貝氏網路（Bayesian network），又稱信念網絡（belief network）或是有向無環圖模型（directed acyclic graphical model），是一種機率圖型模型，藉由有向無環 ...貝氏網路維基百科，自由的百科全書跳至導覽跳至搜尋人工智慧主要目標知識表示自動規劃（英語：Automatedplanningandscheduling）機器學習語言處理電腦視覺機器人學強人工智慧實現方式符號人工智慧深度學習貝氏網路進化演算法人工智慧哲學倫理（英語：Ethicsofartificialintelligence）存在風險（英語：Existentialriskfromartificialgeneralintelligence）圖靈測試中文房間友好人工智慧人工智慧史時間軸（英語：Timelineofartificialintelligence）發展（英語：Progressinartificialintelligence）人工智慧低谷技術應用（英語：Applicationsofartificialintelligence）專案（英語：Listofartificialintelligenceprojects）程式語言（英語：Listofprogramminglanguagesforartificialintelligence）術語術語（英語：Glossaryofartificialintelligence）閱論編一個簡單的貝氏網路。

雨水影響灑水器是否有動作，且雨水及灑水器二者均可影響草是否濕潤.貝氏網路（Bayesiannetwork），又稱信念網路（beliefnetwork）或是有向無環圖模型（directedacyclicgraphicalmodel），是一種機率圖型模型，藉由有向無環圖（directedacyclicgraphs,orDAGs）中得知一組隨機變數{X1,X2,...,Xn}{\displaystyle\left\{X_{1},X_{2},...,X_{n}\right\}}及其n組條件機率分配（conditionalprobabilitydistributions,orCPDs）的性質。

舉例而言，貝氏網路可用來表示疾病和其相關症狀間的機率關係；倘若已知某種症狀下，貝氏網路就可用來計算各種可能罹患疾病之發生機率。

一般而言，貝氏網路的有向無環圖中的節點表示隨機變數，它們可以是可觀察到的變數，抑或是潛在變量、未知參數等。

連接兩個節點的箭頭代表此兩個隨機變數是具有因果關係或是非條件獨立的；而兩個節點間若沒有箭頭相互連接一起的情況就稱其隨機變數彼此間為條件獨立。

若兩個節點間以一個單箭頭連接在一起，表示其中一個節點是「因（parents）」，另一個是「果（descendantsorchildren）」，兩節點就會產生一個條件機率值。

比方說，我們以Xi{\displaystyleX_{i}}表示第i個節點，而Xi{\displaystyleX_{i}}的「因」以Pi{\displaystyleP_{i}}表示，Xi{\displaystyleX_{i}}的「果」以Ci{\displaystyleC_{i}}表示；圖一就是一種典型的貝氏網路結構圖，依照先前的定義，我們就可以輕易的從圖一可以得知：P2={X4,X5},C2=∅,P4=∅,C4={X2,X5},P5={X4}{\displaystyleP_{2}=\left\{X_{4},X_{5}\right\},C_{2}=\emptyset,P_{4}=\emptyset,C_{4}=\left\{X_{2},X_{5}\right\},P_{5}=\left\{X_{4}\right\}}，以及C5={X2}{\displaystyleC_{5}=\left\{X_{2}\right\}}大部分的情況下，貝氏網路適用在節點的性質是屬於離散型的情況下，且依照P(Xi|Pi){\displaystyleP(X_{i}|P_{i})}此條件機率寫出條件機率表（conditionalprobabilitytable,orCPT），此條件機率表的每一列（row）列出所有可能發生的Pi{\displaystyleP_{i}}，每一行（column）列出所有可能發生的Xi{\displaystyleX_{i}}，且任一列的機率總和必為1。

寫出條件機率表後就很容易將事情給條理化，且輕易地得知此貝氏網路結構圖中各節點間之因果關係；但是條件機率表也有其缺點：若是節點Xi{\displaystyleX_{i}}是由很多的「因」所造成的「果」，如此條件機率表就會