Dynamische Bayes-NetzeIn JMP/SAS fehlt ein ganzer Teil, der sowohl dynamischen als auch statischen Bayes-Netzen gewidmet ist. Die Bedeutung Bayesscher Netze und damit der Welt des maschinellen Lernens nimmt immer mehr zu und die Möglichkeit dedizierter Befehle oder Pakete wäre sehr wichtig. Im R-Projekt gibt es das Paket bnlearn oder bnstruct, mit dem Sie Daten mit wiederholter zeitlicher Dynamik analysieren können, in JMP und/oder SAS gibt es jedoch nichts. In SAS gibt es zwar eine Prozedur proc hpbnet, diese erzeugt aber Netze mit einer Zielvariable und nicht ein Netz, auf das man nicht zielen möchte, sondern frei von Einschränkungen, wie es die beiden Pakete bnlearn und/oder bnstruct tun.
Automatisierung und SkriptingInhaltsorganisationDatenzugriffZuverlässigkeitsanalyseRe: Dynamische Bayes'sche NetzwerkeEs kann komplexe Phänomene ausdrücken. Kann probabilistisch ausgedrückt werden. Diese Ausdrücke passen zu den menschlichen Sinnen. Ich hoffe auch stark auf das Bayes'sche Netzwerk.
Re: Dynamische Bayes'sche NetzwerkeEin Data-Science-Team bei HP hat damit begonnen, BNA für Prädiktor- oder Faktor-Screening für Fertigungsprobleme zu verwenden. Es ist das erste Mal, dass mir jemand eine vorgefertigte Analyse zeigt, die Ingenieuren hier zur Verfügung steht, wo ich sagen musste: "JMP kann das nicht".
Betreff: Dynamische Bayes'sche NetzeEin von Fenton und Neil entwickeltes Paket zur Analyse Bayes'scher Netze ist seit Jahren verfügbar. Es wäre wünschenswert, wenn diese Art der Analyse auch in JMP möglich wäre. Könnte JMP beispielsweise eine Plattform implementieren, die es Ingenieuren ermöglicht, mit einem gerichteten azyklischen Graphen (DAG) zu beginnen und diesen schrittweise zu einer fundierten mathematischen Analyse weiterzuentwickeln, um die gemeinsamen und marginalen Wahrscheinlichkeiten unter Berücksichtigung bedingter Wahrscheinlichkeiten zu berechnen? Zwei Anwendungsfälle aus der Fertigungsindustrie, von denen ich profitieren würde, sind: A) die Erweiterung der bestehenden Plattform für Zuverlässigkeitsblockdiagramme um die Berücksichtigung bedingter Wahrscheinlichkeiten und die Durchführung der gewünschten Berechnungen; 
die Weiterentwicklung der Ishikawa-Plattform (Fischgrätendiagramm), um die Erstellung von DAGs zu ermöglichen. Dadurch lassen sich kausale Zusammenhänge in komplexen Wertströmen oder Ursachenproblemen konzeptionell darstellen und Wahrscheinlichkeiten im gesamten Netzwerk abschätzen, bevor in teure Versuchsplanungen (DOEs) investiert wird, um lediglich ein erstes Modell zu erhalten, das eine gewisse Vorhersage ermöglicht (wie es im DMAIC-Framework üblich ist).
