00:00:00
bienvenidos a descubriendo de tejer
00:00:01
artificial hoy vamos a ver la segunda
00:00:03
parte de diferencia probabilísticas
00:00:11
continuamos con esta segunda parte de lo
00:00:13
que son las técnicas diferencias pero
00:00:15
balística y repetir lo que dije en el
00:00:17
vídeo anterior realmente esto es una
00:00:20
introducción de avance de acuerdo luego
00:00:22
vamos a ver ya ejemplos y cosas
00:00:24
concretas pero probé no me suena a
00:00:26
perdón me interesa que os suene bueno
00:00:29
por lo menos lo más las cosas más
00:00:31
básicas y que armen algunas cosas ya no
00:00:33
empieces
00:00:35
al saber por dónde pueden ir los tiros
00:00:37
de acuerdo a una serie de técnicas por
00:00:42
lo que es una introducción
00:00:44
como digo más básico porque no voy a
00:00:48
poner todavía ejemplo en nada porque
00:00:50
luego ya cuando veamos las redes
00:00:51
bayesianas a los vídeos al revés si nos
00:00:52
vamos a ver estas técnicas en
00:00:54
funcionamiento y vamos a verlas con
00:00:55
ejemplos y poco a poco de acuerdo pero
00:00:58
primero para que nos suene o sepáis pues
00:01:02
como se hace en general enredar como
00:01:04
introducción lo que es la inferencia de
00:01:06
todas las redes entonces la primera
00:01:09
técnica que tenemos que conocer o que
00:01:11
los sigue empezar a sonar es la técnica
00:01:13
de numeración que lo que se hace bueno
00:01:15
pues se hace pues básicamente lo que
00:01:17
vimos hacer un par de vídeos cuando
00:01:19
vimos lo de la unidad conjunta lo que se
00:01:25
hace que a partir de las tablas de
00:01:26
propiedad conjunta bueno pues se
00:01:28
seleccionan las entradas según tengamos
00:01:31
las evidencias es decir vimos el día
00:01:33
anterior que no éramos así evidencias
00:01:34
entonces bueno pues en estas tablas
00:01:37
evidencias
00:01:41
las columnas lo que sea que nos van a
00:01:46
interesar porque lo que hemos visto si
00:01:48
nosotros vemos que el día está soleado
00:01:50
cómo podemos adaptar la realidad
00:01:52
conjunta vemos la variable que tratar
00:01:54
por ejemplo es el tipo de día soleado
00:01:57
nublado el viento lluvia lo que sea
00:01:59
cogemos la fila donde está soleado y
00:02:03
entonces bueno pues en base a las
00:02:05
evidencias tenemos podemos tener una o
00:02:07
varias evidencias podemos cogiendo las
00:02:09
filas que nos van interesando de estas
00:02:11
tablas en base a esas tablas bueno pues
00:02:13
lo que hacemos a continuación es
00:02:15
finalizar para eliminar todas las
00:02:17
variables ocultas todo lo que no serían
00:02:19
evidencias en definitiva porque
00:02:21
eliminamos todas las variedades ocultas
00:02:22
y dejar solo la pregunta y las
00:02:24
evidencias es decir entonces hasta las
00:02:26
vamos a tener variables que son
00:02:28
evidencias variables que van a ser
00:02:29
ocultas y están las variables por
00:02:32
estamos preguntando entonces lo que se
00:02:34
va haciendo son técnicas de
00:02:35
marginalización sí no
00:02:38
lo que estoy viendo es un ejemplo de
00:02:43
cómo se realiza entonces vamos a ir mal
00:02:46
finalizando de forma que vamos
00:02:48
eliminando variables cuales todas las
00:02:50
variables pero algunos no lo son y las
00:02:53
evidencias ni son la variable que
00:02:55
estamos preguntando bueno pues vamos mal
00:02:59
finalizado y obtengamos lo que es la
00:03:01
tabla de edad marginal ya no la tabla de
00:03:04
seguridad conjuntas en el problema al
00:03:05
final
00:03:06
bueno pues tenemos que tener en cuenta
00:03:07
que lo que tenemos que hacer a
00:03:09
continuación es normalizar el definitivo
00:03:11
valor esto tenemos nosotros normalizados
00:03:12
pues tenemos que normalizar el acuerdo
00:03:14
entonces básicamente este es el
00:03:16
procedimiento de numeración y lo vamos a
00:03:19
hacer
00:03:20
se va a hacer como digo esto es una
00:03:23
introducción entonces no voy a poner mi
00:03:25
ejemplo nivel 3 demasiado
00:03:27
en ello simplemente porque vaya sonando
00:03:30
de acuerdo y ya lo un poco a poco
00:03:33
debemos bien entonces este líneas tiene
00:03:34
ventajas y una serie de ventajas que
00:03:36
sólo acabará a continuación las tablas
00:03:37
de problemas conjuntas se pueden
00:03:39
equiparar por así decirlo arrastrarlas
00:03:41
de verdad de la lógica de proposiciones
00:03:43
en definitiva tienen los mismos
00:03:45
problemas es decir suena muy bien la
00:03:48
priorizará muy bien pero tiene un
00:03:50
problema que es el del problema de las
00:03:51
complejidades no tiene es decir los
00:03:53
algoritmos que sea que se puede utilizar
00:03:55
el que hemos visto anteriormente
00:03:57
bueno pues tiene una complejidad tanto
00:03:58
el espacio como el tiempo que es
00:03:59
exponencial en definitiva es decir si
00:04:02
tenemos que cada variables que tenemos
00:04:04
tiene variables
00:04:05
n variables y cada variable tiene t
00:04:09
valores pues entonces la tabla ocupa un
00:04:11
espacio del elevado aire y si tenemos
00:04:13
que hacer una manera lización a
00:04:14
normalización y todo bueno pues eso nos
00:04:17
lleva un tiempo de exponencial en base
00:04:19
pues a las variables el número de
00:04:23
valores que tenga estas variables como
00:04:24
siempre recordar que estamos en el
00:04:26
momento tratando con variables
00:04:30
es igual que una verdadera lógica
00:04:33
teníamos el problema de un intratable
00:04:36
porque era delincuencial pues aquí nos
00:04:38
pasa hasta electrónicos
00:04:39
y lo segundo programa que tenemos en la
00:04:41
sala de verdad de aplicar esta técnica
00:04:48
que luego no vamos a poder extrapolar
00:04:50
vamos a poder convertir para lanzarlo
00:04:54
con valores continuos con lo que a pesar
00:04:57
de que es la primera técnica que suele
00:04:58
ver con las
00:05:02
le dicen al perdón que no sabía el
00:05:04
nombre bueno pues a pesar de que va a
00:05:05
ser la primera técnica y la que vamos a
00:05:07
usar la riva que vamos a usar de las
00:05:09
primeras que vamos a usar bueno pues que
00:05:11
sepáis que tienen estas dos telas de
00:05:13
estado desventajas de acuerdo nada está
00:05:16
para poder ver técnicas más complejas
00:05:20
técnica más completo que se basan en
00:05:22
estas entonces creo que a veces está de
00:05:24
acuerdo que mejores se pueden hacer
00:05:26
tiene mejoras por ejemplo sobre todo con
00:05:28
este no puedo mezclar mucho es decir
00:05:30
para poder utilizar valores continuos
00:05:32
tendremos que utilizar un tipo de
00:05:33
técnicas que no sean los de la
00:05:35
numeración el uso de tablas de edad son
00:05:39
funciones
00:05:42
utilizar funciones de media tablas y se
00:05:45
tendrán que utilizar técnicas de
00:05:46
integración matemática
00:05:48
integrales entonces eso
00:05:51
no queda otra pero en el caso bueno
00:05:57
ciertos matices pero lo que sí podemos
00:06:00
hacer bueno pues para relajar es y para
00:06:02
poder mejorar para poder tratar las
00:06:04
cosas mejor es decir para que no sean
00:06:06
compresión esas conexiones sino que sean
00:06:08
complejidades polinómicas tratables
00:06:10
etcétera pues aquí sí que podemos
00:06:12
utilizar lo que bueno pues el uso de la
00:06:14
independencia condicionar con la
00:06:15
independencia pero básicamente la
00:06:17
independencia condicional para que
00:06:19
precisamente reducir el tamaño del
00:06:21
serluz -muchísimo el tamaño de las
00:06:23
tablas de edad conjunta y de esa forma
00:06:26
bueno pues se puedan tratar de acuerdo y
00:06:28
en eso consiste básicamente pues la
00:06:31
redim adicional de acuerdo decidido que
00:06:32
hacer es que los nodos van a representar
00:06:36
en definitiva variables las flechas que
00:06:40
hay entre uno y otro porque son grafos
00:06:42
dirigidos entonces la fecha que hay
00:06:44
entre uno y otro van a representar en
00:06:46
principio causalidad en principio
00:06:47
causalidad es decir una pero en realidad
00:06:49
es una variable será afectada por una o
00:06:52
varias variables y entonces básicamente
00:06:54
lo que va a definir son
00:06:56
de propiedades conjuntas en base a esa
00:06:59
variable y las variables que el afecto
00:07:01
son una variable que causa las causas
00:07:08
bueno puede ser
00:07:10
se habla de problemas conjuntos
00:07:14
evidencias y la propia
00:07:18
entonces el uso de la independencia ya
00:07:20
lo dije en el último vídeo fue lo que
00:07:22
marcó la diferencia entre poder usar o
00:07:24
no usar las técnicas de probabilidad
00:07:26
para tratar incertidumbre antes de
00:07:28
descubrir la independencia de
00:07:29
dependencia condicional después está el
00:07:32
extrarradio el problema para poder usar
00:07:34
estas técnicas luego cuando se descubrió
00:07:36
la independencia condicional y cómo
00:07:38
aplicar la regla diana con su cuando
00:07:40
bueno pues esto conseguimos superarlo y
00:07:42
de esa forma hoy en día
00:07:44
por supuesto a tantísimos las
00:07:45
desviaciones de acuerdo entonces
00:07:47
básicamente
00:07:49
el proceso que vamos a dar a sufrir
00:07:51
dentro de lo que es el vídeo debe ser a
00:07:55
partir de lo que es la numeración y
00:07:58
igual que hicimos con las búsquedas no
00:07:59
informan a partir de la numeración y ir
00:08:03
intentando mejorando las técnicas para
00:08:06
que se reduzca la complejidad eso lo
00:08:08
hicimos con las búsquedas por ejemplo
00:08:10
porque no informada luego informará
00:08:12
hemos ido viendo algoritmos en mejores y
00:08:14
con la lógica pasó lo mismo vimos
00:08:16
primeros estados de verdad y luego ya
00:08:17
hemos ido haciendo por su resolución
00:08:18
entrenamientos y demás que nos han ido
00:08:20
por dirigir hacia técnicas mejor este
00:08:23
acuerdo como decía antes muchas radios
00:08:25
valencianas se utilizan bueno con son
00:08:27
redes causales que sean eres de redes
00:08:29
que determinan causas y efectos de
00:08:31
acuerdo entonces una de las técnicas una
00:08:34
de las aplicaciones una de las
00:08:36
diferencias más típicas que se suelen
00:08:38
hacer con las riberas es lo que se llama
00:08:40
el diagnóstico causal es decir cuando
00:08:42
realmente la raya será lo que representa
00:08:44
son causas de causas y efectos
00:08:46
bueno pues en realidad bueno pues lo que
00:08:50
nos interesa calcular
00:08:52
normalmente es mucho más fácil hay que
00:08:54
tener en cuenta que normalmente mucho
00:08:55
más fácil obtener la probabilidad de que
00:08:57
se produzca un efecto a una causa que al
00:08:59
contrario lo que quiere decir que tiene
00:09:02
ejemplo que ponía con las enfermedades
00:09:04
es decir nosotros en un momento vamos a
00:09:06
ver si nosotros por ejemplo la variable
00:09:09
que nosotros observamos es que tenemos
00:09:10
que ir de acuerdo entonces eso en
00:09:12
definitiva es una evidencia o un efecto
00:09:14
en definitiva es un efecto porque es el
00:09:17
efecto que es el efecto de alguna
00:09:20
de alguna enfermedad o de algún problema
00:09:25
que está causando ese problema porque
00:09:28
tenemos tierra porque tenemos gripe o
00:09:30
por lo que sea lo que sea entonces es
00:09:33
realmente si nosotros queremos decir
00:09:35
bueno vamos a calcular la probabilidad
00:09:36
de tener gripe si tenemos fiebre
00:09:39
bueno pues muchas veces no es fácil
00:09:40
calcular la probabilidad de acuerdo ni
00:09:42
siquiera recabando datos es fácil ahora
00:09:44
sí es más fácil recabar datos sobre si
00:09:46
tiene gripe que problemas pines del
00:09:48
cierre
00:09:48
eso sí más fácil porque hacer gripe
00:09:52
cuántas de ellas tienen aquí en el
00:09:56
sistema fácil obtener la frase de que se
00:09:57
produzca un efecto dado una causa de si
00:09:59
la propiedad de discriminación
00:10:01
dada la causa de que tiene equilibrio
00:10:02
que al contrario que es un nivel la
00:10:05
probabilidad de que tenga clip cuando
00:10:07
tienes tierra el problema es que
00:10:09
normalmente como digo tú no ves
00:10:11
realmente así nosotros no vemos que
00:10:13
tenemos el vídeo de la religiosa
00:10:14
nosotros nos vemos lo que otra gente en
00:10:16
nuestra bella ahora de cero nosotros lo
00:10:18
que vemos son los efectos que produce el
00:10:20
sonido no como esas intenciones o lo que
00:10:22
sea decir lo que demos a las evidencias
00:10:24
de ahí local algo de variables ocultas y
00:10:26
variables observables las observables
00:10:28
son los efectos en definitiva no lo que
00:10:31
nos producen las enfermedades fiebre si
00:10:34
tenemos mareos y vómitos ese tipo de
00:10:36
profesor los efe las localidades ocultas
00:10:40
pues es exterior
00:10:41
de infección o tener algún tipo de virus
00:10:43
de tres alrededores ocultas entonces lo
00:10:46
que nosotros nos interesa realmente es
00:10:47
calcular como digo pues cuál es la causa
00:10:49
dados los efectos entonces para esto se
00:10:52
va a aplicar acordaros de la última mano
00:10:54
al vídeo en la fórmula que aplicamos de
00:10:56
acción o aplicamos para diestro entonces
00:10:58
lo que hacemos es que la problema de que
00:11:00
se habrá causado un efecto es igual a
00:11:02
problema que se debe efecto dado una
00:11:03
causa por la primera de esa causa
00:11:05
partido con la problema del efecto es
00:11:07
ahora cuando empezamos a ver pienso que
00:11:10
se empieza a ver mejor lo que es cuál es
00:11:14
la aplicación cuál es la utilidad que
00:11:15
tiene los definitiva la regla de vallés
00:11:20
por qué porque en definitiva lo que
00:11:22
estamos haciendo es estas probabilidades
00:11:25
son mediáticos digo que latente fácil de
00:11:27
obtener esta de aquí son pruebe desafíos
00:11:29
entonces qué pasa qué bueno pues lo que
00:11:33
tenemos que hacer es recopilar todas
00:11:34
estas probabilidades y en base a estas
00:11:36
problemas podemos calcular esta de aquí
00:11:45
porque esto es bastante pero en
00:11:48
definitiva la mayor utilidad que vamos
00:11:52
que lo que se usa muchísimo las redes
00:11:54
ballester a su software esto es
00:11:56
precisamente para esto es decir que ésta
00:11:58
es el corazón
00:12:00
muchas rivales atrás nosotros hacemos es
00:12:02
calcular las causas buenas queremos unos
00:12:05
efectos como pues calculan de opinión
00:12:07
estas probabilidades y aplicando esta
00:12:08
fórmula de causa-efecto unidades de tres
00:12:16
civiles en general y luego pero porque
00:12:19
que en raya de esa gente que bueno pues
00:12:21
que tenga fiebre cuando tienes por
00:12:22
ejemplo grita entonces es todos lo
00:12:24
calculamos y es por cada causa lo
00:12:26
hacemos con un cálculo porque los
00:12:28
efectos como son evidencias por las que
00:12:31
son y ya está
00:12:32
entonces lo que es el señora va a ser
00:12:34
conocimiento entonces lo que hacemos es
00:12:35
cada una de las causas en definitiva son
00:12:37
aquella pregunta que decíamos en el día
00:12:39
anterior la pregunta es qué será esta
00:12:41
causa será esta otra será estado después
00:12:42
de ahora de ellas por lo calculamos y
00:12:45
entonces luego en base a esa información
00:12:46
podemos determinar imaginaros que un
00:12:47
momento de la probabilidad
00:12:50
no estamos hablando solamente de una
00:12:53
evidencia del efecto pero puede haber
00:12:55
muchas más como decíamos esto puede ser
00:12:57
un vector de defectos no solamente puede
00:13:01
ser un concreto entonces bueno para otra
00:13:04
vida de que sufra gripe con estos
00:13:07
efectos si se aprovechan muchísimo mayor
00:13:09
por ejemplo tienen de otros infernales
00:13:11
pues ya los desenfrenados son mucho
00:13:14
mayores y definitivas es en ese es el
00:13:17
bueno pues es la forma de razonar que
00:13:19
tienen los médicos en definitiva se
00:13:21
basan en la experiencia y bueno pues
00:13:22
sería una serie de síntomas y entonces
00:13:24
bueno pues esos síntomas pues según lo
00:13:27
que sean pues es más probable que la
00:13:28
enfermedad u otro recurso tres segundos
00:13:31
más a esa probabilidad después actuar en
00:13:33
los tratamientos u otros entonces como
00:13:36
digo no solamente de plástico médico
00:13:38
sino todo técnico que tienen que ver con
00:13:40
causa-efecto
00:13:42
se utiliza esta técnica y son muy útiles
00:13:45
las reglas mover otra vez un poco a lo
00:13:49
que es el tema de la probabilidad pura y
00:13:51
dura bueno pues normalmente hablar de
00:13:54
valles en matemáticamente hablando se
00:13:56
define de esta forma de acuerdo luego
00:13:58
veremos los siguientes vídeos poco a
00:14:01
poco veremos detalles en definitiva son
00:14:03
todos igual que parecido a las búsquedas
00:14:05
pero son a 0 2 que cada uno desee cuál
00:14:07
es una variable luego hay una serie de
00:14:09
reuniones no de relaciones de arcos
00:14:11
entre los dos son
00:14:15
dirigido que tiene un sentido son
00:14:18
flechas en efectivo que normalmente
00:14:21
representa causalidad causa unas causas
00:14:24
pero entonces todo eso volveré loco pero
00:14:28
en definitiva se basa matemáticamente se
00:14:30
puede expresar de esta forma de acuerdo
00:14:32
a esto se llama la regla de la cadena
00:14:34
que en definitiva es una generalización
00:14:35
de la regla del producto cuando veamos
00:14:37
este tipo de cosas bueno veamos con
00:14:39
poquitas variables luego ya cada vez se
00:14:41
va complicando más variables aquí pues
00:14:45
evidencia multas y demás bueno pues es
00:14:49
generalizado y luego por letras como
00:14:55
la prueba conjunta de todas estas es
00:14:58
igual al productor yo para el producto
00:14:59
desde 1 hasta en el extremo se me de que
00:15:02
de la probabilidad condicional de que
00:15:04
sea
00:15:05
una de ellas
00:15:07
cuando haya sanado pues a -1 y -2 tendrá
00:15:12
etcétera a sus 21 qué quiere decir esto
00:15:15
bueno pues que en definitiva si estas
00:15:17
son las variables que influyen dentro de
00:15:21
sí la otra variable a sookie de acuerdo
00:15:22
nosotros tenemos una serie variables
00:15:24
desde 1 hasta di menos 1 son las
00:15:26
variables que influyen sobre la variable
00:15:28
llamamos así de acuerdo entonces a esas
00:15:31
variables se les llaman los padres
00:15:32
porque los padres porque un momento como
00:15:34
digo es un grafo dirigido y entonces
00:15:36
cada nodo ya veremos por qué cuestione
00:15:38
una serie de nodos de flechas que llegan
00:15:40
a extraer no entonces esos lados se
00:15:41
llaman nodos padres entonces están los
00:15:44
dos padres
00:15:44
bueno pues los que influyen sobre esa
00:15:46
variable entonces esa probabilidad
00:15:47
condicional de acuerdo si él descuenta
00:15:49
el del vídeo anterior vimos bueno porque
00:15:51
vemos una programa condicionada y lo que
00:15:53
hacíamos a convertir una propiedad
00:15:54
conjunta que muestra contrario la prueba
00:15:57
conjunta la convertimos en una propiedad
00:15:58
condicional pero lo que hacemos es que
00:16:01
multiplicamos
00:16:03
calculamos cada variable cada variable y
00:16:06
vemos cuáles son las variables que
00:16:08
influyen sobre ella
00:16:09
que son todas esas dos padres y
00:16:11
calculamos las pruebas condicionales de
00:16:13
esa variable a su fin cuando éramos los
00:16:16
padres de los padres ya lo hacemos por
00:16:18
cada una de las variables y otras
00:16:27
variables variable serán diferentes
00:16:34
además es porque no podemos número de
00:16:38
parcial de las variables que no influye
00:16:41
nada hasta la variable bueno porque las
00:16:43
variables pues según el orden del grafo
00:16:45
dirigido por persona no influye cuando
00:16:47
esa otra bueno podemos superarlas de
00:16:49
alguna forma de acuerdo entonces bueno
00:16:51
por eso en definitiva es una forma de
00:16:53
expresar cada variable con variables
00:16:56
anteriores
00:16:59
ésta está así y eso que se puede
00:17:03
representar como cualidades
00:17:05
condicionales y al final lo que se hace
00:17:06
es que se multiplican todas
00:17:08
multiplican todas ellas y se obtiene lo
00:17:10
que se llama la regla de la cadena que
00:17:13
es otra de las otras de las bases de las
00:17:15
redes chinas como digo es para que
00:17:19
empezáis a entender un poco que vaya
00:17:21
sonando pero que luego veremos
00:17:22
tranquilamente con ejemplo veremos redes
00:17:25
bayesianas y vamos a ver con ejemplos y
00:17:28
abajo se entiende récord pero de momento
00:17:29
como menos cobayas hablando de acuerdo y
00:17:32
por último una breve introducción
00:17:33
también a una de las diversas más
00:17:35
conocidas que es el ipad years de
00:17:37
acuerdo se utiliza básicamente para
00:17:40
clasificación por ejemplo me vallés se
00:17:43
utilizaba por ejemplo para saber si un
00:17:45
e-mail que te mandan es spam o no se
00:17:48
para por ejemplo no cosas así entonces
00:17:51
my way es lo que lo que yo he dicho
00:17:54
antes por ejemplo de tanto en este vídeo
00:17:56
como en anteriores de que la aplicación
00:17:59
de la independencia condicional
00:18:01
simplificó mucho los cálculos vale pues
00:18:04
no hay nadie se basa precisamente en
00:18:05
llevarles al extremo
00:18:07
lo que hace es lo siguiente ninguna
00:18:09
variable vale ninguna variable por así
00:18:12
decirlo es dependiente de otra dada una
00:18:14
causa es decir lo que se hace es que
00:18:17
todos los aspectos son condicionalmente
00:18:19
independientes entre sí dado la causa de
00:18:22
la causa se para esto lo remarcado
00:18:24
porque luego vamos a ver que dentro d
00:18:27
radio valencianas esto de la serie para
00:18:29
habilidad decir la separación es de
00:18:31
perder habilidad bueno pues el batería
00:18:33
la gran importancia la libertad
00:18:35
condicional va a separar variables
00:18:36
durante otros ya veremos lo que
00:18:37
significa entonces la causa separa todos
00:18:40
los efectos por ser causa de todos ellos
00:18:42
aquí envejecido lo que me refiero en un
00:18:44
momento dado es que nosotros tenemos por
00:18:47
ejemplo no hay valla normalmente tenemos
00:18:48
un nodo que sería en la causa y luego
00:18:52
tenemos un montón de efectos acuerdo un
00:18:54
montón de consciencia de todos ahora que
00:18:56
hay una flechita de ese nuevo inicial de
00:18:59
ese nuevo ritmo sabemos así hasta cada
00:19:01
uno de los nodos bien lo que voy a decir
00:19:04
es que ya lo veremos ya os digo que si
00:19:06
hacemos con mucha realidad todos estos
00:19:07
temas es que llevado en extremo lo que
00:19:10
nos viene a decir es que todas las
00:19:11
variables por así decirlo por
00:19:12
simplificar todas las variables son
00:19:13
independientes entre sí si nosotros en
00:19:15
un momento dado tenemos una causa las
00:19:18
variables todas esas variables entre sí
00:19:19
son independientes
00:19:21
eso no significa muchísimo los campos
00:19:23
porque éste esté por así decirlo está
00:19:28
condicional en la cual todo lo que sea
00:19:37
bueno pues eso en unas tablas de
00:19:40
propiedad conjunta inmensas en cambio si
00:19:43
nosotros en un momento dado eso lo
00:19:45
decimos que todos en efecto uno es
00:19:47
independiente de efecto 2 independiente
00:19:49
defecto n dado la causa vale es decir
00:19:53
que los cálculos es muchísimo es decir
00:19:56
todo esto será igual a la problemas a
00:19:57
priori de la causa de acuerdo por el
00:20:00
producto de una en esta m de las
00:20:02
probabilidades de dado un efecto de
00:20:04
acuerdo se ha presentado a una casa ese
00:20:06
efecto es decir lo que decíamos antes de
00:20:10
tener
00:20:20
condicional variable
00:20:23
una que sostiene todas se multiplican
00:20:25
entre sí y por último se multiplica por
00:20:27
la problema de la causa en este caso por
00:20:29
la causa de este caso puede ser en que
00:20:31
ocurre que realmente estamos diciendo
00:20:34
tener fiebre es independiente de tener
00:20:37
vómitos por ejemplo hombre vamos a ver
00:20:40
hasta cierto punto porque si tú tienes
00:20:42
una gripe puede ser que haya ciento
00:20:45
relación no de gripe entonces es fácil
00:20:48
que tengas por ejemplo que tengamos
00:20:50
entonces habría cierta relación entre
00:20:52
ambos pero en neiva que se basa el
00:20:54
destino no vamos a suponer que soy
00:20:56
independiente que son independientes que
00:20:58
no tiene nada que ver una con otra cosa
00:20:59
que vuelvan a ser así
00:21:04
entonces hacemos los cálculos y extremos
00:21:05
tras probar edad lo curioso de todo esto
00:21:07
es que a pesar de que no sea no refleja
00:21:11
realmente la realidad porque no refleja
00:21:13
realmente la realidad porque no hay
00:21:15
independencia condicional esa es una
00:21:17
restricción demasiado fuerte de acuerdo
00:21:19
porque muchas variables si quien
00:21:20
dependen unas de otras
00:21:22
los graneles decir es que si nosotros
00:21:23
estamos seguros de la causa en este caso
00:21:26
de la causa decir
00:21:27
esas dos variables o esas n variables
00:21:32
podemos decir que son independientes y
00:21:34
lo curioso es que cuando eso se pone en
00:21:35
marcha de funcionar es decir cuando se
00:21:38
pone en práctica pues resulta que
00:21:40
funciona bastante bien sorprendentemente
00:21:42
vale pues para hacer bastante entonces
00:21:44
suelen funcionar bastante bien incluso
00:21:46
cuando la independencia condicional no
00:21:48
se cumple la cual en la vida mediante
00:21:50
refiero entonces vale no hay valles
00:21:53
tampoco en la última panacea es decir no
00:21:55
hay valles no es
00:21:58
y nosotros en ese valle será más
00:22:04
sencilla que existe para los problemas
00:22:05
de clasificación relativamente sencillos
00:22:08
por ejemplo decir si un correo gmail
00:22:12
es un es un problema de clasificación
00:22:16
este correo que me llega a este mail que
00:22:18
me llega este spam es basura basura
00:22:22
como puede ser por ejemplo los efectos
00:22:24
por los efectos podrían ser las palabras
00:22:26
que se incluyen o podría ser si tiene
00:22:28
urls o dirección en definitiva si tienen
00:22:31
dirección o se apuntan a las ciertas
00:22:33
direcciones de internet o por ejemplo el
00:22:36
tipo de asunto que tiene etcétera
00:22:38
etcétera de los efectos puede ser en
00:22:41
definitiva algo nosotros vemos las
00:22:42
evidencias que nosotros vemos existen
00:22:45
imágenes e imágenes y las juntas y
00:22:47
juntos todo eso son el son cosas son
00:22:49
efectos que de sentido de que son
00:22:51
evidencia para esto podemos centrar
00:22:53
cuál es la causa la causa en definitiva
00:22:55
puede ser si ese correo pues o no es
00:23:00
entonces en ese caso lo que vamos a
00:23:05
analizar cada una de las cosas de forma
00:23:06
independiente y que vamos a determinar
00:23:09
con las son las probabilidades los
00:23:11
multiplicamos entre sí y luego lo
00:23:13
multiplicamos por la regla de la causa y
00:23:15
en definitiva
00:23:15
bueno pues cuando lo ponemos en marcha
00:23:18
resulta que funciona bastante bien y
00:23:19
muchos muchísimos servidores de copiar
00:23:21
por ejemplo hoy en día pues utilizan
00:23:23
hombre no
00:23:24
ballesta así de sencillo si no tiene
00:23:26
algunas plurales algunas mejoras
00:23:29
bastantes mejoras pero en definitiva se
00:23:31
basa detalles de acuerdo entonces
00:23:33
simplemente sobre todo que os suene
00:23:34
queráis vallès es la regla más sencilla
00:23:38
y que además bueno pues se basa
00:23:41
precisamente en la independencia
00:23:43
condicional todas todas las variables
00:23:45
son independientes entre sí dado es una
00:23:47
causa y que a pesar de esa bueno por esa
00:23:49
suposición tan estricta tan fuerte que
00:23:51
luego en la vida real no es así pero aún
00:23:55
así pues sabemos que funciona bastante
00:23:58
bien con lo que hasta cuando no que una
00:24:00
técnica no es
00:24:02
el cien por cien
00:24:04
lo real y lo refleja ver se puede usar
00:24:08
muchas veces esas técnicas para hacer
00:24:10
técnicas de interés bien pues aquí acaba
00:24:14
lo que es la introducción esta
00:24:15
introducción a lo que son las técnicas
00:24:17
de inferencia probabilística en
00:24:19
definitiva la introducción a las redes
00:24:21
bayesianas y a partir de cuestiones ya
00:24:23
empezaremos poco a poco por saber
00:24:27
es lo que tiene tanta importancia tiene
00:24:31
tanta importancia que merece la pena que
00:24:33
vayamos muy poquito a poco entonces a
00:24:34
partir de ahora los vídeos los voy a
00:24:36
hacer
00:24:38
más me interesa más que haya utilizar
00:24:41
ejemplos para que empieces a entender
00:24:43
cómo funciona por ejemplo vamos a ir
00:24:45
avanzando poco a poco récord e incluso
00:24:47
puede ser los vídeos ahora más cortitos
00:24:49
los adversos porque si me interesa
00:24:50
detenerme detenerme bastante en la red
00:24:53
de valles era porque una vez que se
00:24:54
entienden y en las redes vélez era así
00:24:56
como funciona el resto de técnicas en
00:24:57
definitiva son diferentes tipos de redes
00:24:59
bayesianas están de acuerdo el hermano
00:25:01
si nosotros no comprendemos bien cómo
00:25:03
funcionan las regresiones así pues no va
00:25:05
a servirnos más nos va a ser muy difícil
00:25:08
entender con los modelos ocultos de
00:25:10
marko cetera entonces
00:25:13
voy a ir poco a poco en esto aunque sean
00:25:16
los vídeos más cortitos aunque haya
00:25:17
vídeos que sea un pueblo un ejemplo
00:25:19
aunque sea lo que sea pero voy a ir poco
00:25:21
a poco para que donde cenamos 10 de
00:25:24
acuerdo entonces estaba mal ya sabéis
00:25:26
que me gusta que participe si podéis y
00:25:27
que deje vuestros comentarios y
00:25:29
cualquier duda lo que sea puede saber lo
00:25:31
dejáis abajo estos vídeos realmente no
00:25:34
he puesto paciente en propiedad por la
00:25:35
potencia pues solamente es introductorio
00:25:37
entonces bueno que poco a poco
00:25:39
enseñando de acuerdo entonces si me
00:25:42
equivocara algo si tenéis cualquier
00:25:43
sugerencia que sean los de seis en los
00:25:46
comentarios
00:25:47
si es abu dhabi ya sabéis siempre darle
00:25:49
a me gusta que siempre ayuda siempre
00:25:50
anima y recordarlo siempre suspiros al
00:25:52
canal porque todos estos otros series de
00:25:54
vídeos en un momento dado si no vais
00:25:56
viendo los vídeos pues ya empieza a dar
00:25:59
por hecho ya parte las llamas ya son 54
00:26:01
vídeos los giramos entonces doy por
00:26:04
hecho que habéis visto por lo menos
00:26:05
todos los vídeos anteriores o por los
00:26:07
dos vídeos de esta serie y yo hago
00:26:10
muchas referencias ya partir de éste
00:26:11
hacen muchas referencias a los vídeos
00:26:12
anteriores entonces os recomiendo de
00:26:14
verdad que lo veáis para poder
00:26:16
comprender bien estos vídeos de acuerdo
00:26:19
con es a partir de ahora no voy a
00:26:21
pararme ya en cosas de probabilidad
00:26:23
porque he hecho un montón de vídeos de
00:26:25
probabilidad no todo lo que me gustaría
00:26:26
proponer lo más importante con lo que a
00:26:30
partir de ahora entenderé que que
00:26:31
comprendí cada uno de los pasos que doy
00:26:33
de probabilidad bueno podríamos seguir
00:26:35
aplicando ha relatado aquí aplicar la
00:26:36
regla actual pero en definitiva no voy a
00:26:39
tener mucho explicar porque si no no
00:26:40
podemos avanzar
00:26:41
de veras un campo bastante extenso así
00:26:44
que ya sabéis os recomiendo al canal
00:26:47
lunes miércoles y viernes
00:26:52
y poco más ya sabéis hasta vosotros
