Al principio, las redes bayesianas y las redes neuronales artificiales se parecen, y lo son. Ambos son gráficos direccionales, y toman un conjunto de entradas, “hacer matemáticas”, y nos permiten predecir salidas.
Sin embargo, la principal diferencia es que las redes bayesianas tienen un significado intrínseco detrás de la estructura, mientras que las redes neuronales artificiales no.
Las redes bayesianas mapean la relación entre eventos en términos de probabilidad. Muestra cómo la ocurrencia de ciertos eventos influye en la probabilidad de que ocurran otros eventos. Aquí hay una simple red bayesiana de Wikipedia:
Cada evento tiene una probabilidad de ocurrir / no ocurrir, y también la probabilidad de que ocurra dado que otros eventos ocurren / no ocurren. Este tipo de diagrama es muy útil cuando tenemos eventos interdependientes y queremos modelar resultados y tomar decisiones. Por ejemplo, los diagnósticos médicos y los filtros de spam utilizan redes bayesianas.
- ¿Cuál es la función de paso de unidad en la red neuronal artificial?
- ¿Cómo se aplica la inteligencia artificial a los sistemas de transmisión automática en automóviles?
- ¿Cómo funciona Amazon Go?
- ¿La inteligencia artificial y el aprendizaje automático reemplazarán las pruebas de selenio y las pruebas de automatización?
- ¿Qué bibliotecas de OCR tienen en cuenta la ortografía de una palabra para predecir los caracteres y cómo lo hacen?
Mientras que en un modelo bayesiano, cada nodo representa un evento, y los bordes infieren probabilidades, los nodos y los bordes en redes neuronales artificiales no significan nada individualmente. Más bien, simplemente toma entradas y las ejecuta a través de una serie de sumas y funciones para determinar una salida. Si observara los nodos y pesos individuales, no podría discernir mucho de ellos. Sin embargo, cuando crea una red de nodos “sin sentido”, puede resolver algunos problemas bastante sorprendentes.
Además, las redes bayesianas se usan de inferencia a predicción a modelado, mientras que las redes neuronales se usan exclusivamente para predecir.
También hay claras diferencias de implementación entre los dos. Puede encontrar este sitio web muy útil para explicar cómo funciona una red neuronal con más detalle:
Redes neuronales y aprendizaje profundo.