Bayessche(Netze( - spinfo.phil-fak.uni-koeln.de · Neu:(Unsicherheit •...
Transcript of Bayessche(Netze( - spinfo.phil-fak.uni-koeln.de · Neu:(Unsicherheit •...
Bayessche Netze
Kevin Klamt und Rona Erdem Künstliche Intelligenz II – SoSe 2012
Dozent: Claes Neuefeind
Übersicht • Einleitung • Sicheres vs. Unsicheres Wissen • Kausale Netzwerke • Abhängigkeit • Verbindungsarten • Exkurs: Wahrscheinlichkeiten • Unabhängigkeit • Bayessche Regel • Bayes-‐Netz • Inferenz und ZeiQaktor • Anwendungsbeispiel BlackJack • Ausblick
Neu: Unsicherheit
• Kein voller Zugriff auf gesamtes Wissen
• Agenten arbeiten unter Unsicherheit
• Wahrscheinlichkeiten für Ereignisse
Umgang mit unsicherem Wissen
• Kein Wissen sondern Glaubensgrad
• Werkzeug im Umgang mit Glaubensgraden: Wahrscheinlichkeitstheorie
• Zusammenfassung der aus Faulheit und Unwissen resul^erenden Unsicherheit
Kausale Netzwerke
• Mögl. Vorstufe zu Bayes-‐Netzen
• Variablen Knoten
• Kanten Verbindungen von Variablen
Kausale Netzwerke
• Variablen repräsen^eren Sachverhalte
• Besitzen eine Menge von Zuständen
• Verbindung unmiaelbare Ursache
Abhängigkeit
• Abhängigkeit wird durch Kanten symbolisiert
• Wahrscheinlichkeiten der Zustände einzelner Variablen hängen voneinander ab
• Bedingte Abhängigkeit: Abhängigkeit zweier Variablen nur bei bes^mmten Zuständen der ersten Variable
Exkurs: Wahrscheinlichkeiten
• Grundlegendes Element: Zufallsvariable
• P(a) = 1 -‐ P(¬a)
• Domäne von Werten
Unbedingte Wahrscheinlichkeit
• Glaubensgrad bei Fehlen anderer Informa^on
P(Weaer=sonnig) = 0,7 P(Weaer=regnerisch) = 0,2 P(Weaer=wolkig) = 0,08 P(Weaer=schnee) = 0,02
P(Laune=gut) = 0,8 P(Laune=schlecht) = 0,2
• können verbunden werden P(Weaer, Laune)
Bedingte Wahrscheinlichkeit
• Glaubensgrad unter Berücksich^gung zusätzlicher Informa^on
• P(a|b), z.B. P(Laune|Weaer)
• Unbedingte Wahrscheinlichkeit auch P(a|)
• Definierende Gleichung: Produktregel
• wenn a und b wahr, b wahr und a für b wahr
• „P(a|b)=0,8“ != „P(a)=0,8, wenn b wahr“
Bedingte Wahrscheinlichkeit
€
P(a∧b) = P(a |b)P(b)
Unabhängigkeit
• P(Zahnschmerzen)= true/false
• P(Weaer, Zahnschmerzen) = P(Weaer)P(Zahnschmerzen)
• Bedingte Unabhängigkeit
Anwendung der Bayesschen Regel
• Einer von 5000 Pa^enten mit steifen Nacken hat Meningi^s.
• Diagnosebeispiel Meningi^s: 50% haben steifen Nacken
Meningi^swahrscheinlichkeit
Wahrscheinlichkeit steifer Nacken
Bayes-‐Netz
• Zufallsvariablen bilden Knoten des Netzes • Gerichtete Kanten verbinden Knoten • Jeder Knoten hat von Eltern abhängige Wahrscheinlichkeiten
• Keine Zyklen
Beispielrechnung
• Einbruch, Erdbeben, kein Alarm, JohnRu[An
€
P(b∧ e∧¬a∧ j∧¬m)= P(b)P(e)P(¬a |b∧ e)P( j |¬a)P(¬m |¬a)= 0,001× 0,002 × 0,05 × 0,05 × 0,99= 0,00000000495
Inferenz in Bayes-‐Netzen
• Inferenz (lat. Schlussfolgerung)
• Bei komplexen Netzen ist eine genaue Inferenz schwierig
• Daher: Annähernde Inferenz
Ausblick
• Google driverless car – gewann 2005 DARPA Grand Challenge – Nutzt Informa^onen aus StreetView, Kameras, LIDAR-‐, Radar-‐ und Posi^onssensoren
– erste Zulassung in Nevada
Quellen
• Stuart Russell und Peter Norvig: Künstliche Intelligenz: Ein Moderner Ansatz. Pearson-‐Studium, 2004. ISBN: 978-‐3-‐8273-‐7089-‐1.
• hap://user.cs.tu-‐berlin.de/~rammelt/probnet/index.html
• hap://th.physik.uni-‐frankfurt.de/~mwagner/talks/Bayes.pdf
• hap://www.ny^mes.com/2010/10/10/science/10google.html