Inferência em Redes de Crenças Sejam Z i pais de Y i e z i, um conj de valores para Z i. e E Y i X
|
|
- Ana Clara Silvana Melgaço
- 5 Há anos
- Visualizações:
Transcrição
1 Sistemas Inteligentes, Inferência em Redes de Crenças Sejam Z i pais de Y i e z i, um conj de valores para Z i. P(E X X) = i P(E Y i X X) P(E X X) = i y i z i P(E Yi X X,y i,z i )P(y i,z i X) Decompondo E Yi X em dois componentes independentes E + Y i e E Y i X y i P(E X X) = i z i P(E Y i X,y i,z i )P(E + Y i X X,y i,z i )P(y i,z i X) P(E X X) = i y i P(E Y i y i ) z i P(E + Y i X z i)p(y i,z i X)
2 Sistemas Inteligentes, Inferência em Redes de Crenças Aplicando Bayes a P(E + Y i X z i): P(X E X ) = i X)... P(X E X ) = β i E Zij Y i ) y i P(E Y i y i ) + P(z i E Y i X )P(E+ Y i X ) z i P(z i P(y ) i,z i y i P(E Y i y i ) z i P(y i X,z i ) z i P(z ij P(E Y i y i ) é uma instância recursiva de P(E X X). P(y i X,z i ) é tirada diretamente da PC de Y i. P(z ij E Zij Y i ) é uma instância recursiva de P(X E).
3 Sistemas Inteligentes, Inferência em Redes de Crenças function BELIE-NE-ASK(X) returns a probability distribution over the values of X inputs: X, a random variable SUPPOR-EXCEP(X, null) function SUPPOR-EXCEP(X, V) returns P(XjE Xn V ) if EVIDENCE?(X) then return observed point distribution for X else calculate P(E jx) = EVIDENCE-EXCEP(X, V) V Xn U PARENS[X] if U is empty then return P(E jx) P(X) V Xn else for each U i in U calculate and store P(U i je Ui X) = SUPPOR-EXCEP(U n i, X) return P(E V jx) P(Xju) P(U Q Xn i je ui X) P n u i function EVIDENCE-EXCEP(X, V) returns P(E Xn V jx) Y CHILDREN[X] V if Y is empty then return a uniform distribution else for each Y i in Y do calculate P(EY i jy i ) = EVIDENCE-EXCEP(Y i, null) Z i PARENS[Y i ] X for each Z ij in Z i calculate P(Z ij je Zij Y n i ) = SUPPOR-EXCEP(Z ij,y i ) P Q return P(EY i jy i ) P(y i jx,z i ) P(z ij je Zij n Y i ) i y i P z i j Q
4 Sistemas Inteligentes, Inferência em Redes de Crenças Multiplamente conectadas P(C) =.5 Cloudy C P(S) Sprinkler Rain C P(R) Wet Grass S R P(W)
5 Sistemas Inteligentes, Inferência em Redes de Crenças Multiplamente conectadas rês classes de algoritmos: Clustering: transforma a rede em uma poli-árvore probabilisticamente equivalente, mas com topologia diferente. Condicionamento: oposto de clustering, transforma a rede em várias poli-árvores através da instanciação de valores para as variáveis aleatórias. Avalia a poli-árvore para cada instância diferente. Simulação estocástica (ou amostragem lógica): calcula uma prob aproximada através de simulações repetidas do mundo descrito pela rede, observando a frequência com que eventos relevantes acontecem. Em geral: inferência exata em redes de crenças é um problema NP-difícil.
6 Sistemas Inteligentes, Inferência em Redes de Crenças P(C) =.5 Cloudy P(S+R=x) C S+R P(W) Spr+Rain Wet Grass
7 Sistemas Inteligentes, Inferência em Redes de Crenças +Cloudy +Cloudy Cloudy Cloudy Sprinkler Rain Sprinkler Rain Wet Grass Wet Grass
8 Sistemas Inteligentes, Engenharia do Conhecimento para Raciocínio Probabilístico Decidir sobre o que falar. Decidir sobre o vocabulário de variáveis aleatórias. Codificar o conhecimento sobre as relações de dependências entre as variáveis. Codificar uma descrição de uma instância específica do problema. Colocar consultas ao procedimento de inferência. Estudo de caso: Pathfinder, leitura p/ casa!
9 Sistemas Inteligentes, Outras Abordagens Por que? alta de credibilidade em métodos probabilísticos para solução de problemas devido ao crescimento exponencial das tabelas e algoritmos de redes de crenças ainda não conhecidos. Probabilidade é numérica (!). Raciocício humano é mais qualitativo que quantitativo. Principal abordagem qualitativa: default reasoning, conclusões não são confiáveis com certo grau, mas acreditadas até que uma razão melhor é encontrada para acreditar em outra coisa. Sistemas baseados em regras: baseados em sistemas lógicos baseados em regras, mas com anotações nos programas para representar incerteza.
10 Sistemas Inteligentes, Outras Abordagens Dempster-Shafter theory: utiliza graus de confiança em intervalos (além de tratar de incerteza, trata de ignorância). Lógica Nebulosa: representa o conhecimento vago. Um evento pode ser +/- verdadeiro. Por exemplo, (A B) = min((a),(b)), onde é uma função de verdade nebulosa. (A A) (rue). Ex de linguagem: RIL (Univ of Bristol, Jim Baldwin, Lotfi Zadeh).
Sistemas Inteligentes, Apoio à Decisão: Lidando com Incertezas
Sistemas Inteligentes, 12-13 1 Apoio à Decisão: Lidando com Incertezas Sistemas Inteligentes, 12-13 2 Incerteza Falta de informação suficiente. Conhecimento não completo ou não correto. Planos condicionais
Leia maisPIP/CA - Programa Interdisciplinar de Pós-Graduação Mestrado em Computação Aplicada da UNISINOS. 2000/1-2o. Trimestre - AULA 05 / FSO
PIP/CA - Programa Interdisciplinar de Pós-Graduação Mestrado em Computação Aplicada da UNISINOS 2000/1-2o. Trimestre - AULA 05 / FSO INTELIGÊNCIA ARTIFICIAL & SISTEMAS INTELIGENTES Professores Responsáveis:
Leia maisArtificial Intelligence: a Modern Approach, by Russell and Norvig, 2nd edition, PH
istemas de Apoio à Decisão Clínica, 08-1 1 Baseados em Lógica Informados de Busca Melhoramento Iterativo Satisfação de Restrições Lidando com Incertezas Bayes Redes Neuronais Apoio à Decisão: Métodos Artificial
Leia maisArtificial Intelligence: a Modern Approach, by Russell and Norvig, 2nd edition, PH
istemas de Apoio à Decisão Clínica, 08-1 1 Baseados em Lógica Informados de Busca Melhoramento Iterativo Satisfação de Restrições Lidando com Incertezas Bayes Redes Neuronais Apoio à Decisão: Métodos Artificial
Leia maisEstatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aula passada Introdução à simulação Geração de números aleatórios Lei dos Grandes Números Aula de hoje Geração de variáveis aleatórias: Transformada Inversa
Leia maisEstatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aula passada Introdução à simulação Geração de números aleatórios Lei dos Grandes Números Aula de hoje Geração de variáveis aleatórias: Transformada Inversa
Leia maisInteligência Artificial. Raimundo Osvaldo Vieira [DECOMP IFMA Campus Monte Castelo]
Inteligência Artificial Raimundo Osvaldo Vieira [DECOMP IFMA Campus Monte Castelo] Abordagem Estocástica para a Incerteza: Redes Bayesianas Usando a teoria das probabilidades, podemos determinar, frequentemente
Leia maisVariáveis Aleatórias Discretas 1/1
Variáveis Aleatórias Discretas Professores Eduardo Zambon e Magnos Martinello UFES Universidade Federal do Espírito Santo DI Departamento de Informática CEUNES Centro Universitário Norte do Espírito Santo
Leia maisJogos com Oponentes. Problemas de busca: não assumem a presença de um oponente
istemas Inteligentes, 10-11 1 Jogos com ponentes Problemas de busca: não assumem a presença de um oponente Jogos: oponente INCERTEZA! Incerteza porque não se conhece as jogadas exatas do oponente e não
Leia maisAvaliação de Desempenho
Avaliação de Desempenho Aula passada Métricas, Técnicas, Erros Aula de hoje Conceitos importantes de probabilidade Como fazer a análise de desempenho? Modelos Matemáticos Modelos de Simulação Como fazer
Leia maisConceitos Básicos, Básicos,Básicos de Probabilidade
Conceitos Básicos, Básicos,Básicos de Probabilidade Espaço Amostral Base da Teoria de Probabilidades Experimentos são realizados resultados NÃO conhecidos previamente Experimento aleatório Exemplos: Determinar
Leia maisJogos com Oponentes. Problemas de busca: não assumem a presença de um oponente
Sistemas Inteligentes, 13-14 1 Jogos com ponentes Problemas de busca: não assumem a presença de um oponente Jogos: oponente INCERTEZA! Incerteza porque não se conhece as jogadas exatas do oponente e não
Leia maisdecisão em comparação com a curva para árvores de decisão.
function Decision-Learning(examplos) returns a decision list or failure if examples is empty then return the trivial decision list t a test that matches a nonempty subset examples t of examples such that
Leia maisRedes Bayesianas e Inferência Exata
ESCOLA POLITÉCNICA DA UNIVERSIDADE DE SÃO PAULO Departamento de Engenharia de Computação e Sistemas Digitais PCS2059 Inteligência Artificial Gabriel Iseppe Porto 5174633 Raphael Petegrosso 5176451 Victor
Leia maisTE802 Processos Estocásticos em Engenharia. Informação sobre a disciplina Notes. Processos Estocásticos em Engenharia Conteúdo Notes.
TE802 Processos Estocásticos em Engenharia Conceitos Básicos de Teoria de Probabilidade 7 de março de 2016 Informação sobre a disciplina Terças e Quintas feiras das 09:30 às 11:20 horas Professor: Evelio
Leia maisTE802 Processos Estocásticos em Engenharia. Informação sobre a disciplina. TE802 Conceitos Básicos de Teoria de Probabilidade. Evelio M. G.
TE802 Processos Estocásticos em Engenharia Conceitos Básicos de Teoria de Probabilidade 23 de agosto de 2017 Informação sobre a disciplina Segundas e Quartas feiras das 09:30 às 11:20 horas Professor:
Leia maisRedes Bayesianas. Prof. Júlio Cesar Nievola PPGIa Escola Politécnica PUCPR
Redes Bayesianas Prof. Júlio Cesar Nievola PPGIa Escola Politécnica PUCPR Raciocínio com Incerteza Incerteza: qualidade ou estado de não ser conhecido com certeza Fontes de incerteza: Ignorância: qual
Leia maisAnálise de Dados Categóricos
1/50 Análise de Dados Categóricos Introdução à Disciplina Enrico A. Colosimo/UFMG Depto. Estatística - ICEx - UFMG 2/50 Disciplina Análise de Dados Categóricos Resposta vs Covariáveis Resposta: categórica
Leia maisAvaliação e Desempenho Aula 5
Avaliação e Desempenho Aula 5 Aula passada Revisão de probabilidade Eventos e probabilidade Independência Prob. condicional Aula de hoje Variáveis aleatórias discretas e contínuas PMF, CDF e função densidade
Leia maisProbabilidades e Estatística TODOS OS CURSOS
Duração: 90 minutos Grupo I Probabilidades e Estatística TODOS OS CURSOS Justifique convenientemente todas as respostas o semestre 07/08 0/07/08 :0 o Teste C 0 valores. Um relatório anual estabelece que
Leia maisEstatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aula passada Aula de hoje Calcular probabilidade de eventos condicionando Somas aleatórias Esperança Condicional Análise de Comandos de Programação Análise
Leia mais2 Medida de Incertezas: Fundamentos
2 Medida de Incertezas: Fundamentos 2. Introdução O resultado de um processo de medição fornece uma determinada informação que usualmente é chamada de conhecimento. A fim de quantificar quão completo é
Leia maisAproximação da binomial pela normal
Aproximação da binomial pela normal 1 Objetivo Verificar como a distribuição normal pode ser utilizada para calcular, de forma aproximada, probabilidades associadas a uma variável aleatória com distribuição
Leia maislnteligência Artificial Raciocínio Probabilístico - Introdução a Redes Bayesianas
lnteligência Artificial Raciocínio Probabilístico - Introdução a Redes Bayesianas Referências Adicionais Russel e Norvig cap. 14 e 15 Pearl, Judea. Probabilistic Reasoning in Intelligent Systems: Network
Leia maisJogos com Oponentes. espaço de busca muito grande tempo para cada jogada
Jogos com Oponentes Jogos com Oponentes ˆ Problemas de busca: não assumem a presença de um oponente ˆ Jogos: oponente INCERTEZA! ˆ Incerteza porque não se conhece as jogadas exatas do oponente e não por
Leia maisRedes Bayesianas: o que são, para que servem, algoritmos e exemplos de aplicações.
Redes Bayesianas: o que são, para que servem, algoritmos e exemplos de aplicações. ROBERTO LIGEIRO MARQUES 1 INÊS DUTRA 1 1 Coppe Sistemas UFRJ {ligeiro,ines}@cos.ufrj.br Resumo: Redes bayesianas são grafos
Leia maisANEXO I - QUANTITATIVO FÍSICO DE PESSOAL TABELA 1 - PODERES EXECUTIVO, LEGISLATIVO E JUDICIÁRIO - DPU - MPU - EMPRESAS ESTATAIS DEPENDENTES DA UNIÃO
SUPERIOR PESQUISDOR (PESQUIS E Nível 1 TOTL POSIÇÃO: RIL/2016 TIVO OCUPDOS PDRÃO/ REFERÊNCI TOTL P01 - P01 - P01C - P01D - P01E - P01F - P01G - P01H - P01I - P01J - P01K - P01L 1 P01M - P01N - P01O - P01P
Leia maislnteligência Artificial Introdução a Lógica Nebulosa (Fuzzy)
lnteligência Artificial Introdução a Lógica Nebulosa (Fuzzy) Sumário Introdução Fundamentos Operações básicas Representação do Conhecimento Modelo de Inferência Passos de Projeto de um Sistema Nebuloso
Leia maisTécnicas Computacionais em Probabilidade e Estatística I. Aula I
Técnicas Computacionais em Probabilidade e Estatística I Aula I Chang Chiann MAE 5704- IME/USP 1º Sem/2008 1 Análise de Um conjunto de dados objetivo: tratamento de um conjunto de dados. uma amostra de
Leia maisCEFET/RJ Inteligência Artificial (2018.1) Prof. Eduardo Bezerra Lista de exercícios 05
. CEFET/RJ Inteligência Artificial (2018.1) Prof. Eduardo Bezerra (ebezerra@cefet-rj.br) Lista de exercícios 05 Créditos: essa lista de exercícios contém a tradução dos exercícios retirados do livro texto
Leia maisAmostragem e Distribuição Amostral. Tipos de amostragem, distribuição amostral de média, proporção e variância
Amostragem e Distribuição Amostral Tipos de amostragem, distribuição amostral de média, proporção e variância 1 AMOSTRAGEM Amostragem Probabilística ou Aleatória Amostragem Não Probabilística Amostragem
Leia maisMESTRADO INTEGRADO EM ENGENHARIA ELECTROTÉCNICA E DE COMPUTADORES PROBABILIDADES E ESTATÍSTICA. 1ª Chamada 10/01/2008.
MESTRADO INTEGRADO EM ENGENHARIA ELECTROTÉCNICA E DE COMPUTADORES PROBABILIDADES E ESTATÍSTICA 1ª Chamada 10/01/2008 Parte Teórica DURAÇÃO : 50 min COTAÇÃO DA PARTE TEÓRICA: 8 Valores em 20 PERGUNTAS DE
Leia maisEnvironment. Agent. Cap. 18: Aprendendo através de observações Performance standard. Critic. feedback. changes. Learning element. Performance element
istemas Inteligentes, 10-11 1 Cap. 18: Aprendendo através de observações Performance standard Critic Sensors feedback learning goals Learning element changes knowledge Performance element Environment Problem
Leia maisIncerteza, exatidão, precisão e desvio-padrão
1 Incerteza, exatidão, precisão e desvio-padrão Incerteza ( uncertainty or margin of error ) A incerteza, segundo a Directiva Comunitária 2007/589/CE, é: parâmetro associado ao resultado da determinação
Leia maisProbabilidade, Estatística, Decisões e Segurança em Engenharia Geotécnica PEF-5837
Probabilidade, Estatística, Decisões e Segurança em Engenharia Geotécnica PEF-5837 Informações gerais Horário das aulas Quintas-feiras das 8:30 às :30 Livro texto principal: Benjamin, J.R. e Cornell, C.A.
Leia maisTeoria das Filas aplicadas a Sistemas Computacionais. Aula 08
Teoria das Filas aplicadas a Sistemas Computacionais Aula 08 Universidade Federal do Espírito Santo - Departamento de Informática - DI Laboratório de Pesquisas em Redes Multimidia - LPRM Teoria das Filas
Leia maisEstatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aula passada Função Distribuição Condicional Calculando Probabilidades condicionando Esperança Condicional Aula de hoje Análise de Comandos de Programação
Leia maisBusca Local. Texto base: Stuart Russel e Peter Norving - Inteligência Artificial
Busca Local Texto base: Stuart Russel e Peter Norving - Inteligência Artificial junho/2007 Algoritmos de busca local e problemas de otimização Em muitos problemas de otimização o caminho até a solução
Leia maisRaciocínio Probabilístico. Inteligência Artificial. Exemplo. Redes Bayesianas. Exemplo. Exemplo 11/16/2010
Inteligência Artificial Raciocínio Probabilístico Aula 9 Profª Bianca Zadrozny http://www.ic.uff.br/~bianca/ia-pos Capítulo 14 Russell & Norvig Seções 14.1 a 14.4 2 Redes Bayesianas Estrutura de dados
Leia maisAproximação da binomial pela normal
Aproximação da binomial pela normal 1 Objetivo Verificar como a distribuição normal pode ser utilizada para calcular, de forma aproximada, probabilidades associadas a uma variável aleatória com distribuição
Leia maisMonte Carlo Method. Peter Frank Perroni. December 1, Monte Carlo Simulation
Monte Carlo Simulation December 1, 2015 Histórico Técnica muito antiga porém somente recentemente oficializado como método estatístico. Foi muito importante nas simulações da bomba desenvolvida no Projeto
Leia maisINTELIGÊNCIA ARTIFICIAL
Figura: Capa do Livro Russell, S., Norvig, P. Artificial Intelligence A Modern Approach, Pearson, 2009. Universidade Federal de Campina Grande Unidade Acadêmica de Sistemas e Computação Curso de Pós-Graduação
Leia maisProbabilidades e Estatística LEAN, LEGM, LEIC-A, LEIC-T, MA, MEMec
Duração: 90 minutos Grupo I Probabilidades e Estatística LEAN, LEGM, LEIC-A, LEIC-T, MA, MEMec Justifique convenientemente todas as respostas 2 o semestre 2016/2017 06/05/2017 09:00 1 o teste A 10 valores
Leia maislnteligência Artificial Introdução a Lógica Nebulosa (Fuzzy)
lnteligência Artificial Introdução a Lógica Nebulosa (Fuzzy) Sumário Introdução Fundamentos Operações básicas Representação do Conhecimento Modelo de Inferência Passos de Projeto de um Sistema Nebuloso
Leia maisMomentos: Esperança e Variância. Introdução
Momentos: Esperança e Variância. Introdução Em uma relação determinística pode-se ter a seguinte relação: " + " = 0 Assim, m =, é a declividade e a e b são parâmetros. Sabendo os valores dos parâmetros
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Modelos gráficos probabilísticos Redes bayesianas Modelos gráficos probabilísticos Os modelos gráficos probabilísticos utilizam representações diagramáticas das distribuições de
Leia maisSistemas especialistas Fuzzy
Sistemas Fuzzy Sistemas especialistas Fuzzy Especialistas Senso comum para resolver problemas Impreciso, inconsistente, incompleto, vago Embora o transformador esteja um pouco carregado, pode-se usá-lo
Leia maisPRE29006 LISTA DE EXERCÍCIOS #
INSTITUTO FEDERAL DE SANTA CATARINA CAMPUS SÃO JOSÉ COORDENADORIA DE ÁREA DE TELECOMUNICAÇÕES ENGENHARIA DE TELECOMUNICAÇÕES PRE9006 LISTA DE EXERCÍCIOS # 06. Eercícios. Considere uma variável aleatória
Leia maisProbabilidade, entropia, surpresa, e quantidade de informação 1
Probabilidade, entropia, surpresa, e quantidade de informação 10 de setembro de 2013 Probabilidade, entropia, surpresa, e quantidade de informação 1 Conteúdo 1 Revisão de Probabilidade Teorema de Bayes
Leia maisAula II Estatística Aplicada à Instrumentação Industrial -Avaliação da Incerteza de Medição
Aula II Estatística Aplicada à Instrumentação Industrial -Avaliação da Incerteza de Medição Universidade Federal da Bahia Escola Politécnica Disciplina: Instrumentação e Automação Industrial I(ENGF99)
Leia maisLógica Nebulosa. Lógica Fuzzy
Lógica Nebulosa Ou Lógica Fuzzy Lógicas Bivalente e Polivalente Na logica clássica ou aristotélica: Dois valores verdade possíveis: Proposições verdadeiras;ou Proposições falsas. São sistemas chamados
Leia maisAprendizagem de Máquina. May 29, 2014
Aprendizagem de Máquina May 29, 2014 Componentes de um Agente Performance standard Critic Sensors feedback learning goals Learning element changes knowledge Performance element Environment Problem generator
Leia maisTE802 Processos Estocásticos em Engenharia
TE802 Processos Estocásticos em Engenharia Vetores Aleatórios 10 de setembro de 2017 Modelos Probabiĺısticos para N Variáveis Aleatórias F X1,...,X n (x 1,...,x n) = P[X 1 x 1,..., X n x n] (x 1,...,x
Leia maisMOQ 13 PROBABILIDADE E ESTATÍSTICA. Professor: Rodrigo A. Scarpel
MOQ 3 PROBABILIDADE E ESTATÍSTICA Professor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo Programa do curso: Semanas 2 3 4 5 6 7 8 9 0 2 3 4 5 e 6 Introdução à probabilidade (eventos, espaço
Leia maisFundamentos Estatísticos da Análise de Situações de Desenvolvimento Local. Benedito Silva Neto PPG Desenvolvimento e Políticas Públicas
Fundamentos Estatísticos da Análise de Situações de Desenvolvimento Local enedito Silva Neto PPG Desenvolvimento e Políticas Públicas Introdução Análise-Diagnóstico de Situações de Desenvolvimento Local
Leia maisIntrodução. A Inteligência Artificial (IA) vem sendo desenvolvida desde o século passado.
Introdução A Inteligência Artificial (IA) vem sendo desenvolvida desde o século passado. Iniciou-se já na época da Grécia antiga, onde foi desenvolvido o Distribuidor de Água em Delfos, o qual fornecia
Leia maisRedes Bayesianas. Introdução. Teoria da Probabilidade. Manipulação de Conhecimento Incerto
Introdução M. Sc. Luiz Alberto lasf.bel@gmail.com As (RBs) são modelos gráficos que codificam relacionamentos probabilísticos entre variáveis de interesse As principais motivações para o estudo e uso de
Leia maisProbabilidade e Modelos Probabilísticos
Probabilidade e Modelos Probabilísticos 2ª Parte: modelos probabilísticos para variáveis aleatórias contínuas, modelo uniforme, modelo exponencial, modelo normal 1 Distribuição de Probabilidades A distribuição
Leia maisAnálise Semântica e Representação Intermédia
Análise Semântica e Representação Intermédia Compiladores, Aula Nº 22 João M. P. Cardoso 1 Representação do fluxo de controlo Nós de enunciados Nó if Árvore de expressão para a condição Nó para o corpo
Leia maisUniversidade Federal do Ceará Pós-Graduação em Modelagem e Métodos Quantitativos Mestrado Acadêmico na Área Interdisciplinar
Universidade Federal do Ceará Pós-Graduação em Modelagem e Métodos Quantitativos Mestrado Acadêmico na Área Interdisciplinar Prova Escrita - Estatística e Computação Pós-Graduação em Modelagem e Métodos
Leia maisClustering (k-means, SOM e hierárquicos)
Clustering (k-means, SOM e hierárquicos) André Tavares da Silva andre.silva@udesc.br (Capítulo 10 de Duda e Hart) Clustering Introdução e tipos Roteiro Agrupamentos hierárquicos AGNES, DIANA e Dendogram
Leia maisConhecimento Incerto
Conhecimento Incerto Profa. Josiane M. P. erreira exto base: Stuart Russel e Peter Norving - Inteligência Artificial - cap 13. David Poole, Alan Mackworth e Randy Goebel - Computational Intelligence A
Leia maisESTATÍSTICA. x(s) W Domínio. Contradomínio
Variáveis Aleatórias Variáveis Aleatórias são funções matemáticas que associam números reais aos resultados de um Espaço Amostral. Uma variável quantitativa geralmente agrega mais informação que uma qualitativa.
Leia maisEstatística (MAD231) Turma: IGA. Período: 2017/2
Estatística (MAD231) Turma: IGA Período: 2017/2 Aula #03 de Probabilidade: 04/10/2017 1 Variáveis Aleatórias Considere um experimento cujo espaço amostral é Ω. Ω contém todos os resultados possíveis: e
Leia maisEmbasamento Analítico
1 Embasamento Analítico Capítulo 3 Crovella, M, Krishnamurthy, B. Internet Measurement: infrastructure, traffic & applications. John Wiley & Sons, 2006. Embasamento Analítico 2 Probabilidade (Jain Cap.
Leia maisRedes Bayesianas. Disciplina: Inteligência Artificial Prof.: Cedric Luiz de Carvalho
Redes Bayesianas Disciplina: Inteligência Artificial Prof.: Cedric Luiz de Carvalho Introdução Tópicos Especificação e topologia das Redes Bayesianas Semântica Construção Tipos de Inferência Conclusões
Leia maisIndependência Regra de Bayes Redes Bayesianas
Independência Regra de Bayes Redes Bayesianas Inferência Probabilística Evidência observada: dor. Qual é a probabilidade de cárie dado que foi observado dor? P cárie dor = P(cárie dor) P(dor = 0,6 Independência
Leia maisJogos com Oponentes. March 7, 2018
Jogos com Oponentes March 7, 2018 Jogos com Oponentes ˆ Problemas de busca: não assumem a presença de um oponente ˆ Jogos: oponente INCERTEZA! ˆ Incerteza porque não se conhece as jogadas exatas do oponente
Leia maisP values and the misleading concept of statistical significance
Valores p e o enganoso conceito de significância estatística P values and the misleading concept of statistical significance Edson Zangiacomi Martinez Faculdade de Medicina de Ribeirão Preto Universidade
Leia maisEstatística e Matemática Aplicadas a Data Science. Diógenes Justo BM&FBOVESPA & Professor FIAP
Estatística e Matemática Aplicadas a Data Science Diógenes Justo BM&FBOVESPA & Professor FIAP Agenda Modelagem para Data Science (Matemática e Estatística) Detecção de Fraudes Forecast (financeiro) Conclusões
Leia maisDAINF - Departamento de Informática
DAINF - Departamento de Informática Algoritmos 2 - Árvore binária de busca Prof. Alex Kutzke ( http://alex.kutzke.com.br/courses ) 30 de Novembro de 2015 Slides adaptados do material produzido pelo Prof.
Leia maisMediana. Aula 09. Menor. i-ésimo menor elemento. Algoritmo de Seleção. -ésimo menor elemento. Mediana é o n+1. -ésimo menor ou o n+1
Mediana Aula 09 Algoritmo de Seleção Prof. Marco Aurélio Stefanes marco em dct.ufms.br www.dct.ufms.br/ marco Baseado em slides do Prof. Paulo Fiofilof Mediana é o n+1 2 -ésimo menor ou o n+1 2 -ésimo
Leia maisFatores de Certeza e Teoria da Evidência
Fatores de Certeza e Teoria da Evidência Incerteza Pode ser considerada como a falta de informação para tomar uma decisão. Há uma dúvida que não permite ter uma resposta binária: sim ou não. Havendo dúvida,
Leia maisInteligência Artificial Escola de Verão Laboratório Associado de Computação e Matemática Aplicada LAC.
Inteligência Artificial Escola de Verão 28 Laboratório Associado de Computação e Matemática Aplicada LAC www.lac.inpe.br/~demisio/ia_lac.html Lógica Nebulosa A Lógica Nebulosa (ou Lógica Difusa Fuzzy Logic
Leia maisModelagem e Análise de Sistemas - COS767
Modelagem e Análise de Sistemas - COS767 Aula de hoje Introdução à simulação Geração de números aleatórios Lei dos Grandes Números Geração de variáveis aleatórias: método da transformada inversa Simulação
Leia maisAnálise Semântica e Representação Intermédia
Análise Semântica e Representação Intermédia Compiladores Cristina C. Vieira 1 Representação do fluxo de controlo Nós de enunciados Nó if Árvore de expressão para a condição Nó para o corpo do then e nó
Leia maisMIEEC Probabilidades e Estatística 1 a Chamada 10/01/2008. Parte Prática
MIEEC Probabilidades e Estatística 1 a Chamada 1/1/8 Parte Prática Resolução 1. Definição dos acontecimentos: T 1 Cliente do operador Ptel 1 T Cliente do operador Ptel T 3 Cliente do operador Ptel 3 S
Leia maisAproximação da binomial pela normal
Aproximação da binomial pela normal 1 Objetivo Verificar como a distribuição normal pode ser utilizada para calcular, de forma aproximada, probabilidades associadas a uma variável aleatória com distribuição
Leia mais5 a Lista de PE Solução
Universidade de Brasília Departamento de Estatística 5 a Lista de PE Solução. Sejam X A e X B o números de jogos que o time ganha contra times da classe A e da classe B respectivamente. Claramente X A
Leia maisOutras estratégias de Busca. February 27, 2017
Outras estratégias de Busca February 27, 2017 Estratégias de controle para a procura irrevogáveis: nunca retornam por um caminho já explorado tentativa: backtracking (métodos não informados e informados).
Leia maisINE5403 FUNDAMENTOS DE MATEMÁTICA DISCRETA
INE5403 FUNDAMENTOS DE MATEMÁTICA DISCRETA PARA A COMPUTAÇÃO PROF. DANIEL S. FREITAS UFSC - CTC - INE Prof. Daniel S. Freitas - UFSC/CTC/INE/2007 p.1/14 3 - INDUÇÃO E RECURSÃO 3.1) Indução Matemática 3.2)
Leia maisPMR Computação para Mecatrônica
PMR3201 - Computação para Mecatrônica Prof. Thiago de Castro Martins Prof. Newton Maruyama Prof. Marcos de S.G. Tsuzuki Monitor: Pietro Teruya Domingues Exercício Programa 2 - Versão 2017 Resolvendo o
Leia maisAprendizado Bayesiano
Aprendizado Bayesiano Marcelo K. Albertini 3 de Julho de 2014 2/1 Conteúdo Aprendizado Naive Bayes Exemplo: classificação de texto Redes Bayesiana Algoritmo EM Regressão probabiĺıstica 3/1 Classificador
Leia maisComputação e Programação
Computação e Programação 10ª Aula de Problemas Tópicos Avançados sobre Funções Instituto Superior Técnico, Dep. de Engenharia Mecânica - ACCAII Problema 1 3. The velocity of sound in air is 49.02xT^(1/2)
Leia maisTécnicas computacionais em probabilidade e estatística II
Técnicas computacionais em probabilidade e estatística II Universidade de São Paulo Instituto de Matemática e Estatística http:www.ime.usp.br/ mbranco AULA 1: Problemas Computacionais em Inferência Estatística.
Leia maisUNIVERSIDADE LUSÍADA DE LISBOA. Programa da Unidade Curricular INTELIGÊNCIA ARTIFICIAL Ano Lectivo 2018/2019
Programa da Unidade Curricular INTELIGÊNCIA ARTIFICIAL Ano Lectivo 2018/2019 1. Unidade Orgânica Instituto de Engenharia e Tecnologias (1º Ciclo) 2. Curso Engenharia Informática 3. Ciclo de Estudos 1º
Leia maisCONHECIMENTOS ESPECÍFICOS
CESPE/UnB FUB/03 fa 5 4 3 CONHECIMENTOS ESPECÍFICOS 60 As distribuições B e C possuem os mesmos valores para os quartis Q e Q, e o quartil superior em B corresponde ao quartil central (Q ) da distribuição
Leia maisUm novo algoritmo probabilístico para fatoração de inteiros com primos relativamente distantes p.1/15
Um novo algoritmo probabilístico para fatoração de inteiros com primos relativamente distantes VIII SBSeg - Set/08 Fábio Borges - LNCC Um novo algoritmo probabilístico para fatoração de inteiros com primos
Leia maisAGA Análise de Dados em Astronomia I. O método de Monte Carlo
1 / 16 AGA 0505- Análise de Dados em Astronomia I O método de Monte Carlo Laerte Sodré Jr. 1o. semestre, 2018 2 / 16 breve história método de resolução de problemas baseado em amostragem aleatória de distribuições
Leia maisMAE116 Noções de Estatística
Exercício 1 Suponha que os tempos de vida de dois aparelhos elétricos D1 e D2 tenham distribuições N(42, 36) e N(45, 9), respectivamente. Se os aparelhos são feitos para serem usados por um período de
Leia maisProbabilidades e Estatística - LEIC + LERCI + LEE 2 o semestre 2004/05
Departamento de Matemática Secção de Estatística e Aplicações - IST Probabilidades e Estatística - LEIC + LERCI + LEE 2 o semestre 2004/05 3 o Teste 4/6/2005 9h O Teste que vai realizar tem a duração total
Leia maisAula de hoje Aula passada
Aula 2 Aula passada Logística, programação, regras do jogo Três problemas Monte Carlo to the rescue História das origens Monte Carlo na Computação Aula de hoje Espaço amostral Probabilidade Eventos Independência
Leia maisCapítulo4- Modelos de probabilidade.
Capítulo4- Modelos de probabilidade. 1- Modelos de probabilidade(110) 1.1) Introdução.(110) 1.) Fenómenos aleatórios(11) Experiência determinística-produz sempre o mesmo resultado desde que seja repetido
Leia maisExemplo Árvore Binária
Árvores Rohit Gheyi Para entradas realmente grandes, o acesso linear O(n) de listas é proibi9vo Estrutura de dados não linear, cujas operações tem custos em geral O(log n) 1 2 Exemplo Como seria pesquisar
Leia maisTeoria da Probabilidade e Processos Estocásticos Mestrado em Matemática Financeira
Teoria da Probabilidade e Processos Estocásticos Mestrado em Matemática Financeira 5 de Janeiro 03 Época Normal - horas Resolva os seguintes exercícios, justificando cuidadosamente as suas respostas..
Leia maisUma breve introdução a probabilidade
Uma breve introdução a probabilidade Modelo Probabilístico Espaço amostral (S): conjunto de todos os resultados que podem ocorrer a partir de um experimento aleatório Probabilidade de eventos (P): quantificação
Leia maisTema 4- Modelos de probabilidade. (Versão: para o manual a partir de 2016/17)
Tema 4- Modelos de probabilidade. (Versão: para o manual a partir de 016/17) 1- Modelos de probabilidade(136) 1.1) Introdução.(36) (Vídeo: 33) 1.) Fenómenos aleatórios(138) Experiência determinística-produz
Leia maisAnálise de Dados Longitudinais Aula
1/24 Análise de Dados Longitudinais Aula 31.10.2018 José Luiz Padilha da Silva - UFPR www.docs.ufpr.br/ jlpadilha 2/24 Sumário 1 Dados Ausentes em Estudos Longitudinais 2 Imputação de Dados 3 Simulações
Leia maisUtilização da Inferência Bayesiana e Lógica Fuzzy na Modelagem de um Sistema Inteligente
Utilização da Inferência Bayesiana e Lógica Fuzzy na Modelagem de um Sistema Inteligente Rosangela Westphal da Silva 1,2, Priscyla Waleska Targino de Azevedo Simões 1,2,3, Merisandra Côrtes de Mattos 1,2,
Leia mais