Pertama-tama kami mencoba untuk menyatakan sifat masalah yang berusaha dipecahkan dengan metode ini. Jika masalah langsung, Polinomial atau NP Lengkap, kami telah siap untuk memasang algoritma yang dapat memberikan jawaban deterministik, dengan rekombinasi sederhana aksioma di sepanjang aturan logis. Namun, jika bukan itu masalahnya, kita harus bergantung pada metode penalaran, di mana, kita berusaha untuk memperlakukan masalah sebagai heterogen dan menghubungkannya ke jaringan, node sedang dievaluasi dan ujungnya menjadi jalur antara komponen .
Dalam segala jenis penalaran berbasis jaringan, kami tidak beralasan secara deduktif, dengan menggunakan generalisasi dan kombinasi abstrak, sesuai dengan aturan logis dalam aliran linier, melainkan mengerjakan masalah berdasarkan propagasi penalaran dalam arah yang berbeda, sehingga kami menyelesaikan masalah satu simpul pada satu waktu, terbuka untuk perbaikan pada penemuan fakta baru tentang setiap simpul di masa depan Sekarang mari kita lihat bagaimana masing-masing teknik mendekati metode pemecahan masalah dengan cara mereka sendiri.
Jaringan Saraf Tiruan: Jaringan
Saraf Tiruan adalah kotak hitam, di mana diyakini (tidak pernah dapat diverifikasi dari luar sistem) bahwa koneksi di antara simpul sederhana dibentuk dan ditekankan oleh bala bantuan eksternal berulang. Ini mendekati masalah dalam paradigma Connectionsitic . Masalahnya mungkin diselesaikan, tetapi ada sedikit penjelasan. Jaring saraf sekarang banyak digunakan karena kemampuannya untuk menghasilkan hasil yang cepat, jika masalah dengan keterjelasan diabaikan.
Jaringan Bayesian:
Bayesian Network adalah grafik asiklik terarah, yang lebih mirip diagram alur, hanya bahwa diagram alir dapat memiliki loop siklik. Jaringan Bayesian tidak seperti diagram alur dapat memiliki beberapa titik awal. Ini pada dasarnya melacak penyebaran peristiwa di beberapa titik ambigu, di mana peristiwa itu berpisah secara probabilistik antara jalur. Jelas, pada titik tertentu dalam jaringan, probabilitas simpul yang dikunjungi bergantung pada probabilitas gabungan dari simpul sebelumnya. Jaringan Bayesian berbeda dari Jaringan Syaraf Tiruan dalam hal itu adalah penalaran eksplisit, meskipun probabilistik dan karenanya dapat memiliki beberapa negara stabil berdasarkan pada setiap langkah yang ditinjau kembali dan dimodifikasi dalam nilai-nilai hukum, seperti algoritma. Ini adalah cara yang kuat untuk bernalar secara probabilistik, tetapi melibatkan penyandian probabilitas,
Pohon Keputusan: Pohon
Keputusan lagi-lagi sebuah jaringan, yang lebih mirip bagan alur, yang lebih dekat ke jaringan Bayesian daripada jaring saraf. Setiap node memiliki kecerdasan lebih dari neural net dan percabangan dapat diputuskan dengan evaluasi matematika atau probabilistik. Keputusan adalah evaluasi langsung berdasarkan distribusi frekuensi dari peristiwa yang mungkin terjadi, di mana keputusan itu probabilistik. Namun, dalam jaringan Bayesian, keputusan didasarkan pada distribusi 'bukti' yang menunjuk ke suatu peristiwa yang terjadi, bukan pengamatan langsung dari peristiwa itu sendiri.
Contoh
Sebagai contoh, jika kita memperkirakan pergerakan harimau pemakan manusia di beberapa desa Himalaya yang kebetulan berada di tepi beberapa cadangan harimau, kita dapat memodelkannya pada pendekatan mana pun sebagai berikut:
Dalam pohon keputusan, kami akan bergantung pada perkiraan para ahli apakah seekor harimau akan diberikan pilihan antara ladang terbuka atau sungai yang akan memilih pada yang terakhir. Dalam jaringan Bayesian, Kami melacak harimau dengan tanda pesek, tetapi beralasan dengan cara yang mengakui bahwa tanda pesek ini mungkin milik harimau berukuran serupa yang secara rutin berpatroli di wilayahnya. Jika kita ingin menggunakan jaring saraf, kita harus melatih model berulang kali menggunakan berbagai keanehan perilaku harimau secara umum, seperti preferensi untuk berenang, preferensi daerah tertutup di atas area terbuka, penghindaran tempat tinggal manusia untuk memungkinkan jaringan untuk secara umum beralasan selama mungkin mengambil harimau.