Aprendizaje Paramétrico en las redes bayesianas para el Diagnostico de enfermedades cardiovasculares


Autores/as

  • Guillermo Roberto Solarte Martinez Universidad Tecnologica de Pereira
  • José A. Soto Mejía
  • Carlos Augusto Meneses Escobar

DOI:

https://doi.org/10.22517/23447214.8605

Palabras clave:

Bayesian networks, databases, diagnostics, disease, parametric learning

Resumen

En esta investigación  se muestra que el aprendizaje paramétrico en una red bayesiana puede ser usado en el diagnóstico de enfermedades cardiovasculares. El objetivo es determinar si se debe o no aplicar fármacos a un paciente con enfermedad cardiovascular utilizando como herramienta una aplicación de software en Java, realizada por los autores. Las redes bayesianas  se utilizan como representación grafica del conocimiento previo y métodos de razonamiento en  modelos probabilísticos. Para la creación de una red existen dos fases de aprendizaje: aprendizaje estructural y aprendizaje paramétrico. En  este estudio se hizo uso del aprendizaje paramétrico.

Descargas

Los datos de descargas todavía no están disponibles.

Biografía del autor/a

Guillermo Roberto Solarte Martinez, Universidad Tecnologica de Pereira

[1] Bayesian Artificial Intelligence. Kevin B. Korb, Ann

E. Nicholson. Boca Raton, Fla: CRC Press, 2011. Jensen,

 

[2]  [Ezequiel Felgaer], p. (2008, abril). Optimización de redes bayesianas basado en técnicas de aprendizaje por inducción disponible en: www.fi.uba.ar/ materias/7500/ felgaer-tesisingenieriainformatica.pdf

 

[3] Frías Blanco Isvani; Ortiz Díaz Agustín. Clasificadores y Multiclasificadores con   cambio de concepto basados en Árboles De  Decisión. Inteligencia Artificial. Revista Iberoamericana de Inteligencia Artificial, Vol. 14,  Núm. 45, 2010, pp. 32-43 Asociación Española para la Inteligencia Artificial España http://redalyc.uaemexx/src/inicio/ArtPdfed.jsp?iCve=

 

[4] [Herkovits y Copper] Herskovits, E. H. Computer-

based probabilistic network construction. Doctoral Dissertation. Medical Information Sciences, Stanford  University, Stanford, CA, 1991.

Descargas

    Vistas(Views): 829
  • PDF Descargas(Downloads): 778

Publicado

2014-09-30

Cómo citar

Solarte Martinez, G. R., Soto Mejía, J. . A., & Meneses Escobar, C. A. (2014). Aprendizaje Paramétrico en las redes bayesianas para el Diagnostico de enfermedades cardiovasculares. Scientia Et Technica, 19(3), 282–289. https://doi.org/10.22517/23447214.8605

Número

Vol. 19 Núm. 3 (2014)

Sección

Sistemas y Computación

Licencia

Los autores firmantes declaran que el artículo sometido a la revista Scientia et Technica es un trabajo original y que todo el material que lo compone se encuentra libre de restricciones de derechos de autor de terceros o cuenta con las autorizaciones correspondientes. En consecuencia, los autores asumen la responsabilidad por cualquier litigio o reclamación relacionada con derechos de propiedad intelectual, exonerando de toda responsabilidad a la Universidad Tecnológica de Pereira y a la revista Ciencia y Tecnología .

En caso de que el trabajo presentado sea aprobado para su publicación, los autores conservan los derechos de autor sobre el artículo y conceden a la revista Scientia et Technica el derecho de primera publicación, así como una licencia no exclusiva, ilimitada en el tiempo, para reproducir, editar, distribuir, exhibir y comunicar públicamente el artículo en cualquier medio o formato, incluyendo medios impresos, electrónicos, bases de datos, repositorios, Internet u otros sistemas de difusión científica. Los autores aceptan que el artículo sea publicado en acceso abierto y distribuido bajo la licencia Creative Commons Atribución–No Comercial–Compartir Igual 4.0 Internacional (CC BY-NC-SA 4.0).

La revista Scientia y respetará en todos los casos los derechos morales de los autores, conforme a lo establecido en el artículo 30 de la Ley 23 de 1982 de la República de Colombia, reconociendo la paternidad de la obra, el derecho a la integridad y el derecho de divulgación, los cuales son inalienables e irrenunciables.