Waarom is dit belangrijk?
Een rekenmodel kan toch een keuze maken terwijl meerdere verklaringen nog openliggen, doordat elke verklaring een eigen kans houdt tijdens de berekening. In de levenswetenschappen bouwen onderzoekers met Bayesiaans programmeren modellen voor spraakverwerving en voor het waarnemen en de aansturing van handschrift. Voor onderzoekers en studenten maakt dit onzekerheid in een berekening zichtbaar, maar een zwakke aanname kan het antwoord vertekenen.
Zo werkt het in de praktijk
In de auto-industrie beschrijft Bayesiaans programmeren systemen die de bestuurder ondersteunen. Het beschrijft ook modellen van het rijgedrag van de bestuurder. In computerspellen stuurt de aanpak een avatar aan en plant het zetten voor eenheden in strategiespellen.
Onderzoekers zetten Bayesiaans programmeren naast probabilistisch programmeren. Probabilistisch programmeren voegt kansmodellen toe aan talen zoals Prolog en Lisp. Hoe beide vormen in betekenis en rekenkracht verschillen, is een open onderzoeksvraag.
Bayesiaans programmeren schrijft grafische kansmodellen op, zoals een Bayesiaans netwerk of een Kalman-filter. Ook een verborgen Markov-model past in deze vorm. Het rekenprogramma ProBT rekent daaruit de gevraagde kansverdeling.




