Sigmoid type belief networks, a class of probabilistic neural networks, provide a natural framework for compactly representing probabilistic information in a variety of unsupervised and supervised learning problems. Often the parameters used in these networks need to be learned from examples. Unfortunately, estimating the parameters via exact probabilistic calculations (i.e, the EM-algorithm) is intractable even for networks with fairly small numbers of hidden units. We propose to avoid the infeasibility of the E step by bounding likelihoods instead of computing them exactly. We introduce extended and complementary representations for these networks and show that the estimation of the network parameters can be made fast (reduced to quadratic optimization) by performing the estimation in either of the alternative domains. The complementary networks can be used for continuous density estimation as well.

Redes probabilísticas são modelos muito versáteis, com aplicabilidade crescente em diversas áreas. Esses modelos são capazes de estruturar e mensurar a interação entre variáveis, permitindo que sejam realizados vários tipos de análises, desde diagnósticos de causas para algum fenômeno até previsões sobre algum evento, além de permitirem a construção de modelos de tomadas de decisões automatizadas. Neste trabalho são apresentadas as etapas para a construção dessas redes e alguns métodos usados para tal, dando maior ênfase para as chamadas redes bayesianas, uma subclasse de modelos de redes probabilísticas. A modelagem de uma rede bayesiana pode ser dividida em três etapas: seleção de variáveis, construção da estrutura da rede e estimação de probabilidades. A etapa de seleção de variáveis é usualmente feita com base nos conhecimentos subjetivos sobre o assunto estudado. A construção da estrutura pode ser realizada manualmente, levando em conta relações de causalidade entre as variáveis selecionadas, ou semi-automaticamente, através do uso de algoritmos. A última etapa, de estimação de probabilidades, pode ser feita seguindo duas abordagens principais: uma frequentista, em que os parâmetros são considerados fixos, e outra bayesiana, na qual os parâmetros são tratados como variáveis aleatórias. Além da teoria contida no trabalho, mostrando as relações entre a teoria de grafos e a construção probabilística das redes, também são apresentadas algumas aplicações desses modelos, dando destaque a problemas nas áreas de marketing e finanças. / Probabilistic networks are very versatile models, with growing applicability in many areas. These models are capable of structuring and measuring the interaction among variables, making possible various types of analyses, such as diagnoses of causes for a phenomenon and predictions about some event, besides allowing the construction of automated decision-making models. This work presents the necessary steps to construct those networks and methods used to doing so, emphasizing the so called Bayesian networks, a subclass of probabilistic networks. The Bayesian network modeling is divided in three steps: variables selection, structure learning and estimation of probabilities. The variables selection step is usually based on subjective knowledge about the studied topic. The structure learning can be performed manually, taking into account the causal relations among variables, or semi-automatically, through the use of algorithms. The last step, of probabilities estimation, can be treated following two main approaches: by the frequentist approach, where parameters are considered fixed, and by the Bayesian approach, in which parameters are treated as random variables. Besides the theory contained in this work, showing the relations between graph theory and the construction of probabilistic networks, applications of these models are presented, highlighting problems in marketing and finance.

Este trabalho propõe um modelo probabilístico de conhecimento e raciocínio para um agente, denominado Agente Social, cujo principal objetivo é analisar o perfil dos alunos, usuários de um Sistema Tutor Inteligente chamado AMPLIA, e compor grupos de trabalho. Para formar estes grupos, o Agente Social considera aspectos individuais do aluno e estratégias de formação de grupos. A aprendizagem colaborativa envolve relações sociais cujos processos são complexos e apresentam dificuldade para sua modelagem computacional. A fim de representar alguns elementos deste processo e de seus participantes, devem ser considerados aspectos individuais, tais como estado afetivo, questões psicológicas e cognição. Também devem ser considerados aspectos sociais, tais como a habilidade social, a aceitação e a forma em que as pessoas se relacionam e compõem seus grupos de trabalho ou estudo. Sistemas Tutores Inteligentes, Sistemas Multiagente e Computação Afetiva são áreas de pesquisa que vem sendo investigadas de forma a oferecer alternativas para representar e tratar computacionalmente alguns destes aspectos multidisciplinares que acompanham a aprendizagem individual e colaborativa. O Agente Social está inserido na sociedade de agentes do portal PortEdu que, por sua vez, fornece serviços ao ambiente de aprendizagem AMPLIA O PortEdu é um portal que provê serviços para os ambientes educacionais integrados a ele. Este portal foi modelado em uma abordagem multiagente e cada serviço oferecido é implementado por um agente específico. Os ambientes educacionais que utilizam os serviços do portal também são sociedades de agentes e, em geral, Sistemas Tutores Inteligentes. O ambiente AMPLIA (Ambiente Multiagente Probabilístico Inteligente de Aprendizagem) foi projetado para suportar o treinamento do raciocínio diagnóstico e modelagem de domínios de conhecimento incerto e complexo, como a área médica. Este ambiente usa a abordagem de Redes Bayesianas onde os alunos constróem suas próprias redes para um problema apresentado pelo sistema através de um editor gráfico de Redes Bayesianas. Neste trabalho, o editor do AMPLIA foi adaptado para uma versão colaborativa, que permite a construção das redes por vários alunos remotos conectados ao sistema. É através deste editor que o Agente Social observa e interage com os alunos sugerindo a composição dos grupos. Foram realizados experimentos práticos acompanhados por instrumentos de avaliação, com o objetivo de analisar a composição de grupos sugerida pelo Agente Social e relacioná-la com os grupos formados espontaneamente pelos alunos no ambiente de sala de aula. O resultado do trabalho individual e dos grupos também foi analisado e discutido nesta pesquisa. / This research proposes a probabilistic knowledge and reasoning model for an agent, named Social Agent, whose main goal is to analyze students' profiles and to organize them in workgroups. These students are users of an Intelligent Tutoring System named AMPLIA. In order to suggest those groups, the Social Agent considers individual aspects of the students and also strategies for group formation. Collaborative learning involves social relationships with complex processes which are difficult to model computationally. In order to represent these relationships, we should consider several aspects of the student, such as affective state, psychological issues, and cognition. We should also consider social aspects such as social ability, social acceptance and how people relate to each other, and how they compose their workgroups. Intelligent Tutoring Systems, Multiagent Systems and Affective Computing are research areas which our research group have been investigating, in order to represent and to deal computationally with multidisciplinary issues involving individual and collaborative learning. The Social Agent is part of an agent society of the PortEdu Portal, which provides services to AMPLIA. PortEdu is an educational portal which provides facilities to educational environments integrated to it. This portal has been modeled using a multiagent approach and each of its services is represented by a specific agent. The educational environments that make use of the portal's services are also agent societies and, in general, Intelligent Tutoring Systems. AMPLIA (Probabilistic Multiagent Learning Environment) has been designed in order to support diagnostic reasoning and the modeling of diagnostic hypotheses in domains with complex and uncertain knowledge, such as the medical domain. This environment uses a Bayesian Networks approach in which students build their own networks for a clinical case through a Bayesian Network graphical editor. Here, the AMPLIA editor has been adapted and extended to a collaborative version, which enables the network construction for remote students connected to the system. Through this editor, the Social Agent observes and interacts with students, suggesting the composition of workgroups. Practical experiments using assessment tools have been carried out, in order to analyze the workgroups suggested by the Social Agent and to compare them with groups naturally composed by students in the classroom. The results of the work done by individual students and by workgroups were also analyzed and discussed in this research.

Este trabalho propõe um modelo probabilístico de conhecimento e raciocínio para um agente, denominado Agente Social, cujo principal objetivo é analisar o perfil dos alunos, usuários de um Sistema Tutor Inteligente chamado AMPLIA, e compor grupos de trabalho. Para formar estes grupos, o Agente Social considera aspectos individuais do aluno e estratégias de formação de grupos. A aprendizagem colaborativa envolve relações sociais cujos processos são complexos e apresentam dificuldade para sua modelagem computacional. A fim de representar alguns elementos deste processo e de seus participantes, devem ser considerados aspectos individuais, tais como estado afetivo, questões psicológicas e cognição. Também devem ser considerados aspectos sociais, tais como a habilidade social, a aceitação e a forma em que as pessoas se relacionam e compõem seus grupos de trabalho ou estudo. Sistemas Tutores Inteligentes, Sistemas Multiagente e Computação Afetiva são áreas de pesquisa que vem sendo investigadas de forma a oferecer alternativas para representar e tratar computacionalmente alguns destes aspectos multidisciplinares que acompanham a aprendizagem individual e colaborativa. O Agente Social está inserido na sociedade de agentes do portal PortEdu que, por sua vez, fornece serviços ao ambiente de aprendizagem AMPLIA O PortEdu é um portal que provê serviços para os ambientes educacionais integrados a ele. Este portal foi modelado em uma abordagem multiagente e cada serviço oferecido é implementado por um agente específico. Os ambientes educacionais que utilizam os serviços do portal também são sociedades de agentes e, em geral, Sistemas Tutores Inteligentes. O ambiente AMPLIA (Ambiente Multiagente Probabilístico Inteligente de Aprendizagem) foi projetado para suportar o treinamento do raciocínio diagnóstico e modelagem de domínios de conhecimento incerto e complexo, como a área médica. Este ambiente usa a abordagem de Redes Bayesianas onde os alunos constróem suas próprias redes para um problema apresentado pelo sistema através de um editor gráfico de Redes Bayesianas. Neste trabalho, o editor do AMPLIA foi adaptado para uma versão colaborativa, que permite a construção das redes por vários alunos remotos conectados ao sistema. É através deste editor que o Agente Social observa e interage com os alunos sugerindo a composição dos grupos. Foram realizados experimentos práticos acompanhados por instrumentos de avaliação, com o objetivo de analisar a composição de grupos sugerida pelo Agente Social e relacioná-la com os grupos formados espontaneamente pelos alunos no ambiente de sala de aula. O resultado do trabalho individual e dos grupos também foi analisado e discutido nesta pesquisa. / This research proposes a probabilistic knowledge and reasoning model for an agent, named Social Agent, whose main goal is to analyze students' profiles and to organize them in workgroups. These students are users of an Intelligent Tutoring System named AMPLIA. In order to suggest those groups, the Social Agent considers individual aspects of the students and also strategies for group formation. Collaborative learning involves social relationships with complex processes which are difficult to model computationally. In order to represent these relationships, we should consider several aspects of the student, such as affective state, psychological issues, and cognition. We should also consider social aspects such as social ability, social acceptance and how people relate to each other, and how they compose their workgroups. Intelligent Tutoring Systems, Multiagent Systems and Affective Computing are research areas which our research group have been investigating, in order to represent and to deal computationally with multidisciplinary issues involving individual and collaborative learning. The Social Agent is part of an agent society of the PortEdu Portal, which provides services to AMPLIA. PortEdu is an educational portal which provides facilities to educational environments integrated to it. This portal has been modeled using a multiagent approach and each of its services is represented by a specific agent. The educational environments that make use of the portal's services are also agent societies and, in general, Intelligent Tutoring Systems. AMPLIA (Probabilistic Multiagent Learning Environment) has been designed in order to support diagnostic reasoning and the modeling of diagnostic hypotheses in domains with complex and uncertain knowledge, such as the medical domain. This environment uses a Bayesian Networks approach in which students build their own networks for a clinical case through a Bayesian Network graphical editor. Here, the AMPLIA editor has been adapted and extended to a collaborative version, which enables the network construction for remote students connected to the system. Through this editor, the Social Agent observes and interacts with students, suggesting the composition of workgroups. Practical experiments using assessment tools have been carried out, in order to analyze the workgroups suggested by the Social Agent and to compare them with groups naturally composed by students in the classroom. The results of the work done by individual students and by workgroups were also analyzed and discussed in this research.

Este trabalho propõe um modelo probabilístico de conhecimento e raciocínio para um agente, denominado Agente Social, cujo principal objetivo é analisar o perfil dos alunos, usuários de um Sistema Tutor Inteligente chamado AMPLIA, e compor grupos de trabalho. Para formar estes grupos, o Agente Social considera aspectos individuais do aluno e estratégias de formação de grupos. A aprendizagem colaborativa envolve relações sociais cujos processos são complexos e apresentam dificuldade para sua modelagem computacional. A fim de representar alguns elementos deste processo e de seus participantes, devem ser considerados aspectos individuais, tais como estado afetivo, questões psicológicas e cognição. Também devem ser considerados aspectos sociais, tais como a habilidade social, a aceitação e a forma em que as pessoas se relacionam e compõem seus grupos de trabalho ou estudo. Sistemas Tutores Inteligentes, Sistemas Multiagente e Computação Afetiva são áreas de pesquisa que vem sendo investigadas de forma a oferecer alternativas para representar e tratar computacionalmente alguns destes aspectos multidisciplinares que acompanham a aprendizagem individual e colaborativa. O Agente Social está inserido na sociedade de agentes do portal PortEdu que, por sua vez, fornece serviços ao ambiente de aprendizagem AMPLIA O PortEdu é um portal que provê serviços para os ambientes educacionais integrados a ele. Este portal foi modelado em uma abordagem multiagente e cada serviço oferecido é implementado por um agente específico. Os ambientes educacionais que utilizam os serviços do portal também são sociedades de agentes e, em geral, Sistemas Tutores Inteligentes. O ambiente AMPLIA (Ambiente Multiagente Probabilístico Inteligente de Aprendizagem) foi projetado para suportar o treinamento do raciocínio diagnóstico e modelagem de domínios de conhecimento incerto e complexo, como a área médica. Este ambiente usa a abordagem de Redes Bayesianas onde os alunos constróem suas próprias redes para um problema apresentado pelo sistema através de um editor gráfico de Redes Bayesianas. Neste trabalho, o editor do AMPLIA foi adaptado para uma versão colaborativa, que permite a construção das redes por vários alunos remotos conectados ao sistema. É através deste editor que o Agente Social observa e interage com os alunos sugerindo a composição dos grupos. Foram realizados experimentos práticos acompanhados por instrumentos de avaliação, com o objetivo de analisar a composição de grupos sugerida pelo Agente Social e relacioná-la com os grupos formados espontaneamente pelos alunos no ambiente de sala de aula. O resultado do trabalho individual e dos grupos também foi analisado e discutido nesta pesquisa. / This research proposes a probabilistic knowledge and reasoning model for an agent, named Social Agent, whose main goal is to analyze students' profiles and to organize them in workgroups. These students are users of an Intelligent Tutoring System named AMPLIA. In order to suggest those groups, the Social Agent considers individual aspects of the students and also strategies for group formation. Collaborative learning involves social relationships with complex processes which are difficult to model computationally. In order to represent these relationships, we should consider several aspects of the student, such as affective state, psychological issues, and cognition. We should also consider social aspects such as social ability, social acceptance and how people relate to each other, and how they compose their workgroups. Intelligent Tutoring Systems, Multiagent Systems and Affective Computing are research areas which our research group have been investigating, in order to represent and to deal computationally with multidisciplinary issues involving individual and collaborative learning. The Social Agent is part of an agent society of the PortEdu Portal, which provides services to AMPLIA. PortEdu is an educational portal which provides facilities to educational environments integrated to it. This portal has been modeled using a multiagent approach and each of its services is represented by a specific agent. The educational environments that make use of the portal's services are also agent societies and, in general, Intelligent Tutoring Systems. AMPLIA (Probabilistic Multiagent Learning Environment) has been designed in order to support diagnostic reasoning and the modeling of diagnostic hypotheses in domains with complex and uncertain knowledge, such as the medical domain. This environment uses a Bayesian Networks approach in which students build their own networks for a clinical case through a Bayesian Network graphical editor. Here, the AMPLIA editor has been adapted and extended to a collaborative version, which enables the network construction for remote students connected to the system. Through this editor, the Social Agent observes and interacts with students, suggesting the composition of workgroups. Practical experiments using assessment tools have been carried out, in order to analyze the workgroups suggested by the Social Agent and to compare them with groups naturally composed by students in the classroom. The results of the work done by individual students and by workgroups were also analyzed and discussed in this research.

Redes probabilísticas são modelos muito versáteis, com aplicabilidade crescente em diversas áreas. Esses modelos são capazes de estruturar e mensurar a interação entre variáveis, permitindo que sejam realizados vários tipos de análises, desde diagnósticos de causas para algum fenômeno até previsões sobre algum evento, além de permitirem a construção de modelos de tomadas de decisões automatizadas. Neste trabalho são apresentadas as etapas para a construção dessas redes e alguns métodos usados para tal, dando maior ênfase para as chamadas redes bayesianas, uma subclasse de modelos de redes probabilísticas. A modelagem de uma rede bayesiana pode ser dividida em três etapas: seleção de variáveis, construção da estrutura da rede e estimação de probabilidades. A etapa de seleção de variáveis é usualmente feita com base nos conhecimentos subjetivos sobre o assunto estudado. A construção da estrutura pode ser realizada manualmente, levando em conta relações de causalidade entre as variáveis selecionadas, ou semi-automaticamente, através do uso de algoritmos. A última etapa, de estimação de probabilidades, pode ser feita seguindo duas abordagens principais: uma frequentista, em que os parâmetros são considerados fixos, e outra bayesiana, na qual os parâmetros são tratados como variáveis aleatórias. Além da teoria contida no trabalho, mostrando as relações entre a teoria de grafos e a construção probabilística das redes, também são apresentadas algumas aplicações desses modelos, dando destaque a problemas nas áreas de marketing e finanças. / Probabilistic networks are very versatile models, with growing applicability in many areas. These models are capable of structuring and measuring the interaction among variables, making possible various types of analyses, such as diagnoses of causes for a phenomenon and predictions about some event, besides allowing the construction of automated decision-making models. This work presents the necessary steps to construct those networks and methods used to doing so, emphasizing the so called Bayesian networks, a subclass of probabilistic networks. The Bayesian network modeling is divided in three steps: variables selection, structure learning and estimation of probabilities. The variables selection step is usually based on subjective knowledge about the studied topic. The structure learning can be performed manually, taking into account the causal relations among variables, or semi-automatically, through the use of algorithms. The last step, of probabilities estimation, can be treated following two main approaches: by the frequentist approach, where parameters are considered fixed, and by the Bayesian approach, in which parameters are treated as random variables. Besides the theory contained in this work, showing the relations between graph theory and the construction of probabilistic networks, applications of these models are presented, highlighting problems in marketing and finance.

Made available in DSpace on 2016-06-02T20:06:12Z (GMT). No. of bitstreams: 1 DissDAZ.pdf: 2962567 bytes, checksum: 5c6271a67fae12d6b0160ac8ed9351a2 (MD5) Previous issue date: 2006-02-20 / Universidade Federal de Minas Gerais / (See full text for download) / A crescente necessidade do desenvolvimento de eficientes técnicas computacionais e estatísticas para analisar a profusão de dados biológicos transformaram o modelo Markoviano oculto (HMM), caso particular das redes bayesianas ou probabilísticas, em uma alternativa interessante para analisar sequências de DNA. Uma razão do interesse no HMM é a sua flexibilidade em descrever segmentos heterogêneos da sequência através de uma mesma estrutura de dependência entre as variáveis, supostamente conhecida. No entanto, na maioria dos problemas práticos, a estrutura de dependência não é conhecida e precisa ser também estimada. A maneira mais comum para estimação de estrutra de um HMM é o uso de métodos de seleção de modelos. Outra solução é a utilização de metodologias para estimação da estrutura de uma rede probabilística. Neste trabalho, propomos o HMM de segunda ordem e seus estimadores bayesianos, definimos o fator de Bayes e o DIC para seleção do HMM mais adequado a uma sequência específica, verificamos seus desempenhos e a performance da metodologia proposta por Friedman e Koller (2003) em conjunto de dados simulados e aplicamos estas metodologias em duas sequências de DNA: o intron 7 do gene a - fetoprotein dos cimpanzés e o genoma do parasita Bacteriophage lambda, para o qual o modelo de segunda ordem é mais adequado.

In this thesis, we have proposed a new computing platform called probabilistic spin logic (PSL) based on probabilistic bits (p-bit) using low barrier nanomagnets (LBM) whose thermal barrier is of the order of a kT unlike conventional memory and spin logic devices that rely on high thermal barrier magnets (40-60 kT) to retain stability. p-bits are tunable random number generators (TRNG) analogous to the concept of binary stochastic neurons (BSN) in artificial neural network (ANN) whose output fluctuates between a +1 and -1 states with 50-50 probability at zero input bias and the stochastic output can be tuned by an applied input producing a sigmoidal characteristic response. p-bits can be interconnected by a synapse or weight matrix [J] to build p-circuits for solving a wide variety of complex unconventional problems such as inference, invertible Boolean logic, sampling and optimization. It is important to update the p-bits sequentially for proper operation where each p-bit update is informed of the states of other p-bits that it is connected to and this requires the use of sequencers in digital clocked hardware. But the unique feature of our probabilistic hardware is that they are autonomous that runs without any clocks or sequencers.<br>To ensure the necessary sequential informed update in our autonomous hardware it is important that the synapse delay is much smaller than the neuron fluctuation time.<br>We have demonstrated the notion of this autonomous hardware by SPICE simulation of different designs of low barrier nanomagnet based p-circuits for both symmetrically connected Boltzmann networks and directed acyclic Bayesian networks. It is interesting to note that for Bayesian networks a specific parent to child update order is important and requires specific design rule in the autonomous probabilistic hardware to naturally ensure the specific update order without any clocks. To address the issue of scalability of these autonomous hardware we have also proposed and benchmarked compact models for two different hardware designs against SPICE simulation and have shown that the compact models faithfully mimic the dynamics of the real hardware.<br>

Die vorliegende Arbeit beschreibt ein generisches Verfahren zur wahrscheinlichkeitsbasierten Erkennung von Fahrsituationen und Fahrmanövern für sicherheitsrelevante Fahrerassistenzsysteme. Fahrsituationen und Manöver unterliegen einer gewissen Unsicherheit basierend auf der unterschiedlichen Situationswahrnehmung bzw. Manöverdurchführung der Fahrzeugführer. Diese Unsicherheitskomponente wird in den Ansatz zur Situations- und Manövererkennung mit einbezogen. Ein weiterer Unsicherheitsaspekt beruht auf den ungenauen Umgebungsinformationen auf denen die Situations- und Manövererkennung basiert. Beide Unsicherheitsursachen sind völlig unabhängig voneinander und werden aus diesem Grund separat betrachtet und modelliert. Zur Modellierung dieser beiden Unsicherheitsaspekte bedient sich der vorgestellte Ansatz der Fuzzy-Theorie, der Theorie der probabilistischen Netzen sowie Verfahren zur Fehlerfortpflanzung und Sensitivitätsanalyse. Nach der theoretischen Vorstellung dieser Methodiken wird in der Arbeit detailliert auf den Einsatz und das Zusammenspiel der einzelnen Verfahren zur Erkennung der Fahrsituationen und Fahrmanöver eingegangen. Die Umsetzbarkeit des vorgestellten Verfahrens wird am Beispiel der Notbremssituation gezeigt. Die Notbremssituation setzt sich aus unterschiedlichen Teilsituationen und Manövern zusammen. Die Erkennung der einzelnen Situationen und Manöver sowie die Zusammenführung zur übergeordneten Notbremssituation wurden mit Hilfe des vorgestellten Verfahrens realisiert. Zur Evaluierung der Erkennungsgüte wurden sowohl Messdaten aus dem Straßenverkehr als auch realitätsnahe Daten, aufgezeichnet auf Versuchsstrecken, herangezogen. / The present work describes a generic method for the probabilistic identification of driving situations and driving manoeuvres for safety relevant driver assistance systems. Driving situations and driving manoeuvres underlie a certain uncertainty based on the different situation perception and manoeuvre execution of the driver. This uncertainty component is considered in the approach for the situation and manoeuvre identification. An additional uncertainty aspect is based on the inaccurate environment information, the identification of driving situations and manoeuvres depend on. Both uncertainty aspects are completely independent and are considered and modelled separately for this reason. For modelling both of these uncertainty aspects the present approach is using the fuzzy theory, probabilistic networks, as well as methods for error propagation and sensitivity analysis. After introducing these techniques theoretically, the application and the interaction of the single methods to identify the driving situations and manoeuvres is described in detail. The practicability of the introduced proceeding is shown exemplarily on the emergency brake situation. The emergency brake situation consists of several situation and manoeuvre components. The identification of the single situations and manoeuvres as well as the combination to the higher emergency brake situation is realised with the introduced proceeding. Measuring data gathered on road traffic and close to reality data measured on a test track were used to evaluate the identification quality.

Made available in DSpace on 2016-06-02T20:06:06Z (GMT). No. of bitstreams: 1 4338.pdf: 1335557 bytes, checksum: 8e0bef5711ff8c398be194e335deecec (MD5) Previous issue date: 2012-02-28 / Universidade Federal de Sao Carlos / Classification consists in the discovery of rules of prediction to assist with planning and decision-making, being a continuously indispensable tool and a highly discussed subject in literature. As a special case in classification, we have the process of credit risk rating, within which there is interest in identifying good and bad paying customers through binary classification methods. Therefore, in many application backgrounds, as in financial, several techniques can be utilized, such as discriminating analysis, probit analysis, logistic regression and neural nets. However, the Probabilistic Nets technique, also known as Bayesian Networks, have showed itself as a practical convenient classification method with successful applications in several areas. In this paper, we aim to display the appliance of Probabilistic Nets in the classification scenario, specifically, the technique named K-dependence Bayesian Networks also known as KDB nets, as well as compared its performance with conventional techniques applied within context of the Credit Scoring and Medical diagnosis. Applications of the technique based in real and artificial datasets and its performance assisted by the bagging procedure will be displayed as results. / A classificação consiste na descoberta de regras de previsão para auxílio no planejamento e tomada de decisões, sendo uma ferramenta indispensável e um tema bastante discutido na literatura. Como caso especial de classificação, temos o processo de avaliação de risco de crédito, no qual temos o interesse de identificar clientes bons e maus pagadores através de métodos de classificação binária. Assim, em diversos enredos de aplicação, como nas financeiras, diversas técnicas podem ser utilizadas, tais como análise discriminante, análise probito, regressão logística e redes neurais. Porém, a técnica de Redes Probabilísticas, também conhecida como Redes Bayesianas, tem se mostrado um método prático de classificação e com aplicações bem sucedidas em diversos campos. Neste trabalho, visamos exibir a aplicação das Redes Probabilísticas no contexto de classificação, em específico, a técnica denominada Redes Probabilísticas com K-dependência, também conhecidas como redes KDB, bem como comparar seu desempenho com as técnicas convencionais aplicadas no contexto de Credit Scoring e Diagnose Médica. Exibiremos como resultado aplicações da técnica baseadas em conjuntos de dados reais e artificiais e seu desempenho auxiliado pelo procedimento de bagging.