INTELIGENCIA ARTIFICIAL. TEMA : REDES BAYESIANAS DIEGO ERAZO

Introducción Las redes Bayesianas juegan diversos papeles importantes dentro de la Inteligencia Artificial. Uno de ellos es su actuación dentro del manejo de incertidumbre en los sistemas expertos. Otro papel importante lo tienen en lo que se conoce como descubrimiento de conocimiento en bases de datos; las redes Bayesianas permiten encontrar, de una manera consistente, relaciones probabilistas entre variables.Estas aplicadas a casi cualquier tipo de problema.

“los sistemas expertos” Las redes bayesianas vienen de : “los sistemas expertos” Otra definición es la dada por Nikolopoulos ( Nikolopoulos, 1997): “ Un sistema experto o sistema basado en conocimiento utiliza conocimiento ganado a través de razonamiento y heurísticas para resolver problemas complejos e intratables del mundo real, con un alto grado de confiabilidad”.

Aprendizaje de la estructura. Consiste en la determinación de la topología de la red, es decir, la construcción del grafo que contenga las relaciones independencia/dependencia entre las variables. Básicamente hay dos enfoques: el enfoque tradicional que consiste en aprender la red bayesiana a partir del conocimiento de un experto, y el enfoque automático, utilizando técnicas que caen dentro de minería de datos o KDD.

Propagación de probabilidades (inferencia). Esta es la parte más aplicada de las redes Bayesianas. Dado que se conoce el valor de alguna(s) variable(s) podemos actualizar las probabilidades del resto de las variables; esto comúnmente se llama propagación de probabilidades, propagación de evidencia o inferencia.

Determinación de datos faltantes. El problema de datos faltantes se presenta frecuentemente, y es que hay veces que por alguna razón no es posible obtener el valor de alguna variable. El problema de determinar que valor es el más probable de que suceda en esa instancia es lo que se llama determinación de datos faltantes, o valores faltantes

Determinación de variables ocultas. En muchas ocasiones es posible que no se hayan determinado algunas variables que eran importantes para la explicación del fenómeno bajo estudio, y es notado que existe un influencia en los datos que no es percibida fácilmente, entonces es posible postular la existencia de alguna o algunas variables ocultas como responsables de explicar esta producción anormal de los datos

La red bayesiana no trivial más simple que podemos imaginar consta de dos variables, que llamaremos C y P1, y un arco desde la primera hasta la segunda, como se muestra c1 Explicación :para concretar el ejemplo, supongamos que c representa el conocimiento del alumno sobre cierto concepto c y p1 su capacidad de resolver correctamente cierta pregunta p1 relativa a dicho concepto. entonces, que el alumno sepa el concepto c p1

c1 tiene influencia causal en que sea capaz de responder bien a la pregunta P1, lo cual se expresa mediante el arco dirigido que aparece en la Figura. La notación que usaremos será la siguiente: si X es una variable binaria, denotaremos por +x la presencia de aquello a lo que representa y por ¬x a su ausencia. Así, por ejemplo en este caso +c significará “el alumno conoce el concepto C” y ¬c “el alumno no conoce el concepto C”; +p1 significará “el alumno es capaz de resolver correctamente la pregunta P1” y ¬p1 “el alumno no es capaz de resolver correctamente la pregunta P1”. p1 p1

p1 p1