Transitions in Bayesian model selection problems: Network-based recommender system and symbolic regression
Year: 2021
Type: dissertation
Abstract: En aquesta tesi hem fet un estudi del procés d'inferència Bayesiana aplicat als problemes de selecció de models. Aquests problemes consisteixen en donat un conjunt de models i unes dades observades, mirar quin és es model més plausible. Fent servir el teorema de Bayes en aquest tipus de problemes, ens permet no només valorar com un model s'ajusta a ses dades amb la funció de verosimilitud, sinó que també té en compte com sa informació que pensem que a priori pugui ser certa amb el prior. Açò fa que els tipus de prediccions que obtenim d'aquests processos puguin estar basats en ses dades, bé en ses hipòtesis que tenim, o bé per ambdues. S'objectiu d'aquesta tesi és veure com afecten els diferents tipus de models trobats ens ses prediccions, per açò hem decidit enfocar-nos en dos problemes: es problema d'es sistema de recomanacions i es problema de regressió simbòlica. Es sistema de recomanacions és un problema que consisteix en predir ses preferències d'un usuari donat ses que ja sabem. En aquest cas hem fet servir un mètode bayesià i hem posat com a prior que els usuaris amb atributs semblants tinguin gustos semblants. Es es cas de sa regressió simbòlica, es problema consisteix en trobar sa expressió matemàtica de entre tot s'espai d'expresions matemàtiques. Aquí hem fet servir es Bayesian machine scientists que fa servir es teorema de Bayes i té com a prior que ses expressions matemàtiques siguen semblants als que hi ha a sa Wikipèdia. Com a resultat, hem vist que en diferents situacions, el prior i les dades poden ajudar o no a fer prediccions donant a lloc transicions en la predictibilitat (en el cas del recomanador) i la detectabilitat (en el cas de la regressió simbòlica).
Source: Rovira & Virgili repository
Author: Fajardo Fontiveros, Oscar
Institution: Universitat Rovira i Virgili
Language: Catalan
Subfield: Artificial Intelligence
Field: Computer Science
Domain: Physical Sciences
Open Access status: green
OpenAlex ID: W6987713661
