Novo curso: Machine Learning para Todos!
Aprenda online!
O curso foi desenvolvido pela iniciativa Computação na Escola/INCoD/INE/UFSC como resultado de projeto PIBIC/UFSC pela aluna Lívia S. Marques em cooperação com o PET Computação.
O curso foi desenvolvido pela iniciativa Computação na Escola/INCoD/INE/UFSC como resultado de projeto PIBIC/UFSC pela aluna Lívia S. Marques em cooperação com o PET Computação.
As redes Bayesianas são usadas para representar e inferir sobre variáveis com incertezas aleatórias. Redes Bayesianas dinâmicas estendem esse conceito, introduzindo dependências temporais que podem representar comportamentos dinâmicos ao longo do tempo dessas variáveis.
A lógica difusa, por outro lado, provê um arcabouço para a modelagem de incertezas e conceitos vagos. Ela ajuda a descrever conceitos que não são bem uma coisa, nem bem outra coisa.
Embora teorias híbridas que tentem integrar lógica difusa e redes Bayesianas tenham sido postuladas no passado, há muitas limitações ainda, que restringem a forma como se consegue modelar evidência com estas ferramentas, principalmente no que diz respeito ao uso de evidências difusas em redes Bayesianas.
Este trabalho, resultado do mestrado de Munyque Mittelmann, realizado no PPGCC e apresentado numa das mais importantes conferências internacionais de inteligência artificial, é uma contribuição que se propõe a oferecer um método para redes Bayesianas difusas dinâmicas que permite inferências sobre variáveis não dicotômicas, isto é, variáveis que podem assumir mais de dois valores.