L'un des principaux facteurs de succès de l'exploration de données est lié à la compréhensibilité des modèles découverts par les techniques d'intelligence informatique; les réseaux bayésiens étant l'un des plus importants, si l'on considère la facilité d'interprétation des connaissances obtenue. Sa sémantique quantitative et qualitative, alliée à la compréhensibilité des modèles découverts, motive son application dans le processus de découverte des connaissances. Les réseaux bayésiens, cependant, comme toute technique d'intelligence informatique, présentent des limites et des inconvénients en ce qui concerne leur utilisation, parmi lesquels on peut citer l'apprentissage de la structure à partir de grands ensembles de données et la fourniture d'inférences au fil du temps. Ce livre présentera des extensions pour l'amélioration des réseaux bayésiens, en présentant des stratégies pour améliorer ses propriétés, en traitant des aspects tels que la performance, ainsi que l'interprétabilité et l'utilisation de ses résultats; en incorporant des modèles de régression multiple pour l'apprentissage de la structure, et des aspects temporels en utilisant des chaînes de Markov. Les modèles devraient aider les utilisateurs à étendre le champ d'application de ce modèle polyvalent à de nouveaux domaines et tâches.
