Az új megfigyeléseknek és kísérleti adatoknak a kombinálása a korábban származtatott ismeretekkel egy alapvető kérdése a statisztikai, gépi tanulási és mesterséges intelligencia kutatásoknak. A Bayes-statisztikai és bayesi döntéselméleti keret egy univerzális, konzisztens keretet kínál az ismeretek reprezentálására és új adatokkal való kombinálására, amely napjainkra komplex, rendszerszemléletű valószínűségi modellosztályok sokaságával egészült ki. A bayesi megközelítés így általános keretbe fogja a modern gépi tanulási eszköztár legnagyobb részét, ideértve a komplex valószínűségi modelleket, oksági modelleket, mély tanulási modelleket és mátrixfaktorizációs eljárásokat is.

A tárgy fő célja a valószínűségi megközelítésnek ezen gyakorlati, adatmérnöki és tudásmérnöki alkalmazásának a bemutatása, elsősorban a mesterséges intelligencia és a gépi tanulás iránt érdeklődő hallgatók számára. A tárgy szisztematikusan bemutatja a hierarchikus és strukturált komplex valószínűségi modellek osztályait és felhasználásukat, mind következtésben, tanulásban és heterogén tudás és adatok fúziójában. A tárgy a komplex, valószínűségi modellek bemutatása, alkalmazásorientált jellemzése mellett nagy hangsúlyt helyez az általuk kínált rendszerszemléletű dekomponálás lehetőségeinek a megismertetésére, annak készség szinten történő fejlesztésére. A bemutatott modellosztályok természetes módon kapcsolódnak a bayesi megközelítéshez és így különösen alkalmasak nagy léptékű, heterogén adat- és tudásfúzióra. A mérnöki területeken bemutatott alkalmazások ajánlórendszerekkel, visszaélés detekcióval, szenzorhálózatokkal, egészségügyi és gyógyszerkutatásokkal, illetve szövegbányászati elemzésekkel kapcsolatosak.