Fikrini yapay zeka paraya çevirsin — ücretsiz başla →

Bayes Ağı (Bayesian Network)

Araç kavramları
Ing: Bayesian NetworkSon güncelleme: 1 Ekim 2026
Değişkenler arasındaki olasılıksal bağımlılıkları yönlü bir çizgeyle gösteren model. "Şu olursa şunun olasılığı şu kadar artar" mantığını matematiğe döküyor.

Bayes Ağı nedir?

Bir doktor düşün: hastada ateş var, öksürük var, yorgunluk var. Her biri farklı hastalıklara işaret ediyor ama birbirini de etkiliyor. Doktor kafasında "şu belirti varsa, şu hastalık olasılığı şu kadar artar" diye bir harita kuruyor. Bayes ağı tam olarak bu haritayı matematiğe döken şey.

Teknik tanımıyla Bayes ağı, değişkenler arasındaki olasılıksal bağımlılıkları directed acyclic graph (DAG) •yönlü döngüsüz çizge• ile gösteren bir modeldir. Her düğüm bir rastgele değişkeni, her ok da iki değişken arasındaki istatistiksel bağımlılığı temsil eder. "Döngüsüz" kelimesi kritik: oklar hiçbir zaman başladığı yere geri dönmez, bu da modeli hesaplanabilir tutar.

Nasıl çalışır?

Her düğüme bir conditional probability table •koşullu olasılık tablosu• bağlanır: o değişkenin, kendi ebeveyn düğümleri verildiğinde hangi değeri hangi olasılıkla alacağını söyler. Ağın gücü, tüm sistemin ortak olasılığını (joint probability) küçük parçalara ayırabilmesinde:

p(x1,...,xn) = Π p(xi | ebeveyn(xi))

Yani koca bir olasılık dağılımını, "her değişken yalnızca kendi ebeveynlerine bağlı" varsayımıyla minik tablolara bölüyorsun. Bu hem bellekte yer kazandırıyor hem çıkarımı hızlandırıyor. D-separation •d-ayrımı• denen teknikle, iki değişkenin koşullu bağımsız olup olmadığını olasılık hesabı yapmadan, sadece çizgenin şekline bakarak anlayabilirsin.

Neden önemli?

Modern derin öğrenme "kara kutu" eleştirisi alırken, Bayes ağları şeffaflığıyla ayrışıyor: hangi değişkenin hangisini neden etkilediğini çizge üstünde görebilirsin. Belirsizlik altında karar vermeyi, eksik veriyle çalışmayı ve neden-sonuç ilişkilerini açıkça modellemeyi sağlıyor. Nedensel yapay zeka (causal AI) tartışmalarının temelinde de bu fikir yatıyor.

Kullanım alanları

Tıbbi teşhis sistemleri, risk analizi, arıza tespiti, spam filtreleri, genetik ve biyoinformatik, karar destek sistemleri. Belirtilerden hastalığa, sensör verisinden arızaya giden her "olasılıksal muhakeme" probleminde Bayes ağları iş görüyor. Naive Bayes sınıflandırıcısı da aslında bu ağların en sade hali.

mindi
mindi'nin notu
Güçlü yön — şeffaf: kararın neden o karar olduğunu çizge üstünde okuyabilirsin, kara kutu değil. Dikkat — ağın yapısını doğru kurmak uzmanlık ister; yanlış bağımlılık varsayımı tüm çıkarımı bozar.