شبکه‌ها‌ی بیزی ابزار جدیدی در مدل‌بندی پدیده‌ها و سیستم‌های ایستا و پویا هستند و در زمینه‌های مختلفی از جمله تشخیص بیماری‌ها، پیش‌بینی آب و هوا، تصمیم‌گیری و دسته‌بندی کاربرد دارند. یک شبکه بیزی یک مدل گرافی-احتمالی است که ارتباط‌های علی و معلولی بین متغیرهای تصادفی را نشان می‌دهد و از یک گراف بدون ‌دور جهت‌دار و یک مجموعه از احتمال‌های شرطی تشکیل شده است. دو موضوع مهم در مدل‌بندی یک مجموعه داده با شبکه بیزی یادگیری ساختاری و یادگیری پارامتری شبکه است. در این مقاله یک شبکه بیزی با ساختار معلوم را در نظر می‌گیریم و با شبیه‌سازی تلاش می‌کنیم ساختار شبکه را با استفاده از دو الگوریتم متداول PC و $ K_{2} $ یاد بگیریم. سپس، به یادگیری پارامترهای شبکه می‌پردازیم و برآوردهای ماکسیمم درستنمایی، ماکریمم احتمال پسین و میانگین پسین پارامترهای مورد علاقه را به‌ دست می‌آوریم. در ادامه، عملکرد برآوردها را با استفاده از معیار واگرایی کولبک-لایبلر مقایسه می‌کنیم و در نهایت، با استفاده از یک مجموعه داده واقعی، به یادگیری ساختاری و پارامتری شبکه می‌پردازیم تا امکان پیاده‌سازی روش‌های پیشنهادی بر روی داده‌های واقعی را نشان دهیم.