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. | Chương 7 Suy luận với thông tin không chắc chắn hoặc không đầy đủ Giáo viên: Trần Ngân Bình Chương 7. p. 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. 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 | Chương 7 Suy luận với thông tin không chắc chắn hoặc không đầy đủ Giáo viên: Trần Ngân Bình Chương 7. p. 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. 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. Lý thuyết xác suất P(e) [0,1] P(e1) + P(e2) + + P(en) = 1 Ví dụ: đồng xu tốt P(mặt_sấp) = P(mặt_ngửa) = đồng xu không đều P(mặt_sấp) = P(mặt_ngửa) = 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 = P(S Or S) = ¾ = Chương 7. p. 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 Ví dụ: P(cúm) = P(sốt) = .
