Wcześniej przedstawiono podstawowe elementy teorii prawdopodobieństwa i zwrócono uwagę na znaczenie zależności niezależności i warunkowej niezależności w upraszczaniu probabilistycznych reprezentacji świata. Ten rozdział przedstawia systematyczny sposób przedstawiania takich relacji w formie sieci bayesowskiej. Definiujemy składnię i semantykę tych sieci i pokazujemy, jak można je wykorzystać do uchwycenia niepewności w wiedzę, w naturalny i efektywny sposób. Następnie pokazujemy, jak wnioskowanie probabilistyczne, chociaż w najgorszym przypadku niewykonalne obliczeniowo, można skutecznie przeprowadzić w wielu praktycznych sytuacjach. Opisujemy również różne algorytmy wnioskowania przybliżonego, które często mają zastosowanie, gdy wnioskowanie dokładne jest niewykonalne. Rozszerzymy podstawowe idee sieci bayesowskich na bardziej wyraziste języki formalne służące do definiowania modeli prawdopodobieństwa.