Bài giảng Trí tuệ nhân tạo: Chương 7 trình bày các nội dung sau: Giới thiệu xác suất, luật Bayes, định lí Bayes, certainty factors – Hệ số chắc chắn, hệ chuyên gia MYCIN, logic mờ và ứng dụng, | Chương 7: Tri th c và suy lu n không ch c ch n 1 N i dung Giới thiệu xác suất Luật Bayes, định lí Bayes Certainty factors – Hệ số chắc chắn Hệ chuyên gia MYCIN Logic mờ và ứng dụng 2 Gi i thi u 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) Việc mô tả đầy đủ và chính xác đòi hỏi độ phức tạp tính toán, lập luận cao. 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. 3 Xác su t 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. 4 Lý thuy t xác su t Cho các sự kiện (mệnh đề) e1 en : P(ei) ∈ [0,1] (i = 1, ,n) 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 ∧ e2) = P(e1) * P(e2) P(e1 ∨ e2) = P(e1) + P(e2) - P(e1) * P(e2) P(¬ 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 ∧ N) = ¼ = P(S ∨ N) = ¾ = .
