Στην παρούσα διπλωματική εργασία πραγματευόμαστε το θέμα της χρήσης των Bayesian Δικτύων -και γενικότερα των Πιθανοτικών Γραφικών Μοντέλων - στη Μηχανική Μάθηση. Στα πρώτα κεφάλαια της εργασίας αυτής παρουσιάζουμε συνοπτικά τη θεωρητική θεμελίωση αυτών των δομημένων πιθανοτικών μοντέλων, η οποία απαρτίζεται από τις βασικές φάσεις της αναπαράστασης, επαγωγής συμπερασμάτων, λήψης αποφάσεων και εκμάθησης από τα διαθέσιμα δεδομένα. Στα επόμενα κεφάλαια, εξετάζουμε ένα ευρύ φάσμα εφαρμογών των πιθανοτικών γραφικών μοντέλων και παρουσιάζουμε τα αποτελέσματα των εξομοιώσεων που υλοποιήσαμε. Συγκεκριμένα, αρχικά με χρήση γράφων ορίζονται τα Bayesian δίκτυα, Markov δίκτυα και Factor Graphs. Έπειτα, παρουσιάζονται οι αλγόριθμοι επαγωγής συμπερασμάτων που επιτρέπουν τον απευθείας υπολογισμό πιθανοτικών κατανομών από τους γράφους. Διευκολύνεται η λήψη αποφάσεων υπό αβεβαιότητα με τα δέντρα αποφάσεων και τα Influence διαγράμματα. Ακολούθως, μελετάται η εκμάθηση της δομής και των παραμέτρων των πιθανοτικών γραφικών μοντέλων σε παρουσία πλήρους ή μερικού συνόλου δεδομένων. Τέλος, παρουσιάζονται εκτενώς σενάρια τα οποία καταδεικνύουν την εκφραστική δύναμη, την ευελιξία και τη χρηστικότητα των Πιθανοτικών Γραφικών Μοντέλων σε εφαρμογές του πραγματικού κόσμου. / The main subject of this diploma thesis is how probabilistic graphical models can be used in a wide range of real-world scenarios. In the first chapters, we have presented in a concise way the theoretical foundations of graphical models, which consists of the deeply related phases of representation, inference, decision theory and learning from data. In the next chapters, we have worked on many applications, from Optical Character Recognition to Recoginizing Actions and we have presented the results from the simulations.

Οι τεχνικές Υπολογιστικής Νοημοσύνης βρίσκουν σε μεγάλο βαθμό εφαρμογή σε Ηλεκτρονικά Συστήματα Μάθησης. Στην εργασία αυτή υιοθετείται η τεχνική των Bayesian δικτύων. Αναλυτικότερα υλοποιείται ένα έξυπνο σύστημα το οποίο αναλαμβάνει τη διαχείριση των ερωτηματολογίων ενός Ηλεκτρονικού Συστήματος Μάθησης. Σκοπός της των Bayesian δικτύων είναι η «έξυπνη» διαχείριση των ερωτηματολογίων. Πιο συγκεκριμένα, πραγματοποιείται γραφική απεικόνιση των ερωτηματολογίων σε Bayesian γράφημα όπου κάθε ερώτηση αντιστοιχεί σε ένα κόμβο του γραφήματος. Στο γράφημα αυτό εφαρμόζονται οι εξισώσεις του Bayes σε κάθε κόμβο του γραφήματος ώστε να υπολογιστούν οι πιθανότητες επιτυχούς απάντησης μιας ερώτησης. Στη συνέχεια οι πιθανότητες συγκρίνονται με κατώφλια τα οποία ορίζει ο διαχειριστής του συστήματος ώστε να αποφευχθούν ερωτήσεις στις οποίες ο χρήστης έχει μεγάλη πιθανότητα να απαντήσει επιτυχώς. Επίτευγμα αυτής της υλοποίησης είναι η εξοικονόμηση ερωτήσεων και χρόνου εκ μέρους του χρήστη. Το δεύτερο μέρος της εργασίας αφορά στην επέκταση του παραπάνω συστήματος χρησιμοποιώντας την αρχιτεκτονική ευφυών πρακτόρων. Βασικός σκοπός της επέκτασης αυτής είναι η δυνατότητα διαχείρισης ενός μεγάλου αριθμού χρηστών και ερωτηματολογίων από απομακρυσμένα συστήματα. / In this contribution an innovative platform is being presented that integrates intelligent agents in legacy e-learning environments. It introduces the design and development of a scalable and interoperable integration platform supporting various assessment agents for e-learning environments. The agents are implemented in order to provide intelligent assessment services to computational intelligent techniques such as Bayesian Networks and Genetic Algorithms. The utilization of new and emerging technologies like web services allows integrating the provided services to any web based legacy e-learning environment.