O tratamento nas decisões complexas pode usar as redes de Bayes para definir os valores proporcionais de ocorrência e utilidade das variáveis de de...

O tratamento nas decisões complexas pode usar as redes de Bayes para definir os valores proporcionais de ocorrência e utilidade das variáveis de decisão. Neste sentido, por que, em algumas situações, também podemos usar Markov como camada de decisão complexa? Escolha uma opção:


a. Markov, por ser mais eficiente que Bayes, pode resolver qualquer problema que as redes bayesianas resolvem sempre de forma mais eficiente.
b. Em lugar de usar as estratégias de soma das utilidades advindas das decisões, podemos usar uma função baseada no modelo oculto de Markov para fazer essa tomada de decisão ao usar a discretização nos valores de saída das redes bayesianas.
c. Não é possível usar Markov e Bayes em uma mesma solução, pois ambos os algoritmos são mutualmente excludentes.
d. Bayes sempre apresentará resultados melhores que Markov, por isso não é necessário usar os dois juntos, visto que repercutirá em um alto custo de processamento sem ganho de performance.
e. Pois as redes bayesianas entregam valores de saída baseados na lógica proposicional, algo importante para que Markov utilize sua lógica de primeira ordem para maximizar as saídas das redes.