人工智能（讲座）.pptVIP

安徽大学 计算机科学与技术学院 人工智能 第三章 高级知识推理 3.1 经典推理和非经典推理 3.2 非单调推理 3.3 时序推理 3.4 不确定性推理 3.4.1 不确定性推理的度量 1.不确定性的表示 (1)知识不确定性的表示：准确描述；便于推理 (2)证据不确定性的表示：动态强度，如灰白色 (3)结论不确定性的表示：不确定性程度 2.不确定性的度量 充分表达；便于估计；便于传递；直观+理论依据 3.4 不确定性推理 3.4.2 不确定性的算法 1.不确定性的匹配算法：怎么才算匹配成功？ 2.不确定性的更新算法 3.4 不确定性推理 3.4.2 不确定性的算法 3.5 概率推理 3.5.1 概率的基本性质和计算公式 3.5 概率推理 3.5.1 概率的基本性质和计算公式 3.5 概率推理 3.5.1 概率的基本性质和计算公式 3.5 概率推理 3.5.1 概率的基本性质和计算公式 3.5 概率推理 3.5.2 概率推理方法 3.5 概率推理 3.5.2 概率推理方法 3.5 概率推理 3.5.2 概率推理方法 3.6 主观贝叶斯方法 3.6.1 知识不确定性的表示 3.6 主观贝叶斯方法 3.6.1 知识不确定性的表示 3.6 主观贝叶斯方法 3.6.2 证据不确定性的表示 3.6 主观贝叶斯方法 3.6.2 证据不确定性的表示 3.6 主观贝叶斯方法 3.6.2 证据不确定性的表示 3.6 主观贝叶斯方法 3.6.2 证据不确定性的表示 3.6 主观贝叶斯方法 3.6.2 证据不确定性的表示 再见！ * * Artificial Intelligence 第六讲 龚云 19 余玉涵 18 杨杰 17 储德新 16 李森 15 刘京城 14 吴国进 13 陈志敏 12 封军 11 严的兵 10 苏喻 9 曹珣 8 张晓红 7 王凡 6 朱珍元 5 朱丽进 4 马俊 3 殷芳刚 2 刘君 1 曹竹冬 38 吴翰 37 张骏 36 胡文平 35 王世博 34 魏博诚 33 音学 32 黎玮 31 刘梦飞 30 耿锦威 29 张艳丽 28 刘结焱 27 尹莉莉 26 赵玉 25 王永 24 王唯翔 23 廖敏 22 胡阳 21 郑小波 20 郑孝俊 57 褚维翠 56 檀林欣 55 王大鹏 54 周军 53 张娟 52 朱菊霞 51 王波 50 徐军 49 张利娜 48 王海燕 47 蒋啊芳 46 韩成美 45 吴昊 44 尹金 43 王永成 42 刘超 41 林晨 40 王书菊 39 于亚飞 76 刘家乐 75 褚曦丹 74 查丰 73 林昊 72 谷宗运 71 程乐凯 70 郑锋 69 朱丛虎 68 徐伟 67 陆鹏 66 焦影影 65 方宝平 64 肖云 63 王子琦 62 袁先平 61 王喜乐 60 吴永龙 59 张站 58 沙先军 94 马中杰 95 余佳佳 93 陈展展 92 张婷 91 程舒慧 90 姚丽莎 89 何成刚 88 陈圆美 87 易磊 86 王守军 85 王青 84 郇秀花 83 饶耀全 82 白云球 81 宁再早 80 贺彪 79 张磊 78 缪永 77 3.4 不确定性推理 3.5 概率推理 3.6 主观Bayes方法 3.7 可信度方法 3.8 证据理论 安徽大学 计算机科学与技术学院 (1) If E(C(E)) Then H f(H,E) 求C(H)=g1[C(E),f(H,E)]? (2) If E1(C(E1)) Then H f(H,E1); If E2(C(E2)) Then H f(H,E2) 求C(H)=g2[C1(H),C2(H)]? (3) If E1(C(E1))and E2(C(E2)) Then H f(H,E1andE2) 求C(E1∧E2)=g3[C(H1),C2(H2)]? (4) If E1(C(E1))or E2(C(E2)) Then H f(H,E1orE2) 求C(E1∨E2)=g3[C(H1),C2(H2)]? 安徽大学 计算机科学与技术学院 最大最小法： C(E1∧E2)=min{C(E1),C(E2)} C(E1∨E2)=max{C(E1),C(E2)} 概率方法： C(E1∧E2)=C(E1)*C(E2) C(E1∨E2)=C(E1)+C(E2) - C(E1)*C(E2) 有界方法：