Por ejemplo en el caso de las rrbb necesitamos

Info iconThis preview shows page 1. Sign up to view the full content.

View Full Document Right Arrow Icon
This is the end of the preview. Sign up to access the rest of the document.

Unformatted text preview: dos con dicha topología se propone por el experto humano. En el enfoque basado en el aprendizaje, tanto la topología como los 28 Clasificación Supervisada Basada en RRBB. Aplicación en Biología Computacional p arámetros se determinan a partir de una muestra de datos estadísticos, sin la intervención d irecta del experto humano (en la mayoría de los casos). A fecha de hoy, la búsqueda de esquemas de aprendizaje en redes probabilistas es un campo de investigación abierto y s umamente activo, y en esta línea de trabajo es donde se mueve esta tesis. 3 .1.1. F uentes de incertidumbre Una de las propiedades esenciales de los sistemas expertos (SSEE), y a la vez una de l as más complejas, es el tratamiento de la incertidumbre. En esta sección se enumeran y clasifican las fuentes de incertidumbre habituales, tomando como ejemplo el campo de la m edicina, con el fin de mostrar la importancia del tema. O bservando la historia de los SSEE, y en particulax de los métodos de razonamiento i ncierto, se comprueba que casi todos los primeros sistemas desarrollados (cronológicamente) y muchos de los más importantes, lo han ido en el campo de la medicina. Si se t rata de averiguar la causa, se descubre que éste es un campo donde se dan todos los tipos d e incertidumbre. Veamos algunos ejemplos: • I nformación incompleta. E n muchos casos la historia clínica completa no está disponible, y el paciente es incapaz de recordar todos los síntomas que ha experimentado y c ómo se ha desarrollado la enfermedad. • I nformación errónea. E n cuanto a la información suministrada por el paciente, p uede que éste describa incorrectamente sus síntomas e incluso que trate de nientir ' d eliberadamente al médico. También es posible que el diagnóstico anterior, contenido e n la historia clínica, haya sido erróneo. Por último, tampoco es extraño que las p ruebas de laboratorio den falsos positivos y falsos negativos. • I nformación imprecisa. H ay muchos datos en medicina que son difícilmente cuantificables. Tal es el caso, por ejemplo, de los síntomas como el dolor o la fatiga. • M u n d o real n o determinista. M uchas veces las mismas causas producen efectos d iferentes en distintas personas, sin que haya ninguna explicación aparente. Por ello, el diagnóstico médico debe estar siempre abierto a admitir la aleatoriedad y las e xcepciones. • M o d e l o i n c o m p l e t o . P or un lado, hay muchos fenómenos médicos cuya causa aún se desconoce. Por otro, es frecuente la falta de acuerdo entre los expertos de un m ismo campo. • M o d e l o inexacto. P or último, todo modelo que trate de cuantificar la incertidumbre, p or cualquiera de los métodos que existen, necesita incluir un elevado número d e parámetros. Por ejemplo, en el caso de las RRBB, necesitamos especificar todas l as probabilidades a priori y condicionales. Sin embargo, una gran parte de esta información no suele estar disponible, por lo que debe ser estimada de forma subjetiva. Se ha escogido el campo de la medicina como ejemplo paradigmático de dominio incierto, aunque todas estas fuentes de incertidumbre pueden darse, y de hecho se dan, en c ualquier otro campo de las ciencias naturales, la ingeniería, el derecho, las humanidades, e tc. 3 .1. R edes Bayesianas 29 E n resumen, el tratamiento de la incertidumbre es, junto con la representación del c onocimiento y el aprendizaje, uno de los problemas fundamentales de la inteligencia a rtificial. Por ello no es extraño que casi desde los orígenes de este campo se le haya p restado tanta atención y hayan surgido tantos métodos. 3 .1.2. T ratamiento de la incertidumbre Los métodos de razonamiento incierto se clasifican en dos grandes grupos: métodos n uméricos y métodos cualitativos. Cuando el razonamiento incierto se realiza mediante m étodos numéricos suele hablarse de razonamiento aproximado (aunque tampoco es una c uestión en la que haya acuerdo unánime, pues algunos autores, al hablar de "razonamiento a proximado", piensan sobre todo en la lógica difusa y en modelos afines). E ntre los m é t o d o s cualitativos p ara el tratamiento de la incertidumbre, destacan los basados en lógicas no monótonas, tales como los modelos de razonamiento por defecto (el más conocido es el de Reiter [Rei80]), los sistemas de suposiciones razonadas (originalmente llamados "truth maintenance systems", a unque sería más correcto denominarlos "reason maintenance systems") d e Doy le [Doy79] y la teoría de justificaciones ( "theory of endorsements") d e Cohén y Grinberg [CG83]. Estos naétodos consisten en que, cuando no hay información suficiente, se hacen suposiciones, que posteriormente podrán ser c orregidas al recibir nueva información. El problema principal que presentan se debe a su n aturaleza cualitativa, por lo que no pueden considerar los distintos grados de certeza o i ncertidumbre de las hipótesis. Además, suelen pres...
View Full Document

This note was uploaded on 02/01/2012 for the course . . taught by Professor . during the Spring '11 term at Pontificia Universidad Católica de Chile.

Ask a homework question - tutors are online