong tài chính hoặc sự tiến triển của bệnh tật. Việc kết hợp Mạng Bayes với các mô hình khác, chẳng hạn như mạng nơ-ron, cũng đang thu hút nhiều sự quan tâm. Sự kết hợp này nhằm tận dụng sức mạnh biểu diễn của học sâu và khả năng suy luận xác suất, minh bạch của Mạng tin cậy Bayes. Cuối cùng, việc phát triển các công cụ và thư viện như pgmpy ngày càng mạnh mẽ và dễ sử dụng hơn sẽ giúp dân chủ hóa việc áp dụng Mạng Bayes, cho phép nhiều nhà nghiên cứu và kỹ sư khai thác sức mạnh của suy diễn nhân quả và suy diễn xác suất để giải quyết các vấn đề phức tạp trong thế giới thực.

6.1. Tổng kết ưu điểm và nhược điểm của mô hình

Mạng Bayes có nhiều ưu điểm nổi bật: khả năng xử lý sự không chắc chắn, làm việc tốt với dữ liệu nhỏ và thiếu, dễ dàng tích hợp kiến thức chuyên gia, và cung cấp kết quả có thể diễn giải. Tuy nhiên, nó cũng có những nhược điểm. Việc xác định cấu trúc mạng (DAG) là một bài toán NP-hard, rất khó khăn về mặt tính toán. Đối với các biến liên tục, việc định nghĩa các phân phối xác suất có điều kiện có thể phức tạp. Ngoài ra, việc tính toán suy luận chính xác trong các mạng lớn và có nhiều kết nối cũng là một thách thức, đòi hỏi phải sử dụng các phương pháp xấp xỉ.

6.2. Các hướng nghiên cứu và phát triển tiềm năng

Tương lai của Mạng Bayes hứa hẹn nhiều đột phá. Nghiên cứu đang tập trung vào các lĩnh vực như suy diễn nhân quả (Causal Inference), sử dụng Mạng Bayes để không chỉ dự đoán mà còn để hiểu mối quan hệ nguyên nhân - kết quả thực sự. Mạng Bayes lai (Hybrid Bayesian Networks) kết hợp các biến rời rạc và liên tục một cách liền mạch là một hướng phát triển quan trọng khác. Ngoài ra, việc áp dụng Mạng Bayes vào các lĩnh vực mới như đạo đức AI, giải thích các mô hình học sâu (Explainable AI - XAI), và tin sinh học (bioinformatics) cũng đang mở ra những cơ hội và thách thức mới, khẳng định vị thế lâu dài của mô hình đồ thị xác suất này trong khoa học dữ liệu.

Luận văn: Tìm hiểu Bayesian Network và ứng dụng dự đoán xác suất - Trần Nhật Vinh

MỞ ĐẦU

1. CHƯƠNG 1: CÁC KHÁI NIỆM VỀ XÁC SUẤT

1.1. Khái niệm xác suất

1.2. Biến ngẫu nhiên

1.3. Hàm phân phối và hàm mật độ

1.4. Phân phối đồng thời cho hai biến ngẫu nhiên

1.5. Phân phối lề

1.6. Các biến ngẫu nhiên độc lập và có điều kiện

1.7. Quy tắc nhân

1.8. Định lý Bayes đối với các sự kiện

1.8.1. Trường hợp các biến ngẫu nhiên rời rạc

1.8.2. Trường hợp các biến ngẫu nhiên liên tục

1.9. PHÉP BIẾN ĐỔI CÁC BIẾN NGẪU NHIÊN

1.9.1. Đối với trường hợp các biến ngẫu nhiên rời rạc

1.9.2. Đối với trường hợp các biến ngẫu nhiên liên tục

1.9.3. Trường hợp nhiều biến ngẫu nhiên

1.10. CÁC SỐ ĐẶC TRƯNG CỦA BIẾN NGẪU NHIÊN

1.10.1. Kỳ vọng của biến ngẫu nhiên

1.10.2. Phương sai của biến ngẫu nhiên

1.11. MỘT SỐ PHÂN PHỐI CỦA BIẾN NGẪU NHIÊN

1.11.1. Phân phối của biến ngẫu nhiên rời rạc

1.11.2. Phân phối của biến ngẫu nhiên liên tục

2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT VỀ MẠNG BAYES

2.1. MÔ HÌNH ĐỒ THỊ (GRAPHICAL MODEL)

2.1.1. Nhắc lại xác suất

2.1.2. Khái niệm về Mô hình Đồ thị

2.1.3. Các cấu trúc thường gặp trong Mô hình Đồ thị

2.2. LÝ THUYẾT VÀ PHƯƠNG PHÁP PHÂN TÍCH BAYES

2.2.1. Phương pháp suy diễn Bayes

2.2.2. Suy diễn Bayes cho tham số trong mô hình phân phối nhị thức

2.2.3. Một số vấn đề trong việc chọn phân phối tiên nghiệm

2.2.4. Phân tích hậu nghiệm

2.2.5. Khoảng tin cậy Bayes

2.2.6. Các bài toán nhiều tham số

2.2.7. Phân phối dự đoán cho một quan sát mới

2.2.8. Lý thuyết quyết định thống kê Bayes

2.3. CẤU TRÚC MẠNG BAYES

2.4. SUY LUẬN TRONG MẠNG BAYES

2.5. TÍNH HỮU DỤNG CỦA MẠNG BAYES

2.5.1. Thích hợp cho các tập dữ liệu nhỏ và không đầy đủ

2.5.2. Có thể học về cấu trúc

2.5.3. Có thể học tham số

2.5.4. Kết hợp các nguồn kiến thức khác nhau

2.5.5. Xử lý rõ ràng sự không chắc chắn và hỗ trợ cho việc phân tích quyết định

2.5.6. Phản hồi nhanh

3. CHƯƠNG 3: XÂY DỰNG MÔ HÌNH ÁP DỤNG ĐỂ DỰ ĐOÁN XÁC SUẤT

3.1. GIỚI THIỆU BÀI TOÁN ÁP DỤNG

3.2. CHUẨN BỊ DỮ LIỆU HUẤN LUYỆN

3.3. CÀI ĐẶT THUẬT TOÁN HUẤN LUYỆN DỮ LIỆU

3.3.1. Cài đặt thư viện

3.3.2. Đọc dữ liệu

3.3.3. Chuyển dữ liệu về dạng số và chia khoảng

3.3.4. Tạo mô hình bayesian với các nút, cạnh và ước tính CPD (Phân phối xác suất có điều kiện) cho từng biến dựa trên dữ liệu

3.4. THỬ NGHIỆM VÀ KẾT QUẢ

3.4.1. Kiểm tra cách thức mô hình hoạt động

3.4.2. Kiểm tra mô hình so với lý thuyết mạng Bayes về sự phụ thuộc và không phụ thuộc giữa các nút

3.4.3. Thử nghiệm mô hình theo chiều nhân quả

3.4.4. Thử nghiệm mô hình theo hướng ngược lại

KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN

TÀI LIỆU THAM KHẢO

DANH MỤC CÁC BẢNG

DANH MỤC CÁC HÌNH