एआई के सभी सहसंबंध पर काम नहीं करते हैं, बेयसियन बेलिफ़ नेटवर्क को इस संभावना के आसपास बनाया गया है कि ए बी का कारण बनता है।
मैं छात्रों के प्रदर्शन पर उनके पिछले प्रदर्शनों के आधार पर अनुमान लगाने के लिए एक प्रणाली पर काम कर रहा हूं।
मुझे नहीं लगता कि आपको इसके लिए कारण की आवश्यकता है। पिछले प्रदर्शन के कारण वर्तमान प्रदर्शन नहीं होता है। प्रारंभिक प्रश्न पर उत्तर देने से बाद के प्रश्न पर उत्तर नहीं मिलता है।
लेकिन उचित कठिनाई स्तर की संभावना वाले प्रश्नों को चुनने के लिए सिर्फ एक प्रणाली के निर्माण के दृष्टिकोण से - क्या यह अंतर कोई महत्व नहीं रखता है?
नहीं, आपके उदाहरण के लिए नहीं। मुझे लगता है कि सहसंबंध (या यहां तक कि साधारण एक्सट्रपलेशन) आपकी समस्या को बहुत अच्छी तरह से हल करेगा। प्रत्येक प्रश्न के लिए एक कठिनाई स्कोर असाइन करें और फिर छात्रों को तेजी से कठिन स्तरों (जो कि अधिकांश परीक्षाओं में काम करता है) में प्रश्न फ़ीड करें और फिर जब छात्र उन्हें गलत करना शुरू कर दें, तो आप कठिनाई को वापस हवा दे सकते हैं। यह एक प्रतिक्रिया एल्गोरिथ्म है जो एक बहुस्तरीय अवधारणात्मक में न्यूरॉन पर किए गए त्रुटि न्यूनीकरण के समान है। इस तरह के इनपुट रिक्त स्थान का गैर-तुच्छ टुकड़ा यह तय कर रहा है कि एक कठिन प्रश्न क्या है!
एआई में कार्य-कारण का एक बेहतर उदाहरण होगा:
मेरी गाड़ी धीमी हो रही है। मेरी त्वरक फर्श पर है। ज्यादा शोरगुल नहीं है। डैशबोर्ड पर लाइट्स हैं। क्या संभावना है कि मैं ईंधन से बाहर चला गया हूँ?
इस मामले में, ईंधन से बाहर चलने से कार धीमी हो गई है। यह ठीक उसी तरह की समस्या है जिसे बेयसियन बेलिफ़ नेटवर्क्स हल करता है।