Questo sito utilizza cookie di terze parti per inviarti pubblicità in linea con le tue preferenze. Se vuoi saperne di più clicca QUI 
Chiudendo questo banner, scorrendo questa pagina, cliccando su un link o proseguendo la navigazione in altra maniera, acconsenti all'uso dei cookie. OK

Reti Bayesiane: un approccio multi-esperto allo structural learning

L'anteprima di questa tesi è scaricabile in PDF gratuitamente.
Per scaricare il file PDF è necessario essere iscritto a Tesionline.
L'iscrizione non comporta alcun costo. Mostra/Nascondi contenuto.

Capitolo 1 - Le reti Bayesiane 7 1 LE RETI BAYESIANE 1.1 INTRODUZIONE L’esperto di genetica Sewall Wright, nel 1921, fu il primo a concepire una rappresentazione grafica di modelli probabilistici per l’esemplificazione di un problema. Alla fine degli anni ’70, l’interesse per la Scienza della Cognizione e l’Intelligenza Artificiale ha favorito lo sviluppo di modelli per rappresentare relazioni di tipo probabilistico fra un insieme di variabili in condizioni di incertezza: le Reti Bayesiane (BN - Bayesian Networks o Belief Networks, Belief Bayesian Networks BBN). La disponibilità di una rigorosa base probabilistica e della teoria dei grafi, l’immediatezza dell’espressione grafica e la possibilità di realizzare un processo di inferenza di tipo direzionale 1 ha condotto, infatti, ad una rapida affermazione delle reti Bayesiane per la codifica della conoscenza, in condizioni di incertezza, nei sistemi esperti, integrando o sostituendo i sistemi rule - based (così definiti perché costruiti su un insieme di regole). Le Belief Network sono una diretta rappresentazione di un dominio 2 e non del processo di ragionamento: i legami rappresentati nel modello grafico esprimono le reali connessioni fra le variabili e non il flusso del processo di ragionamento (come avviene invece nei sistemi rule-based). In ogni caso le BN consentono la comprensione di un problema complesso, anche a persone non esperte, proprio grazie all’esplicazione dei legami fra le variabili. [BUN96] [JEN96] [PEA200] 1 L’evidenza, in un processo di inferenza, è definita di tipo top – down (semantica, ovvero la causa A implica l’effetto B ) e bottom – up (di percezione, ovvero quale è la causa che ha provocato l’effetto B?). 2 Un dominio indica un insieme di variabili (aleatorie) con cui modellare un problema in condizioni di incertezza.

Anteprima della Tesi di Sabatino Liguori

Anteprima della tesi: Reti Bayesiane: un approccio multi-esperto allo structural learning, Pagina 4

Tesi di Laurea

Facoltà: Ingegneria

Autore: Sabatino Liguori Contatta »

Composta da 242 pagine.

 

Questa tesi ha raggiunto 2591 click dal 20/03/2004.

 

Consultata integralmente 6 volte.

Disponibile in PDF, la consultazione è esclusivamente in formato digitale.