1 / 40

Inteligenta Artificiala

Inteligenta Artificiala. Universitatea Politehnica Bucuresti Anul universitar 2005-2006 Adina Magda Florea http://www.cs.pub.ro/ia_06. Curs nr. 9. Reprezentarea cunostintelor incerte Teoria probabilitatilor Retele Bayesiene Factori de certitudine Logica vaga (fuzzy). 2.

inga
Télécharger la présentation

Inteligenta Artificiala

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Inteligenta Artificiala Universitatea Politehnica BucurestiAnul universitar 2005-2006 Adina Magda Florea http://www.cs.pub.ro/ia_06

  2. Curs nr. 9 Reprezentarea cunostintelor incerte • Teoria probabilitatilor • Retele Bayesiene • Factori de certitudine • Logica vaga (fuzzy) 2

  3. 1. Teoria probabilitatilor 1.1 Cunostinte incerte p simpt(p, Dur_d)  factor(p,carie) p simpt(p, Dur_d)  factor(p,carie)  factor(p,infl_ging) … • LP - dificultate (« lene ») - ignoranta teoretica - ignoranta practica • Teoria probabilitatilor  un grad numeric de incredere sau plauzibilitate a afirmatiilor in [0,1] • Gradul de adevar (fuzzy logic) gradul de incredere 3

  4. 1.2 Definitii TP • Probabilitatea unui eveniment incert A este masura gradului de incredere sau plauzibilitatea produceri unui eveniment • Camp de probabilitate, S • Probabilitate neconditionata (apriori) - inaintea obtinerii de probe pt o ipoteza / eveniment • Probabilitate conditionata (aposteriori) - dupa obtinerea de probe Exemple P(Carie) = 0.1 P(Vreme = Soare) = 0.7 P(Vreme = Ploaie) = 0.2 Vreme - variabila aleatoare • Distributie de probabilitate 4

  5. Definitii TP - cont • Probabilitate conditionata (aposteriori) - P(A|B) P(Carie | Dur_d) = 0.8 Masura probabilitatii producerii unui eveniment A este o functie P:S  R care satisface axiomele: • 0  P(A)  1 • P(S) = 1 ( sau P(adev) = 1 si P(fals) = 0) • P(A  B) = P(A) + P(B) - P(A  B) P(A  ~A) = P(A)+P(~A) –P(fals) = P(adev) P(~A) = 1 – P(A) 5

  6. Definitii TP - cont A si B mutual exclusive  P(A  B) = P(A) + P(B) P(e1  e2  e3  … en) = P(e1) + P(e2) + P(e3) + … + P(en) e(a) – multimea de evenimente atomice in care apare a P(a) =  P(ei) eie(a) Ex: Carie  Dur_d • Multimea de evenimente atomice: mutual exclusive si exhaustive 6

  7. 1.3 Regula produsului Probabilitatea conditionata de producere a evenimentului A in conditiile producerii evenimentului B • P(A|B) = P(A  B) / P(B) P(A  B) = P(A|B) * P(B) 7

  8. 1.4 Teorema lui Bayes Daca A si A sunt mutual exclusive si exhaustive, probabilutatea de aparitie a lui B in conditiile producerii lui A este P(B) = P(B  A) + P(B  A) = P(B|A)*P(A) +P(B| A)*P(A) • Generalizare la mai multe evenimente exclusive si exhaustive P(B|A) = P(A | B) * P(B) / P(A) • P(B|A) = P(A | B) * P(B) / [P(A|B)*P(B) +P(A| B)*P(B)] B - h, A - e P(h|e) = P(e | h) * P(h) / [P(e|h)*P(h) +P(e| h)*P(h)] 8

  9. Teorema lui Bayes hi – evenimente / ipoteze probabile (i=1,k); e1,…,en - probe P(hi) P(hi | e1,…,en) P(e1,…,en| hi) 9

  10. Teorema lui Bayes - cont Daca e1,…,en sunt ipoteze independente atunci PROSPECTOR 10

  11. 1.5 Inferente din DP si RB Distributie de probabilitate P(Carie, Dur_d) Dur_d Dur_d Carie 0.04 0.06 Carie 0.01 0.89 P(Carie) = 0.04 + 0.06 = 0.1 P(Carie  Dur_d) = 0.04 + 0.01 + 0.06 = 0.11 P(Carie|Dur_d) = P(Carie  Dur_d) / P(Dur_d) = 0.04 / 0.05 11

  12. Inferente din DP si RB Distributie de probabilitate P(Carie, Dur_d, Evid) P(Carie) = 0.108 + 0.012 + 0.72 + 0.008 = 0.2 P(Carie  Dur_d) = 0.108 + 0.012 + 0.072 + 0.008 + 0.016 + 0.064 = 0.28 P(Carie | Dur_d) = P(Carie  Dur_d) / P(Dur_d) = [P(Carie  Dur_d  Evid) + P(Carie  Dur_d  ~Evid)] * Constanta de normalizare 12

  13. Inferente din DP si RB X – variabila de interogat (Carie) E – multimea de probe (Dur_d), e – valorile observate pt E Y – variabile neobservate (Evid) P(X | e) =  * P(X , e) = * yP(X, e, y) 1 – utilizam regula produsului P(A|B) = P(A  B) / P(B) 2 – evaluam probabilitatea neconditionata din distributia de probabilitate 13

  14. 1.6 Limitari ale TP • Cantitate mare de date statistice • Valoare numerica unica • Ignoranta = incertitudine • Increderea intr-o ipoteza = neincrederea in negarea ei • Interpretarea probabilitatii unei ipoteze pe baza unei probe ca o confirmare a ipotezei  Paradoxul lui Hempel • P(h|e) • h1 - toti corbii sunt negrii • h2 - orice obiect care nu este negru nu este corb • e - vaza este verde • P(h2|e) h1 logic echivalent cu h2 P(h1|e) 14

  15. 2 Retele Bayesiene • Reprezinta dependente intre variabile aleatoare • Dau o specificare concisa a distributiei de probabilitate • Nu trebuie indicate probabilitatile conditionate ale tuturor combinatiilor de evenimente deoarece multe sunt independente conditional • Simplifica calculele • Au asociata o reprezentare grafica convenabila • DAG care reprezinta relatiile cauzale intre variabile • Pe baza structurii retelei se pot realiza diverse tipuri de inferente • Calcule complexe in general dar se pot simplifica pentru structuri particulare 15

  16. 2.1 Structura retelelor Bayesiene O RB este un DAG in care: • Nodurile reprezinta variabilele aleatoare • Legaturile orientate XY: X are o influenta directa asupra lui Y, X=Parinte(X) • Fiecare nod are asociata o tabela de probabilitati conditionate care cuantifica efectul parintilor asupra nodului, P(Xi | Parinti(Xi)) Exemplu • Vreme, Carie  Dur_d, Carie  Detect 16

  17. Hot Structura retelelor Bayesiene - cont P(H) 0.001 P(C) 0.002 Cutremur H C P(A) T T 0.95 T F 0.94 F T 0.29 F F 0.001 Alarma A P(D) T 0.7 F 0.01 A P(M) T 0.9 F 0.05 TelMihai TelDana H C P(A | H, C) T F T T 0.95 0.05 T F 0.94 0.06 F T 0.29 0.71 F F 0.001 0.999 Tabela de probabilitati conditionate 17

  18. 2.2 Semantica retelelor Bayesiene A) Reprezentare a distributiei de probabilitate B) Specificare a independentei conditionale – constructia retelei A) Fiecare valoare din distributia de probabilitate poate fi calculata ca: P(X1=x1  … Xn=xn) = P(x1,…, xn) = i=1,n P(xi | parinti(xi)) unde parinti(xi) reprezinat valorile specifice ale variabilelor Parinti(Xi) 18

  19. 2.3 Construirea retelei P(X1=x1  … Xn=xn) = P(x1,…, xn) = P(xn | xn-1,…, x1) * P(xn-1,…, x1) = … = P(xn | xn-1,…, x1) * P(xn-1 | xn-2,…, x1)* … P(x2|x1) * P(x1) = i=1,n P(xi | xi-1,…, x1) • Se observa ca P(Xi | Xi-1,…, X1) = P(xi | Parinti(Xi)) daca Parinti(Xi)  { Xi-1,…, X1} • Conditia poate fi satisfactuta prin etichetarea nodurilor intr-o ordine consitenat cu DAG • Intuitiv, parintii unui nod Xi trebuie sa fie toate acele noduri Xi-1,…, X1 care influenteaza direct Xi. 19

  20. Construirea retelei - cont • Alege o multime de variabile aleatoare relevante care descriu problema • Alege o ordonare a acestor variabile • cat timp mai sunt variabile repeta (a) alege o variabila Xi si adauga un nod corespunzator lui Xi (b) atribuie Parinti(Xi)  un set minim de noduri deja existente in retea a.i. proprietatea de independenta conditionala este satisfacuta (c) defineste tabela de probabilitati conditionate pentru Xi • Deoarece fiecare nod este legat numai la noduri anterioare  DAG P(TelMaria | TelMihai, Alarma, Hot, Cutremur) = P(TelMaria | Alarma) 20

  21. V A B B V A A V B 2.4 Inferente probabilistice P(A  V  B) = P(A) * P(V|A) * P(B|V) P(A  V  B) = P(V) * P(A|V) * P(B|V) P(A  V  B) = P(A) * P(B) * P(V|A,B) 21

  22. Hot Inferente probabilistice P(H) 0.001 P(C) 0.002 Cutremur H C P(A) T T 0.95 T F 0.94 F T 0.29 F F 0.001 Alarma A P(D) T 0.7 F 0.01 A P(M) T 0.9 F 0.05 TelMihai TelDana P(M  D  A H C ) = P(M|A)* P(D|A)*P(A|H C )*P(H) P(C)= 0.9 * 0.7 * 0.001 * 0.999 * 0.998 = 0.00062 22

  23. Hot Inferente probabilistice P(H) 0.001 P(C) 0.002 Cutremur H C P(A) T T 0.95 T F 0.94 F T 0.29 F F 0.001 Alarma A P(D) T 0.7 F 0.01 A P(M) T 0.9 F 0.05 TelMihai TelDana P(A|H) = P(A|H,C) *P(C|H) + P(A| H,C)*P(C|H) = P(A|H,C) *P(C) + P(A| H,C)*P(C) = 0.95 * 0.002 + 0.94 * 0.998 = 0.94002 23

  24. Inferente probabilistice P(H|M,D) = P(HM D) / P(M D) =  *P(H,M,D) =  *c a P(H,C,A,M,D) =  *c a P(H)*P(C)*P(A|H,C)*P(M|A)*P(D|A) =  * P(H)* c P(C)* a P(A|H,C)*P(M|A)*P(D|A) =  * 0.00059224

  25. Enumerare(X,e,RB) Q(X) <- distrib X initial vida pentru fiecare valoare xi a lui X repeta extinde e cu xi pt X Q(xi) <- Enum_Toate(Variabile(RB),e) intoarce normalizare(Q(X)) Enum_Toate(vars, e) daca vars=[ ] atunciintoarce 1.0 Y<- Prim(vars) daca Y are valoarea y in e atunciintoarceP(y|parinti(y)) * -Enum_Toate(Rest(vars),e) altfelintoarceyP(y|parinti(y) * Enum_Toate(Rest(vars), ey) // unde ey este e extins cu Y=y

  26. Hot 2.5 Forme de inferenta Cutremur Inferente de diagnosticare (efect  cauza) P(Hot | TelMihai) Inferente cauzale (cauza  efect) P(TelMihai |Hot), P(TelDana | Hot) Alarma TelMihai TelDana Inferente intercauzale (intre cauza si efecte comune) P(Hot | Alarma Cutremur) Inferente mixte P(Alarma | TelMihai  Cutremur)  diag + cauzal P(Hot | TelMihai  Cutremur)  diag + intercauzal 26

  27. 3. Factori de certitudine • Modelul MYCIN • Factori de certitudine / Coeficienti de incredere (CF) • Model euristic al reprezentarii cunostintelor incerte • In sistemul MYCIN se folosesc doua functii probabilistice pentru a modela increderea si neincrederea intr-o ipoteza: • functia de masura a increderii, notata MB • functia de masura a neincrederii, notata MD • MB[h,e] - reprezinta masura cresterii increderii in ipoteza h pe baza probei e • MD[h,e] - reprezinta masura cresterii neincrederii in ipoteza h pe baza probei e 27

  28. 3.1 Functii de incredere • Factorul (coeficientul) de certitudine 28

  29. Functii de incredere - caracteristici • Domeniul de valori • Ipotezele sustinute de probe sunt independente • Daca se stie ca h este o ipoteza sigura, i.e. P(h|e) = 1, atunci • Daca se stie ca negatia lui h este sigura, i.e. , P(h|e) = 0 atunci 29

  30. Functii de incredere - caracteristici • Lipsa probelor • MB[h,e] = 0 daca h nu este confirmat de e, i.e. e si h sunt independente sau e infirma h. • MD[h,e] = 0 daca h nu este infirmat de e, i.e. e si h sunt independente sau e confirma h. • CF[h,e] = 0 daca e nici nu confirma nici nu infirma h, i.e. e si h sunt independente. 30

  31. Exemplu de utilizare CF • O regula in sistemul MYCIN, exprimata intr-un limbaj asemanator celui din MYCIN, este • daca (1) tipul organismului este gram-pozitiv, si • (2) morfologia organismului este coc, si • (3) conformatia cresterii organismului este lant • atunci exista o incredere puternica (0.7) ca identitatea organismului este streptococ. • Exemple de fapte in sistemul MYCIN sint urmatoarele: • (identitate organism-1 pseudomonas 0.8) • (identitate organism-2 e.coli 0.15) • (loc cultura-2 git 1.0) 31

  32. 3.2 Functii de combinare a incertitudinii (1) Probe adunate incremental • Aceeasi valoare de atribut, h, este obtinuta pe doua cai de deductie distincte, cu doua perechi diferite de valori pentruCF, CF[h,s1] si CF[h,s2] • Cele doua cai de deductie distincte, corespunzatoare probelor sau ipotezelor s1 si s2 pot fi ramuri diferite ale arborelui de cautare generat prin aplicarea regulilor sau probe indicate explicit sistemului de medic. • CF[h, s1&s2] = CF[h,s1] + CF[h,s2] – CF[h,s1]*CF[h,s2] • (identitate organism-1 pseudomonas 0.8) • (identitate organism-1 pseudomonas 0.7) 32

  33. Functii de combinare a incertitudinii (2) Conjunctie de ipoteze • Se aplica pentru calculul CF asociat unei premise de regula care contine mai multe conditii daca A = a1 si B = b1 atunci … ML: (A a1 s1 cf1) (B b1 s2 cf2) • CF[h1&h2, s] = min(CF[h1,s], CF[h2,s]) • Se generalizeaza la fel pt mai multe conditii 33

  34. Functii de combinare a incertitudinii (3) Combinarea increderii • O valoare incerta este dedusa pe baza unei reguli care are drept conditie de intrare alte valori incerte (deduse eventual prin aplicarea altor reguli). • Permite calculul factorului de certitudine asociat valorii deduse pe baza aplicarii unei reguli care refera valoarea in concluzie, tinind cont de CF-ul asociat premisei regulii. • CF[s,e] - increderea intr-o ipoteza s pe baza unor probe anterioare e • CF[h,s] - CF in h in cazul in care s este sigura • CF’[h,s] = CF[h,s] * CF [s,e] 34

  35. Functii de combinare a incertitudinii (3) Combinarea increderii – cont daca A = a1 si B = b1 atunci C = c1 0.7 ML: (A a1 0.9) (B b1 0.6) CF(premisa) = min(0.9, 0.6) = 0.6 CF (concluzie) = CF(premisa) * CF(regula) = 0.6 * 0.7 ML: (C c1 0.42) 35

  36. 3.3 Limitari ale modelului CF • Modelul coeficientilor de certitudine din MYCIN presupune ca ipotezele sustinute de probe sunt independente. • Un exemplu care arata ce se intimpla in cazul in care aceasta conditie este violata. Fie urmatoarele fapte: A: Aspersorul a functionat noaptea trecuta. U: Iarba este uda dimineata. P: Noaptea trecuta a plouat. 36

  37. Limitari ale modelului CF - cont A: Aspersorul a functionat noaptea trecuta. U: Iarba este uda dimineata. P: Noaptea trecuta a plouat. si urmatoarele doua reguli care leaga intre ele aceste fapte: R1: daca aspersorul a functionat noaptea trecuta atunci exista o incredere puternica (0.9) ca iarba este uda dimineata R2: daca iarba este uda dimineata atunci exista o incredere puternica (0.8) ca noaptea trecuta a plouat 37

  38. Limitari ale modelului CF - cont • CF[U,A] = 0.9 • deci proba aspersor sustine iarba uda cu 0.9 • CF[P,U] = 0.8 • deci iarba uda sustine ploaie cu 0.8 • CF[P,A] = 0.8 * 0.9 = 0.72 • deci aspersorul sustine ploaia cu 0.72 • Solutii 38

  39. 4. Logica fuzzy • Motivatia logicii fuzzy = Reprezentarea propozitiilor cum ar fi: • Mihai este foarte bogat • Maria este cam bolnava • Maria si Elena sunt prietene foarte bune • Exceptiile de la aceasta regula sunt aproape imposibile • Cuantifica gradul de adevar al unei afirmatii 39

  40. Logica fuzzy - cont • Motivatia logicii fuzzy = Reprezentarea propozitiilor cum ar fi: • L. Zadeh (1965) • Apartenenta la o multime este cuantificata printr-o valoare intre 0 si 1 • De exemplu: M- multimea oamenilor bogati • Mihai este miliardar - apartine lui M 90% • Iulian este milionar - apartine lui M 70% • Inferente: reguli de combinare a faptelor cu diverse grade de apartenenta si a multimilor fuzzy asociate 40

More Related