人工智能-第四章02-2014教程方案.pptxVIP

第四章 非经典推理 4.1 概述 4.2 不确定性推理 4.3 非单调推理 4.4 概率方法 4.5 主观贝叶斯方法 4.6 贝叶斯网络 4.7 可信度方法 4.8 证据理论 2017-4-2 人工智能导论 - 刘珊 1 基本框架 2017-4-2 人工智能导论 - 刘珊 2 贝叶斯网络 全联合概率分布 贝叶斯网络的定义 独立和条件独立 贝叶斯网络的构造 贝叶斯网络的应用 精确推理 近似推理 2017-4-2 人工智能导论 - 刘珊 3 4.6 贝叶斯网络 全联合概率分布 定义 设X={ X1, X2, …, Xn }为任何随机变量集，其全联合概率分布是指当对每个变量取特定值时xi（i=1,2,…,n）时的合取概率，即 P( X1=x1∧X2=x2∧…∧Xn=xn)，其简化表示形式为P( x1,x2,…,xn)。 重复使用乘法法则 2017-4-2 人工智能导论 - 刘珊 4 得到如下全联合概率分布表示 4.6 贝叶斯网络 贝叶斯网络 基本概念 一系列变量的联合概率分布的图形表示 一个表示变量之间的相互依赖关系的数据结构 定义 是一个有向无环图 随机变量集X={ X1, X2, …, Xn }组成网络节点，变量可离散或连续 连接节点对的有向边组成边集合 每节点Xi都有一个条件概率分布表：P(Xi|par(Xi))，量化其父节点对该节点的影响 2017-4-2 人工智能导论 - 刘