《人工智能引论》课件 第七讲 贝叶斯网络初步(Chapter7 Bayesian Networks ).pptVIP

内容提纲 何谓贝叶斯网络？ 贝叶斯网络的语义 条件分布的有效表达 贝叶斯网络中的精确推理 贝叶斯网络中的近似推理 课后习题、编程实现及研读论文 7.1 何谓贝叶斯网络？ 贝叶斯网络的由来 贝叶斯网络的定义 贝叶斯网络的别名 独立和条件独立 贝叶斯网络示例 贝叶斯网络的由来 全联合概率计算复杂性十分巨大 朴素贝叶斯太过简单 现实需要一种自然、有效的方式来捕捉和推理——不确定性知识 变量之间的独立性和条件独立性可大大减少为了定义全联合概率分布所需的概率数目 7.2 贝叶斯网络的语义 贝叶斯网络的两种含义 对联合概率分布的表示 — 构造网络 对条件依赖性语句集合的编码 — 设计推理过程 贝叶斯网络的语义 P(x1,..., xn) = P(x1|parent(x1)) ... P(xn|parent(xn)) 贝叶斯网络的语义公式计算示例： 试计算：报警器响了，但既没有盗贼闯入，也没有发生地震，同时John和Mary都给你打电话的概率。 解： P(j,m,a,~b,~e) = P(j|a)P(m|a)P(a|~b,~e) P(~b) P(~e) = 0.9×0.7×0.001×0.999×0.998 = 0.00062 = 0.062% 7.3 条件概率分布的有效表达 线性高斯分布： P(c | h, subsidy) = N(ath + bt,