神经网络，玻利维亚最好的

从玻利维亚返回的行程很累，经过22个小时的旅行，最复杂的事情是在到达我的出发国之前，最后一次停留在萨尔瓦多科马拉帕机场。这是一个很累的一周，一天中大部分时间要花8到5个工作日，有很多食物，但也有很多学习知识。

几乎我们所有人都得出结论，该课程内容太多，实际工作量太少，这影响了讲师的负担，他们必须处理一整天的演讲，而其中的Powerpoint有点枯燥，而不同级别的听众却迷茫了一半，另一半则迷失了方向，另一些人则希望从他们已经做过的事情中获得实际利益。但是，带有演示文稿的CD和来自不同国家的展览的补充带来了良好的效果。

在这些论文中，最引起我注意的是在人工智能原理下将神经网络应用于复杂过程。

问题

无论是由中央机构还是地方政府来征收财产税，都需要实施大规模的估值方法。为此，从简化（撒谎）到过于复杂（不可持续），有好几种。这些广泛传播的方法之一是通过市场法对土地进行评估和建筑物重置成本。这至少需要三个艰巨的任务：

1。更新改进值。它的手段是通过所谓的建设性类型学建立的，这些结构性预算由预算章节组成，而预算章节又由建设性要素组成，并由基本要素作为单位成本表构成。这样，最简单的方法就是更新输入基础：材料，人工，设备和机械，更专业的服务，然后可以使用建筑类型。像这样的方法的实用性在于，为评估表收集现场数据仅需要计算建筑面积，建筑特征，质量和保护……有据可查的文件可以克服主观性。

对于农村地区，还研究了赋予财产生产价值的特征，如永久性作物，可交易资源或潜在用途。

2。地图更新地面价值。这是基于可靠房地产交易的样本构建的，具有重要的代表性，并随着时间的推移具有市场价值。然后这些值成为包含基于邻近度和服务趋势的同质区域。

3。网络更新公共服务。举个例子，当道路基础设施的状态发生变化时，这些特性会影响一个或多个前端的属性。因此，理想的是将值从街区转移到街道轴线，以便可以将其与影响物业前端的比例相关联...社区与收益之间的关系，这些收益不仅影响可以线性变化的土地价值。

每5年它并不难，但做如此不同的很多城市，即使有一台电脑的应用程序，这取决于外部数据和现场样品如下疯狂变得不可持续。

应用

西班牙经济部的YedraGarcía以主题发表了一篇论文 “人工智能应用于大规模估值”

概念已经围绕在网页上，用英文，但是Yedra已经提出了一种可能性，使用应用来解决这个问题自动完成复杂的方法，看起来神经网络：

意味着处于中等水平的指标最小数量，可以具有通过发送向下输入值的趋势和一具临时提案值的同质区域通过空间分析通过的条件相似的比较关系，可以生成一个矩阵它是在对实际的数据，如数据速率通讯建设或房地产价值两个方向进行冗余。

当然，这并不需要表格数据的简单分析，而且还影响到恢复，互连主干道路和拓扑分析常见的邻里层的空间分析。

这可能会带来超出财产税目的简单估值的结果，例如根据对重估和资本收益的回收影响的条件来规划工程......等等。