در سال های اخیر شبکه های بیزی در حوزه های مختلفی استفاده شده است: از پردازش تحلیلی آنلاین با هدف گسترش عملکرد گرفته تا تحلیل عملکرد خدمات پزشکی، تا تحلیل بیان ژن، تا تشخیص شیوع شناسی و تشخیص زودهنگام سرطان سینه. در حوزه ی روانسنجی نیز این رویکرد شبکه قابلیت های نظری  و عملی فراوانی دارد. در حوزه ی زبان شناسی برای پیدا کردن مسیر ارتباط بین کلمات مختلف و ریشه شناسی و در حوزه ی باستان شناسی و گیاه شناسی برای پیدا کردن شجرنامه ی نمونه های مورد مطالعه  و مطالعات سیستماتیک. به دلیل تعداد ابعاد بالا در چنین مطالعاتی نیاز به الگوریتم هایی است که پیچیدگی های محاسباتی را کاهش دهد تا شبکه ی درست آموخته شود. به عنوان مثال الگوریتم grow-shrink مارگاریتی، الگوریتم انجمن افزایشی و مشتقات این الگوریتم که ساماردینوس و همکارانش به آن اشاره کرده اند، یا الگوریتم sparse candidate فریدمن و ورود مجدد بهینه مور و وانگ یا جستجوی معادل پیگیرانه چیرکرینگ.

بسته ی نرم افزاری bnlearn تحت نرم افزار R بعضی از این الگوریتم ها را از طریق آزمون های استقلال شرطی و نمرات شبکه با هدف اجرایی کردن ساختارهای شبکه بیزی بکار گرفته است که هم داده های گسسته و هم داده های پیوسته را در بر می گیرد. الگوریتم های یادگیری می توانند به صورت جداگانه از ملاک های آماری که مبتنی بر آنها هستند انتخاب شوند و بهترین ترکیب از داده های مورد مطالعه می تواند استفاده شود.

بیشتر متن برگرفته از مقدمه ی بسته ی نرم افزاری bnleaern