「这是我参与11月更文挑战的第9天，活动详情查看：2021最后一次更文挑战」
简介
通过前面的介绍，相信大家已经对贝叶斯网络有了初步的了解。贝叶斯网络又称因果概率网，是图论与概率论结合的产物。它具有强大的知识推理、直观的表达能力、清晰的拓扑结构及方便的决策机制等优点，主要针对不确定性问题进行数据挖掘研究。
静态贝叶斯
参数学习、结构学习和推理分析组成了完整的贝叶斯学习过程。结构学习是指通过评分函数寻找匹配数据样本的网络，使得该网络评分最高；参数学习是在已知评分最高的网络结构前提下，通过数据样本训练集学习网络变量的边缘概率或条件概率的过程；推理分析是根据给出的网络变量的概率去计算另一些状态未知的变量的概率分布。因此参数学习是基础，结构学习是核心。结构学习一般分为两步讨论：模型选择和模型优化。
贝叶斯结构学习算法分为三种方法：
（1） 基于统计分析法：该方法通过计算节点间的互信息和条件独立性关系，构建符合独立性关系的网络结构。
（2） 基于评分搜索法：该办法主要是由搜索方法和评分函数组成，其中评分函数用于计算网络结构与实际结构的相似程度：搜索策略进行网络结构空间的搜索。
（3） 混合搜索算法：首先通过统计分析的方法减少网络搜索空间，然后利用评分搜索法得到的最优的网络结构。
动态贝叶斯
静态贝叶斯与时间序列相结合构成了动态贝叶斯（DBN）。DBN是具有处理时序数据能力的新随机模型，它对不确定性问题进行研究时充分考虑了时间因素的影响。较BN网络，DBN在处理时序非线性的不确定性问题中具有优势。但是，由于动态贝叶斯网络的复杂性，使得专家知识和BN结构学习算法并不适合于DBN。并且动态贝叶斯还存在收敛速度慢，运行时间及精确度低等缺点。
寄语
本篇文章主要是对于静态贝叶斯与动态贝叶斯的简介，让我们可以对于贝叶斯的理解可以更加的深入，接下来将介绍与贝叶斯息息相关的一些算法，使得我们可以结合这些算法，更好的去利用贝叶斯去解决一下实际性的问题。与此同时，如果有喜欢的朋友，希望大家可以给小落叶一份鼓励，刚兴趣的可以交个朋友，大家一起探讨。
