Redes Bayesianas. Disciplina: Inteligência Artificial Prof.: Cedric Luiz de Carvalho
|
|
- Brenda Porto de Sintra
- 7 Há anos
- Visualizações:
Transcrição
1 Redes Bayesianas Disciplina: Inteligência Artificial Prof.: Cedric Luiz de Carvalho
2 Introdução Tópicos Especificação e topologia das Redes Bayesianas Semântica Construção Tipos de Inferência Conclusões e Exercício Referências
3 Introdução: Redes Bayesianas (1) A tabela de distribuição de probabilidade conjunta responde qualquer questão sobre o domínio intratável várias variáveis Dificuldade em especificar as probabilidades dos eventos atômicos O relacionamento de independência e independência condicional entre as variáveis reduz o número de probabilidades da tabela de distribuição conjunta
4 Introdução: Redes Bayesianas (2) Estrutura de dados grafo direcionado, onde cada nó possui uma informação com uma probabilidade quantitativa Representa 3 tipos de conhecimento do domínio: relações de independência entre variáveis aleatórias probabilidades incondicionais de algumas variáveis probabilidades condicionais entre variáveis dependentes
5 Introdução: Redes Bayesianas (3) Permite calcular eficientemente: probabilidade condicional de qualquer variável inferência Conhecimento representado qualquer tabela de Distribuição de Probabilidade Conjunta Completa DPC (abreviado)
6 Redes Bayesianas: especificação (1) 1) um conjunto de variáveis randômicas compõem os nós da rede 2) um conjunto de links ou setas conectam os pares de nós. Por exemplo: se há uma seta do nó X para o nó Y, é lido da seguinte maneira X é dito ser o pai de Y
7 Redes Bayesianas: especificação (2) 3) cada nó Xi possui uma distribuição de probabilidade condicional que quantifica o efeito que o pai tem sobre ele P(Xi Pais(Xi)) 4) O grafo não tem ciclo direcionados Grafo Acíclico Dirigido (DAG)
8 Redes Bayesianas: topologia O conjunto de nós e as ligações especificam os relacionamentos de independência condicional que ocorrem em um domínio O significado de uma seta de X para Y X tem influência direta sobre Y é mais fácil para um especialista descobrir esta influência do que especificar a probabilidade A combinação da topologia e da distribuição condicional para cada variável, dado seu pai, implicitamente especifica a tabela de DPC para todas as variáveis
9 Redes Bayesianas: Exemplo Gripe (1) Exemplo da aula passada: as variáveis Gripe, Febre, DorGarganta, Tempo Tempo é independente das outras variáveis Febre e DorGarganta são independentes condicionalmente
10 Redes Bayesianas: Exemplo Gripe (2) Tempo Gripe DorGarganta Febre
11 Exemplo Alarme (1) Exemplo mais complexo Alarme contra roubo na sua casa O alarme dispara quando detecta um assaltante muito confiável ocorrer um terremoto
12 Exemplo Alarme (2) Você tem dois vizinhos que lhe prometeram chamar em caso de ouvir o alarme João Maria Maria João sempre chama quando ouve o alarme confunde o alarme com o telefone Escuta música em um tom muito alto às vezes não escuta o alarme
13 Exemplo Alarme (3) Roubo Terremoto Alarme JoãoLiga MariaLiga
14 Exemplo Alarme (4) Note na rede não contém nós que correspondam Maria escutar música alta João confundir com o toque do telefone Estes fatores são resumidos na incerteza associada com as ligações de Alarme para JoãoLiga e MariaLiga preguiça: muito trabalho para encontrá-los ignorância na operação: como conseguir estas informações
15 Exemplo Alarme (5) As probabilidades resumem um conjunto potencialmente infinito de circunstâncias em que alarme pode falhar falta de energia, curto-circuito, alta umidade etc. ou João ou Maria não vão me avisar férias, supermercado, surdos, avião etc. É nestes cenários que pequenos agentes podem enfrentar grandes domínios, pelo menos aproximadamente o grau de aproximação pode ser melhorado com adição de informações relevantes
16 P(R) 0,001 Exemplo Alarme (6) Distribuição Condicional para cada variável (nó) P(R) 0,001 Roubo Terremoto P(E) 0,002 Alarme R E P(A) T T 0,95 T F 0,94 F T 0,29 F F 0,001 TPC Tabela de probabilidade condicional A P(J) T 0,90 F 0,05 JoãoLiga MariaLiga A P(M) T 0,70 F 0,01
17 Tabela de probabilidade condicional TPC Cada linha na TPC contém a probabilidade condicional para cada valor do nó para um caso condicionado combinação possível dos valores para os nós pais cada linha deve somar 1 Em geral, para variáveis booleanas com k pais booleanos, terá 2 k probabilidades independentes especificadas Um nó sem pai representa probabilidade incondicional de cada valor da variável
18 Semântica das Redes Bayesianas Há dois caminhos para entender a semântica das redes como representação de uma tabela de distribuição de probabilidade conjunta DPC útil para construção de uma rede como uma codificação de uma coleção de declarações de independência condicional útil para projetar os procedimentos de inferência
19 Representando uma tabela DPC (1) Uma rede Bayesiana provê uma descrição completa de um domínio cada entrada em uma tabela DPC pode ser calculada de informações na rede representa a DPC entre todas as variáveis Uma entrada genérica em uma tabela DPC é a probabilidade de uma conjunção de cada variável com um valor particular P(X 1 = x 1 ^... ^ X n = x n ), ou na forma abreviada P(x 1,..., x n )
20 Representando uma tabela DPC (2) O valor desta entrada é dado pela fórmula P(x 1,..., x n ) = n P(x i pais(x i )) i=1 Onde pais(xi) denota os valores específicos das variáveis imediatas de Xi no grafo Cada entrada na tabela DPC é representada pelo produto dos elementos apropriados das TPCs das redes Bayesianas
21 Representando uma tabela DPC (3) Qual a probabilidade que o alarme tenha disparado, sem haver roubo ou terremoto e que ambos João e Maria ligaram? P(x 1,..., x n ) = n P(x i pais(x i )) (Lembrando) i=1 P(j ^ m ^ a ^ r ^ e) = P(j a) P(m a) P(a r ^ e) P( r) P( e)
22 P(R) 0,001 Representando uma tabela DPC (4) Exemplo Alarme P(R) 0,001 Roubo Terremoto P(E) 0,002 Alarme R E P(A) T T 0,95 T F 0,94 F T 0,29 F F 0,001 TPC Tabela de probabilidade condicional A P(J) T 0,90 F 0,05 JoãoLiga MariaLiga A P(M) T 0,70 F 0,01
23 Representando uma tabela DPC (5) Qual a probabilidade que o alarme tenha disparado, sem haver roubo ou terremoto e que ambos João e Maria ligaram? P(x 1,..., x n ) = n P(x i pais(x i )) (Lembrando) i=1 P(j ^ m ^ a ^ r ^ e) = P(j a) P(m a) P(a r ^ e) P( r) P( e) = 0.90 * 0.70 * * * = = 0.062%
24 Construção de redes Bayesianas (1) Esta equação implica certos relacionamentos de independência condicional podem ser usados para construir uma rede Bayesiana que represente um domínio do mesmo modo de uma tabela DPC Pode-se escrever uma distribuição em termos de probabilidade condicional, usando a regra do produto P(x 1,..., x n ) = P(x n x n-1,..., x 1 ) P(x n-1,..., x 1 ) Repetindo o processo, reduzindo cada probabilidade conjuntiva para probabilidades condicionais. Teremos no final:
25 Construção de redes Bayesianas (2) P(x,..., x ) 1 2 = P(x x,..., x ) P(x x,..., x )... n n-1 1 n-1 n-2 1 P(x x ) P(x ) = n P(x x,..., x ) i i-1 1 i=1 É chamado de Regra da Cadeia
26 Construção de redes Bayesianas (3) Comparando P(x 1,..., x n ) = n P(x i pais(x i )) i=1 e P(x 1,..., x n ) = n P(x i x i-1,..., x 1 ) i=1 São equivalentes P(X i X i-1,..., X 1 ) = P(X i Pais(X i )) Dado que Pais(X i ) está contido {X i-1,..., X 1 } Esta condição é satisfeita na estruturação do grafo
27 Construção de redes Bayesianas (4) A equação diz o seguinte em relação a uma rede Bayesiana: é uma representação correta de um domínio somente se cada nó é condicionalmente independente de seus predecessores na ordenação do nó, dado seus pais Deve-se escolher os pais de cada nó que tenham esta propriedade os pais do nó X i deve conter todos os nós em X 1,..., X i-1 que influenciam diretamente X i
28 Construção de redes Bayesianas (5) Por exemplo, escolher o nó pai para a variável MariaLiga: MariaLiga é influenciada se ocorrer um Roubo ou um Terremoto não diretamente o conhecimento do domínio que influência MariaLiga é somente Alarme JoãoLiga também não influência MariaLiga Formalmente: P(MariaLiga JoãoLiga,Alarme,Roubo,Terremoto) = P(MariaLiga Alarme)
29 Compactação (1) Redes Bayesianas são mais compactas do que as tabela DPC pode manipular mais variáveis A compactação das redes Bayesianas é um exemplo da propriedade de sistemas estruturados localmente cada subcomponente interage com somente um número k de outros componentes independente do número total
30 Compactação (2) Nas redes Bayesianas pode-se supor que cada variavel é influenciada por no máximo k outras variáveis, supondo k constante se supormos n variáveis booleanas, a quantidade de informações para especificar cada TPC será: no máximo, 2 k números a especificação da rede completa será n2 k números contra 2 n números da tabela de DPC
31 Compactação (3) Por exemplo n = 30 nós k = 5 (cinco pais para cada nó, no máximo) rede Bayesiana requer 960 números para especificar as tabelas de probabilidade condicional - TPC tabela de DPC requer mais de 1 bihão de números para especificar a tabela DPC, com o mesmo significado da rede Bayesiana
32 Ordenação dos nós (1) Construir uma rede Bayesiana localmente estruturada não é um problema trivial requer que cada variável seja influenciada diretamente por poucas outras mas, a topologia deve refletir as influências diretas dos pais
33 Ordenação dos nós (2) Como construir uma rede Bayesiana correta 1) escolher um conjunto de variáveis relevantes que descrevam o domínio 2) ordem de inclusão dos nós na rede a) causas como raízes da rede b) variáveis que elas influenciam c) folhas, que não influenciam diretamente nenhuma outra variável
34 Ordenação dos nós (3) Como construir uma rede Bayesiana correta 3) enquanto houver variáveis a representar a) escolher uma variável X i e adicionar um nó para ela na rede b) estabelecer Pais(X i ) dentre os nós que já estão na rede, satisfazendo a propriedade de dependência condicional c) definir a tabela de probabilidade condicional para X i
35 Exemplo de Rede Bayesiana Não Puramente Causal (1) Vamos usar o exemplo do alarme com a seguinte ordem de inserção dos nós: MariaLiga, JoãoLiga, Alarme, Roubo e Terremoto. MariaLiga JoãoLiga Alarme Roubo Terremoto
36 Problemas: Exemplo de Rede Bayesiana Não Puramente Causal (2) a figura possui duas conexões a mais julgamento não natural e difícil das probabilidades avaliar a probabilidade de Terremoto, dado Alarme e Roubo Rede de diagnóstico Tendo uma rede puramente causal, teríamos um número menor de conexões
37 Tipos de Inferência em Redes Bayesianas Causal (da causa para o efeito) P(JoãoLiga Roubo) = 0,86 Roubo Alarme JoãoLiga Evidência 0.95 Diagnóstico (do efeito para a causa) P(Roubo JoãoLiga) = 0, Query JoãoLiga Alarme Roubo Evidência Query
38 Exemplo do Alarme com outra ordenação Vamos usar outro exemplo do alarme com a seguinte ordem de inserção dos nós: MariaLiga, JoãoLiga, Terremoto, Roubo e Alarme. MariaLiga JoãoLiga Terremoto Roubo Alarme
39 Comparação entre as redes A primeira 4 ligações 10 TPC A segunda 6 ligações 13 TPC A terceira 10 ligações 31 TPC (exatamente como uma tabela de DPC) As três representam exatamente a mesma tabela de DPC as duas últimas contém muitos relacionamentos de independência desnecessários
40 Relacionamento de independência na Redes Bayesianas (1) No modelo passado foi provido uma semântica numérica Existe uma outra forma, que a partir da semântica topológica, pode-se chegar aos valores numéricos Segunda forma de entender a semântica de uma rede Bayesiana como uma codificação de uma coleção de declarações de independência condicional útil para projetar os procedimentos de inferência
41 Relacionamento de independência na Redes Bayesianas (2) Um nó é condicionalmente independente de seus não descendentes, dado seus pais JoãoLiga é independente de Roubo e Terremoto, dado o valor de Alarme Roubo Terremoto Alarme JoãoLiga MariaLiga
42 Relacionamento de independência na Redes Bayesianas (3) Um nó é condicionalmente independente de todos os outros nós na rede, dado seus pais, filhos e pais dos filhos Cobertura de Markov Roubo é independente de JoãoLiga e MariaLiga, dado Alarme e Terremoto Roubo Terremoto Alarme JoãoLiga MariaLiga
43 Conclusões (1) Possibilidade de trabalhar com domínios onde não há informação suficiente Raciocínio probabilístico trata o grau de incerteza associado à maioria dos domínios Combina conhecimento a priori com dados observados O impacto do conhecimento a priori (quando correto) é a redução da amostra de dados necessários
44 Conclusões (2) Além do que falamos formas de diminuir as tabela de probabilidade condicional TPC da ordem de O(K), ao invés de O(2 k ) trabalhar com variáveis contínuas algoritmos de inferência e melhoramentos dos mesmos outros modos de raciocinar com incertezas métodos baseados em regras lógica fuzzy raciocínio probabilístico sobre o tempo
45 Exercício (1) Dada a tabela de probabilidade de distribuição conjunta completa sobre doenças da aula passada Construir a tabela de probabilidade condicional para cada nó da rede Bayesiana do Exemplo sobre doenças
46 Exercício (2) sol Tempo 0.7 dor de garganta dor de garganta chuva nublado neve gripe febre febr e febre febr e gripe
47 Resposta Tempo Gripe P(G) 0,20 P(T) S 0,70 C 0,20 Nu 0.08 Ne 0.02 DorGarganta G P(D) T 0,60 F 0,10 Febre G P(F) T 0,90 F 0,20
48 Referências Russel, S, & Norvig, P. (1995). Artificial Intelligence: a Modern Approach Prentice-Hall. Pearl, J. (1988) Probabilistic Reasoning in Inteligent Systems Anais do XXI Congresso da Sociedade Brasileira de Computação. Volume
Independência 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 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 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 maisIntrodução ao tema das Redes Bayesianas
Introdução ao tema das Redes Bayesianas Seminário de Modelação Cátia Azevedo 25/01/2013 Índice Introdução Redes Bayesianas Aprendizagem Bayesiana Teorema de Bayes Distribuição de probabilidade conjunta
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 maisRaciocínio Probabilístico. Inteligência Artificial. Redes Bayesianas. Exemplo. Exemplo. Exemplo. Capítulo 14 Russell & Norvig Seções 14.1 a 14.
Inteligência Artificial Raciocínio Probabilístico Aula 13 Profª Bianca Zadrozny http://www.ic.uff.br/~bianca/ia Capítulo 14 Russell & Norvig Seções 14.1 a 14.2 Redes Bayesianas Estrutura de dados para
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 maisINF 1771 Inteligência Artificial
Edirlei Soares de Lima INF 1771 Inteligência Artificial Aula 23 Redes Bayesianas Vantagens e Desvantagens da Probabilidade Possui uma boa fundamentação formal. Permite encontrar
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 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 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 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 maisINF 1771 Inteligência Artificial
INF 1771 Inteligência Artificial Aula 15 Incerteza Edirlei Soares de Lima Agentes Vistos Anteriormente Agentes baseados em busca: Busca cega Busca heurística Busca local Agentes
Leia maisIncerteza. Capítulo 13 Russell & Norvig Seções 13.1 a 13.4
Incerteza Capítulo 13 Russell & Norvig Seções 13.1 a 13.4 Incerteza Seja a ação A t = sair para o aeroporto t minutos antes do vôo. A t me levará ao aeroporto a tempo? Dificuldades de saber o resultado
Leia maisRoteiro. Raciocínio Probabilístico. Sistemas Inteligentes. PARTE I - Introdução. Incerteza. Incerteza. Parte I. Parte II. Parte III.
Roteiro Raciocínio Probabilístico EA072 Inteligência Artificial em Aplicações Industriais Parte I Introdução Parte II Fundamentos da teoria da probabilidade Parte III Redes Parte IV Aprendizado em redes
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 maisRaciocínio Probabilístico
Raciocínio Probabilístico Sumário Representação de conhecimento num domínio incerto Redes de Bayes (redes Bayesianas) Inferência em Redes Bayesianas Redes Bayesianas (Redes de crenças) Bayesian Belief
Leia maisSistemas Inteligentes. Incerteza
Sistemas Inteligentes Incerteza Incerteza Seja a ação A t = sair para o aeroporto t minutos antes do vôo. A t me levará ao aeroporto a tempo? Dificuldades de saber o resultado da ação: Estados parcialmente
Leia maisEstatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aulas passadas Espaço Amostral Álgebra de Eventos Axiomas de Probabilidade Análise Combinatória Aula de hoje Probabilidade Condicional Independência de Eventos
Leia maisAprendizado de Máquina (Machine Learning)
Ciência da Computação Aprendizado de Máquina (Machine Learning) Aula 10 Classificação com Naïve Bayes Max Pereira Raciocínio Probabilístico A notação tradicional para criar e analisar sentenças lógicas
Leia maisEstatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aulas passadas Espaço Amostral Álgebra de Eventos Axiomas de Probabilidade Análise Aula de hoje Probabilidade Condicional Independência de Eventos Teorema
Leia maisAprendizado Bayesiano. Disciplina: Agentes Adaptativos e Cognitivos
Aprendizado Bayesiano Disciplina: Agentes Adaptativos e Cognitivos Conhecimento com Incerteza Exemplo: sistema de diagnóstico odontológico Regra de diagnóstico " p sintoma (p,dor de dente) doença (p,cárie)
Leia maisModelos Evolucionários e Tratamento de Incertezas
Ciência da Computação Modelos Evolucionários e Tratamento de Incertezas Aula 07 Inferência Difusa Sistemas de Controle Difuso Max Pereira Regras difusas SE ENTÃO Antecedente:
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Alessandro L. Koerich Redes Bayesianas Mestrado/Doutorado em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Mestrado/Doutorado em Informática Aprendizagem de Máquina
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 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 maisInteligência Artificial
Universidade Federal de Campina Grande Unidade Acadêmica de Sistemas e Computação Curso de Pós-Graduação em Ciência da Computação Inteligência Artificial Representação do Conhecimento (Parte I) Prof. a
Leia maisSistemas 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 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 maisInteligência Artificial
Universidade Federal de Campina Grande Unidade Acadêmica de Sistemas e Computação Curso de Pós-Graduação em Ciência da Computação Inteligência Artificial Representação do Conhecimento (Parte II) Prof.
Leia maisTeoria dos Grafos Aula 8
Teoria dos Grafos Aula 8 Aula passada Classe de funções e notação Propriedades da notação Funções usuais Aula de hoje Grafos direcionados Busca em grafos direcionados Ordenação topológica Tempo de execução
Leia maisModelagem da incerteza pela Inferência Bayesiana em um Estudo de Caso de Doenças Lombares
Modelagem da incerteza pela Inferência Bayesiana em um Estudo de Caso de Doenças Lombares Edroaldo Lummertz da Rocha 1, Priscyla Waleska Targino de Azevedo Simões 1, Merisandra Côrtes de Mattos 1, Cristian
Leia maisAspectos Computacionais do Desenvolvimento de uma Biblioteca para Desenho de Redes Bayesianas
19 a 21 de mar o de 2010 102 Aspectos Computacionais do Desenvolvimento de uma Biblioteca para Desenho de Redes Bayesianas Thales Lange 1, Raimundo C. G. Teive 1 1 Mestrado em Computação Aplicada Universidade
Leia maisFelipe Leal Valentim
Felipe Leal Valentim ESTUDO E IMPLEMENTAÇÃO DE ALGORITMOS DE INFERÊNCIA E APRENDIZADO EM REDES BAYESIANAS Monografia de graduação apresentada ao Departamento de Ciência da Computação da Universidade Federal
Leia maisAula 6: Entrada e Saída
Aula 6: Entrada e Saída Fernanda Passos Universidade Federal Fluminense Programação de Computadores IV Fernanda Passos (UFF) Entrada e Saída Programação de Computadores IV 1 / 29 Agenda 1 Revisão e Contexto
Leia maisRedes Bayesianas: o que são, para que servem, algoritmos e exemplos de aplicações. Inteligência Artificial Profa.: Inês Dutra Roberto Ligeiro
Redes Bayesianas: o que são, para que servem, algoritmos e exemplos de aplicações. Inteligência Artificial Profa.: Inês Dutra Roberto Ligeiro Resumo Introdução. Raciocinando sobre incertezas. Cálculo de
Leia maisFerramenta para desenvolvimento de Sistemas Inteligentes Baseada em Teorias para Modelagem da Incerteza
Ferramenta para desenvolvimento de Sistemas Inteligentes Baseada em Teorias para Modelagem da Incerteza Edroaldo Lummertz da Rocha 1, Priscyla Waleska Targino de Azevedo Simões 1, Leonardo Assis da Silva
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 maisInteligência Artificial. Conceitos Gerais
Inteligência Artificial Conceitos Gerais Inteligência Artificial - IA IA é um campo de estudo multidisciplinar e interdisciplinar, que se apóia no conhecimento e evolução de outras áreas do conhecimento.
Leia maisInteligência Artificial Prof. Marcos Quinet Pólo Universitário de Rio das Ostras PURO Universidade Federal Fluminense UFF
Inteligência Artificial Prof. Marcos Quinet Pólo Universitário de Rio das Ostras PURO Universidade Federal Fluminense UFF No capítulo anterior... Agentes lógicos; Inferência lógica; Introdução ao PROLOG.
Leia maisMetodologia de inversão
6 Metodologia de inversão Nesta tese, a transformação de velocidades em pressão de poros é encarada como um problema de inversão. Pela natureza do problema, essa transformação apresenta caráter não único
Leia maisIA: Tratamento de Incertezas - Probabilidades
IA: - Probabilidades Professor: Paulo Gurgel Pinheiro MC906A - Inteligência Articial Instituto de Computação Universidade Estadual de Campinas - UNICAMP 14 de Setembro de 2010 1 / 62 http://www.ic.unicamp.br/
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 maisANÁLISE DE DECISÃO. Elementos básicos sobre árvores de decisão e diagramas de influência. Conceitos complementares:
ANÁLISE DE DECISÃO Elementos básicos sobre árvores de decisão e diagramas de influência Mónica Oliveira Ano lectivo 2011/2012 2 Conceitos Diagramas de influência Árvores de decisão Conceitos complementares:
Leia maisDesenvolvimento de uma Abordagem Híbrida Difuso-Probabilística para a Modelagem de Incerteza
Desenvolvimento de uma Abordagem Híbrida Difuso-Probabilística para a Modelagem de Incerteza Carlos Augusto G. Tibiriçá Silvia Modesto Nassar Departamento de Informática e Estatística Universidade Federal
Leia mais2 a Lista de PE Solução
Universidade de Brasília Departamento de Estatística 2 a Lista de PE Solução 1. a Ω {(d 1, d 2, m : d 1, d 2 {1,..., 6}, m {C, K}}, onde C coroa e K cara. b Ω {0, 1, 2,...} c Ω {(c 1, c 2, c 3, c 4 : c
Leia maisLógicas Difusas e Sistemas Difusos
Lógicas Difusas e Sistemas Difusos 1 Semestre de 2015 Cleber Zanchettin UFPE - Universidade Federal de Pernambuco CIn - Centro de Informática 1 Introdução (1/2) O conhecimento humano é muitas vezes incompleto,
Leia maisRoteiro. PCC142 / BCC444 - Mineração de Dados Classicadores Bayesianos. Representação dos Dados. Introdução
Roteiro PCC142 / BCC444 - Mineração de Dados Classicadores Bayesianos Introdução Representação dos Dados Luiz Henrique de Campos Merschmann Departamento de Computação Universidade Federal de Ouro Preto
Leia maisEstatística Aplicada. Árvore de Decisão. Prof. Carlos Alberto Stechhahn PARTE II. Administração. p(a/b) = n(a B)/ n(b)
Estatística Aplicada Administração p(a/b) = n(a B)/ n(b) PARTE II Árvore de Decisão Prof. Carlos Alberto Stechhahn 2014 1. Probabilidade Condicional - Aplicações Considere que desejamos calcular a probabilidade
Leia maisIntrodução. Compiladores Análise Semântica. Introdução. Introdução. Introdução. Introdução 11/3/2008
Compiladores Análise Semântica Fabiano Baldo Análise Semântica é por vezes referenciada como análise sensível ao contexto porque lida com algumas semânticas simples tais como o uso de uma variável somente
Leia maisBCC Introdu c ao ` a Programa c ao Portugol Guillermo C amara-ch avez UFOP 1/35
BCC 201 - Introdução à Programação Portugol Guillermo Cámara-Chávez UFOP 1/35 Introdução I Lógica A lógica é usada no dia a dia das pessoas que trabalham com computação para solucionar problemas de forma
Leia maisAprendizado de Máquina. Conteudo. Terminologia. Notes. Notes. Notes. Notes. Aprendizagem Bayesiana. Luiz Eduardo S. Oliveira
Aprendizado de Máquina Aprendizagem Bayesiana Luiz Eduardo S. Oliveira Universidade Federal do Paraná Departamento de Informática http://lesoliveira.net Luiz S. Oliveira (UFPR) Aprendizado de Máquina 1
Leia maisRedes complexas: como as "coisas" se conectam
Prof. Antonio Augusto (Guto) IC/UFF arocha@ic.uff.br Áreas de Atuação: Redes de Computadores e Segurança de Dados Área de Interesse: Qualquer tópico interessante e desafiador! Redes complexas: como as
Leia maisInferência Causal. Segundo Semestre de 2018 / Professores: Augusto C. Souza; Ângela M. Coelho
Inferência Causal Segundo Semestre de 2018 / Professores: Augusto C. Souza; Ângela M. Coelho Os Efeitos de Intervenções Introdução O objetivo final de muitos estudos estatísticos é prever os efeitos das
Leia maisTópicos Especiais em Otimização
Tópicos Especiais em Otimização ivo.junior@ufjf.edu.br Juiz de Fora, 05 de Maio de 2016 Introdução Qual a diferença entre inteligência: ARTIFICIAL E COMPUTACIONAL? ARTIFICIAL: É a ciência que tenta compreender
Leia maisPlanificação Anual 11º Ano Matemática Aplicada às Ciências Sociais
ESCOLA SECUNDÁRIA/3 RAINHA SANTA ISABEL 402643 ESTREMOZ Planificação Anual 11º Ano Matemática Aplicada às Ciências Sociais Ano letivo 2018 / 2019 PERÍODO Nº de PREVISTAS 1º 72 2º 72 3º 36 Total: 180 1º
Leia maisAnálise Decisional: integridade e validação Por: Lionel Morgado Susana Silva
Análise Decisional: integridade e validação Por: Lionel Morgado Susana Silva Algoritmos de Diagnóstico e de Auto-Regulação FCTUC 07-08 1 DIAGNÓSTICO DIAGNÓSTICO - em Medicina é o processo analítico de
Leia maisAprendizagem por treinamento de redes de aproximação
Aprendizagem por treinamento de redes de Marco H. Terra Departamento de Eng. Elétrica - EESC - USP SEL 0362 - Inteligência Artificial 1 Introdução Neste capítulo, serão apresentados conceitos sobre redes
Leia maisConceitos básicos de teoria da probabilidade
Conceitos básicos de teoria da probabilidade Experimento Aleatório: procedimento que, ao ser repetido sob as mesmas condições, pode fornecer resultados diferentes Exemplos:. Resultado no lançamento de
Leia maisAMBIENTE DE AUXÍLIO E VERIFICAÇÃO DO APRENDIZADO. Márcia Häfele Islabão. Marcília Andrade Campos, Patrícia Cabral de Azevedo Restelli Tedesco,
AMBIENTE DE AUXÍLIO E VERIFICAÇÃO DO APRENDIZADO Márcia Häfele Islabão Instituto de Informática Universidade Federal do Rio Grande do Sul (UFRGS) Caixa Postal 15064 91501-970 - Porto Alegre RS Brasil mhislabao@inf.ufrgs.br
Leia maisIntrodução a Probabilidade
Introdução a Probabilidade Universidade Estadual de Santa Cruz Ivan Bezerra Allaman Cronograma 1. Origem e história 2. Introdução 3. Definições básicas 4. Conceituação de probabilidade 5. Probabilidade
Leia maisCálculo Numérico Noções básicas sobre erros
Cálculo Numérico Noções básicas sobre erros Profa. Vanessa Rolnik 1º semestre 2015 Fases da resolução de problemas através de métodos numéricos Problema real Levantamento de Dados Construção do modelo
Leia maisUniversidade Federal do ABC Rua Santa Adélia, Bairro Bangu - Santo André - SP - Brasil CEP Telefone/Fax:
Universidade Federal do ABC Rua Santa Adélia, 166 - Bairro Bangu - Santo André - SP - Brasil CEP 09.210-170 - Telefone/Fax: +55 11 4996-3166 1. CÓDIGO E NOME DA DISCIPLINA MC3311 - Inteligência Artificial
Leia maisExemplos de Aplicações da Teoria das Probabilidades em Biologia. Qual a probabilidade de que o próximo nucleotídeo na seqüência seja A, C, G ou T?
Exemplos de Aplicações da Teoria das Probabilidades em Biologia Exemplo 1. Suponha que se conheça a seguinte seqüência de nucleotídeos em uma molécula de DNA: AGCTTCCGATCCGCTATAATCGTTAGTTGTTACACCTCTG Qual
Leia maisCLASSIFICADORES BAEYSIANOS
CLASSIFICADORES BAEYSIANOS Teorema de Bayes 2 Frequentemente, uma informação é apresentada na forma de probabilidade condicional Probabilidade de um evento ocorrer dada uma condição Probabilidade de um
Leia maisConhecimento e Raciocínio Agente Lógicos Capítulo 7. Leliane Nunes de Barros
Conhecimento e Raciocínio Agente Lógicos Capítulo 7 Leliane Nunes de Barros leliane@ime.usp.br Agentes Lógicos Agentes que podem formar representações do mundo, usar um processo de inferência para derivar
Leia mais2 Lógica Fuzzy. 2 Lógica Fuzzy. Sintaxe da linguagem
2 Lógica Fuzzy 2.1 Cálculo proposicional (lógica proposicional) 2.2 Lógica de Predicados 2.3 Lógica de múltiplos valores 2.4 Lógica Fuzzy Proposições fuzzy Inferência a partir de proposições fuzzy condicionais
Leia maisRepresentação de Conhecimento
Representação de Conhecimento Profa. Josiane M. P. Ferreira David Poole, Alan Mackworth e Randy Goebel - Computational Intelligence A logical approach - cap. 5 agosto/2008 1 Problemas e soluções Tipicamente
Leia maisModelos Bayesianos. Ernesto F. L. Amaral Magna M. Inácio
1 Modelos Bayesianos Ernesto F. L. Amaral Magna M. Inácio 09 de dezembro de 2010 Tópicos Especiais em Teoria e Análise Política: Problema de Desenho e Análise Empírica (DCP 859B4) Objetivos 2 Apresentar
Leia maisParadigma Simbólico. Sistemas de Informação UNISUL Aran Bey Tcholakian Morales, Dr. Eng. (Apostila 2)
Paradigma Simbólico Sistemas de Informação UNISUL Aran Bey Tcholakian Morales, Dr. Eng. (Apostila 2) Revisão da aula anterior: definição de IA Podemos associar o termo IA com: Parte da ciência da computação
Leia maisIA: Inteligência Artificial
UNIFEI Os Sistemas Especialistas DENDRAL ~ 1960 EME006 - Automação Industrial IA: Inteligência Artificial Aula 12 Prof. José Hamilton Chaves Gorgulho Júnior Edward Feigenbaum 1936 - Joshua Lederberg 1925-2008
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 maisConhecimento Incerto Decisões Sobre Incerteza
Conhecimento Incerto Decisões Sobre Incerteza Profa. Josiane M. P. Ferreira Texto base: David Poole, Alan Mackworth e Randy Goebel - Computational Intelligence A logical approach cap 10. Stuart Russel
Leia maisGrafos - Introdução. Pedro Ribeiro 2014/2015 DCC/FCUP. Pedro Ribeiro (DCC/FCUP) Grafos - Introdução 2014/ / 32
Grafos - Introdução Pedro Ribeiro DCC/FCUP 2014/2015 Pedro Ribeiro (DCC/FCUP) Grafos - Introdução 2014/2015 1 / 32 Conceito Definição de Grafo Formalmente, um grafo é: Um conjunto de nós/vértices (V).
Leia maisInteligência Artificial
Inteligência Artificial Sistemas Especialistas Raciocínio e Mecanismos de Inferência Arquitetura de um SE típico Interface com o Usuário: Perguntas e respostas; Linguagem natural Editor da Base de Conhecimento
Leia maisMétodos para a construção de algoritmo
Métodos para a construção de algoritmo Compreender o problema Identificar os dados de entrada e objetos desse cenário-problema Definir o processamento Identificar/definir os dados de saída Construir o
Leia maisSistemas Especialistas. Sistemas de Informação/Ciências da Computação UNISUL Aran Bey Tcholakian Morales, Dr. Eng. (Apostila 6)
Sistemas Especialistas Sistemas de Informação/Ciências da Computação UNISUL Aran Bey Tcholakian Morales, Dr. Eng. (Apostila 6) Sistemas Baseados em Conhecimento Os Sistemas Especialistas (SE) e os Sistemas
Leia maisFunções de Correlação. Com isso, nossa amplitude de transição fica em uma forma bastante reveladora: Paremos aqui um momento para notar duas coisas:
Teoria Quântica de Campos II 13 ( eq. 13.1 ) Com isso, nossa amplitude de transição fica em uma forma bastante reveladora: ( eq. 13.2 ) Paremos aqui um momento para notar duas coisas: (1) As equações 10.1
Leia maisAnálise Bayesiana de Dados - Aula 1 -
Análise Bayesiana de Dados - Aula 1 - Márcia D Elia Branco Universidade de São Paulo Instituto de Matemática e Estatística www.ime.usp.br/ mbranco - sala 295-A - Paradigmas Bayesiano Introdução Fazer inferência
Leia maisPós-Graduação em Engenharia de Automação Industrial SISTEMAS INTELIGENTES PARA AUTOMAÇÃO
Pós-Graduação em Engenharia de Automação Industrial SISTEMAS INTELIGENTES PARA AUTOMAÇÃO AULA 06 Algoritmos Genéticos Sumário Introdução Inteligência Artificial (IA) Algoritmos Genéticos Aplicações de
Leia maisVETORES Motivação AULA 19
AULA 19 VETORES 19.1 Motivação Considere o problema de calcular a média aritmética das notas de 5 alunos de uma disciplina e determinar e escrever o número de alunos que obtiveram nota superior à média
Leia mais2 Conceitos básicos de topologia
2 Conceitos básicos de topologia Neste Capítulo são introduzidos alguns conceitos básicos de topologia combinatória e da Teoria das Alças que formam a base teórica do presente trabalho. 2.1 Topologia combinatória
Leia maisFigura: Capa do Livro Russell, S., Norvig, P. Artificial Intelligence A Modern Approach, Prentice-Hall.
Figura: Capa do Livro Russell, S., Norvig, P. Artificial Intelligence A Modern Approach, Prentice-Hall. Universidade Federal de Campina Grande Departamento de Sistemas e Computação Curso de Bacharelado
Leia maisEstatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aula passada Probabilidade Análise Combinatória Independência de eventos Aula de hoje Independência de eventos Prob. Condicional Teorema da Probabilidade
Leia maisUniversidade Federal de Ouro Preto. Probabilidade e avaliação de testes diagnósticos
Universidade Federal de Ouro Preto Professor: Ricardo Tavares 1. Introdução Probabilidade e avaliação de testes diagnósticos Uma das experiências mais rotineiras da prática médica é a solicitação de um
Leia maisI-maps. Renato Assunção DCC - UFMG
I-maps Renato Assunção DCC - UFMG Modelo gráfico para P Um foco deste curso: obter um grafo G que represente as propriedades estruturais de independência condicional entre as variáveis. Perguntas: quando
Leia maisDécimo Quinto Encontro Regional Ibero-americano do CIGRÉ Foz do Iguaçu-PR, Brasil 19 a 23 de maio de 2013
UMA ABORDAGEM BAYESIANA PARA GESTÃO DA MANUTENÇÃO DE EQUIPAMENTOS DE GERAÇÃO DE ENERGIA ELÉTRICA R. C. G. Teive* C. C. de B. Camargo* E. T. Sica** J. Coelho*** T. Lange**** M. V. Santana***** * Fundação
Leia maisNotas de Aula. Estatística Elementar. by Mario F. Triola. Tradução: Denis Santos
Notas de Aula Estatística Elementar 10ª Edição by Mario F. Triola Tradução: Denis Santos Slide 1 4-1 Visão Geral 4-2 Fundamentos 4-3 Regra da Adição Capítulo 4 Probabilidade 4-4 Regra da Multiplicação:
Leia maisInferência Bayesiana - Aula 1 -
Inferência Bayesiana - Aula 1 - Márcia D Elia Branco Universidade de São Paulo Instituto de Matemática e Estatística www.ime.usp.br/ mbranco - sala 295-A - Paradigmas Bayesiano Introdução Fazer inferência
Leia maisParadigmas de Linguagens de Programação. Linguagens de Programação Lógicas
Linguagens de Programação Lógicas Cristiano Lehrer Introdução Uma metodologia de programação diferente. Expressar programas na forma de lógica simbólica e a utilização de inferência lógica para produzir
Leia maisEstatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aula passada Exemplos Análise Combinatória Probabilidade Condicional Independência de Eventos Teorema da Probabilidade Total Lei de Bayes Aula de hoje Exemplo
Leia maisPCS Inteligência Artificial
ESCOLA POLITÉCNICA DA UNIVERSIDADE DE SÃO PAULO Departamento de Engenharia de Computação e Sistemas Digitais PCS - 2059 Inteligência Artificial Prof. Jaime Simão Sichman 2 a. Lista de Exercícios Planejamento
Leia maisFatores motivadores para funcionários públicos e privados
Fatores motivadores para funcionários públicos e privados Gilberto Corrêa de Souza, Especialista em TW 1 gilberto@inf.ufsc.br Marcelo Buscioli Tenório, Bacharel em CC 2 tenório.marcelo@bol.com.br Silvia
Leia maisINF 1771 Inteligência Artificial
INF 1771 Inteligência Artificial Aula 07 Agentes Lógicos Edirlei Soares de Lima Introdução Humanos possuem conhecimento e raciocinam sobre este conhecimento. Exemplo: João jogou
Leia maisFundamentos de Inteligência Artificial [5COP099]
Fundamentos de Inteligência Artificial [5COP099] Dr. Sylvio Barbon Junior Departamento de Computação - UEL Disciplina Anual Assunto Aula 1 Fundamentos de Inteligência Artificial 2 de 18 Sumário Introdução
Leia maisLEANDRO ALVES DE SOUZA APLICAÇÃO DE REDES BAYESIANAS A DOIS PROBLEMAS ATUAIS
LEANDRO ALVES DE SOUZA APLICAÇÃO DE REDES BAYESIANAS A DOIS PROBLEMAS ATUAIS Monografia de Graduação apresentada ao Departamento de Ciência da Computação da Universidade Federal de Lavras como parte das
Leia mais