Download miễn phí Đề tài Trí tuệ nhân tạo - Giới thiệu về vấn đề suy diễn không chắc chắn và công cụ lập trình
NGÔN NGỮ LẬP TRÌNH C++
• Là ngôn ngữ mệnh lệnh,theo cấu trúc,dạng tự do
• Viết phần mềm hệ thống và các ứng dụng.
• Được đánh giá là một ngôn ngữ bậc chung
• Một số chức năng khác mà C không có:
• An toàn kiểu.
• Tự động Thu dọn rác.
• Các lớp hay các đối tượng cùng với các ứng xử của chúng.
• Các hàm lồng nhau.
• Lập trình tiêu bản hay Lập trình phổ dụng.
• Quá tải và Quá tải toán tử.
• Các hỗ trợ cho đa luồng, đa nhiệm và mạng.
Để tải bản Đầy Đủ của tài liệu, xin Trả lời bài viết này, Mods sẽ gửi Link download cho bạn sớm nhất qua hòm tin nhắn.
Ai cần download tài liệu gì mà không tìm thấy ở đây, thì đăng yêu cầu down tại đây nhé:
Nhận download tài liệu miễn phí
Tóm tắt nội dung tài liệu:
TRÍ TUỆ NHÂN TẠOGIỚI THIỆU VỀ VẤN ĐỀ SUY DIỄN KHÔNG CHẮC CHẮN
& CÔNG CỤ LẬP TRÌNH
NỘI DUNG :
ÆVẤN ĐỀ SUY DIỄN KHÔNG CHẮC CHẮN.
ÆXÁC SUẤT TRONG SUY DIỄN KHÔNG CHẮC CHẮN.
ÆỨNG DỤNG CỦA SUY DIỄN KHÔNG CHẮC CHẮN
ÆCÔNG CỤ LẬP TRÌNH VÀ VÍ DỤ MINH HỌA.
ÆTÓM TẮT.
ÆTÀI LIỆU THAM KHẢO.
A.VẤN ĐỀ SUY DIỄN KHÔNG CHẮC CHẮN.
Thế nào là suy diễn không chắc chắn?
• Các nguyên nhân của sự không chắc chắn:
– Dữ liệu/thông tin/tri thức có thể: không đủ, không đáng tin cậy, không đúng, không chính xác
– Các phép suy luận có thể không hợp logic: suy luận ngược từ kết luận về điều kiện (abduction reasoning)
• Xử lý trường hợp không chắc chắn:
– Tiếp cận thống kê: quan tâm đến mức độ tin tưởng (belief) của một khẳng định.
• Lý thuyết xác suất Bayesian (Bayesian Probability Theory)
• Đại số chắc chắn Stanford (The Stanford Certainty Algebra)
_ Suy luận theo Loggic mờ (Fuzzy Logic) quan tâm đến mức độ thật (truth) của một khẳng định.
B.Xác suất trong suy diễn không chắc chắn.
• Hữu dụng để:
– Mô tả một thế giới hoàn toàn ngẫu nhiên (chơi bài,…)
– Mô tả một thế giới bình thường (mối tương quan thống kê,…)
– Mô tả các ngoại lệ (tỉ lệ xuất hiện lỗi,…)
– Làm cơ sở cho việc học của máy (quy nạp cây quyết định,…)
• Thường xác suất được dùng cho:
– Sự kiện: xác suất của việc quan sát một chứng cớ nào đó.
– Giả thuyết: xác suất để giả thuyết đúng.
• Theo xác suất truyền thống: tần số xuất hiện tương đối của một sự kiện trong một thời gian dài sẽ tiến đến xác suất của nó.
2.Ví dụ xác suất
P(e) Î [0,1]
P(e1) + P(e2) + … + P(en) = 1
Ví dụ 1:
.Đồng xu tốt: P(mặt_sấp) = P(mặt_ngửa) = 0.5
.Đồng xu không đều : P(mặt_sấp) =0.7 P(mặt_ngửa) = 0.3
• Nếu sự kiện e1 và e2 độc lập nhau:
P(e1 And e2) = P(e1) * P(e2)
P(e1 Or e2) = P(e1) + P(e2) - P(e1) * P(e2)
P(Not e) = 1 – P(e)
Ví dụ 2:
Tung 2 đồng xu: các khả năng có thể xảy ra là SS SN NS NN, suy ra:
P(S And N) = ¼ = 0.25
P(S Or N) = ¾ = 0.75
3. Xác xuất có điều kiện.
-A,B là hai biến cố của không gian biến cố F. Khi B đã xảy ra, xác suất xảy ra của A có thể thay đổi (ta có thêm thông tin).
- Kí hiệu P(A|B) là xác suất xảy ra của A khi B đã xảy ra (probability of A given B)=P(A|B) gọi là xác suất điều kiện (conditional probability).
Công thức:
Ví dụ: P(cúm) = 0.001
P(sốt) = 0.003
P(cúm And sốt) = 0.000003
nhưng cúm và sốt là các sự kiện không độc lập
các chuyên gia cho biết: P(sốt | cúm) = 0.9
4.ĐỘC LẬP
A độc lập với B nếu B đã xảy ra mà xác suất xảy ra của A không đổi.
P(A) xác suất tiên nghiệm (không cần thông tin nào ngoài A).
P(A|B) gọi là xác suất hậu nghiệm (có thêm thông tin).
A độc lập với B
Û P(A|B)=P(A)
Û P(AÇB)=P(A).P(B)
Quan hệ độc lập là tương đương.
II.LUẬT BAYES
P(AÇB)=P(A|B).P(B)
P(AÇB)=P(B|A).P(A)
Þ P(A|B).P(B) =P(B|A).P(A)
Þ Công thức Bayes:
1. Suy luận Bayesian
• P(h|e) là xác suất khẳng định giả thuyết h đúng cho trước bằng chứng e.
P(e|h) * P(h)
P(h|e) = ------------------ <= luật Bayes
P(e)
àCông thức này nói rằng:
Xác suất đúng của giả thuyết h khi quan sát được bằng chứng e, bằng với xác suất cho rằng chúng ta sẽ quan sát được bằng chứng e nếu giả thuyết h là đúng, nhân với xác suất tiên nghiệm của h, tất cả chia cho xác suất tiên nghiệm của việc quan sát được bằng chứng e.
Ví dụ: Bằng chứng (triệu chứng): bệnh nhân bị sốt
Giả thuyết (bệnh): bệnh nhân bị cảm cúm:
P(cúm)*P(sốt/cúm) 0.001*0.9
P(cúm/sốt) =------------------------ = ----------------- =0.3
P(sốt) vppP( 0.003
Khi nào bằng chứng e không làm tăng xác suất đúng của giả thuyết h?
– Khi xác suất của giả thuyết h đã là 1.0
– Khi bằng chứng e không liên quan gì đến giả thuyết h
2.Tại sao sử dụng luật Bayes?
.Tri thức về nguyên nhân (knowledge of causes):
P (sốt | cúm)
thì dễ dàng có được hơn là tri thức về chẩn đoán (diagnostic knowledge):
P (cúm | sốt).
àLuật Bayes cho phép chúng ta sử dụng tri thức về nguyên nhân để suy ra tri thức về chuẩn đoán.
3.ỨNG DỤNG LUÂT BAYES
Luật Bayes giúp tính xác suất hậu nghiệm, dựa vào đó có thể giúp đưa ra quyết định.
Ví dụ: chuẩn đoán bệnh
B là bệnh, A là triệu chứng.
P(B|A) là xác suất người bệnh có bệnh B khi xét nghiệm có triệu chứng A.
P(A|B) là xác suất người mang bệnh B có triệu chứng A.
P(B) là xác suất một người bất kì mắc bệnh B.
P(A) là xác suất một người bất kì có triệu chứng A.
P(A|B), P(B) có thể ước lượng dựa trên dữ liệu thống kê. P(A) có thể không cần dùng đến, vì chỉ là một hằng số chuẩn hoá, không phụ thuộc vào B.
4.Các vấn đề trong suy diễn Bayes
Việc tính toán các xác suất tiên nghiêm và hậu nghiệm liên quan đòi hỏi một sự thu thập dữ liệu rất lớn
• Trong thực tế phải xử lý nhiều triệu chứng
– Chỉ có vài triệu chứng là độc lập nhau:
P(si|sj) = P(si)
– Nếu chúng không độc lập nhau:
P(d) * P(s1 & s2 &… sn | d)
P(d | s1 & s2 &… sn) =
P(s1 & s2 &… sn)
• Đối với thông tin phủ định:
P(not s) = 1 – P(s) và P(not d | s) = 1 – P(d | s)
5.Sự độc lập của các điều kiện trong luật Bayes
• Trong thực tế có nhiều giả thuyết cạnh tranh nhau, vì vậy công thức Bayes tổng quát nhất là:
P(e | hi) * P(hi)
P(hi | e) =--------------------------------
Σk (P(e | hk) * P(hk) )
Đòi hỏi tất cả các P(e | hk) phải độc lập nhau
• Giả sử các chấm đỏ và sốt là độc lập về điều kiện khi cho trước bệnh sởi:
P(các chấm đỏ, sốt | sởi) = P(các chấm đỏ| sởi) P (sốt| sởi)
Khi đó ta có thể kết luận:
P(các chấm đỏ, sốt, sởi) = P(các chấm đỏ, sốt | sởi) P(sởi)
= P(các chấm đỏ | sởi) P(sốt | sởi) P(sởi)
III Các yếu tố chắc chắn Stanford
Không phải là xác suất, mà là độ đo sự tự tin.
Lý thuyết chắc chắn là một cố gắng hình thức hóa tiếp cận heuristic vào suy luận với sự không chắc chắn
• Các chuyên gia đo sự tự tin trong các kết luận của họ và các bước suy luận bằng từ ‘không có lẽ’, ‘gần như chắc chăn’, ‘có khả năng cao’, ‘có th