En esta presentación tratamos los siguientes temas:
Causalidad y correlación.
Grafos.
Método de Monte Carlo.
Monte Carlo Tree Search (MCTS)
Sistemas Expertos y Modelos de
Redes Probabilísticas.
BREEAM ES Urbanismo como herramienta para un planeamiento sostenible - Miguel...
Redes probabilisticas
1. Redes ProbabilísticasPrimera parte
• Causalidad y correlación.
• Grafos.
• Método de Monte Carlo.
Monte Carlo Tree Search (MCTS)
• Sistemas Expertos y Modelos de
Redes Probabilísticas
Por Emmanuel García Fortuna
Mat: 16-7103
3. Diferencia Entre Correlación y Causalidad
• Los seres humanos siempre hemos estado
interesados en entender todo lo que sucede
en nuestro entorno, por esta razón, es
común que formulemos explicaciones para
los diversos fenómenos que se presentan;
pero en algunos casos, esas explicaciones
son mal formuladas porque confundimos
algunos elementos con otros.
• A continuación te vamos a decir cuál es la
diferencia entre causalidad y correlación. Ya
verás que no son lo mismo.
4. Correlación
• La correlación se produce cuando dos o
más eventos ocurren al mismo tiempo.
Dichos sucesos pueden compartir algún
tipo de asociación entre sí, sin embargo,
una correlación no implica una relación de
causalidad.
• Se trata simplemente de establecer una
especie de comparación entre dos o más
variables al mismo tiempo.
5. Causalidad
• La causalidad ayuda a determinar la
existencia de una relación entre las
variables.
• Es transitiva en la naturaleza, lo que significa
que si A es la causa de B y B es la causa de
la C, entonces A es la causa de la C.
6. Diferencias clave entre correlación y
causalidad
• La causalidad se refiere a la causa y efecto de un
fenómeno, en el que una cosa provoca directamente el
cambio de otra. Mientras que una correlación es una
comparación o descripción de dos o más variables
diferentes, pero juntas. En este caso, se dice que las
variables están correlacionadas.
• Las correlaciones son más fáciles de establecer en
comparación con las causalidades.
• Un ejemplo de causalidad es decir que fumar causa
cáncer, mientras que un ejemplo de correlación sería
decir que el fumar está relacionado con el alcoholismo
8. Grafo
• Un grafo es una representación
simbólica de los elementos
constituidos de un sistema o
conjunto, mediante esquemas
gráficos
• Los grafos son herramientas
populares para la representación
de conocimiento en Inteligencia
Artificial.
10. Método de monte Carlo
• El método de monte Carlo es muy usado en
los lenguajes de programación ya que se usa
para hallar la probabilidad de un suceso.
• El método de monte Carlo se utiliza con
mucha frecuencia en las redes de neuronas
artificiales aplicadas en el análisis económico
y estabilidad financiera.
11. Monte Carlo Tree Search (MCTS)
• Monte Carlo Tree Search (MCTS) es un
método para toma óptima de decisiones
en problemas de Inteligencia Artificial.
Combina la generalidad de simulaciones
aleatorias con la precisión de una
búsqueda en el árbol de posibilidades.
• Este método fue utilizado en el desarrollo
del jugador virtual del Go.
13. Sistemas Expertos
Sistemas Expertos
• Un Sistema Experto es un sistema que
emplea conocimiento humano capturado
en una computadora para resolver
problemas que normalmente requieran
de expertos humanos. Los sistemas bien
diseñados imitan el proceso de
razonamiento que los expertos utilizan
para resolver problemas específicos.
14. Modelos de Redes Probabilísticas
Modelo probabilístico
• Un modelo probabilístico es un tipo de
modelo matemático que usa la
probabilidad, y que incluye un conjunto de
asunciones sobre la generación de algunos
datos muéstrales, de tal manera que
asemejen a los datos de una población
mayor.
15. Sistemas Expertos y Modelos de Redes
Probabilísticas
• La inteligencia artificial y los sistemas
expertos han sido objeto de una intensa
actividad de investigación en los últimas
décadas, especialmente en lo referente al
tratamiento de la incertidumbre.
• Las redes probabilísticas y, en particular, las
redes Bayesianas han emergido como una
sólida y eficiente metodología para tratar
este problema.
16. Sistemas Expertos y Modelos de Redes
Probabilísticas
• Estos modelos combinan los grafos (para
representar las dependencias relevantes
del modelo) y probabilidades (para
cuantificar estas dependencias).
• El éxito de estos modelos reside en el
tratamiento conjunto de toda la
información considerando un modelo
probabilístico conjunto cuya estructura
está simplificada por las relaciones de
dependencia incluidas en el grafo.