Apprendimento bayesiano: differenze tra le versioni
Contenuto cancellato Contenuto aggiunto
Nessun oggetto della modifica |
|||
Riga 1:
{{S|matematica dell'informazione e della comunicazione}}
L'apprendimento bayesiano sfrutta i principi del [[teorema di Bayes]] per fare [[apprendimento non supervisionato]] (mediante le [[Reti Bayesiane|reti bayesiane]]) e
==Introduzione==
Nell'[[apprendimento non supervisionato]] si cerca di classificare gli input.
Si può supporre che essi si distribuiscano mediante una determinata probabilità.
Si può allora creare una tabella in cui si misurano tutti gli eventi con le loro occorrenze, e fare inferenza da questi. In questo caso si tratta di Classificatori Bayesiani.
In questo caso si deve stimare la densità congiunta di una variabile dato tutte le altre, un problema di complessità esponenziale. Nelle applicazioni pratiche si predilige assumere l'indipendenza di tutte le variabili. In questo caso si ha un [[classificatore bayesiano]] naif.
L'indipendenza delle variabili però è un caso molto raro nelle applicazioni pratiche. Quando si necessita di fare delle ipotesi su variabili condizionate si predilige utilizzare una [[rete bayesiana]].
== Voci correlate ==
*[[Reti Bayesiane]]▼
*[[Teorema di Bayes]]▼
*[[Apprendimento automatico|Machine Learning]]
*[[Apprendimento non supervisionato]]
▲*[[Teorema di Bayes]]
▲*[[Reti Bayesiane]]
*[[Classificatore Bayesiano]]
[[Categoria:Intelligenza artificiale]]
| |||