Einer der Hauptfaktoren für den Erfolg des Data Mining hängt mit der Nachvollziehbarkeit der durch die Techniken der Computational Intelligence entdeckten Muster zusammen; wobei Bayes'sche Netze als einer der herausragendsten gelten, wenn man die Leichtigkeit der erreichten Wissensinterpretation betrachtet. Seine quantitative und qualitative Semantik, verbunden mit der Verständlichkeit der entdeckten Muster, motiviert seine Anwendung im Wissensentdeckungsprozess. Bayes'sche Netzwerke weisen jedoch, wie jede Technik der Computational Intelligence, Einschränkungen und Nachteile hinsichtlich ihrer Anwendung auf; unter diesen können wir das Lernen der Struktur aus großen Datensätzen und die Bereitstellung von Schlussfolgerungen über die Zeit hinweg nennen. Dieses Buch zeigt Erweiterungen zur Verbesserung von Bayes'schen Netzwerken auf, stellt Strategien zur Verbesserung ihrer Eigenschaften vor, behandelt Aspekte wie Leistung sowie Interpretierbarkeit und Verwendung ihrer Ergebnisse; es enthält Modelle der multiplen Regression für das Strukturlernen und zeitliche Aspekte unter Verwendung von Markov-Ketten. Die Modelle sollen den Benutzern helfen, den Anwendungsbereich dieses vielseitigen Modells für neue Bereiche und Aufgaben zu erweitern.
