REDES BAYESIANAS

INTRODUCCIÓN

Las Redes Bayesianas son utilizadas para sistemas expertos, debido a que se pueden realizar reglas de inferencia bayesiana que ayudan a estos sistemas a ser más inteligentes, estas reglas de inferencia sirven para estimar la probabilidad posterior de las variables no conocidas, en base a las variables conocidas.

Las redes bayesianas tienen muchas aplicaciones; se las puede aplicar para clasificación, predicción, diagnóstico, etc.

Al principio estos modelos se los realizaba a mano; pero en la actualidad existen diversas técnicas para efectuar aprendizaje a partir de los datos que resultan de la aplicación de este modelo a variables de un mundo conocido.

Definición

Las Redes Bayesianas son un grafo acíclico dirigido que consta de nodos que representan las variables aleatorias y los arcos son las dependencias probabilísticas de cada variable, las redes bayesianas son un conjunto de variables aleatorias representadas en un grafo dirigido, el arco entre dos variables x e y, significa una influencia directa de x sobre y.

Los nodos son cualquier variable como por ejemplo variables que se pueden medir, variables latentes o hipótesis. Las redes bayesianas son utilizadas para sistemas expertos y se pueden utilizar diversos tipos de algoritmos para recopilar conocimiento par a estos sistemas.

Figura 1. Ejemplo de una red bayesiana [1]

Los nodos representan variables aleatorias y los arcos las relaciones de dependencia. En esta red observamos que [1]:

• Caries es una causa directa de Dolor y Huecos
  
• Dolor y Huecos son condicionalmente independientes dada Caries
• Tiempo es independiente de las restantes variables

Tiempo es independiente de las restantes variables

Existen diferentes tipos de redes bayesianas [2]:

Naive Bayes = bayes “ingenuo” o Idiot's Bayes
Forma de “V” => 2 ^ n estados en el nodo inferior

DBNs = Redes Bayesianas Dinámicas
Cambian con el tiempo (t, t+1, t+2...)
Lo pasado en t, tiene relación con lo que suceda en t+1

Redes Gaussianas = distribución gaussiana
Para nodos con variables continuas

Cadenas de Markov = subconjunto de las RB


Aplicaciones

Las redes bayesianas tienen múltiples aplicaciones, se puede aplicar este modelo en empresas que necesiten diagnosticar problemas o fallos o también para minería de datos.
A continuación tenemos algunos campos en donde podemos aplicar las redes bayesianas [3]:

Prevención del fraude
Prevención del abandono de clientes
Blanqueo de dinero
Marketing personalizado
Mantenimiento preventivo
Clasificación de datos estelares

Aplicaciones en empresas [1]:

Microsoft: Answer Wizard (Office), diagnostico de problemas de impresora.
Intel: Diagnostico de fallos de procesadores
HP: Diagnostico de problemas de impresora
Nasa: Ayuda a la decisión de misiones espaciales

Referencias

[1] José L. Ruiz Reina, Introducción a las Redes Bayesianas, Dpto. de Ciencias de la Computación e Inteligencia Artificial Universidad de Sevilla, disponible en:
http://www.cs.us.es/cursos/ia2-2005/temas/tema-08.pdf
[2] Álvaro Marín Illera, Sistemas Expertos, Redes Bayesianas y sus aplicaciones, Semana ESIDE, Abril 2005, Universidad de Deusto, disponible en:
http://www.e-ghost.deusto.es/docs/2005/conferencias/Bayes05.pdf

[3] Red bayesiana, disponible en: http://es.wikipedia.org/wiki/Red_bayesiana

[4] Jorge Luís Guevara Díaz, Redes Bayesianas, disponible en: http://jorge.sistemasyservidores.com/si_2008i/clases/claseiarazonamientoprobabilistico.pdf

[5] Carlos López de Castilla Vásquez, Clasificadores Por Redes Bayesianas, Universidad de Puerto Rico, disponible en:
http://grad.uprm.edu/tesis/lopezdecastilla.pdf

MODELOS OCULTOS DE MARKOV

Un modelo oculto de Markov o HMM (por sus siglas del inglés, Hidden Markov Model), es un proceso por el cual se observa el comportamiento del sistema de manera indirecta pues los estados del mismo permanecen ocultos para el observador.

El objetivo principal es encontrar los valores desconocidos a partir de parámetros observables, estos modelos describen un proceso de probabilidad el cual produce una secuencia de parámetros observables, se denominan ocultos por que existe probabilidades ocultas que afectan al resto de estados observados.

Un modelo oculto de Markov es un conjunto finito de estados probabilísticos, en el que el estado esta conectado a otro por un arco de transición, en donde cada arco tiene diversas probabilidades que pueden cambiar en algún instante del tiempo, entonces se puede decir que el sistema se encuentra en uno de los posibles estados y habrá un cambio de un estado a otro en intervalos iguales de tiempo.

Figura 1. Ejemplo de un modelo de Markov [1]

Probabilidad de que el día permanezca, lluvioso, nubloso soleado

Cada estado (S + 1) depende del estado anterior S y no del progreso del sistema.

Tipos de HMM

Los modelos ocultos de Markov se clasifican según la función de la matriz de distribuciones de probabilidad de emisión, estos son:


HMM discretos

En este modelo las observaciones son vectores de símbolos de un alfabeto finito con M + 1 elementos diferentes, en este caso se define el número de símbolo observables M, el conjunto de estados, y las probabilidades que definen el modelo oculto de Markov.

HMM continuos

Las probabilidades que dominan la emisión de los parámetros observables están definidas sobre espacios de observación continuos, se restringe la forma de distribuciones para obtener un número manejable de parámetro a estimar.


HMM semicontinuos

Para aplicar este modelo se debe realizar un entrenamiento a varios modelos con bases de datos limitadas, estos modelos al igual que los continuos se realizan a partir de combinaciones de distribuciones probabilísticas. La diferencia de estos modelos es que las funciones base son comunes en todos los modelos.

Referencias

[1] Luís Miguel Bergasa Pascual, Introducción a los modelos ocultos de Markov, Departamento de electrónica, Universidad de Alcalá, disponible en: http://www.depeca.uah.es/docencia/doctorado/cursos04_05/82854/docus/HMM.pdf

[2] Redes Neuronales y Modelos Ocultos de Markov, disponible en: http://catarina.udlap.mx/u_dl_a/tales/documentos/lis/clemente_f_e/capitulo2.pdf

[3] Basilio Sierra Araujo, Aprendizaje Automático: Conceptos básicos y avanzados.

Conocimiento Tácito y Explícito

El conocimiento tácito

Es el conocimiento que se adquiere por medio de la experiencia personal e involucra factores imperceptibles como el punto de vista propio, los valores, las ideas personales, la intuición, elementos individuales, que son parte integral de este conocimiento. El conocimiento tácito también es utilizado por los individuos y organizaciones para alcanzar algún propósito práctico, pero que no puede ser explicado fácilmente o comunicado.

El conocimiento explícito

Este conocimiento se lo puede expresar más fácilmente pues se trata de códigos que se los pueden transmitir en un lenguaje formal y sistemático. El explícito puede ser fácilmente procesado por una computadora, transmitido electrónicamente o guardado en base de datos. Se puede expresar a través del lenguaje formal, incluidos enunciados gramaticales, expresiones matemáticas, especificaciones, manuales, etc. Este conocimiento puede ser transmitido fácilmente de un individuo a otro.

Combinaciones de Conocimiento

Existen cuatro formas de combinación de conocimiento:

1. Socialización: de tácito a tácito.
2. Exteriorización: de tácito a explícito.
3. Combinación: de explícito a explícito.
4. Interiorización.: de explícito a tácito.
   

La Socialización: es el proceso de adquirir conocimiento tácito a través de compartir experiencias por medio de exposiciones orales, documentos, manuales y tradiciones.

La Exteriorización: es la actividad esencial en la creación del conocimiento, y se lo realiza por medio del proceso de convertir conocimiento tácito en conceptos explícitos y se lo trata de hacer visible mediante el uso de metáforas, integrándolo en la cultura de la organización.

La combinación: es el proceso de crear conocimiento explícito al reunir conocimiento explícito proveniente de cierto número de fuentes, mediante el intercambio de conversaciones telefónicas, reuniones, correos, etc.

La Interiorización: es un proceso de incorporación de conocimiento explícito en conocimiento tácito, que analiza las experiencias adquiridas en la puesta en práctica de los nuevos conocimientos, en la forma de modelos mentales compartidos o prácticas de trabajo.

Referencias:
http://cinelyta.wordpress.com/2008/07/11/combinaciones-del-conocimiento-explicito-y-tacito/
http://www.arqhys.com/arquitectura/tacito-explicito.html

Tipos de conocimiento

El conocimiento es un conjunto de datos, los cuales en conjunto constituyen información sobre un hecho. El conocimiento se forma de la información obtenida a lo largo del tiempo sobre como funcionan las cosas.



Existen dos tipo de conocimiento: el explícito y el tácito.

• El conocimiento explícito: Este conocimiento se lo puede expresar en palabras y números, puede ser fácilmente transmitido y compartido en forma de representaciones en medios codificados, fórmulas científicas o principios globales o universales.

• El conocimiento tácito: está muy personalizado y su formalización es compleja. Por lo que es difícil de transmitir ya que no ha adoptado una forma explícita. [1]

En el "modelo de ciclos de producción del conocimiento", se expresan los siguientes procesos de conversión del conocimiento:

1. De tácito a tácito (Proceso de socialización): Los individuos adquieren nuevos conocimientos directamente de otros.
2. De tácito a explícito (Proceso de externalización): El conocimiento se articula de una manera tangible a través del dialogo.
3. De explícito a explícito (Proceso de combinación): Se combinan diferentes formas de conocimiento explícito mediante documentos o bases de datos.
4. De explícito a tácito (Proceso de internalización): Los individuos internalizan el conocimiento de los documentos en su propia experiencia.[1]
   

La gestión del conocimiento tiene principalmente los siguientes objetivos:

• Identificar, recoger y organizar el conocimiento existente.

• Facilitar la creación del nuevo conocimiento.

• Iniciar la innovación a través de la reutilización y apoyo de la habilidad de la gente a través de organizaciones para producir un realzado funcionamiento de negocio. [2]

La gestión del conocimiento es la base para el desarrollo de la sociedad, nos permite incrementar las investigaciones en todos lo campos existentes y ampliar las fronteras del saber.

• Referencias

[1] Luís Alvarado Acuña, La Gestión del Conocimiento y la utilización de las Tecnologías de la Información y de las comunicaciones en la creación de valor en los proyectos de Innovación, disponible en:
http://www.monografias.com/trabajos12/lagc/lagc.shtml#INNOVAC

[2] Juan Carrión Maroto, INTRODUCCIÓN CONCEPTUAL A LA GESTIÓN DEL CONOCIMIENTO disponible en: http://www.gestiondelconocimiento.com/introduccion.htm