高级人工智能贝叶斯方程式.pptVIP

高级人工智能;4.1概述 4.2贝叶斯概率基础 4.3贝叶斯学习理论 4.4简单贝叶斯学习模型 4.5贝叶斯网络的建造 4.6主动贝叶斯网络 4.7贝叶斯潜在语义模型 4.8贝叶斯网络的证据推理;贝叶斯网络是什么;贝叶斯网络是什么;贝叶斯网络是什么;贝叶斯网络是什么;贝叶斯网络的应用领域;统计概率;条件概率;加法定理;乘法定理;贝叶斯网络定义;贝叶斯网的表示方法;先验概率;后验概率;联合概率;　 设A1,A2,…,An是两两互斥的事件，且P(Ai)0， i =1,2,…,n, A1+A2+…,+An=Ω;全概率; 由此可以形象地把全概率公式看成为 “由原因推结果”，每个原因对结果的发生有一定的“作用”，即结果发生的可能性与各种原因的“作用”大小有关. 全概率公式表达了它们之间的关系 .;实际中还有下面一类问题，是 “已知结果求原因”;P(A1)=0.4; 有三个箱子，分别编号为1,2,3，1号箱装有1个红球4个白球，2号箱装有2红球3白球，3号箱装有3红球. 某人从三箱中任取一箱，从中任意摸出一球，发现是红球,求该球是取自1号箱的概率 .;记 Ai={球取自i号箱}, i=1,2,3; B ={取得红球}; 该公式于1763年由贝叶斯(Bayes)给出. 它是在观察到事件B已发生的条件下，寻找导致B发生的每个原因的概率