Documentos de Académico
Documentos de Profesional
Documentos de Cultura
RedesBayesianas Educa
RedesBayesianas Educa
Informacin Bsica
Profesor: Fernando Prez Nava
Telfono: 922845048
e-mail:
fdoperez@ull.es
Despacho:Edif de la ETSII. Segunda Planta
Espaol:
S. Russel y P. Norvig, Inteligencia Artificial. Un enfoque moderno, 2002, Prentice-Hall. Cap 14-17
N. J. Nilsson, Inteligencia Artificial. Una nueva sntesis, 2000, McGraw Hill. Cap 19-20
F.J. Dez, Introduccin al Razonamiento Aproximado. Dpto. Inteligencia Artificial, UNED, 2001.
http://ia-serv.dia.uned.es/~fjdiez/libros/razaprox.zip
E. Castillo, J.M. Gutirrez y A.S. Hadi, Sistemas Expertos y Modelos de Redes Probabilsticos,
Monografas de la Academia Espaola de Ingeniera, Madrid, 1998.
http://personales.unican.es/gutierjm/papers/BookCGH.pdf
Ingls:
F.V. Jensen, Bayesian Networks and Influence Diagrams, Aalborg University, 2001
http://www.cs.auc.dk/~fvj/BSS99/book99.ps
H. Bengtsson, Bayesian Networks, Lund Institute of Technology, 1999.
http://www.maths.lth.se/matstat/staff/hb/hbbn99.pdf
Programa de Doctorado de Fsica e Informtica. Bienio 04-06. Dept. Estadstica, I.O. y Computacin. Universidad de la Laguna
Programa de Doctorado de Fsica e Informtica. Bienio 04-06. Dept. Estadstica, I.O. y Computacin. Universidad de la Laguna
Contenidos
Incertidumbre
En muchos dominios de inters para la I.A es
necesario trabajar con incertidumbre:
K.B. Laskey Computational Models for Probabilistic Inference (George Manson Univ.)
http://ite.gmu.edu/~klaskey/CompProb/
N. Friedman Probabilistic Methods in AI (Hebrew University)
http://www.cs.huji.ac.il/~pmai/index.html
Cursos:
Modelado
Inferencia
Decisin
Aprendizaje
Vaguedad e Imprecisin
Algunos conceptos son vagos o imprecisos.
Las personas altas, guapas, felices etc.
Programa de Doctorado de Fsica e Informtica. Bienio 04-06. Dept. Estadstica, I.O. y Computacin. Universidad de la Laguna
Programa de Doctorado de Fsica e Informtica. Bienio 04-06. Dept. Estadstica, I.O. y Computacin. Universidad de la Laguna
Implementacin
Es difcil cumplir estos requerimientos utilizando las tcnicas
clsicas de la IA (lgica).
Deben de introducirse modelos para manejar informacin vaga,
incierta, incompleta y contradictoria.
Crucial para un sistema funcione en el mundo real
Principales Modelos de
Representacin de la Incertidumbre
Programa de Doctorado de Fsica e Informtica. Bienio 04-06. Dept. Estadstica, I.O. y Computacin. Universidad de la Laguna
Modelos Simblicos
Representacin Numrica de la
Incertidumbre: Probabilidad
La Teora de la Probabilidad (TProb)
Modelos Numricos
Probabilidad
Redes Bayesianas
Teora de Dempster-Shaffer
Lgica difusa
Programa de Doctorado de Fsica e Informtica. Bienio 04-06. Dept. Estadstica, I.O. y Computacin. Universidad de la Laguna
La decisin racional:
Programa de Doctorado de Fsica e Informtica. Bienio 04-06. Dept. Estadstica, I.O. y Computacin. Universidad de la Laguna
Programa de Doctorado de Fsica e Informtica. Bienio 04-06. Dept. Estadstica, I.O. y Computacin. Universidad de la Laguna
An as:
AX 1: 0 P(A) 1
AX 2: P( Proposicin Verdadera)=1
AX 3: P(AB)=P(A)+P(B)
Mutuamente excluyente
Ejemplos
P(A)=P(AB1)+P(AB2)+...+P(ABn)= P(ABi)
A esta operacin se la llama marginalizacin
Otras consecuencias:
Programa de Doctorado de Fsica e Informtica. Bienio 04-06. Dept. Estadstica, I.O. y Computacin. Universidad de la Laguna
Completo
AX 3: P(AB)=P(A)+P(B)
Siempre que A y B sean mutuamente exclusivos, es decir (AB)
P(A)=1-P(A)
P( Proposicin Falsa)=0
P(AB)=P(A)+P(B)-P(AB)
Variables Aleatorias
Muchas veces tenemos un evento con un conjunto
de resultados:
Programa de Doctorado de Fsica e Informtica. Bienio 04-06. Dept. Estadstica, I.O. y Computacin. Universidad de la Laguna
Programa de Doctorado de Fsica e Informtica. Bienio 04-06. Dept. Estadstica, I.O. y Computacin. Universidad de la Laguna
Programa de Doctorado de Fsica e Informtica. Bienio 04-06. Dept. Estadstica, I.O. y Computacin. Universidad de la Laguna
Variables Aleatorias
En lugar de tener una proposicin por resultado
se introduce el concepto de Variable aleatoria
Se permiten proposiciones de la forma Variable =
resultado
Distribuciones de Probabilidad
Dada una Variable Aleatoria nos gustara conocer
la probabilidad para cada valor que pueda tomar
Esta descripcin se llama distribucin de
probabilidad (Dprob) de la variable aleatoria y
consiste en listar los valores de probabilidad para
cada valor de la variable
Ejemplo:
Abreviaturas
Falso
0.9
Probabilidades
Fernando Prez Nava
0.1
Sabe_Concepto (SC)
Resuelve_Ejercicio (RE)
P(Sabe_Concepto, Resuelve_Ejercicio)
Verdadero
Verdadero
0.76
Verdadero
Falso
0.04
Falso
Verdadero
0.18
Falso
Falso
0.02
Programa de Doctorado de Fsica e Informtica. Bienio 04-06. Dept. Estadstica, I.O. y Computacin. Universidad de la Laguna
P(Llueve)
Programa de Doctorado de Fsica e Informtica. Bienio 04-06. Dept. Estadstica, I.O. y Computacin. Universidad de la Laguna
Proposiciones ms Complejas
Sabe_Concepto (SC)
Resuelve_Ejercicio (RE)
P(Sabe_Concepto, Resuelve_Ejercicio)
sabe_concepto
resuelve_ejercicio
0.76
sabe_concepto
resuelve_ejercicio
0.04
sabe_concepto
resuelve_ejercicio
0.18
sabe_concepto
resuelve_ejercicio
0.02
Valores
Llueve
Verdadero
Programa de Doctorado de Fsica e Informtica. Bienio 04-06. Dept. Estadstica, I.O. y Computacin. Universidad de la Laguna
Variable
La Importancia de la Distribucin
Conjunta
P(Sabe_Concepto, Resuelve_Ejercicio)
sabe_concepto
resuelve_ejercicio
0.76
sabe_concepto
resuelve_ejercicio
0.04
sabe_concepto
resuelve_ejercicio
0.18
sabe_concepto
resuelve_ejercicio
0.02
Programa de Doctorado de Fsica e Informtica. Bienio 04-06. Dept. Estadstica, I.O. y Computacin. Universidad de la Laguna
Casos favorables
A
Dominio
resuelve_ejercicio
0.95
resuelve_ejercicio
0.05
Ejemplo: P(Resuelve_Ejercicio|
De forma intuitiva:
Sabe_Concepto
P(Resuelve_Ejercicio| Sabe_Concepto)
0.10
resuelve_ejercicio
0.90
Thomas Bayes
Sabe_Concepto)
resuelve_ejercicio
Probabilidad Condicional
Representacin grfica
Ejemplo: P(Resuelve_Ejercicio|Sabe_Concepto)
P(Resuelve_Ejercicio|Sabe_Concepto)
Se define como:
Distribucin Condicional
Resuelve_Ejercicio
Casos posibles
A
B
B
Aplicabilidad
Fernando Prez Nava
Sabe_Concepto
Probabilidad Condicional
P(B|ai) P(ai)
P(B|a1) P(a1)+... P(B|an) P(am)
P( sc))=0.95
Programa de Doctorado de Fsica e Informtica. Bienio 04-06. Dept. Estadstica, I.O. y Computacin. Universidad de la Laguna
Por ejemplo si
A1=Es rubio , A2=Tiene la piel clara ,A3=Llover maana
A1 y A3 son independientes A1 y A2 no.
Programa de Doctorado de Fsica e Informtica. Bienio 04-06. Dept. Estadstica, I.O. y Computacin. Universidad de la Laguna
sc)
P( sc |re)=0.05
Programa de Doctorado de Fsica e Informtica. Bienio 04-06. Dept. Estadstica, I.O. y Computacin. Universidad de la Laguna
+ P(re|
P(ai|B)=
P(sc)
Independencia Condicional
Pero...
Independencia Condicional
Finalizamos el ejemplo:
Independencia condicional
P(SC| E1,RE2,...,REm)=P(RE1,,...,REm|SC)P(SC)/P(RE1,RE2,...,REm)
Ejemplo:
Programa de Doctorado de Fsica e Informtica. Bienio 04-06. Dept. Estadstica, I.O. y Computacin. Universidad de la Laguna
Representacin de la
Independencia:Redes Bayesianas
Programa de Doctorado de Fsica e Informtica. Bienio 04-06. Dept. Estadstica, I.O. y Computacin. Universidad de la Laguna
Redes Bayesianas:Introduccin
Eliminan algunos de los problemas asociados al
razonamiento probabilstico
Desarrolladas a finales de los 70 (Pearl), se
convirtieron durante los 90 en un esquema
general de representacin de la incertidumbre
Una Red Bayesiana (RB) proporciona una forma
compacta y modular de representar la
distribucin conjunta de varias variables
aleatorias
Una RB consta de:
Programa de Doctorado de Fsica e Informtica. Bienio 04-06. Dept. Estadstica, I.O. y Computacin. Universidad de la Laguna
Programa de Doctorado de Fsica e Informtica. Bienio 04-06. Dept. Estadstica, I.O. y Computacin. Universidad de la Laguna
http://news.com.com/2009-1001-984695.html
Programa de Doctorado de Fsica e Informtica. Bienio 04-06. Dept. Estadstica, I.O. y Computacin. Universidad de la Laguna
Red Bayesiana:Ejemplo
Intel
Diagnstico de fallos de procesadores
HP
Diagnstico de problemas de impresora
Nokia
Diagnstico de redes celulares
Nasa
Sistema de ayuda a la decisin en misiones espaciales
Programa de Doctorado de Fsica e Informtica. Bienio 04-06. Dept. Estadstica, I.O. y Computacin. Universidad de la Laguna
Red Bayesiana:Ejemplo
Vista parcial de la red para inferir si el usuario tiene dificultades con Excel (Heckerman)
Programa: Netica
Descarga de: http://www.norsys.com/netica.html
Microsoft
MSBNx
Descarga de: http://research.microsoft.com/adapt/MSBNx/
Programa de Doctorado de Fsica e Informtica. Bienio 04-06. Dept. Estadstica, I.O. y Computacin. Universidad de la Laguna
Programa de Doctorado de Fsica e Informtica. Bienio 04-06. Dept. Estadstica, I.O. y Computacin. Universidad de la Laguna
Red Bayesiana:Ejemplo
Ejemplos de Independencias
Para la RB del ejemplo:
Terremoto
Robo
R y L son dependientes:
Padre
Xi
Ejemplos de Independencias
Para la RB del ejemplo:
Terremoto
Noticia
radio
T y R son dependientes si se
conoce A
Robo
Alarma
Llamada
T y R son independientes:
Programa de Doctorado de Fsica e Informtica. Bienio 04-06. Dept. Estadstica, I.O. y Computacin. Universidad de la Laguna
Llamada
Terremoto
Noticia
radio
Robo
Alarma
Llamada
T es independiente de sus no-descendientes
R dados sus padres (ninguno).
Programa de Doctorado de Fsica e Informtica. Bienio 04-06. Dept. Estadstica, I.O. y Computacin. Universidad de la Laguna
N y A son independientes si se
conoce T
Alarma
Programa de Doctorado de Fsica e Informtica. Bienio 04-06. Dept. Estadstica, I.O. y Computacin. Universidad de la Laguna
Ejemplos de Independencias
Si hay un robo ya no es ms
probable que suene la alarma ( ya se
sabe si suena o no)
Si recibo una llamada ya no se
incrementa la probabilidad de que
suene la alarma ( ya se sabe si
suena o no)
No descendiente
Programa de Doctorado de Fsica e Informtica. Bienio 04-06. Dept. Estadstica, I.O. y Computacin. Universidad de la Laguna
N y A son dependientes:
Noticia
radio
R y L son independientes si se
conoce A
Descendiente
Teorema de Factorizacin
Dada la codificacin de independencias de una RB
P( X1 ,..., X n ) = P( X i | Pa( X i ))
i
Efecto Comn
T
R
A
L
T
Ejemplo
Teorema de Factorizacin:
P(L,A,N,T,R) =
P(R) P(T) P(N|T) P(A|R,T) P(L|A)
Robo
Terremoto
Noticia
radio
Alarma
Programa de Doctorado de Fsica e Informtica. Bienio 04-06. Dept. Estadstica, I.O. y Computacin. Universidad de la Laguna
Factorizacin:Consecuencias
Representacin compacta
El nmero de parmetros para describir la funcin de
distribucin conjunta es lineal en el nmero n de variables
aleatorias o(n)
Ntese que el nmero de parmetros requerido en general es de
orden o(2n)
Representacin modular
Aadir una nueva variable no obliga a actualizar todos los
parmetros de la representacin
Programa de Doctorado de Fsica e Informtica. Bienio 04-06. Dept. Estadstica, I.O. y Computacin. Universidad de la Laguna
Construccin de RB
Un algoritmo de construccin de RB
Programa de Doctorado de Fsica e Informtica. Bienio 04-06. Dept. Estadstica, I.O. y Computacin. Universidad de la Laguna
N
L
Llamada
A
L
Orden: L, N, A, T, R
T
N
R
A
L
Programa de Doctorado de Fsica e Informtica. Bienio 04-06. Dept. Estadstica, I.O. y Computacin. Universidad de la Laguna
La eleccin de la ordenacin y la
causalidad
Prediccin
R
Intercausal
T
Justificacin
De manera formal
La red bayesiana est formada por las variables: { X1, , Xn }
Las variables de inters son XI={ X1, , Xi }
Las variables observadas (con evidencia) son: XO={ Xi+1, , Xj }
Los valores que toman dichas variables (evidencia) son e={ ei+1, , ej }
Para
Para
redes especficas:
rboles (Pearl), (Complejidad lineal)
Polirboles (Kim, Pearl), (Complejidad lineal)
redes generales
Eliminacin de Variables, rbol de uniones (Lauritzen y Spiegelhalter)
Algoritmos aproximados
P( XI , X O = e )
=
P( X O = e )
Programa de Doctorado de Fsica e Informtica. Bienio 04-06. Dept. Estadstica, I.O. y Computacin. Universidad de la Laguna
Algoritmos de inferencia
Algoritmos exactos
P(robo|alarma,
terremoto)
Supondremos que:
P( XI | X O = e ) =
P(llama|robo)
Programa de Doctorado de Fsica e Informtica. Bienio 04-06. Dept. Estadstica, I.O. y Computacin. Universidad de la Laguna
L
P(robo|llama)
Programa de Doctorado de Fsica e Informtica. Bienio 04-06. Dept. Estadstica, I.O. y Computacin. Universidad de la Laguna
El problema es calcular:
P( XI , X O = e )
P( XI | X O = e ) =
P( X O = e )
P( XI , X O = e ) = P( XI , X O = e, X R ) =
XR
El numerador es igual a:
X j +1,X j + 2 ,..., Xn
P( XI , X O = e ) = P( XI , X O = e, X R ) =
Idea General:
XR
X j +1,X j + 2 ,..., Xn
Paso 1
Usar el teorema de factorizacin para factorizar la distribucin conjunta:
El denominador es igual a:
i
Paso 2
Fijar las variables observadas a sus valores de evidencia
Paso 3
Eliminar de forma iterativa del sumatorio las variables que no son de inters
ni de evidencia
XI
X1,X2 ,..., Xi
P(E)
e
Watson
Accidente
P(W|E)
Holmes
Accidente
0.7
0.3
0.8
0.2
0.1
P(H|E)
0.9
e
E
0.8
0.2
0.1
Escarcha
Watson
Accidente
0.9
0.7
0.3
0.8
0.2
0.1
0.9
Factorizacin:
P(E)P(W|E)P(H|E)
gE(W)
w
Sustitucin de la evidencia
H
h
0.8
0.2
0.1
0.9
gH(E)
E
gH (E) = P(H | E)
Eliminamos H
P(E)P(W|E)P(h|E)
P(E)P(W|E)gH(E)
Normalizamos
w
0.77
0.23
Programa de Doctorado de Fsica e Informtica. Bienio 04-06. Dept. Estadstica, I.O. y Computacin. Universidad de la Laguna
Eliminamos E
P(W,h)
P(W|h)
Holmes
Accidente
P(H|E)
Calculemos P(W)
Factorizacin:
P(E)P(W|E)P(H|E)
Normalizamos
P(W|E)
P(E)
e
Calculemos P(w|h)
Eliminamos E
H
h
Programa de Doctorado de Fsica e Informtica. Bienio 04-06. Dept. Estadstica, I.O. y Computacin. Universidad de la Laguna
P( X O = e ) = P( XI , X O = e ) =
gE (W) = gH (E)P(E)P(W | E)
E
P(W)
Programa de Doctorado de Fsica e Informtica. Bienio 04-06. Dept. Estadstica, I.O. y Computacin. Universidad de la Laguna
Un Ejemplo ms Complejo
La Red Asia
Eliminacin de variables:
Ejemplo con evidencia
T
A
B
D
Fumador
Cancer Pulmn
Anormalidad
en pecho
Bronquitis
Eliminamos R
Eliminacin de variables:
Ejemplo con evidencia
V
C
T
A
Programa de Doctorado de Fsica e Informtica. Bienio 04-06. Dept. Estadstica, I.O. y Computacin. Universidad de la Laguna
Eliminacin de variables:
Ejemplo sin evidencia
T
A
R
Eliminaremos: V,F,R,T,C,A,B
Aplicando el teorema de factorizacin:
Eliminando: T,A,B
B
D
hV ( T) = P( T | V)P(V)
V
hT (A, C) = P( T | v)P(A | T, C)
Eliminamos T
Eliminamos R
hR (A) = P(R | A)
A
Eliminamos B
Normalizacin
P(C | v , f , d)
Programa de Doctorado de Fsica e Informtica. Bienio 04-06. Dept. Estadstica, I.O. y Computacin. Universidad de la Laguna
Eliminamos T
hT (A, C) = hv ( T)P(A | T, C)
T
Eliminamos A
Eliminamos F
Rayos X
Disnea*
Eliminacin de variables:
Ejemplo con evidencia
V
A
Eliminaremos V,F,R,T,C,A,B
Proceso de eliminacin (continuacin)
Estudiemos la complejidad:
Eliminamos C
P(D) = hA (B, D)
Eliminamos B
P(D)
Programa de Doctorado de Fsica e Informtica. Bienio 04-06. Dept. Estadstica, I.O. y Computacin. Universidad de la Laguna
h A (D, B)
Ejemplo:
Quiero para hacer una fiesta en el jardn de mi casa pero puede que
llueva debera hacer la fiesta dentro de casa?
En el problema aparecen:
Lugar
lluvioso
lluvioso
Aliviado
Deprimido
Arrepentido
Contento
Tiempo
fuera
Teora de la Decisin
La teora de la decisin bajo incertidumbre:
dentro
Programa de Doctorado de Fsica e Informtica. Bienio 04-06. Dept. Estadstica, I.O. y Computacin. Universidad de la Laguna
Para cada valor de Y1, Y2,..Yk hacemos |Val(X)| sumas, por tanto el nmero
total de sumas es |Val(X)||Val(Y1)|... |Val(Yk)|
Para cada valor de X,Y1, Y2,..Yk hacemos m multiplicaciones, por tanto el
nmero total de de multiplicaciones es de m |Val(X)| |Val(Y1)|...|Val(Yk)|
i=1
Entonces:
Eliminamos A
hC ( A , B)hR ( A)P(D | A , B)
Lugar
dentro
Tiempo
fuera
lluvioso
Aliviado
(60)
lluvioso
Arrepentido (50)
Deprimido (0)
Contento
(100)
Programa de Doctorado de Fsica e Informtica. Bienio 04-06. Dept. Estadstica, I.O. y Computacin. Universidad de la Laguna
Tiempo
i=1
Programa de Doctorado de Fsica e Informtica. Bienio 04-06. Dept. Estadstica, I.O. y Computacin. Universidad de la Laguna
Construccin
Costo
(100)
P(Res1(A1)|Hacer(A1))=P(lluvioso,dentro)/P(dentro)=P(lluvioso)
P(Res2(A1)|Hacer(A1))=P(lluvioso)
P(Res1(A2)|Hacer(A2))=P(lluvioso)
P(Res2(A2)|Hacer(A2))=P(lluvioso)
P(T)
T
lluvioso
0.4
lluvioso
0.6
Programa de Doctorado de Fsica e Informtica. Bienio 04-06. Dept. Estadstica, I.O. y Computacin. Universidad de la Laguna
Aprendizaje
Lugar de la Fiesta
Ruido
Contento
Ubicacin del
Aeropuerto
Daos Medio
Ambiente
Arrepentido (50)
Aprendizaje:
Programa de Doctorado de Fsica e Informtica. Bienio 04-06. Dept. Estadstica, I.O. y Computacin. Universidad de la Laguna
U
Tiempo
Meteorolgico
lluvioso
Deprimido (0)
U(dentro)=U(lluvioso,dentro)P(lluvioso,dentro|dentro)+U(lluvioso,dentro)P(lluvioso,d
ento|dentro)= 60*0.4+50*0.6=54
U(fuera)=U(lluvioso,fuera)P(lluvioso,fuera|fuera)+U(lluvioso,fuera)P(lluvioso,fuera|fu
era)= 0*0.4+100*0.6=60 (decisin ptima)
Muertes
(60)
Trfico Areo
Aliviado
Ejemplos
fuera
lluvioso
Lugar
dentro
En este caso:
Datos +
Informacin A Priori
Casos
T, R, A
< t, r, a>
.
.
.
<t, r, a>
P(A|R,T)
A
L
Datos completos
Estimacin Paramtrica
Optimizacin sobre
T
estructuras
Datos Incompletos
Optimizacin Paramtrica
Tcnicas Combinadas
Programa de Doctorado de Fsica e Informtica. Bienio 04-06. Dept. Estadstica, I.O. y Computacin. Universidad de la Laguna
Ejemplo:
T
R
A
R
r
P(A|R,T)
0.99
0.01
0.2
0.8
0.8
0.2
0.01
0.99
20
980
Casos
T, R, A
< t, r, a>
.
< t, r, a>
.
<t, r, a>
P(A|R,T)
0.99
0.2
0.8
0.81
0.19
0.01
0.99
21
980
Programa de Doctorado de Fsica e Informtica. Bienio 04-06. Dept. Estadstica, I.O. y Computacin. Universidad de la Laguna
T
T
R
A
P(A|R,T)
0.99
0.01
0.2
0.8
0.8
0.2
0.01
0.99
Sin embargo...
La capacidad actual de procesamiento del lenguaje natural no permite
conversar de forma normal con un STI
Siempre habr estudiantes para los que la enseanza por ordenador no sea
adecuada
0.01
P(A|R,T)
Programa de Doctorado de Fsica e Informtica. Bienio 04-06. Dept. Estadstica, I.O. y Computacin. Universidad de la Laguna
Objetivo actual:
Fernando Prez Nava
Aprendizaje
R
Estructura Desconocida
Estructura Conocida
T
Proceso
De
Aprendizaje
Arquitectura de un STI
Experto en el
Dominio
Conocimiento del
Dominio
Mdulo
Pedaggico
Modelado del
Estudiante
En los datos
Experto en el dominio
Representacin del Conocimiento
del dominio a ensear
Interface
Modelos del
Estudiante
En la inferencia
Las reglas para la construccin del modelo del estudiante a partir de datos
suelen ser heursticas (y por tanto subptimas).
Estudiante
En la seleccin de acciones
Observacin
Mdulo Pedaggico
Subsistema que toma las decisiones acerca de cmo ensear el dominio
basado en el Conocimiento pedaggico.
Mdulo de comunicacin del STI con el estudiante
Programa de Doctorado de Fsica e Informtica. Bienio 04-06. Dept. Estadstica, I.O. y Computacin. Universidad de la Laguna
Programa de Doctorado de Fsica e Informtica. Bienio 04-06. Dept. Estadstica, I.O. y Computacin. Universidad de la Laguna
Programa de Doctorado de Fsica e Informtica. Bienio 04-06. Dept. Estadstica, I.O. y Computacin. Universidad de la Laguna
Centradas en la eficiencia
Incertidumbre en la
seleccin de acciones
Interface
Acciones pedaggicas
Elementos de la
arquitectura
Programa de Doctorado de Fsica e Informtica. Bienio 04-06. Dept. Estadstica, I.O. y Computacin. Universidad de la Laguna
Tipos de estrategias
Heursticas
Utilizan la salida del proceso de inferencia como entrada a una regla de seleccin
heurstica
Ejemplos
ANDES, ADELE
Diagnstico
Seleccionan la accin que maximizan la certidumbre de que el estudiante ha
adquirido los conceptos del dominio
Ejemplos
(Collins y otros, 1996)
Programa de Doctorado de Fsica e Informtica. Bienio 04-06. Dept. Estadstica, I.O. y Computacin. Universidad de la Laguna
Sabe la Asignatura
C1
T1
C11
P1
P2
Ts
C1n1
P3
Cs1
Sabe el Tema
Csns
Pm
Resuelve
la Prueba
Sabe el
Concepto
Cn
Resuelve
la Prueba
Sabe el
Concepto
Programa de Doctorado de Fsica e Informtica. Bienio 04-06. Dept. Estadstica, I.O. y Computacin. Universidad de la Laguna
C2
C2
Cn
Sabe el
Concepto
A1
A2
An
Sabe Aplicarlo
Resuelve
la Prueba
Programa de Doctorado de Fsica e Informtica. Bienio 04-06. Dept. Estadstica, I.O. y Computacin. Universidad de la Laguna
Programa de Doctorado de Fsica e Informtica. Bienio 04-06. Dept. Estadstica, I.O. y Computacin. Universidad de la Laguna
Teora de la decisin
Llamaremos:
Entonces:
Cuando para resolver un ejercicio es necesario conocer todos los
conceptos aparece el modelo de probabilidades condicionales
Noisy AND.
Cuando para resolver un ejercicio es necesario conocer algn
concepto aparece el modelo de probabilidades condicionales
Noisy OR.
Programa de Doctorado de Fsica e Informtica. Bienio 04-06. Dept. Estadstica, I.O. y Computacin. Universidad de la Laguna
Programa de Doctorado de Fsica e Informtica. Bienio 04-06. Dept. Estadstica, I.O. y Computacin. Universidad de la Laguna