Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Resumo
Introduo. Raciocinando sobre incertezas. Clculo de Probabilidades. Aplicando a regra de bayes. Redes Bayesinas. Inferncia em redes bayesinas. Aplicaes. Consideraes finais. Referncias.
Introduo
Sistemas que agem racionalmente
Raciocnio Lgico Raciocnio Probabilstico
Situaes onde no se conhece todo o escopo do problema. Redes Bayesianas (incio da dcada de 90)
Teoria de probabilidades Teoria de Grafos
Funo RP-Agente(percepo) retorna ao { Esttico: conjunto de sentenas probabilsticas a respeito do problema. Calcula novas probabilidades para o estado atual baseado na evidncia disponvel incluindo a percepo atual e a ao anterior. Calcula as probabilidades para as possveis aes, dado a descrio das aes e as probabilidades atuais. Seleciona a ao com a maior expectativa. Retona ao. }
Clculo de Probabilidades
Probabilidade incondicional
A probabilidade P(a) de um evento a um nmero dentro do intervalo [0,1]. P(a) = 1 sss a certo. Se a e b so mutuamente exclusivos, ento: P(a b) = P(a) +
P(b).
Probabilidade condicional
Probabilidade condicional P(a|b) = x, pode ser interpretada como: Dado o evento b, a probabilidade do evento a x. P(b|a) = P(a|b)P(b)/P(a) - Regra de Bayes.
Clculo de Probabilidades
Tabela de Conjuno de probabilidades
P(X) = (a1, ..., an); ai 0; ai = 1, onde ai a probabilidade de X estar no estado ai, P(X=ai).
b1 a1 a2 0.4 0.6 b2 0.3 0.7 b3 0.6 0.4
Tabela1. P(X|Y)
Por que no calcular estatisticamente P(M|T) ? Surto de meningite => P(M) aumenta. P(M|T) ?
Redes Bayesianas
Uma Rede Bayesiana consiste do seguinte:
Um conjunto de variveis e um conjunto de arcos ligando as variveis. Cada varivel possui um conjunto limitado de estados mutuamente exclusivos. As variveis e arcos formam um grafo dirigido sem ciclos (DAG). Para cada varivel A que possui como pais B1, ..., Bn, existe uma tabela P(A| B1, ..., Bn).
Redes Bayesianas
Exemplo Voc possui um novo alarme contra ladres em casa. Este alarme muito confivel na deteco de ladres, entretanto, ele tambm pode disparar caso ocorra um terremoto. Voc tem dois vizinhos, Joo e Maria, os quais prometeram telefonar-lhe no trabalho caso o alarme dispare. Joo sempre liga quando ouve o alarme, entretanto, algumas vezes confunde o alarme com o telefone e tambm liga nestes casos. Maria, por outro lado, gosta de ouvir msica alta e s vezes no escuta o alarme. Estados:
Ladro Terremoto Alarme Joo Maria
Redes Bayesianas
Se conhecemos a probabilidade da ocorrncia de um ladro e de um terremoto, e ainda, a probabilidade de Joo e Maria telefonarem. Podemos Calcular P(Alarme|Ladro,Terremoto):
Ladro Terremoto P(Alarme|Ladro,Terremoto) Verdadeiro Verdadeiro Verdadeiro Falso Falso Verdadeiro Falso Verdadeiro Falso 0.95 0.95 0.29 0.001 Falso 0.050 0.050 0.71 0.999
Redes Bayesianas
Podemos construir a seguinte rede:
L P(L) V .001 Ladro Terremoto T P(T) V .002
Alarme
L V V F F
T V F V F
JooLig
MariaLig
Redes Bayesianas
Considere que se deseja calcular a probabilidade do alarme ter tocado, mas, nem um ladro nem um terremoto aconteceram, e ambos, Joo em Maria ligaram, ou P(JMALT).
P(JMALT) = P(J|A)P(M|A)P(A|LT)P(L ) P(T ) = 0.9 x 0.7 x 0.001 x 0.999 x 0.998 = 0.00062
Redes Bayesianas
Mtodo para construo de redes bayesianas:
Escolha um conjunto de variveis Xi que descrevam o domnio. Escolha uma ordem para as variveis. Enquanto existir variveis: Escolha uma varivel Xi e adicione um n na rede. Determine os ns Pais(Xi) dentre os ns que j estejam na rede e que tenham influncia direta em Xi. Defina a tabela de probabilidades condicionais para Xi
Redes Bayesianas
Mtodo para construo de redes bayesianas:
MariaLig: raiz. JooLig: Se Maria ligou, ento, provavelmente, o alarme tocou. Neste caso, MariaLig influencia JoaoLig. Portanto, MariaLig pai de JoaoLig. Alarme: Claramente, se ambos ligaram, provavelmente o alarme tocou. Portanto, Alarme influenciado por JooLig e MariaLig. Ladro: Influenciado apenas por Alarme. Terremoto: Se o alarme tocou, provavelmente, um terremoto pode ser acontecido. Entretanto, se existe um Ladro, ento as chances de um terremoto diminuem. Neste caso, Terremoto influenciado por Ladro e Alarme. MariaLig JooLig
Alarme
Ladro
Terremoto
Redes Bayesianas
Mtodo para construo de redes bayesianas:
Compactao de ns
Se cada n dependesse de todos os outros, teramos uma tabela de probabilidade de 2n entradas para variveis booleanas -(assim como tabela de conjuno de probabilidades). Localidade estrutural Padro de relacionamento entre os ns. Uma varivel aleatria influenciada por no mximo k outras (seu pais na rede). Por isto: P(MariaLig|JoaoLig,Alarme,Terremoto,Ladro) =
P(MariaLig|Alarme)
C F T
SR FF TF FT TT
(W=F) P(W=T) 1.0 0.0 0.1 0.9 0.1 0.9 0.01 0.99
Dado que a grama est molhada, qual a probabilidade de o regador ter sido ligado?
P(Ladro|JoaoLig) Ladro)
E-x
Z1
j
Zn
j
Y1
Yn
Clustering
Aplicaes
problemas nas glndulas linfticas. Map Learning, Ken Basye 1990. Brown University Este projeto combina problemas de diagnostico e teoria de deciso. Um rob deve percorrer um labirinto, procurando aprender os caminhos percorridos e, ao mesmo tempo, explorar caminhos desconhecidos. AutoClass, NASAs Ames Research Center, 1998 - Sistema de explorao e aquisio de conhecimento espacial. Este projeto est desenvolvendo uma rede bayesiana que permita a interpolao automtica de dados espaciais oriundos de diferentes observatrios e planetrios espalhados pelo mundo. Lumiere, Microsoft Research, 1998 O projeto pretende criar um sistema que possa automaticamente e inteligentemente interagir com outros sistemas, antecipando os objetivos e necessidades dos usurios.
Consideraes Finais
Redes bayesianas constituem uma forma natural para representao de informaes condicionalmente independentes. Boa soluo a problemas onde concluses no podem ser obtidas apenas do domnio do problema. Inferncias sobre redes bayesinas.
Podem ser executadas em tempo linear. NP-hard para maioria dos casos. Aplicao de tcnicas.
Referncias
Charniak, Eugene. Bayesians Networks without Tears. IA Magazine, 1991. Darwiche, Adan & Huang, Cecil. Inference in Belief Networks: A procedural guide. International Journal of Approximate Reasoning, 1994. Jensen, V. Finn. Bayesian Networks and Decision Graphs. Springer-Verlag,2001. Murphyk, P. Kevin. A Brief Introduction to Graphical Models and Bayesian Networks. http://www.cs.berkeley.edu/~murphyk/Bayes/bayes.html Niedermayer, Daryle. An Introduction to Bayesian Networks and their Contemporary Applications.1998. Russel, J. Stuart & Norvig, Peter. Artifical Intelligence: A modern Approach.Prentice Hall.