Reti Bayesiane DinamicheIn JMP/SAS manca un'intera parte dedicata alle reti bayesiane sia dinamiche che statiche. L’importanza delle reti bayesiane e quindi del mondo del machine learning è sempre più importante e avere la possibilità di comandi o pacchetti dedicati sarebbe molto importante. In R-project è presente il pacchetto bnlearn o bnstruct che permettono di analizzare dati con dinamiche temporali ripetute, ma in JMP e/o SAS non esiste nulla. In SAS esiste una procedura proc hpbnet, ma genera reti con una variabile target e non una rete dove non si vuole targetizzare, ma libera da vincoli, come fanno i due pacchetti bnlearn e/o bnstruct.
Automazione e scriptingOrganizzazione dei contenutiAccesso ai datiAnalisi di affidabilitàRe: Reti bayesiane dinamichePuò esprimere fenomeni complessi. Può essere espresso probabilisticamente. Queste espressioni si adattano ai sensi umani. Spero vivamente anche nella rete bayesiana.
Re: Reti bayesiane dinamicheUn team di data science di HP ha iniziato a utilizzare BNA per lo screening predittivo o fattoriale per problemi di produzione. È la prima volta che qualcuno mi mostra un'analisi predefinita disponibile per gli ingegneri qui in cui dovevo dire "JMP non può farlo".
Oggetto: Reti bayesiane dinamicheDa anni è disponibile un pacchetto di analisi di rete bayesiana creato da Fenton e Neil; sarebbe fantastico se questo tipo di analisi fosse possibile anche in JMP. Ad esempio, JMP potrebbe implementare una piattaforma che permetta a un ingegnere di partire da un grafo aciclico diretto (DAG) che possa essere continuamente perfezionato in un'analisi matematica vera e propria per calcolare le probabilità congiunte e marginali date le probabilità condizionali? Due applicazioni nel settore manifatturiero che mi sarebbero utili sono: 1) estendere la piattaforma esistente per i diagrammi a blocchi di affidabilità per includere le probabilità condizionali ed eseguire i calcoli desiderati; 2) basarsi sulla piattaforma a lisca di pesce per consentire la creazione di DAG al fine di inquadrare concettualmente le relazioni causali di un flusso di valore complesso o di un problema di causa principale e stimare le probabilità in tutta la rete prima di investire in costosi DOE solo per ottenere un modello iniziale che consenta una qualche forma di previsione (come è l'approccio di base stabilito nel framework DMAIC).
