Las redes neuronales se basan en funciones de activación que simulan los comportamientos neuronales en el sentido matemático. No es un enfoque probabilístico en sus propiedades intrínsecas, sin embargo, puede evaluar los resultados de manera probabilística ya que todo el flujo numérico es binario o en [-1 1]. Para obtener una inferencia probabilística en la red neuronal, también puede usar la base de distribución de Boltzman en algún cálculo de energía en relación con las partes restantes de la red neuronal.
Belief net se basa en modelos generativos de los datos ya que los argumentos bayesianos están en el negocio. Necesita más cierto tipo de aprendizaje y algoritmos de inferencia que generalmente son más costosos computacionalmente. Puede pensar en una red de creencias como un diagrama de flujo donde cada nodo es un hecho que influye en el siguiente nodo al indicar los bordes dirigidos. Además, cada nodo tiene su propia parametrización de distribución generalmente curiada por el experto en problemas. Aprende la aproximación a esos parámetros de distribución en el tiempo de aprendizaje y en el tiempo de inferencia, solo intenta obtener la respuesta que está buscando dada la consulta.
- ¿ISRO utiliza una inteligencia artificial?
- Cómo comenzar con el aprendizaje profundo (cosas matemáticas) en Python
- ¿Cuándo es el final de la red neuronal profunda? La gente está loca por esto y muchos de ellos no saben lo que está pasando dentro
- ¿Cuáles son algunos consejos generales sobre selección de características e ingeniería que todo científico de datos debe saber?
- Cuando implementa algoritmos de aprendizaje automático, ¿cómo puede saber si su algoritmo es el enfoque incorrecto, si necesita ajustar los parámetros o si hay un error en su código?
