Bài giảng Trí tuệ nhân tạo: Chương 7 - Trần Ngân Bình

Bài giảng Trí tuệ nhân tạo: Chương 7 - Suy luận với thông tin không chắc chắn hoặc không đầy đủ có nội dung trình bày các nguyên nhân của sự không chắc chắn và xử lý trường hợp không chắc chắn.
Nội dung trích xuất từ tài liệu:
Bài giảng Trí tuệ nhân tạo: Chương 7 - Trần Ngân Bình Chương 7Suy luận với thông tinkhông chắc chắn hoặc không đầy đủ Giáo viên: Trần Ngân Bình Traàn Ngaân Bình – TTNT. p.1 Nội Dung 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. Chương 7. p.2 Xác suất 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. Chương 7. p.3 Lý thuyết xác suấtP(e) ∈ [0,1]P(e1) + P(e2) + … + P(en) = 1Ví dụ: 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: 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 S) = ¾ = 0.75 Chương 7. p.4 Xác suất có điều kiện Xác suất tiên nghiệm (prior probability) hay xs vô điều kiện (unconditional probability): là xs của một sự kiện trong điều kiện không có tri thức bổ sung cho sự có mặt hay vắng mặt của nó. Xác suất hậu nghiệm (posterior probability) hay xs có điều kiện(conditional probability): là xs của một sự kiện khi biết trước một hay nhiều sự kiện khác |e1 and e2| P(e1|e2) = |e2| Ví dụ: P(cúm) = 0.001 P(sốt) = 0.003 P(cúm And sốt) = 0.000003 nhưng cúm và sốt là cá sự kiện không độc lập các chuyên gia cho biết: P(sốt | cúm) = 0.9 Chương 7. p.5 Suy luận Bayesian (1) 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) = Suy luận Bayesian (2)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) 0.003Các con số ở vế phải thì dễ đạt được hơn con số ở vế trái 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 Chương 7. p.7 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).Luật Bayes cho phép chúng ta sử dụng tri thức về nguyên nhân để suy ra tri thức về chẩn đoán. Chương 7. p.8Các vấn đề trong suy luận Bayes Việc tính toán các xác suất tiên nghiêm và hậu nghiệm liên quan đòi hỏi một sự thu thập dữ liệu rất lớ n 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) Chương 7. p.9 Sự độc lập của các điều kiện trong luật Bayes Trong thực tế có nhiều giả thuyết canh 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) Chương 7. p.10 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 lẻ’, ‘gần như chắc chắn’, ‘có khả năng cao’, ‘có thể’. Đây không phải là xác suất mà là heuristic có từ kinh nghiệm. Các chuyên gia có thể đặt sự tự tin vào các mối quan hệ mà không phải có cảm giác là nó không đúng. ...