İlk önce, bu yöntemlerle çözülmeye çalışılan sorunun doğasını belirtmeye çalışıyoruz. Bir sorun basitse, Polinom veya NP Tamamlandı, aksiyomların mantıksal kurallar boyunca basit bir şekilde yeniden bir araya getirilmesiyle belirleyici bir cevap verebilecek algoritmaları takmaya hazırız. Bununla birlikte, durum böyle değilse, problemi heterojen olarak ele almaya ve onu bir ağa bağlamaya çalışacağımız bir akıl yürütme yöntemine güvenmeliyiz, burada düğümler bileşenler arasında geçiş yapıyor .
Her tür ağ temelli mantıkta, mantıksal kurallara göre lineer bir akışta soyut genellemeler ve kombinasyonlar kullanarak, tümdengelimli bir sebep değiliz, bunun yerine, farklı yönlerdeki mantık kurallarına göre problemi çözerek çözmek için çalışıyoruz. her seferinde bir düğüm sorun, gelecekte herhangi bir düğümle ilgili yeni gerçeklerin keşfedilmesine ilişkin gelişmelere açıktır. Şimdi bu tekniklerin her birinin bu problem çözme yöntemine kendi yöntemleriyle nasıl yaklaştığını görelim.
Sinir Ağı:
Sinir ağı, basit düğümler arasındaki bağlantıların tekrarlanan dış takviyelerle oluşturulduğuna ve vurgulandığına inanıldığı (sistemin dışından asla doğrulanamadığı) kara bir kutudur. Connectionsitic bir paradigmada soruna yaklaşır . Sorun muhtemelen çözülmüş durumda, ancak açıklanabilmesi için çok az şey var. Sinir ağı, açıklanabilirlik sorunu göz ardı edilirse, hızlı sonuç üretme kabiliyeti nedeniyle yaygın olarak kullanılmaktadır.
Bayesian Ağı:
Bayesian Ağı, akış çizelgesine benzeyen, yalnızca akış çizelgesinin döngüsel döngülere sahip olabileceği yönlendirilmiş bir asiklik grafiktir. Akış şemasından farklı olarak Bayesian ağı birden fazla başlangıç noktasına sahip olabilir. Temel olarak, olayların olasılıkla patikalar arasında saptığı, belirsiz noktaların çoğunda olayların yayılımını izler. Açıkçası, ağın herhangi bir noktasında, ziyaret edilen bu düğümün olasılığı, önceki düğümlerin ortak olasılığına bağlıdır. Bayesian ağı, Sinir Ağı'ndan farklıdır, çünkü olasılıksaldır ve bu nedenle, her algoritmaya göre yasal değerler içinde yeniden gözden geçirilip değiştirilen her bir basamağa dayanarak birden fazla kararlı duruma sahip olabilir. Muhtemel bir şekilde düşünmenin sağlam bir yoludur, ancak olasılıkların kodlanmasını içerir,
Karar Ağaçları:
Karar ağacı yine, Bayesian ağına sinir ağından daha yakın olan bir akış şeması gibi olan bir ağdır. Her bir düğüm sinir ağından daha fazla zekaya sahiptir ve dallanma, matematiksel ya da olasılıksal değerlendirmelerle kararlaştırılabilir. Kararlar, kararın muhtemel olduğu muhtemel olayların sıklık dağılımına dayanan basit değerlendirmelerdir. Bununla birlikte, Bayes ağlarında, karar olayın doğrudan gözlemlenmesinden ziyade meydana gelen bir olaya işaret eden “kanıtların” dağıtılmasına dayanmaktadır.
Bir Örnek
Örneğin, bir erkek yiyen kaplanın, bazı kaplan rezervinin kenarına giren bazı Himalaya köylerinde hareketini tahmin edersek, aşağıdaki iki yaklaşımdan birini modelleyebiliriz:
Bir karar ağacında, bir kaplanın açık alanlar veya nehirler arasında bir seçim yapıp yapmamayı seçeceği konusunda uzman tahminlerine dayanacağız. Bir Bayesian ağında kaplanı pug işaretleri ile takip ediyoruz, ancak bu pug işaretlerinin rutin olarak topraklarında devriye gezen benzer büyüklükteki bir kaplanınkileri olabileceğini kabul eden bir nedenle. Bir sinir ağı kullanacak olursak, yüzmeyi tercih etme, açık alanlara karşı kapalı alanların tercih edilmesi, insanlık alışkanlıklarından kaçınma gibi genel olarak kaplanın çeşitli davranış özelliklerini kullanarak modeli tekrar tekrar eğitmek zorunda kalacağız. ağın, kaplanın alabileceği seyir boyunca genel olarak sebep olmasına izin ver.