Giáo trình Nhập môn trí tuệ nhân tạo: Phần 2 - Từ Minh Phương

Nối tiếp phần 1, "Giáo trình Nhập môn trí tuệ nhân tạo: Phần 2 - Từ Minh Phương" tiếp tục trình bày những nội dung về lập luận xác suất, nguyên tắc lập luận xác suất, mạng bayes, suy diễn với mạng bayes; học máy, ứng dụng của học máy; học cây quyết định, thuật toán học cây quyết định; phân loại bayes đơn giản; hồi quy tuyến tính và hồi quy logistic;... Mời các bạn cùng tham khảo!
Nội dung trích xuất từ tài liệu:
Giáo trình Nhập môn trí tuệ nhân tạo: Phần 2 - Từ Minh Phương HỌC VIỆN CÔNG NGHỆ BƯU CHÍNH VIỄN THÔNG ---------------------------- TỪ MINH PHƯƠNG GIÁO TRÌNH Nhập môn trí tuệ nhân tạo Hà nội 2015 1   CHƯƠNG 4: LẬP LUẬN XÁC SUẤT Chương này trình bầy về lập luận xác suất, phương pháp lập luận và biểu diễn tri thức hiện đang được quan tâm nhiều do có tính mềm dẻo cao và khả năng ứng dụng thực tế rộng hơn lập luận logic. Trước hết, người đọc sẽ được giới thiệu về ảnh hưởng của vấn đề thông tin không chắc chắn và nguyên tắc lập luận xác suất để ra quyết định trong các tình huống như vậy. Tiếp theo là phần tóm tắt một số khái niệm về xác suất giúp người đọc dễ dàng làm quen với các nội dung quan trọng của chương. Phần quan trọng của chương trình bầy về mạng Bayes, cách sử dụng mạng Bayes để biểu diễn tri thức của bài toán, và một số phương pháp suy diễn trên mạng Bayes. Một số nội dung quan trọng liên quan tới mạng Bayes như khái niệm d- phân cách và phân tích về hiệu quả suy diễn cho từng dạng mạng cũng được đề cập tới trong chương. 4.1. VẤN ĐỀ THÔNG TIN KHÔNG CHẮC CHẮN KHI LẬP LUẬN Trong chương trước, ta đã xem xét cách biểu diễn tri thức bằng logic cũng như một số phương pháp suy diễn logic để đưa ra quyết định. Mặc dù các hệ thống logic cho phép biểu diễn tri thức một cách rõ ràng và tường minh, việc sử dụng logic đòi hỏi tri thức phải được cung cấp một cách đầy đủ, chính xác, không mâu thuẫn. Nếu yêu cầu này không thỏa mãn, các hệ thống suy diễn dựa trên tri thức vị từ hoặc logic mệnh đề không thể sử dụng được. Trên thực tế, các thông tin, tri thức hay mô hình về thế giới xung quanh thường không đầy đủ, không rõ ràng, không chính xác, có thể mâu thuẫn với nhau. Có thể liệt kê một số nguyên nhân gây ra sự không rõ ràng, không chắc chắn như dưới đây. - Do thông tin có chứa đựng yếu tố ngẫu nhiên, yếu tố xác suất. Ví dụ khi chơi các trò chơi liên quan tới xác suất như chơi bài, chơi cá ngựa. - Do không có hiểu biết đầy đủ về vấn đề đang xét. Ví dụ khi xây dựng hệ thống chẩn đoán bệnh trong y học, do y học hiện đại chưa hiểu biết hoàn toàn chính xác về cơ chế bên trong của nhiều loại bệnh, việc xây dựng quy tắc suy diễn dựa trên kiến thức như vậy sẽ không chắc chắn, không chính xác. - Do số các yếu tố liên quan đến quá lớn, không thể xem xét hết. Ví dụ khi chẩn đoán bệnh, bác sĩ có thể phải chấn đoán trong khi không có đầy đủ thiết bị để làm mọi loại xét nghiệm cần thiết. - Do sai số khi ta lấy thông tin từ môi trường. Ví dụ trong trường hợp các thiết bị đo có thể có sai số. Như vậy, trên thực tế, nhiều bài toán đòi hỏi lập luận, ra quyết định trong khi chưa có đầy đủ thông tin hay thông tin không rõ ràng, không chắc chắn. Vấn đề này thường được gọi là lập luận trong điều kiện không rõ ràng (reasoning under uncertainty) và không thể giải quyết được bằng lập luận logic truyền thống. Để lập luận trong điều kiện không rõ ràng, nhiều cách tiếp cận khác nhau đã được nghiên cứu phát triển, trong đó phải kể đến: Suy diễn xác suất - Cách tiếp cận dựa trên logic đa trị: thay vì chỉ cho phép đưa ra kết luận “đúng” hoặc “sai” như logic truyền thống, logic đa trị cho phép sử dụng nhiều giá trị hơn, ví dụ thêm giá trị “không đúng không sai”. - Logic mờ (fuzzy logic): thay vì hai giá trị “đúng” hoặc “sai”, biểu thức logic mờ có thể nhận giá trị “đúng” với một giá trị hàm thuộc nằm trong khoảng [0,1], thể hiện mức độ đúng của biểu thức đó. - Lý thuyết khả năng (possibility theory): các sự kiện hoặc công thức được gán một số thể hiện khả năng xẩy ra sự kiện đó. - Suy diễn xác suất: kết quả suy diễn trả về xác suất một sự kiện hay công thức nào đó là đúng. Trong chương này, ta sẽ xem xét phương pháp lập luận xác suất cho trường hợp lập luận có yếu tố không rõ ràng. 4.2. NGUYÊN TẮC LẬP LUẬN XÁC SUẤT Khác với lập luận logic, trong đó các sự kiện, mệnh đề, công thức nhận giá trị đúng hoặc sai, trong lập luận xác suất, thay vì kết luận một sự kiện hay công thức đúng hoặc sai, ta tính toán niềm tin là sự kiện, công thức đó là đúng hay sai. Niềm tin ở đây được định lượng bằng xác suất, quá trình tính toán tuân theo các công thức của lý thuyết xác suất. Như vậy, thay vì chỉ sử dụng hai giá trị đúng hoặc sai, lập luận xác suất cho phép làm việc với vô số giá trị. Cụ thể, mỗi mệnh đề hoặc biểu thức được gắn một số đo giá trị niềm tin là mệnh đề đó đúng. Mức đo niềm tin được biểu diễn như giá trị xác suất và lý thuyết xác suất được sử dụng để làm việc với mức đo niềm tin này. Chẳng hạn, với mệnh đề A, ta sử dụng xác suất P(A), 0≤ P (A) ≤1, với ý nghĩa P (A) = 1 nếu A đúng, P (A) = 0 nếu A sai. Như vậy, P (A) có thể diễn giải như phần thế giới của bài toán trong đó mệnh đề A đúng. Nếu A luôn đúng trong thế giới đó thì P (A) = 1, ngược lại, nếu A luôn sai thì P (A) = 0. Ví dụ: • P (Cảm = true) = 0.6 : người bệnh bị cảm với xác suất 60%, “Cảm” là biến ngẫu nhiên có thể nhận 1 trong 2 giá trị {True, False} • P (trời = nắng ^ gió = mạnh) = 0.8: ta tin rằng trời nắng và gió mạnh với xác suất 80%, trời là biến ngẫu nhiên nhận các giá trị {nắng, mưa, u ám}, gió là biến ngẫu nhiên nhận giá trị {mạnh, yếu, trung bình}. Bản chất xác suất sử dụng trong suy diễn Bản chất thống kê: trong lý thuyết xác suất truyền thống, giá trị xác suất được xác định dựa trên quan sát, thực nghiệm, thống kê. Ví dụ, để xác định xác suất trời mưa vào ngày lễ 1- 5 ta cần quan sát và thống kê số ngày 1-5 trời mưa trong rất nhiều năm. Việc xác định xác suất như vậy không phải khi nào cũng thực hiện được. Xác suất dựa trên chủ q ...