Redes bayesianas dinámicasEn JMP/SAS falta toda una parte dedicada a redes bayesianas tanto dinámicas como estáticas. La importancia de las redes bayesianas y por tanto del mundo del aprendizaje automático es cada vez más importante y tener la posibilidad de comandos o paquetes dedicados sería muy importante. En R-project existe el paquete bnlearn o bnstruct que permite analizar datos con dinámica temporal repetida, pero en JMP y/o SAS no existe nada. En SAS existe un procedimiento proc hpbnet, pero genera redes con una variable de destino y no una red a la que no se desea apuntar, pero libre de restricciones, como lo hacen los dos paquetes bnlearn y/o bnstruct.
Automatización y secuencias de comandosOrganización de contenidosAcceso a los datosAnálisis de fiabilidadRe: Redes Bayesianas DinámicasPuede expresar fenómenos complejos. Puede expresarse probabilísticamente. Estas expresiones se ajustan a los sentidos humanos. También espero firmemente la Red Bayesiana.
Re: Redes Bayesianas DinámicasUn equipo de ciencia de datos de HP comenzó a usar BNA para la detección de factores o predictores para problemas de fabricación. Es la primera vez que alguien me muestra un análisis enlatado disponible para los ingenieros aquí donde tuve que decir "JMP no puede hacer eso".
Re: Redes bayesianas dinámicasUn paquete de análisis de redes bayesianas creado por Fenton y Neil ha estado disponible durante años; sería genial que este tipo de análisis fuera posible en JMP. Por ejemplo, ¿podría JMP implementar una plataforma que permita a un ingeniero comenzar con un grafo acíclico dirigido (DAG) que pueda evolucionar continuamente hacia un análisis matemático adecuado para calcular las probabilidades conjuntas y marginales dadas las probabilidades condicionales? Dos aplicaciones del sector manufacturero que me serían útiles son: A) extender la plataforma de diagramas de bloques de confiabilidad existente para incluir las probabilidades condicionales y realizar los cálculos deseados, y 
desarrollar la plataforma de diagramas de espina de pescado para permitir la creación de DAG que permita conceptualizar las relaciones causales de un flujo de valor complejo o un problema de causa raíz, y estimar las probabilidades en toda la red antes de invertir en costosos diseños de experimentos (DOE) solo para obtener un modelo inicial que permita algún tipo de predicción (como es el enfoque básico establecido en el marco DMAIC).
