本节主要介绍为贝叶斯网络网络开个头，介绍一些名词和背景知识。
贝叶斯网络
对于概率图而言是一个很大的话题，以边的属性作为区分可以分为两种模型，有向图模型和无向图模型。其中无向图称为马尔可夫网络，视觉领域有比较大的应用，而有向图也就是BN(belief network).当然也有无向图和有向图相结合的网络，称为链图（Chain graph）。图1给出了一个完整的架构，当然这些模型具有一定的转换性，通过降维、动态性等可以将一种模型转换为另一种模型。
静态贝叶斯网络
BN理论是人工智能处理不确定复杂问题的新兴分支，在处理不确定事件上有独特的优点
对于BN的研究主要有以下几个方面。
- 计算复杂性，包括近似推理等应用
- BN的学习，包括参数学习和结构的学习。参数学习主要有经典统计方法和贝叶斯方法
- BN网络的推断方法。包括联结树算法、变量消除法、SPI算法。
- BN的应用研究。
贝叶斯网络有静态贝叶斯网络和动态贝叶斯网络，其中静态贝叶斯网络相对比较成熟，大部分的应用都集中在静态贝叶斯网络上的研究。接下来的一章就要从静态贝叶斯网络开始啦。
动态贝叶斯网络
对于随着时间的变化的动态系统，静态系统的许多方法在动态系统中不能直接试用，所以就引入了一个新的课题，如何将静态网络推广成动态网络。DBN是BN的一个拓展，就是在原有的网络中添加了时间约束，所以DBN是一个有向无环图，它可以用来表示因果关系，先后关系、条件关系。
动态时序的数据分析和挖掘
数据挖掘是从大量的随机数据中找到因果关系，先后关系、条件关系，从而获取数据背后的变量关系，为决策提供证据。
BN是在属性变量间融入和概率的关系，以为的数据挖掘都是以BN为主，通过网络结果和数据的匹配找到变量的关系。
从时序逐渐建立网络结构，进而建立实时的决策系统，然后将DBN用于以下几个方面
- 用于分类和回归的分析。分类规则发现根据客体特征向量值以及其他约束条件分到某个类别中。主要研究从数据到经验的映射
- 用于因果推断和不确定知识表达。DBN是随机变量的概率关系的表达。
- 用于聚类发现，聚类问题是一种特殊的模型选择问题，每个聚类可以看做是一个模型。聚类能够从众多模型中通过一定的分析综合决策体现数据的本质。