Nous essayons d'abord d'indiquer la nature du problème qui a été résolu par ces méthodes. Si un problème est simple, Polynomial ou NP Complete, nous avons prêt à brancher des algorithmes qui pourraient fournir une réponse déterministe, par simple recombinaison des axiomes selon des règles logiques. Cependant, si ce n'est pas le cas, il faudrait s'appuyer sur une méthode de raisonnement, dans laquelle, nous essayons de traiter le problème comme étant hétérogène et de le brancher sur un réseau, les nœuds étant des évaluations et les arêtes étant des voies entre les composants .
Dans tout type de raisonnement basé sur un réseau, nous ne raisonnons pas de manière déductive, en utilisant des généralisations et des combinaisons abstraites, selon des règles logiques dans un flux linéaire, mais travaillons plutôt sur le problème basé sur la propagation du raisonnement dans différentes directions, de sorte que nous résolvons le problème un nœud à la fois, ouvert à des améliorations sur la découverte de nouveaux faits concernant n'importe quel nœud à l'avenir. Voyons maintenant comment chacune de ces techniques aborde cette méthode de résolution de problèmes à sa manière.
Réseau de neurones:
Le réseau de neurones est une boîte noire, où l'on pense (ne pourrait jamais être vérifié de l'extérieur du système) que les connexions entre les nœuds de simplet sont formées et accentuées par des renforts externes répétés. Il aborde le problème dans un paradigme Connectionsitic . Le problème est probablement résolu, mais il y a peu d'explication. Le réseau neuronal est désormais largement utilisé en raison de sa capacité à produire des résultats rapides, si le problème d'explicabilité est ignoré.
Réseau bayésien:
Le réseau bayésien est un graphe acyclique dirigé, qui ressemble plus à l'organigramme, seulement que l'organigramme peut avoir des boucles cycliques. Le réseau bayésien, contrairement à l'organigramme, peut avoir plusieurs points de départ. Il retrace essentiellement la propagation d'événements à travers de multiples points ambigus, où l'événement diverge de manière probabiliste entre les voies. De toute évidence, en tout point donné du réseau, la probabilité que ce nœud soit visité dépend de la probabilité conjointe des nœuds précédents. Le réseau bayésien est différent du réseau neuronal en ce qu'il est un raisonnement explicite, même s'il est probabiliste et pourrait donc avoir plusieurs états stables en fonction de chaque étape revisitée et modifiée dans les valeurs légales, tout comme un algorithme. C'est un moyen robuste de raisonner de manière probabiliste, mais cela implique le codage des probabilités,
Arbres de décision:
L'arbre de décision est à nouveau un réseau, qui ressemble plus à un organigramme, qui est plus proche du réseau bayésien que du réseau neuronal. Chaque nœud a plus d'intelligence que le réseau neuronal et la ramification peut être décidée par des évaluations mathématiques ou probabilistes. Les décisions sont des évaluations simples basées sur les distributions de fréquence des événements probables, où la décision est probabiliste. Cependant, dans les réseaux bayésiens, la décision est basée sur la distribution de «preuves» qui indiquent qu'un événement s'est produit, plutôt que sur l'observation directe de l'événement lui-même.
Un exemple
Par exemple, si nous devions prédire le mouvement d'un tigre mangeur d'hommes à travers certains villages himalayens qui se trouve être au bord d'une réserve de tigres, nous pourrions le modéliser sur l'une ou l'autre approche comme suit:
Dans un arbre de décision, nous nous baserions sur des estimations d'experts pour savoir si un tigre aurait le choix entre des champs ouverts ou des fleuves choisirait ce dernier. Dans un réseau bayésien, nous suivons le tigre par des marques de carlin, mais raisonnons d'une manière qui reconnaît que ces marques de carlin pourraient avoir été celles d'un autre tigre de taille similaire patrouillant régulièrement sur son territoire. Si nous voulons utiliser un réseau neuronal, nous devrons former le modèle à plusieurs reprises en utilisant diverses particularités comportementales du tigre en général, telles que sa préférence pour nager, la préférence des zones couvertes par rapport aux zones ouvertes, son évitement des habitations humaines afin de permettre au réseau de raisonner généralement sur le cours que pourrait prendre le tigre.