Các giải pháp Học máy nhằm hỗ trợ ra quyết định càng ngày càng được hoàn thiện với sự phát triển của các mạng học sâu. Tuy nhiên, các mạng này chỉ hoạt động chính xác khi vector dữ liệu đầu vào là đầy đủ. Đối với dữ liệu không đầy đủ, các mô hình xác suất có điều kiện trở nên hữu dụng hơn các mạng học sâu. Bài báo này sẽ giới thiệu mạng Bayes - một giải pháp sơ cấp để dự đoán xác suất trong các điều kiện phức hợp, làm tiền đề cho ứng dụng thứ cấp là phân loại, dự đoán hay ra quyết định. Mạng Bayes cũng được huấn luyện dựa trên dữ liệu đầu vào, qua đó xác định được sự phụ thuộc hay độc lập của các trường dữ liệu. Bài báo sẽ sử dụng dữ liệu về hoàn cảnh sinh viên nhằm ước lượng các xác suất liên hệ giữa các trường hoàn cảnh và khả năng bỏ học của sinh viên.Machine learning solutions for decision support are increasingly being refined with the development of deep learning networks. However, these networks only work correctly when the input data vector is complete. For incomplete data, conditional probability models become more useful than deep learning networks. This article will introduce the Bayesian network, which is a primary solution for predicting probabilities in complex conditions, acting as a premise for secondary applications such as classification, prediction or decision-making processes. The Bayesian network is also trained based on input data, determining the dependence or independence of data fields. The article will use data on students to estimate the related probabilities between their circumstances and their likelihood of dropping out.