Эта лекция продолжает введение в байесовские сети и сосредоточена на качественном и динамическом моделировании как инструментах анализа сложных систем в условиях неопределённости. Опираясь на предыдущую сессию, лекция показывает, как качественные байесовские сети позволяют моделировать причинно-следственные связи даже в тех случаях, когда отсутствуют точные числовые данные.
Используя такие понятия, как причины, барьеры, требования и ингибиторы, демонстрируется, каким образом сложные системы могут быть логически представлены и исследованы с помощью анализа сценариев what-if.
Центральная часть занятия посвящена динамическим байесовским сетям, которые расширяют статические модели за счёт включения времени, памяти и отложенных эффектов. Лекция показывает, как с помощью вероятностных моделей можно анализировать траектории развития, петли обратной связи и поведение системы во времени, получая инсайты, недоступные при линейных или статических подходах.
Практические примеры иллюстрируют применение качественных и динамических байесовских моделей в анализе политики, оценке организационной устойчивости, бизнес-процессах и поддержке принятия решений, подчёркивая их значимость для реального стратегического мышления, а не абстрактного прогнозирования.
Рассматриваемые темы: - качественные байесовские сети (QGeNIe)
- причинность без точных числовых данных
- причины, барьеры, требования и ингибиторы
- быстрое построение моделей и анализ what-if
- динамические байесовские сети и временные эффекты
- траектории систем и петли обратной связи
- практические применения в политическом анализе и принятии решений