Como escribí en mi respuesta a ¿Cuáles son algunas aplicaciones de la vida real de Bayesian Belief Networks? Los filtros de Kalman son un caso especial de las redes dinámicas bayesianas. Al ver cómo los filtros de Kalman han sido la técnica dominante en el seguimiento de objetivos durante décadas, creo que eso califica como una historia de éxito.
En cuanto a las ventajas de las redes bayesianas, estas son solo algunas:
- Pueden combinar fuentes dispares de evidencia débil para llegar a hipótesis sólidas.
- Pueden realizar varios tipos de razonamiento: diagnóstico (también conocido como abductivo, ascendente), predictivo (también conocido como causal, deductivo, de arriba hacia abajo) e intercausal (también conocido como explicación)
- Su representación compacta de distribuciones de probabilidad conjunta que representan estados mundiales complejos reduce la cantidad de parámetros que debe especificar un modelo del estado mundial.
- Su estructura gráfica es más fácil de entender para los humanos que las redes neuronales, lo que facilita el desarrollo del modelo por expertos en la materia.
- Son modelos de “caja blanca” en el sentido de que su proceso de razonamiento puede ser entendido por los humanos y sus respuestas siempre vienen con probabilidades adjuntas. (solo trate de explicar cómo una red neuronal llegó a su conclusión a su jefe no técnico)
- Se basan en una base probabilística rigurosa, a diferencia de los sistemas basados en reglas y lógica difusa.
- La mayoría de las redes pueden transformarse en estructuras en forma de árbol que permiten la actualización de creencias locales a través del envío de mensajes, facilitando su implementación en procesadores paralelos.
- Experimentos psicológicos recientes indican que los humanos razonan intuitivamente sobre su mundo de una manera bastante similar a la inferencia bayesiana
En cuanto a “¿Pueden las redes Bayesianas tratar con … datos que no se pueden discretizar fácilmente …”, ciertamente puede incluir variables aleatorias continuas en su red. Si conoce la distribución y es simple (por ejemplo, gaussiana), puede usar alguna forma de propagación de creencias. De lo contrario, puede usar algo como la ponderación de probabilidad donde toma muestras de una variable y luego las propaga a través de la red. Obviamente, la precisión aumenta con la mayor cantidad de muestras que empuja de esta manera; sin embargo, una ventaja es que es un “algoritmo en cualquier momento” que le proporcionará una estimación cada vez que detenga la iteración. No tiene que esperar a que se “detenga” para obtener una respuesta.
- ¿Son productivos los investigadores y matemáticos después de los 45? ¿Es práctico hacer un doctorado después de la jubilación?
- ¿Qué consejo me das, si realmente quiero comenzar a programar?
- ¿Cuáles son algunos de los mejores libros sobre economía computacional?
- ¿Cuáles son los mejores métodos para la gestión de proyectos en un entorno altamente incierto?
- ¿Puede alguien que no es bueno en matemáticas sobresalir en informática?