Bayes
Páginas: 2 (424 palabras)
Publicado: 16 de agosto de 2017
INTRODUCCIÓN
RECONOCIMIENTO DE
PATRONES
EXPOSITOR:
MSc. Ing. Marcelo Saavedra Alcoba
Proceso de un Reconocimiento de Patrones…
K – Clases
2 c -> detección
8 c -> reconocimiento
¿Ejemplos?
VectorFeatures
*NO TRIVIAL*
Proceso de un Reconocimiento de Patrones…
K – Clases
2 c (detección)
8 c (reconocimiento)
Vector
Features
*NO TRIVIAL*
¿Cuál es el problema del Reconocimiento dePatrones?
http://home.eng.iastate.edu/~julied/classes/ee547/Textfigs/dudafigs01.pdf
¿Cuál es el problema del Reconocimiento de Patrones?
CLASIFICADOR
K
No es necesario tener todos los datos,
sino los masimportantes…
¿Cómo distribuirlos?
ESE ES EL PROBLEMA
http://home.eng.iastate.edu/~julied/classes/ee547/Textfigs/dudafigs01.pdf
Clasificador de Bayes
Problema con las probabilidadescondicionales:
P (A B ) ≠ P (B A)
TEOREMA DE BAYES:
Clasificador de Bayes
TEOREMA DE BAYES:
Posteriori
Priori
Verosimilitud
P( A) P( B / A)
P( A / B) =
P( B)
Evidencia
¿Qué significa esa fórmula?
La variableA :
datos desconocidos
La variable B :
datos conocidos
La probabilidad P(A):
¿A Priori… qué es?
La probabilidad P(B/A): ¿Verosimilitud… qué es?
La probabilidad P(B):
¿Evidencia… evidencia dequé?
La probabilidad P(A/B): ¿A Posteriori?
Clasificador de Bayes
TEOREMA DE BAYES:
Posteriori
Priori
Verosimilitud
P( A) P( B / A)
P( A / B) =
P( B)
Evidencia
¿ENTONCES PARA QUE SIRVE ELTEOREMA DE BAYES?
Función que combina datos con creencias “a PRIORI” en referencia a
una cantidad desconocida, obteniendo creencias “a POSTERIORI”.
Esta aproximación ha sido comparada con tareas deaprendizaje
donde la experiencia sirve de base para la continua adaptación del
sistema de creencias.
Clasificador de Bayes
TEOREMA DE BAYES:
P( A) P( B / A)
P( A / B) =
P( B)
Genio ocioso de los
números,considerado sin
lugar a dudas como
el príncipe de las
matemáticas
Carl Friedrich Gauss
Se calcula la Verosimilitud como una Gaussiana:
1
f ( x) =
σ 2π
e
1 x −µ 2
−
2 σ
female
male...
RECONOCIMIENTO DE
PATRONES
EXPOSITOR:
MSc. Ing. Marcelo Saavedra Alcoba
Proceso de un Reconocimiento de Patrones…
K – Clases
2 c -> detección
8 c -> reconocimiento
¿Ejemplos?
VectorFeatures
*NO TRIVIAL*
Proceso de un Reconocimiento de Patrones…
K – Clases
2 c (detección)
8 c (reconocimiento)
Vector
Features
*NO TRIVIAL*
¿Cuál es el problema del Reconocimiento dePatrones?
http://home.eng.iastate.edu/~julied/classes/ee547/Textfigs/dudafigs01.pdf
¿Cuál es el problema del Reconocimiento de Patrones?
CLASIFICADOR
K
No es necesario tener todos los datos,
sino los masimportantes…
¿Cómo distribuirlos?
ESE ES EL PROBLEMA
http://home.eng.iastate.edu/~julied/classes/ee547/Textfigs/dudafigs01.pdf
Clasificador de Bayes
Problema con las probabilidadescondicionales:
P (A B ) ≠ P (B A)
TEOREMA DE BAYES:
Clasificador de Bayes
TEOREMA DE BAYES:
Posteriori
Priori
Verosimilitud
P( A) P( B / A)
P( A / B) =
P( B)
Evidencia
¿Qué significa esa fórmula?
La variableA :
datos desconocidos
La variable B :
datos conocidos
La probabilidad P(A):
¿A Priori… qué es?
La probabilidad P(B/A): ¿Verosimilitud… qué es?
La probabilidad P(B):
¿Evidencia… evidencia dequé?
La probabilidad P(A/B): ¿A Posteriori?
Clasificador de Bayes
TEOREMA DE BAYES:
Posteriori
Priori
Verosimilitud
P( A) P( B / A)
P( A / B) =
P( B)
Evidencia
¿ENTONCES PARA QUE SIRVE ELTEOREMA DE BAYES?
Función que combina datos con creencias “a PRIORI” en referencia a
una cantidad desconocida, obteniendo creencias “a POSTERIORI”.
Esta aproximación ha sido comparada con tareas deaprendizaje
donde la experiencia sirve de base para la continua adaptación del
sistema de creencias.
Clasificador de Bayes
TEOREMA DE BAYES:
P( A) P( B / A)
P( A / B) =
P( B)
Genio ocioso de los
números,considerado sin
lugar a dudas como
el príncipe de las
matemáticas
Carl Friedrich Gauss
Se calcula la Verosimilitud como una Gaussiana:
1
f ( x) =
σ 2π
e
1 x −µ 2
−
2 σ
female
male...
Leer documento completo
Regístrate para leer el documento completo.