Estrategias híbridas para mejorar las redes bayesianas
Versandkostenfrei!
Versandfertig in 6-10 Tagen
18,99 €
inkl. MwSt.
PAYBACK Punkte
9 °P sammeln!
Uno de los principales factores del éxito de la minería de datos está relacionado con la comprensibilidad de las pautas descubiertas por las técnicas de inteligencia computacional, siendo las redes bayesianas una de las más destacadas, si se considera la facilidad de interpretación de los conocimientos lograda. Su semántica cuantitativa y cualitativa, aliada a la comprensibilidad de los patrones descubiertos, motiva su aplicación en el proceso de descubrimiento de conocimientos. Las redes bayesianas, sin embargo, como cualquier técnica de inteligencia computacional, presentan limitaci...
Uno de los principales factores del éxito de la minería de datos está relacionado con la comprensibilidad de las pautas descubiertas por las técnicas de inteligencia computacional, siendo las redes bayesianas una de las más destacadas, si se considera la facilidad de interpretación de los conocimientos lograda. Su semántica cuantitativa y cualitativa, aliada a la comprensibilidad de los patrones descubiertos, motiva su aplicación en el proceso de descubrimiento de conocimientos. Las redes bayesianas, sin embargo, como cualquier técnica de inteligencia computacional, presentan limitaciones y desventajas en cuanto a su uso; entre ellas podemos señalar el aprendizaje de la estructura a partir de grandes conjuntos de datos y el suministro de inferencias a lo largo del tiempo. Este libro mostrará las extensiones para la mejora de las redes bayesianas, presentando estrategias para mejorar sus propiedades, tratando aspectos como el rendimiento, así como la interpretabilidad y el uso de sus resultados; incorporando modelos de regresión múltiple para el aprendizaje de la estructura, y aspectos temporales utilizando las cadenas de Markov. Los modelos deberían ayudar a los usuarios a ampliar el ámbito de aplicación de este versátil modelo para nuevos dominios y tareas.
Andere Kunden interessierten sich für
