Está en la página 1de 15

Inteligencia Artificial Redes de Bayes

Mg. Patricio Garca

Redes de Bayes
Las Redes de Bayes se usan para modelar dominios que contengan incertidumbre en alguna forma.

Se conocen tambin como:


Redes Bayesianas Redes probabilsticas causales Redes de creencias Redes de creencias bayesianas

ISISTAN Research Institute Universidad Nacional del Centro de la Provincia de Buenos Aires Tandil, Argentina

Patricio Garca

ISISTAN - UNICEN

Clases Prcticas
Tres clases prcticas Tres trabajos prcticos obligatorios: Casos, Reglas y Algoritmos Genticos. Fechas:
Jueves 10 de Junio - Lab. ISISTAN de 13 a 16 hs Lunes 14 de junio - Lab. ISISTAN de 14 a 17 horas Mircoles 16 de junio Lab. ISISTAN de 14 a 17 hs
http://www.exa.unicen.edu.ar/catedras/optia/public_html/

Incertidumbre: fuentes
Conocimiento incompleto del dominio Entendimiento/comprensin incorrecta del dominio Relaciones en el dominio de naturaleza no determinstica (ej: enfermedades y sntomas) Trminos involucrados muy amplios (grande, hermosa, dolor) Realizacin de algn tipo de abstraccin Naturaleza aleatoria de los mecanismos que rigen el comportamiento del dominio
ISISTAN - UNICEN

Patricio Garca

ISISTAN - UNICEN

Patricio Garca

Agenda
Motivacin: Manejo de Incertidumbre Redes de Bayes
Definicin Ejemplos Conceptos de Probabilidades Construccin Utilizacin Inferencia Probabilstica Aprendizaje

Concepto
Una Red de Bayes consiste de un conjunto de nodos y de un conjunto de arcos dirigidos entre estos nodos. Los arcos reflejan relaciones causa-efecto dentro del dominio. Estos efectos normalmente no son determinsticos (ej: enfermedad sntoma). La fuerza de un efecto es modelada como una probabilidad. La base matemtica est dada por el Teorema de Bayes.

Ejemplos Software: Hugin y Otros Conclusiones

Patricio Garca

ISISTAN - UNICEN

Patricio Garca

ISISTAN - UNICEN

Definicin
Una Red Bayesiana es un grafo dirigido acclico (GDA) donde cada nodo representa una variable aleatoria y los arcos entre los nodos representan dependencias probabilsticas entre las variables. Cada nodo contiene los estados de la variable que representa y una tabla de probabilidad condicional (CPT). La CPT de un nodo contiene las probabilidades de que el nodo est en un estado especfico dados los estados de sus padres.
Ladrn Terremoto

Ejemplo 1: Apple Jack


Un da Apple Jack descubre que su mejor rbol de manzanas est perdiendo sus hojas. Entonces, quiere saber qu est pasando. l sabe que si el rbol est seco (causado por una sequa) es muy comn que pierda sus hojas. Por el otro lado, perder las hojas puede ser un indicio de que el rbol est enfermo.

Alarma Llamar a Juan


Patricio Garca

Llamar a Mary
ISISTAN - UNICEN Patricio Garca ISISTAN - UNICEN

Nodo
Un nodo representa una variable aleatoria discreta con un nmero finito de estados o una variable aleatoria continua (distribucin Gaussiana).

Ejemplo 1: Solucin
Dry=yes Dry=yes 0.1
P(sick)

Dry=no 0.9 Sick=yes 0.1

P(dry)

Sick=no 0.9

Si un nodo no tiene padres, el nodo contendr una tabla de probabilidad marginal. Si el nodo es una vatiable dependiente, el nodo contendr una tabla de probabilidad condicional (CPT).

p(Loses/ Sick, Dry) Loses=yes Loses=no

Dry=yes Dry=yes Sick=yes Sick=no 0.95 0.05 0.85 0.15

Dry=no Dry=no Sick=yes Sick=no 0.90 0.10 0.02 0.98


ISISTAN - UNICEN

Patricio Garca

ISISTAN - UNICEN

Patricio Garca

Tablas de Probabilidad
Si el nodo tiene padres, contiene una tabla de probabilidad condicional (CPT). Si el nodo es discreto, cada celda en la CPT de un nodo contiene una probabilidad condicional para cada estado en que pueda estar el nodo dada una configuracin especfica de los estados de sus padres. Si el nodo es continuo, la CPT contiene una media y una varianza para cada configuracin de los estados de sus padres discretos (una si no hay padres discretos) y un coeficiente de regresin por cada padre continuo.
Patricio Garca ISISTAN - UNICEN

Dependencias causales
Cuando existe una dependencia causal de un nodo A a un nodo B, se espera que cuando A est en un cierto estado esto tiene un impacto en el estado de B.

En el ejemplo, existe un vnculo causal de Sick a Loses porque cuando un rbol est enfermo puede causar que pierda las hojas.

Patricio Garca

ISISTAN - UNICEN

Redes de Bayes: Ventajas


Teora de probabilidades Mtodo consistente y axiomtico para razonar en condiciones de incertidumbre + Redes Bayesianas Forma intuitiva de representar y razonar con relaciones entre eventos inciertos Teora normativa para disear agentes o sistemas capaces de razonar y actuar bajo condiciones de incertidumbre
Patricio Garca ISISTAN - UNICEN

Teorema de Bayes
Vi Vj

p(Vi / Vj ) =

p(Vj / Vi ) p(Vi ) p(Vj )

El teorema de Bayes nos dice como obtener una probabilidad a posteriori en una hiptesis Vi luego de la observacin de alguna evidencia Vj, dadas la probabilidad a priori de Vi y la probabilidad de observar Vj dado Vi.
Patricio Garca ISISTAN - UNICEN

Utilizacin de Redes de Bayes


Obtener los valores de probabilidades de ciertas variables de inters a partir de la informacin (evidencia) del estado de otras variables. Ej: Sabemos que el rbol est perdiendo sus hojas, cul es la probabilidad de que el rbol est enfermo? Y cul es la probabilidad de que el rbol est seco?

Inferencia en Redes de Bayes


La inferencia consiste en el clculo de los resultados a una consulta (distribucin de probabilidades) con respecto a una red dada y a la presencia de cierta evidencia

P(A/E) Red E Evidencia Inferencia

Inferencia
Patricio Garca ISISTAN - UNICEN

P(A/E)? Consulta
Patricio Garca

a0

a1

ISISTAN - UNICEN

Inferencia probabilstica
La inferencia es el proceso de introducir nuevas observaciones y calcular las probabilidades que tendrn el resto de las variables de la red.

Ejemplo Inferencia
Consulta: est enfermo el rbol?

Calcular las probabilidades a posteriori P(X|Y=yi) de un conjunto de variables x, despus de obtener un conjunto de observaciones Y=yi. Evidencia: el rbol pierde las hojas

Patricio Garca

ISISTAN - UNICEN

Patricio Garca

ISISTAN - UNICEN

Ejemplo: Distribuciones tras inferencia

Construccin de la Red
Determinar las variables que intervienen en el modelo Determinar cada uno de los estados o valores que pueden tomar las variables Determinar las relaciones (dependencias) entre las variables Construir un gda que codifique las aserciones de independencia condicional

Patricio Garca

ISISTAN - UNICEN

Patricio Garca

ISISTAN - UNICEN

Algoritmos de Inferencia
Existen numerosos algoritmos de inferencia implementados

Construccin de la Red
Cmo obtener los valores de las probabilidades?
Conocimiento de expertos en el dominio Estudios estadsticos Derivados analticamente Aprenderlos a partir de los datos

Centrados en operaciones algebraicas Variable Elimination [Zhang96] Bucket Elimination [Dechter99] SPI [DAmbrosio94] Centrados en propiedades grficas Junction trees [Jensen96]

Patricio Garca

ISISTAN - UNICEN

Patricio Garca

ISISTAN - UNICEN

Construccin de la Red
Un experto en el dominio identifica los aspectos cualitativos (y a veces cuantitativos) del problema Codificar el conocimiento existente de expertos en una red Usar una base de datos para actualizar este conocimiento: conocimiento: refinar el conocimiento experto original e identificar nuevas relaciones

Construccin de la Red
Cmo obtener la estructura de la red?
A partir del conocimiento de un experto Algoritmos de aprendizaje en Redes de Bayes: Bayes: - Datos completos o incompletos - Estructura conocida o desconocida

Patricio Garca

ISISTAN - UNICEN

Patricio Garca

ISISTAN - UNICEN

Aprendizaje de Redes de Bayes

Estructura desconocida, datos completos


E, B, A <Y,N,N> <Y,N,Y> <N,N,Y> <N,Y,Y> . . <N,Y,Y>

B A C

Datos + Informacin Previa

B A

Aprendizaje

Aprendizaje
E A B

E B P(A | E,B) e b .9 e b .7 e b .8
.1 .3 .2

E B P(A | E,B) e b E B P(A | E,B) e b e b e b


.9 .7 .8 .1 .3 .2 ? ? ? ? ? ? ? ?

e b e b e b

e b .99 .01

La estructura de la red no est especificada


Se necesitan estimar los parmetros (probabilidades)

e b .99 .01
Patricio Garca ISISTAN - UNICEN Patricio Garca

Los datos no contienen valores faltantes


ISISTAN - UNICEN

Estructura conocida, datos completos


E, B, A <Y,N,N> <Y,N,Y> <N,N,Y> <N,Y,Y> . . <N,Y,Y>

Estructura desconocida, datos incompletos


E, B, A <Y,N,N> <Y,?,Y> <N,N,Y> <N,Y,?> . . <?,Y,Y>

B A

B A

Aprendizaje
E A B

E B P(A | E,B) e b ? ? e b e b e b
? ? ? ? ? ?

E B P(A | E,B) e b .9 .1 e b .7 e b .8
.3 .2

Aprendizaje
E A B

E B P(A | E,B) e b ? ? e b ? e b e b
? ? ? ? ?

E B P(A | E,B) e b .9 .1 e b .7 e b .8
.3 .2

e b .99 .01

e b .99 .01

La estructura de la red est especificada estructur es


Se necesitan estimar los parmetros (probabilidades)

La estructura de la red no est especificada Los datos contienen valores faltantes


Se necesitan considerar asignaciones a los valores faltantes considerar
ISISTAN - UNICEN Patricio Garca ISISTAN - UNICEN

Los datos no contienen valores faltantes


Patricio Garca

Estructura conocida, datos incompletos


E, B, A <Y,N,N> <Y,?,Y> <N,N,Y> <N,Y,?> . . <?,Y,Y>

Aprendizaje en Redes de Bayes

B A

Aprendizaje paramtrico
E B P(A | E,B) e b .9 .1 e b .7
.3 .2

Aprendizaje
E A B

E B P(A | E,B) e b ? ? e b ? e b ? e b ?
? ? ?

Aprender los parmetros que describen el grado de dependencia entre las variables del dominio

e b .8

Aprendizaje estructural
Aprender las dependencias entre las variables que intervienen en el problema

e b .99 .01

La estructura de la red est especificada Los datos contienen valores faltantes


Se necesitan considerar asignaciones a los valores faltantes considerar
Patricio Garca ISISTAN - UNICEN Patricio Garca ISISTAN - UNICEN

Aprendizaje paramtrico
Aprendizaje Adaptativo Se utiliza cuando se quieren adaptar todas o algunas de las tablas de probabilidad condicional a partir de un nuevo conjunto de datos. Aprendizaje Batch Se utiliza cuando se quieren generar las tablas de probabilidad condicional a partir de los datos. Ej: EM (Expectation Maximization), Mtodos de Monte Carlo, Aproximaciones Gaussianas.

Ejemplo: Tablas de Experiencia


Cantidad de experiencias 10

P(Smoker=yes) = Nro(yes) / (Nro(yes) + Nro(no)) P(Smoker=yes) Nro(yes) (Nro(yes) Nro(no)) = 10 / 15 = 0.667

Patricio Garca

ISISTAN - UNICEN

Patricio Garca

ISISTAN - UNICEN

Aprendizaje adaptativo
La adaptacin es el proceso de refinar las probabilidades condicionales especificadas en la Red de Bayes teniendo en cuenta los resultados de experimentos o casos reales. Se utilizan para ello tablas de experiencia y/o tablas de desvanecimiento.

Tablas de desvanecimiento (fading)


A veces, las observaciones viejas no son tan importantes como las nuevas en el proceso de adaptacin. Entonces, tenemos que desaprender u olvidar algunas de ellas. Las observaciones nuevas son ms importantes que las viejas, y por lo tanto se les debe dar ms peso durante la adaptacin. Se introduce un factor de desvanecimiento, que indica la tasa con la cual se olvidan las observaciones previas (0 no hay adaptacin, 1 no hay desvanecimiento).

Patricio Garca

ISISTAN - UNICEN

Patricio Garca

ISISTAN - UNICEN

Aprendizaje adaptativo
Un paso del proceso de aprendizaje adaptativo consiste de: ingresar evidencia, propagar y finalmente actualizar (adaptar) las tablas de probabilidad condicional y las tablas de experiencia (stas cuentan el n de observaciones hechas sobre una variable dada).

Ejemplo
Smoker?=yes Fading factor(s) = 0.5

N(Smoker=yes) = factor * N(yes-previos) + 1= 0.5 * 5 + 1 = 3.5 N(Smoker=no) = factor * N(no-previos) = 0.5 * 5 = 2.5

N(experiencias) = 3.5 + 2.5 = 6

P(Smoker?=yes) = 3.5 / 6 = 0.58333 P(Somker?=no) = 2.5 / 6 = 0.416667

Patricio Garca

ISISTAN - UNICEN

Patricio Garca

ISISTAN - UNICEN

Aprendizaje Batch
A menudo ocurre que muchas (o todas) de las distribuciones de probabilidad de las variables en la red son desconocidas, y queremos aprender estas probabilidades (parmetros) a partir de una serie de observaciones obtenidas al realizar experimentos, de la literatura, o de otras fuentes.
Ej: Algoritmo para aprendizaje paramtrico EM (EstimationMaximization)

Ejemplo Mundial 2010


Permite obtener la probabilidad de clasificacin de un grupo en base a nuestro pronstico de los partidos del grupo.
http://www.bayesforecast.com/IRD/mundialSudafrica2010.html http://worldcup.bayesialab.com/

Patricio Garca

ISISTAN - UNICEN

Patricio Garca

ISISTAN - UNICEN

Conclusiones
Adecuadas para representar y razonar bajo incertidumbre Permiten descubrir nuevo conocimiento combinando conocimiento experto de dominio junto con datos estadsticos Existen algoritmos de inferencia eficientes Separacin de la representacin cualitativa de las influencias entre las variables de la cuantificacin numrica de la rigidez de las influencias
Patricio Garca ISISTAN - UNICEN

Ejemplo Mundial 2010


Ingresar prediccin de los resultados de los partidos en trminos de probabilidades. Francia vs Uruguay 60% empate, 25% Uruguay, 15% Francia

Patricio Garca

ISISTAN - UNICEN

Ejemplos de Redes de Bayes


Redes de Bayes para pronsticos del mundial de Ftbol Sudfrica 2010. Redes de Bayes para la deteccin de Estilos de Aprendizaje

Ejemplo Mundial 2010

Patricio Garca

ISISTAN - UNICEN

Patricio Garca

ISISTAN - UNICEN

Ejemplo Mundial 2010


Nodos, estados y relaciones: Esta variable representa un partido. Estados URU, FRA y DRAW. (Tabla de Prob. Marginal) Prob. Relacin entre los 3 partidos y el total de puntos de la fase 1
P(PtsFra=1| uru-fra=uru, fra-mex=mex, fra-rsa=draw) = 1.00 P(PtsFra=1| uru-fra=uru, fra-mex=mex, fra-rsa=draw) P(PtsFra=2| uru-fra=uru, fra-mex=mex, fra-rsa=draw) = 0.00 P(PtsFra=2| uru-fra=uru, fra-mex=mex, fra-rsa=draw)

Ejemplo: Estilos de Aprendizajes


Se diseo una Red de Bayes que permite modelar y detectar los estilos de aprendizaje de un estudiante. Esta Red fue utilizada en la construccin de Agente Inteligente para educacin a distancia llamado eTeacher. eTeacher.

Relacin entre los puntos de cada equipo y la clasificacin. Estados para FRA true y false.

Patricio Garca

ISISTAN - UNICEN

Patricio Garca

ISISTAN - UNICEN

Ejemplo Mundial: Inferencias


Sistema obtiene la probabilidad de clasificacin dados los resultados de los partidos del grupo. Inferencia Causal (desde la causa hacia efecto) Cul es la consecuencia sobre la clasificacin si un equipo pierde su primer partido? Cae la probabilidad de clasificar al 23.59%

Motivacin
Las principales caractersticas que se desean en los sistemas e-learning son que sean adaptativos y personalizados, dado que son usados por una gran variedad de estudiantes con diferentes habilidades y preferencias. Los estilos de aprendizaje pueden ser detectados observando como los estudiantes aprenden e interactan con el sistema de educacin a distancia.

Patricio Garca

ISISTAN - UNICEN

Patricio Garca

ISISTAN - UNICEN

Ejemplo Mundial: Inferencias


Inferencia de Diagnstico (desde el efecto hacia causa) Cuando un equipo clasifica. Cul es la probabilidad que ese equipo haya perdido el primer partido? Esta probabilidad es del 15.73%

Solucin Propuesta

SAVER

Logs

Estilo de Aprendizaje Red Bayes


Patricio Garca ISISTAN - UNICEN Patricio Garca ISISTAN - UNICEN

Estilos de Aprendizaje
Modelo propuesto por Felder y Silverman:
Sensitivo Intuitivo Visual Verbal Activo Reflexivo Secuencial Global Procesamiento Comprensin Entrada Percepcin

Comprensin
Secuencial:
Los alumnos con aprendizaje secuencial tienden a entender la informacin linealmente sin saltar de un tema a otro.

Global:
Los alumnos con aprendizaje global necesitan tener una visin general del tema para despus centrarse en los detalles.

Patricio Garca

ISISTAN - UNICEN

Patricio Garca

ISISTAN - UNICEN

Percepcin
Sensitivos:
Observacin y recoleccin de datos a travs de los sentidos. Prefieren hechos concretos, muchos ejemplos y problemas para resolver. Prcticos y cuidadosos.

Entrada
Visual
Los estudiantes con aprendizaje visual recuerdan mejor lo que ven por lo que sus cursos deben contener un gran nmero de diagramas, imgenes, grficos, cuadros, videos, entre otros.

Intuitivos:
Percepcin indirecta a travs de la imaginacin, especulacin y presentimiento. Prefieren todo tipo de informacin abstracta y demostraciones. Innovadores

Verbal
Los estudiantes con aprendizaje verbal retienen ms las explicaciones que leen y escuchan.

Patricio Garca

ISISTAN - UNICEN

Patricio Garca

ISISTAN - UNICEN

Procesamiento
Activo:
Realizacin de ciertas actividades con la informacin como debatir, explicar y evaluar los conocimientos. Prefieren los trabajos grupales.

Deteccin de Estilos de Aprendizajes


Una de las formas de deteccin utilizada por varios sistemas es a travs de cuestionarios. Se propone la deteccin automtica de estilos a travs de la observacin de la interaccin del alumno con el sistema. La propuesta de deteccin automtica de estilos fue implementada sobre el sistema SAVER (Software de Asistencia Virtual para Educacin Remota).

Reflexivo:
Evaluacin y manipulacin de la nueva informacin introspectivamente. Prefieren pensar sobre los nuevos conceptos y realizar trabajos individuales.
Patricio Garca ISISTAN - UNICEN

Patricio Garca

ISISTAN - UNICEN

Acciones observadas
Material Didctico: Concreto o Abstracto Didctico:

Acciones observadas
Mail: redacta, responde, lee Mail:

Participacin en foros: postea foros: mensajes, responde, lee mensajes. Acceso Informacin: Saltos, Secuencial Informacin:

Patricio Garca

ISISTAN - UNICEN

Patricio Garca

ISISTAN - UNICEN

Acciones observadas
Ejercicios: Ejercicios: muchos (>75%), pocos (25% - 75%), ninguno

Acciones observadas

Chat: es utilizado o no por el estudiante. Chat:

Acceso a Ejemplos: muchos (>75%), Ejemplos: pocos (25% - 75%), ninguno

Mensajes: Mensajes: postea mensajes, enva SMS, lee Tareas en grupo: propone, contrapropone, lee grupo: Participacin : elige soluciones o no participa

Patricio Garca

ISISTAN - UNICEN

Patricio Garca

ISISTAN - UNICEN

Acciones observadas
Revisin Examenes: <10%, 10%-20%, >20% Examenes: 10%Resultados Examenes: alto, medio, bajo Examenes: medio,

Construccin de la Red de Bayes


Determinar las variables del modelo y los estados para cada variable. Construir el grafo acclico definiendo las relaciones entre las variables. Establecer las tablas de probabilidad asociada a cada variable

Tiempo Examen: < 50%, 50% - 75 %, Examen: > 75%

Patricio Garca

ISISTAN - UNICEN

Patricio Garca

ISISTAN - UNICEN

10

Estructura del Modelo

Actualizacin del Modelo


Aprendizaje adaptativo
Es necesario grandes cantidades de datos para obtener resultados razonables.

Algoritmo de tipo batch con factor de desvanecimiento


Consiste en reunir un grupo de datos y procesarlos en conjunto. El factor de desvanecimiento da mayor importancia a las nuevas experiencias sobre las antiguas.

Patricio Garca

ISISTAN - UNICEN

Patricio Garca

ISISTAN - UNICEN

Estructura del Modelo


Foro
IniciaTema Responde Lee

Inferencias
consulta

Probabilidad
0.30 0.50 0.20

evidencia
Patricio Garca ISISTAN - UNICEN Patricio Garca ISISTAN - UNICEN

Estructura del Modelo

eTeacher
La red para el modelado de estilos de aprendizaje fue utilizada en la creacin de un agente tutor para sistemas de educacin a distancia. El objetivo es proveer al alumnos las estrategias de enseanzas que mejor se adapten a sus caractersticas y necesidades.

Comprensin

Acc.= Saltos ER = Alto

Acc.= Saltos ER = Medio

Acc.= Saltos ER = Bajo

Acc = Secuencial ER = Alto 1 0

Acc = Secuencial ER = Medio 0.75 0.25

Acc = Secuencial ER = Bajo 0.5 0.5

Las asistencias pueden ser:


Asistencias de Comprensin Asistencias de Percepcin Asistencias de Procesamiento Asistencias requeridas por el alumno Mensajes recordatorios
ISISTAN - UNICEN

Secuencial Global

0 1

0.25 0.75

0.5 0.5

Patricio Garca

ISISTAN - UNICEN

Patricio Garca

11

eTeacher Esquema General

Experimento 2 - Deteccin de Estilos


En el segundo experimento participaron 49 alumnos. Se realiz una reestructuracin del curso del experimento 1:
Se agreg un mayor nmero de Unidades y Temas. Se aument el nmero de ejemplos y ejercicios. Se incorpor una herramienta para trabajos colaborativos. Se desarrollaron varios debates en los foros.
Experimento Precisin (%) Procesamiento 58 56 Precisin (%) Compresin 63 70 Precisin (%) Percepcin 77 77

Primero Segundo

Patricio Garca

ISISTAN - UNICEN

Patricio Garca

ISISTAN - UNICEN

Evaluacin
La precisin de la tcnica de deteccin de estilos de aprendizaje fue evaluada en 3 cursos con la participacin de ms de 100 alumnos. La precisin de la tcnica se obtuvo comparando los resultados logrados con el modelo computacional y los arrojados por el cuestionario ILS

Experimento 3 - Deteccin de Estilos


Este experimento fue desarrollado con 30 estudiantes. En este experimento se logr mejorar notablemente la precisin en la dimensin de Procesamiento.
Se crearon trabajos para ser desarrollados a travs de la herramienta ETG. Se generaron constantes debates sobre temas de estudio en chat y foros.
Experimento
n

Precisin (%) Procesamiento 58 56 66

Precisin (%) Compresin 63 70 72

Precisin (%) Percepcin 77 77 80 ISISTAN - UNICEN

precisin

Sim ( ILS , RB )
1

Primero Segundo Tercero

n
ISISTAN - UNICEN Patricio Garca

Patricio Garca

Experimento 1 - Deteccin de Estilos


En el primer experimento participaron 27 alumnos. Curso Web sobre Redes de Bayes dictado a travs del sistema para educacin a distancia SAVER. La precisin obtenida fue de 77% en la dimensin de Percepcin, 63% para Comprensin y 58% para Procesamiento

Publicaciones
Publicaciones en revistas indexadas
eTeacher: providing personalized assistance to e-learning students - S. Schiaffino, P. Garca, A. Amandi - Computers and Education - Elsevier Vol. 51, N 4, pp. 1744-1754 - (December 2008) - ISSN: 0360-1315. An enhanced Bayesian model to detect students' learning styles in Web-based courses - P. Garca, S. Schiaffino, A. Amandi - Journal of Computer Assisted Learning, Blackwell Publishing - Vol. 24, issue 4 pp. 305 - 315 - (August 2008) - ISSN: 0266-4909. Evaluating Bayesian Networks' Precision for Detecting Students' Learning Styles - P. Garca, A. Amandi, S. Schiaffino, M. Campo Computers and Education, Vol. 49, N 3, pp. 794-808- Elsevier (2007) ISSN: 0360-1315.

Patricio Garca

ISISTAN - UNICEN

Patricio Garca

ISISTAN - UNICEN

12

Herramientas: Hugin 7.3


Editor para construir de redes bayesianas y diagramas de influencia Generacin tablas de probabilidades (distribuciones discretas, continuas) Aprendizaje estructural: Algoritmo PC Aprendizaje paramtrico: EM Ingreso y eliminacin de evidencia Propagacin de evidencia Generacin de casos con valores faltantes API Java, C y C++ Sistema Comercial: http://www.hugin.dk/
ISISTAN - UNICEN

Hugin: Edicin

Patricio Garca

Patricio Garca

ISISTAN - UNICEN

Herramientas: Hugin 7.3


Editor para construir de redes bayesianas y diagramas de influencia Generacin tablas de probabilidades (distribuciones discretas, continuas) Aprendizaje estructural: Algoritmo PC Aprendizaje paramtrico: EM Ingreso y eliminacin de evidencia Propagacin de evidencia Generacin de casos con valores faltantes API Java, C y C++ Sistema Comercial: http://www.hugin.dk/
ISISTAN - UNICEN

Hugin: Propiedades del Nodo

Patricio Garca

Patricio Garca

ISISTAN - UNICEN

Hugin 7.3

Hugin: Probabilidades

Patricio Garca

ISISTAN - UNICEN

Patricio Garca

ISISTAN - UNICEN

13

Hugin: Ejecutar Red

Hugin: Aprendizaje

Patricio Garca

ISISTAN - UNICEN

Patricio Garca

ISISTAN - UNICEN

Hugin: Propagacin de Evidencia

Hugin: Aprendizaje EM

X,B,D,A,S,L,T,E no,no,N/A,no,yes,no,no,no no,no,no,no,yes,no,no,no yes,no,no,no,no,no,yes,yes yes,no,yes,no,yes,yes,no,yes .....


Patricio Garca ISISTAN - UNICEN Patricio Garca ISISTAN - UNICEN

Hugin: Aprendizaje

Hugin: Aprendizaje EM

Patricio Garca

ISISTAN - UNICEN

Patricio Garca

ISISTAN - UNICEN

14

Hugin: Aprendizaje Estructural

Inteligencia Artificial Redes de Bayes


Mg. Patricio Garcia

Patricio Garca

ISISTAN - UNICEN

ISISTAN Research Institute Universidad Nacional del Centro de la Provincia de Buenos Aires Tandil, Argentina

Hugin: Generador de Casos

Patricio Garca

ISISTAN - UNICEN

Otras Herramientas y Links


Herramientas:
NETICA - http://www.norsys.com/net_library.htm JavaBayes - http://www.cs.cmu.edu/~javabayes/index.html SamIam - http://reasoning.cs.ucla.edu/samiam BNJ - http://bnj.sourceforge.net/

Ejemplos Redes Bayes:


http://www.cs.huji.ac.il/labs/compbio/Repository/networks.html

Otros Links:
http://www.cs.ubc.ca/~murphyk/Bayes/bnsoft.html (2005) http://directory.google.com/Top/Computers/Artificial_Intelligence/Belief_Net works/Software/ (2009)
Patricio Garca ISISTAN - UNICEN

15