Glosario IA
El diccionario completo de la Inteligencia Artificial
Redes Bayesianas Dinámicas
Extensión temporal de las redes bayesianas estáticas que modelan la evolución de las variables aleatorias y sus dependencias condicionales a través del tiempo mediante transiciones de Markov.
Cadenas de Markov Ocultas
Modelos estadísticos donde el sistema observado depende de estados ocultos no observables que siguen una cadena de Markov, utilizados para el reconocimiento de secuencias temporales.
Modelos de Markov Ocultos Factoriales
Extensión de los HMM donde múltiples cadenas de Markov ocultas interactúan para generar las observaciones, permitiendo modelar dependencias complejas entre factores latentes.
Filtro de Partículas
Método de Monte Carlo secuencial para la estimación de estado en sistemas no lineales y no gaussianos, utilizando un conjunto de partículas ponderadas para aproximar la distribución posterior.
Modelos de Temas Dinámicos
Extensión de los modelos de temas que capturan la evolución temporal de los temas en corpus textuales, modelando cómo las distribuciones de palabras cambian a lo largo del tiempo.
Sistemas Dinámicos Híbridos
Modelos que combinan variables discretas y continuas en un marco temporal, capturando interacciones entre estados discretos y evoluciones continuas en sistemas complejos.
Modelos de Espacio de Estados
Marco general para la modelización de series temporales con estados latentes no observados que evolucionan según una ecuación de estado y generan observaciones mediante una ecuación de observación.
Inferencia Hacia Adelante/Hacia Atrás
Algoritmos de cálculo de distribuciones de creencia en modelos gráficos dinámicos, combinando propagación hacia adelante (filtrado) y hacia atrás (suavizado) para una estimación óptima de los estados.
Modelos de Cambio de Régimen
Modelos donde los parámetros del sistema pueden cambiar abrupta o progresivamente entre diferentes regímenes comportamentales, capturando transiciones estructurales en los datos.
Procesos de Detección de Cambios
Algoritmos estadísticos para identificar los puntos temporales donde las propiedades estadísticas de una señal o sistema cambian significativamente, esenciales para la monitorización en tiempo real.
Modelos Gráficos Temporales Jerárquicos
Estructuras multi-escala que capturan dependencias temporales en diferentes niveles de abstracción, permitiendo una modelización efectiva de fenómenos complejos con dinámicas anidadas.
Filtros de Bayes
Marco teórico general para la estimación recursiva del estado de un sistema dinámico utilizando el teorema de Bayes, incluyendo el filtro de Kalman y los filtros de partículas como casos particulares.
Modelos de Transición Temporal
Componentes de modelos gráficos dinámicos que especifican cómo las distribuciones de probabilidad de las variables evolucionan entre pasos temporales sucesivos, definiendo la dinámica del sistema.
Redes de Influencia Temporales
Modelos probabilistas que capturan cómo las influencias causales entre variables se propagan y modifican a lo largo del tiempo, esencial para el análisis de sistemas causales dinámicos.
Modelos Gráficos No Estacionarios
Extensiones de modelos gráficos dinámicos donde los parámetros y/o la estructura del grafo pueden cambiar en el tiempo, adaptando el modelo a evoluciones no homogéneas.
Aprendizaje de Estructura Dinámica
Proceso de inferencia automática de la estructura óptima de un modelo gráfico dinámico a partir de datos temporales, incluyendo el descubrimiento de dependencias y retardos temporales.
Alisamiento de Viterbi
Algoritmo para encontrar la secuencia de estados ocultos más probable dadas todas las observaciones, generalizando el algoritmo de Viterbi para la inferencia offline en los modelos dinámicos.
Modelos Ocultos de Markov con Entradas
Extensión de los HMM donde las transiciones de estados dependen de variables de entrada externas observadas, permitiendo un modelado condicional de las secuencias temporales.