Matches in SemOpenAlex for { <https://semopenalex.org/work/W853236908> ?p ?o ?g. }
Showing items 1 to 29 of
29
with 100 items per page.
- W853236908 abstract "Esta tesis esta centrada en el campo de los modelos graficos probabilisticos. En ella se desarrollan propuestas centradas en las redes Bayesianas y redes de dependencia. En cuanto a las redes Bayesianas se presentan una serie de algoritmos de aprendizaje estrutural eficientes basados en el paradigma de busqueda con metrica. Esta familia de algoritmos propuestos se basan en la restriccion del espacio de busqueda durante el propio proceso de busqueda para reducir, de manera considerable, el coste computacional del mismo. Asimismo, se demustra teoricamente que el resultado obtenido por estos algoritmos es un mapa de independencia (I-mapa) de la distribucion original, de forma que se garantiza un resultado con una calidad minima. En cuanto a los desarrollos realizados con redes de dependencia, estos se encuadran en dos bloques. Por un lado la clasificacion automatica y por otro el uso de este modelo en optimizacion combinatoria dentro de los algoritmos de estimacion de distribuciones (AED). En el primer caso se presentan tres propuestas principales para usar las redes de dependencia en clasificacion. En la primera se propone un algorimo que aprende el modelo utilizando test de independencia. En la segunda se propone el aprendizaje de una red de dependencia como paso intermedio para aprender un clasificador basado en red Bayesiana. Por ultimo, se presenta un clasificador con redes de dependecia basado en el paradigma de multi-redes, o multinets en ingles. En este punto se hace uso de otra propuesta presentada en esta tesis para paliar unos de los problemas intrinsecos de las redes de dependencia: las inconsistencias parametricas. En lo que concierne al uso de las redes de dependencia con AEDs se presentan dos algoritmos, siendo el segundo una evolucion y mejora del primero. Ellos estan basados en la facilidad de aprendizaje de las redes de dependencia y ademas presentan la novedad de generar un modelo multivariado cuando en el aprendizaje solo se han utilizado estadisticos de orden dos, con el consiguiente ahorro computacional. La evolucion de la segunda propuesta se basa en modelar las distribuciones de probabilidad de cada variable del modelo mediante la combinacion de distribuciones bivariadas utilizando funciones de combinacion, en este caso la funcion media." @default.
- W853236908 created "2016-06-24" @default.
- W853236908 creator A5014746358 @default.
- W853236908 creator A5067548959 @default.
- W853236908 date "2012-05-22" @default.
- W853236908 modified "2023-09-27" @default.
- W853236908 title "On the use of Probabilistic Graphical Models: Bayesian and Dependency networks" @default.
- W853236908 hasPublicationYear "2012" @default.
- W853236908 type Work @default.
- W853236908 sameAs 853236908 @default.
- W853236908 citedByCount "0" @default.
- W853236908 crossrefType "dissertation" @default.
- W853236908 hasAuthorship W853236908A5014746358 @default.
- W853236908 hasAuthorship W853236908A5067548959 @default.
- W853236908 hasConcept C138885662 @default.
- W853236908 hasConcept C15708023 @default.
- W853236908 hasConcept C205649164 @default.
- W853236908 hasConcept C58640448 @default.
- W853236908 hasConceptScore W853236908C138885662 @default.
- W853236908 hasConceptScore W853236908C15708023 @default.
- W853236908 hasConceptScore W853236908C205649164 @default.
- W853236908 hasConceptScore W853236908C58640448 @default.
- W853236908 hasLocation W8532369081 @default.
- W853236908 hasOpenAccess W853236908 @default.
- W853236908 hasPrimaryLocation W8532369081 @default.
- W853236908 isParatext "false" @default.
- W853236908 isRetracted "false" @default.
- W853236908 magId "853236908" @default.
- W853236908 workType "dissertation" @default.