¿Quieres decir que no es el hecho de que uno fue propuesto en la década de 1700 y el otro es una construcción del siglo XX? ¿Por qué comenzar una respuesta de esta manera? Los números se han usado ahora para aplastar un montón de matices.
Bayes se hizo más popular a medida que la informática se hizo más rápida y barata. La necesidad de su método estuvo ahí todo el tiempo. Y, se había aplicado. Pero, un nuevo requisito para manejar montones de datos realmente despegó a Bayes.
Pregunta relacionada: ¿Qué es un modelo de Markov y Bayesiano en términos simples? Ambos enfoques se reducen a números. Como tal, dejan agujeros para aplicar cualquier tipo de esquema cualitativo que sería manejado por modelos y sus lógicas. Pero entonces, eso es lo que quiere la IA (eliminar al humano de la ecuación).
- Rober Ambrogi: ¿Podría Watson de IBM hacer obsoletos a los testigos expertos?
- ¿Qué se necesita para construir un robot como Nao?
- ¿Quora es un formato para el desarrollo y prueba de inteligencia artificial?
- ¿Qué problemas han demostrado que las computadoras no pueden resolver, pero que los humanos pueden resolver?
- ¿Deberían las compañías tecnológicas crear juntas reglas de seguridad de inteligencia artificial?
Y, estos modelos / lógicas son muchos y variados. Me gusta el enfoque de McCarthy porque nos permite pensar en la calificación, el marco y la ramificación. Lo cual, en mi experiencia, es una forma crucial de particionar.
—-
Algunas referencias
- Ingeniería de sistemas de información avanzada (25ª Conferencia Internacional, 2013) – Un lenguaje fluido basado en cálculo para especificaciones de servicios web (págs. 264- – habla sobre el uso de ramificación y calificación.
- M. Kanermans, T. Schmits (2004) – La historia del problema del marco
- Descripción general de Stanford (actualización 2016) – El problema del marco: tenga en cuenta el énfasis en los sistemas dinámicos (sí, números al máximo)
—-
Pregunta relacionada: ¿Por qué el enfoque bayesiano es más popular hoy en día que Fuzzy Logic?