- 1、本文档共46页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
浙江大学研究生《人工智能引论》课件7
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, ?t2)(c) = 1/ (?t21/2?) e –1/2{[c-(ath + bt)]/?t]} P(c | h, ~subsidy) = N(afh + bf, ?f2)(c) = 1/ (?f21/2?) e –1/2{[c-(afh + bf)]/?t]} S型函数(Sigmoid function) p(buys | Cost = c) = 1 / {1 + exp[-2(-u+?)/ ?]} 7.5 贝叶斯网络的近似推理 大规模多连通BN的精确推理是不可操作的, 必须通过近似推理来解决。 后验概率计算的主要采样方法 直接采样方法 马尔可夫链蒙特卡罗(MCMC)方法 变分法(Variational method) 环传播(Loopy propagation)方法 直接采样方法: 直接采样算法 拒绝采样(Rejection sampling)算法 似然加权(Likelihood weighting)算法 上述方法的详细步骤请参见: 《人工智能:一种现代方法》第14章14.5.1节 Berkeley大学Russell等人制作的PPT / 马尔可夫链蒙特卡罗(MCMC)算法思想: 对前一个事件进行随机改变而生成事件样本 BN为每个变量指定了一个特定的当前状态 下一个状态是通过对某个非证据变量Xi进行采样来产生,取决于Xi的马尔可夫覆盖中的变量当前值 MCMC方法可视为:在状态空间中—所有可能的完整赋值空间—的随机走动—每次改变一个变量,但是证据变量的值固定不变。 * * 浙江大学研究生《人工智能引论》课件 徐从富(Congfu Xu) PhD, Associate Professor Email: xucongfu@ Institute of Artificial Intelligence, College of Computer Science, Zhejiang University, Hangzhou 310027, P.R. China September 11, 2005第一稿 Oct. 8, 2006第二次修改稿 第七讲 贝叶斯网络初步(Chapter7 Bayesian Networks ) “Above all else, guard your heart, for it is the wellspring of life.” from Proverbs 4:23 NIV B. 贝叶斯网络的定义 是一个有向无环图(DAG) 随机变量集组成网络节点,变量可离散或连续 一个连接节点对的有向边或箭头集合 每节点Xi都有一个条件概率分布表:P(Xi|Parents(Xi)),量化其父节点对该节点的影响 C. 贝叶斯网络的别名 信念网(Belief Network) 概率网络(Probability Network) 因果网络(Causal Network) 知识图(Knowledge Map) 图模型(Graphical Model)或概率图模型(PGM) 决
您可能关注的文档
- 洪涝灾情报表系统户手册.doc
- 洪雅县农业污染源查试点工作总结.doc
- 洪铺镇农村集体地所有权、集体土地建设用地使用权和农民.doc
- 洪雅市农业污染源普查试点工作总结.doc
- 活出你自己,生命精彩演讲稿.doc
- 活动名称音乐快乐地小鱼.doc
- 活动研究水地浮力.ppt
- 活动方法执行模板.ppt
- 活学活用1、白兔及灰兔只数的比是75,白兔占两种兔总.ppt
- 洽谈Chapte three.ppt
- 江苏省南通市2023年中考英语考前最后一卷含答案及点睛.pdf
- 江苏省南通市第一初级2021-2022学年中考物理考前最后一卷含解析及点睛.pdf
- 江苏省明德某中学2021-2022学年高考英语四模试卷含解析.pdf
- 江苏省南京市、盐城市2022年高考仿真模拟英语试卷含解析.pdf
- 江苏省南京市2023届高考考前20题化学.pdf
- 江苏省南京市鼓楼区2021-2022学年高考英语四模试卷含解析.pdf
- 江苏省南通市海安某中学2022年高考考前提分物理仿真卷含解析.pdf
- 江苏省南通市如皋市2022年高考英语四模试卷含解析.pdf
- 江苏省南通市天星湖2021-2022学年高考仿真模拟数学试卷含解析.pdf
- 江苏省某管道工程通信线路光缆施工组织设计.pdf
文档评论(0)