逻辑推理 _人工智能教学课件.ppt

人工智能 ;不确定性;不确定性（Uncertainty）;FOL与不确定性;不确定环境下的决策;不确定环境下的决策;不确定性;概率理论（ Probability theory ）;先验概率;后验（条件）概率;9、 人的价值，在招收诱惑的一瞬间被决定。*** 10、低头要有勇气，抬头要有低气。**** 11、人总是珍惜为得到。***** 12、人乱于心，不宽余请。**** 13、生气是拿别人做错的事来惩罚自己。***** 14、抱最大的希望，作最大的努力。**** 15、一个人炫耀什么，说明他内心缺少什么。。***** 16、业余生活要有意义，不要越轨。*** 17、一个人即???已登上顶峰，也仍要自强不息。****;概率公理（Axioms of probability）;不确定性;联合概率分布;联合概率分布（枚举）;Start with the joint probability distribution, Can also compute conditional probabilities: P(?cavity | toothache) = P(?cavity ? toothache) P(toothache) = 0.016+0.064 0.108 + 0.012 + 0.016 + 0.064 = 0.4 ;归一化（Normalization）;不确定性;独立性（Independence）;条件独立（Conditional independence）;条件独立;不确定性;贝叶斯法则（Bayes’ Rule）;贝叶斯法则与条件独立;贝叶斯网络;概率公式;边缘化与条件化;贝叶斯法则;贝叶斯网络的由来;贝叶斯网络的由来;贝叶斯网络的定义;简单例子;贝叶斯网络的表示 —— 防盗网;条件概率表;贝叶斯网络的概率解释;贝叶斯网络的概率解释;贝叶斯网络;贝叶斯网络的语义;一种贝叶斯网络构建方法;贝叶斯网络的构造 —— 防盗网;紧致性与节点顺序;Suppose we choose the ordering M, J, A, B, E P(J | M) = P(J)? ;Suppose we choose the ordering M, J, A, B, E P(J | M) = P(J)? No P(A | J, M) = P(A | J)? P(A | J, M) = P(A)? ;Suppose we choose the ordering M, J, A, B, E P(J | M) = P(J)? No P(A | J, M) = P(A | J)? P(A | J, M) = P(A)? No P(B | A, J, M) = P(B | A)? P(B | A, J, M) = P(B)?;Suppose we choose the ordering M, J, A, B, E P(B | A, J, M) = P(B | A)? Yes (JohnCalls and MaryCalls increase the chance of alarm.) P(B | A, J, M) = P(B)? No P(E | B, A ,J, M) = P(E | B)? P(E | B, A, J, M) = P(E | A, B)?;Suppose we choose the ordering M, J, A, B, E P(J | M) = P(J)? No P(A | J, M) = P(A | J)? P(A | J, M) = P(A)? No P(B | A, J, M) = P(B | A)? Yes P(B | A, J, M) = P(B)? No P(E | B, A, J, M) = P(E | B)? No P(E | B, A, J, M) = P(E | B, A)? Yes (P(E | B, A) P(E | A)) P(E | B, A ,J, M) = P(E | A)? No;Example contd.;条件独立关系;条件独立关系图示;条件分布的有效表达：noisy-OR;噪声或关系（1）;噪声或关系（2）;噪声或关系（3）;贝叶斯网络;贝叶斯网络中的精确推理;查询实例（1）;查询实例（2）;查询实例（3）;查询实例（4）;计算P(B |j,m)的枚举树;变量消元法（1）;例子：;例子：;点积（pointwise product）;变量消元法（2）;精确推理的复杂度;多连通网络;贝叶斯网络;贝叶斯网络的近似推理;后验概率计算的采样方法;采样方法的要素;直接采样方法;采样样本与概率分布;采样过程举例（1）;采样过程