Optimización de Redes Bayesianas basado en técnicas de aprendizaje por inducción

• Tirado Ríos, Normandi Rocío ^[1] ; Triana Litardo, Freddy Enrique ^[1] ; Saa Saltos, Jorge Wilson ^[1]
  1. [1] Universidad Técnica Estatal de Quevedo

     Universidad Técnica Estatal de Quevedo

     Quevedo, Ecuador

     
• Localización: Revista Publicando, ISSN-e 1390-9304, Vol. 3, Nº. 9, 2016, págs. 41-60
• Idioma: español
• Enlaces
  • Texto completo (pdf)
• Resumen

  • Una red bayesiana es un grafo acíclico dirigido en el que cada nodo representa una variable y cada arco una dependencia probabilística; son utilizadas para proveer: una forma compacta de representar el conocimiento y métodos flexibles de razonamiento. El obtener una red bayesiana a partir de datos es un proceso de aprendizaje que se divide en dos etapas: el aprendizaje estructural y el aprendizaje paramétrico. En este trabajo se define un método de aprendizaje automático que optimiza las redes bayesianas aplicadas a clasificación mediante la utilización de un método de aprendizaje híbrido que combina las ventajas de las técnicas de inducción de los árboles de decisión (TDIDT - C4.5) con las de las redes bayesianas.

• Referencias bibliográficas
  • Andersen, S.K., Olesen, K.G., Jensen, F. (1989). HUGIN – a Shell for Building Belief
  • Universes for Expert Systems. In Proc. IJCAI, pages 1080-1085.
  • Beinlich, I.A., Suermondt, H.J., Chavez, R.M., Cooper, G.F. (1989). The ALARM monitoring system: A case study with two probabilistic inference...
  • Bickmore, Timothy W. (1994). Real-Time Sensor Data Validation. NASA Contractor
  • Report 195295, National Aeronautics and Space Administration.
  • Blurock, Eduard S. (1996). The ID3 Algorithm. Research Institute for Symbolic Computation, Austria.
  • Breese, John S., Blake, Russ (1995). Automating Computer Bottleneck Detection with
  • Belief Nets. Proceedings of the Conference on Uncertainty in Artificial Intelligence,
  • Morgan Kaufmann, San Francisco, CA, pp 36-45.
  • Canavos, G.C. (1984). Probabilidad y Estadística, Aplicaciones y Métodos. Mc.Graw-Hill.
  • Carbajo, A., Curto, S., Schweigmann, N. (2003). Distribución espacio-temporal de Aedes aegypti (Diptera: Culicidae). Su relación con el ambiente...
  • transmisión del virus dengue en la Ciudad de Buenos Aires. Departamento de
  • Ecología, Genética y Evolución. Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires.
  • Chen, M., Han, J., Yu, P. (1996). Data mining: An overview from database perspective.
  • IEEE Transactions on Knowledge and Data Eng.
  • Cooper, G.F., Herskovits, E. (1992). A Bayesian Method for the Induction of Probabilistic
  • Networks from Data. In Machine Learning 9, pages 54-62, Kluwer.
  • Cowell, R., Dawid, A., Lauritzen, S., Spiegelhalter, D. (1990). Probabilistic Networks and
  • Expert Systems. Springer, New York, NY.
  • Diaz, F., Corchado, J.M. (1999). Rough sets bases learning for bayesian networks.
  • International workshop on objetive bayesian methodology, Valencia, Spain.
  • Díez Vegas, F.J. (1994). Sistema experto bayesiano para ecocardiografía . Tesis doctoral,
  • Universidad Nacional de Educación a Distancia.
  • Evangelos, S., Han, J. (1996). Proceedings of the Second International Conference on
  • Knowledge Discovery and Data Mining. Portland, EE.UU.
  • Ezawa, Kazuo J., Schuermann, Til (1995). Fraud/Uncollectible Debt Detection Using a
  • Bayesian Network Based Learning System: A Rare Binary Outcome with Mixed
  • Data Structures. Proceedings of the Conference on Uncertainty in Artificial
  • Intelligence, Morgan Kaufmann, San Francisco, CA, pp 157-166.
  • Felgaer, P., Britos, P., Sicre, J., Servetto, A., García-Martínez, R., Perichinsky, G. (2003).
  • Optimización de redes bayesianas basado en técnicas de aprendizaje por inducción.
  • IX Congreso Argentino de Ciencias de la Computación. La Plata. Octubre 6 al 10.
  • Fritz, W., García-Martínez, R., Rama, A., Blanqué, J., Adobatti, R., Sarno, M. (1989). The
  • Autonomous Intelligent System. Robotics and Autonomous Systems. Elsevier
  • Science Publishers. Holanda. Volumen 5. Número 2. Páginas 109-125.
  • Gallion, R., Clair, D., Sabharwal, C., Bond, W.E. (1993). Dynamic ID3: A Symbolic
  • Learning Algorithm for Many-Valued Attribute Domains. Engineering Education
  • Center, University of Missouri-Rolla, St. Luis, EE.UU.
  • García-Martínez, R. (1993). Aprendizaje Automático basado en Método Heurístico de
  • Formación y Ponderación de Teorías. Revista Tecnología. Brasil. Volumen 15.
  • Número 1-2. Páginas 159-182.
  • García-Martínez, R. (1995). Aprendizaje Automático. Enciclopedia Iberoamericana de
  • Psiquiatría. Volumen II (Ed. G. Vidal, R. Alarcón & F. Lolas). Páginas 824-828.
  • Editorial Médica Panamerica. ISBN 950-06-2311-0.
  • García-Martínez, R. (1997). Sistemas Autónomos. Aprendizaje Automático. 170 páginas.
  • Editorial Nueva Librería. ISBN 950-9088-84-6.
  • García-Martínez, R., Borrajo, D. (2000). An Integrated Approach of Learning, Planning
  • and Executing. Journal of Intelligent and Robotic Systems. Volumen 29, Número 1,
  • Páginas 47-78. Kluwer Academic Press.
  • García-Martínez, R., Servente, M., Pasquini, D. (2003). Sistemas Inteligentes. 347 páginas. Editorial Nueva Librería. ISBN 987-1104-05-7.
  • Gowans, M. (2001). Bayesian Network Toolkit. Department of Computing, Imperial
  • College.