Χρήση στατιστικής σχεσιακής μάθησης με σκοπό την μοντελοποίηση της εμφάνισης και της εξέλιξης χρόνιων παθήσεων

Abstract

Σκοπός της παρούσης εργασίας είναι η συνοπτική παρουσίαση ορισμένων σύγχρονων μεθόδων σχεσιακής μάθησης οι οποίες βασίζονται στην χρήση Μπεϋζιανών αλλά και Μαρκοβιανών δικτύων. Στο πρώτο κεφάλαιο γίνεται μια μικρή ιστορική ανασκόπηση της σχεσιακής μάθησης. Στο δεύτερο κεφάλαιο εισάγονται οι έννοιες των γραφικών μοντέλων, του συμπερασμού και της μάθησης. Στο τρίτο κεφάλαιο γίνεται μια εισαγωγή στην Μαρκοβιανή λογική και στους τρόπους με τους οποίους μπορεί αυτή να χρησιμοποιηθεί στις διαδικασίες μάθησης και συμπερασμού. Στο τέταρτο κεφάλαιο, προκειμένου να γίνει περισσότερο αντιληπτή η χρησιμότητα ειδικά των Μπεϋζιανών δικτύων, παρουσιάζονται τέσσερα παραδείγματα εφαρμογών από τον χώρο της ιατρικής. Τέλος, στο πέμπτο κεφάλαιο γίνεται μια μικρή αναφορά στις μελλοντικές κατευθύνσεις και προοπτικές των συγκεκριμένων τεχνικών.

The purpose of this thesis is the brief presentation of some contemporary methods of relational learning which are based on the use of Bayesian and Markov networks. In the first chapter we present a retrospective overview of relational learning. In the second chapter we introduce the concepts of graphical models, inference and learning. In the third chapter we introduce Markov logic and the ways in which it can be used in learning procedures and inference. In the fourth chapter, in order to exhibit the usefulness of Bayesian networks specifically, four examples are being presented from the world of modern medicine. In the fifth and final chapter we discuss the possible future directions of the pre mentioned techniques.