《课件浙江大学研究生人工智能引论课件》由会员分享,可在线阅读,更多相关《课件浙江大学研究生人工智能引论课件(46页珍藏版)》请在金锄头文库上搜索。
1、浙江大学研究生人工智能引论课件浙江大学研究生人工智能引论课件徐从富徐从富(Congfu Xu) PhD, Associate Professor Email: Institute of Artificial Intelligence, College of Computer Science, Zhejiang University, Hangzhou 310027, P.R. ChinaSeptember 11, 2005第一稿第一稿Oct. 8, 2006第二次修改稿第二次修改稿第七讲 贝叶斯网络初步(Chapter7 Bayesian Networks )挽邀闺页签衍拐闲染怒飞暴昌孽异舀锅
2、肘落绒兴逻擎预丁奉火私舞苑稽疥课件浙江大学研究生人工智能引论课件课件浙江大学研究生人工智能引论课件内容提纲内容提纲n何谓贝叶斯网络?n贝叶斯网络的语义n条件分布的有效表达n贝叶斯网络中的精确推理n贝叶斯网络中的近似推理n课后习题、编程实现及研读论文骑腰筏酵良午蓑洱括炬钎彭瞄湖矢赤帝磅形俏巧豁决浸雕枯筑尚迹萌卫胁课件浙江大学研究生人工智能引论课件课件浙江大学研究生人工智能引论课件7.1 何谓贝叶斯网络?何谓贝叶斯网络?A.贝叶斯网络的由来B.贝叶斯网络的定义C.贝叶斯网络的别名D.独立和条件独立E.贝叶斯网络示例“Above all else, guard your heart, for it
3、is the wellspring of life.” from Proverbs 4:23 NIV釜铅液而皿懂武林梁译疑摊孜褥装谈醛呛己雕怂订严妥区滋芒诫渴擦事战课件浙江大学研究生人工智能引论课件课件浙江大学研究生人工智能引论课件A.贝叶斯网络的由来贝叶斯网络的由来 n全联合概率计算复杂性十分巨大n朴素贝叶斯太过简单n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n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虚郧似配顷科一蜀华蛙拐粉牺稀惮岛绚睡矮充别裁勉瞅沪辈煽掣腔殊扔撬课件浙江大学研究生人工智能引论课件课件浙江大学研究生人工智能引论课件B. 贝叶斯网络的
4、定义贝叶斯网络的定义 n是一个有向无环图(DAG)n随机变量集组成网络节点,变量可离散或连续n一个连接节点对的有向边或箭头集合n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烯黍辰仪瘩橡硕茂昭仓隧毒路壬郸霸堤陪侠朋涎摸捅晓股感劲引章礼巳害课件浙江大学研究生人工智能引论课件课件浙江大学研究生人工智能引论课件C. 贝叶斯网络的别名贝叶斯网络的别名 n信念网(Belief Network)n概率网络(Probability Network)n因果网络(Causal Network)n知识图(Knowledge Map)n图模
5、型(Graphical Model)或概率图模型(PGM)n决策网络(Decision Network)n影响图(Influence Diagram)逊痰穗沮妆席桨腔论枫已番仍紊蔗仿谷段伦妓藏虐糕疏维困怪妇必券傍思课件浙江大学研究生人工智能引论课件课件浙江大学研究生人工智能引论课件D. 独立和条件独立独立和条件独立WeatherCavityCatchToothachen Weather和其它3个变量相互独立n 给定Cavity后,Toothache和Catch条件独立兹怎蔼洋肩晒祝遇印熟滑滇葛硫之廉远蛾乡芜灰臀怔舰蒜孩后膀级税墅员课件浙江大学研究生人工智能引论课件课件浙江大学研究生人工智能引论
6、课件E. 贝叶斯网络示例贝叶斯网络示例BurglaryEarthquakeMaryCallsJohnCallsAlarm B EP(A) t t t f f t f f0.950.940.290.001 AP(J) t f0.900.05 AP(M) t f0.700.01P(B) 0.001P(E) 0.002枷捐椰诞哈溺枯喂纳逗尤遥附抡操袄戎渡侵蹲片魏亢绵律傻宪霍瓤耪手侈课件浙江大学研究生人工智能引论课件课件浙江大学研究生人工智能引论课件7.2 贝叶斯网络的语义贝叶斯网络的语义n贝叶斯网络的两种含义贝叶斯网络的两种含义n对联合概率分布的表示 构造网络n对条件依赖性语句集合的编码 设计推理过
7、程n贝叶斯网络的语义贝叶斯网络的语义P(x1,., xn) = P(x1|parent(x1) . P(xn|parent(xn)森蓬妊寻埃扰妙丹增台产妊丈棋缕澄嘿搪豆鸿阁粉题舞帝香邢酷模冶宅藤课件浙江大学研究生人工智能引论课件课件浙江大学研究生人工智能引论课件贝叶斯网络的语义公式计算示例:贝叶斯网络的语义公式计算示例: n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。n解: P(j,m,a,b,e) = P(j|a)P(m|a)P(a|b,e) P(b) P(e) = 0.90.70.0010.9990.998 = 0.00062 = 0.0
8、62%斋呆酬舆墅也牺细薯秋膳赎袱循卡些蹲粟求事瞳柴瘸匝观漠朋钟晾师真蛔课件浙江大学研究生人工智能引论课件课件浙江大学研究生人工智能引论课件贝叶斯网络的特性:贝叶斯网络的特性: n作为对域的一种完备而无冗余的表示,贝叶斯网络比全联合概率分布紧凑得多nBN的紧凑性是局部结构化局部结构化(Locally structured, 也称稀疏稀疏, Sparse)系统一个非常普遍特性的实例nBN中每个节点只与数量有限的其它节点发生直接的直接的相互作用n假设节点数n=30, 每节点有5个父节点,则BN需30x25=960个数据,而全联合概率分布需要230= 10亿个!庄挫戮竖回惕授戍须耻蛛琵换谢柏轧鲍淮滇腐
9、吴沾砸耿授悟盟坛森懦呐这课件浙江大学研究生人工智能引论课件课件浙江大学研究生人工智能引论课件贝叶斯网络的构造原则:贝叶斯网络的构造原则: n首先,添加“根本原因根本原因”节点n然后,加入受它们直接影响的变量直接影响的变量n依次类推,直到叶节点叶节点,即对其它变量没有直接因果影响的节点n两节点间的有向边的取舍原则:更高精度概率的重要性与指定额外信息的代价的折衷n“因果模型”比“诊断模型”需要更少的数据,且这些数据也更容易得到输逃剿犀区腋依茬彪惹靴呢括恰丁赡畏糯锈说熊徽鞘郊查躲涎役腑捶谊肿课件浙江大学研究生人工智能引论课件课件浙江大学研究生人工智能引论课件贝叶斯网络中的条件独立关系:贝叶斯网络中的
10、条件独立关系: n给定父节点,一个节点与它的非后代节点非后代节点是条件独立的n给定一个节点的父节点、子节点以及子节点的父节点马尔可夫覆盖马尔可夫覆盖(Markov blanket),这个节点和网络中的所有其它节点是条件独立的“But his delight is in the law of the LORD, and on his law he meditates day and night.” From Psalms 1:2 NIV幌泌旭绽磁却晰包图张样欠况纵鞘荆抒哗咒玫杨扰赞腋疮弥阎土痈辊夜芜课件浙江大学研究生人工智能引论课件课件浙江大学研究生人工智能引论课件U1UmXZ1jZnjY1Yn
11、【说明】:给定节点X的父节点U1. Um,节点X与它的非后代节点(即Zij)是条件独立的。敝纽索埃绣疲酱藉茬迫贞藩佐枫秘局铲玖措浅低维般搬匝勋汤谈可虫途哦课件浙江大学研究生人工智能引论课件课件浙江大学研究生人工智能引论课件U1UmXZ1jZnjY1Yn【说明】:给定马尔可夫覆盖(两圆圈之间的区域),节点X和网络中所有其它节点都是条件独立的。军峙引裙堵煌唉澈招宵畏义躬这田嘛沼韦哇样宰樟哺估卷卸耪颅炊惰宾爬课件浙江大学研究生人工智能引论课件课件浙江大学研究生人工智能引论课件7.3 条件概率分布的有效表达条件概率分布的有效表达 Cold Flu MalariaP(Fever)P(Fever) F F
12、 F F F T F T F F T T T F F T F T T T F T T T0.00.90.80.980.40.940.880.9881.00.10.20.02 = 0.2 X 0.10.60.06 = 0.6 X 0.10.12 = 0.6 X 0.20.012 = 0.6 X 0.2 X 0.1已知:P(fever | cold, flu, malaria) = 0.6 P(fever | cold, flu, malaria) = 0.2 P(fever | cold, flu, malaria) = 0.1,可利用“噪声或噪声或”(Noisy-OR)关系得到下表:店俺疾孰档
13、逞巾叮道澡凄苹券陡岗俐淹甜朵弗咒捉咸篙奋遮蜒巴规钳鼻怯课件浙江大学研究生人工智能引论课件课件浙江大学研究生人工智能引论课件包含连续变量的贝叶斯网络包含连续变量的贝叶斯网络Hybrid BNSubsidyHarvestBuysCost S HP(C) t h f h高斯分布高斯分布高斯分布高斯分布 CP(B) c S型函数型函数P(S) xP(H) 高斯分布高斯分布离散随机变量:离散随机变量:Subsidy, Buys; 连续随机变量:连续随机变量:Harvest, Cost.铀盼激啪署脖灰她亿锦案寄槽昭搂浴辟沦嚏本恍漆媒阎票尤戚杰弹泪储屹课件浙江大学研究生人工智能引论课件课件浙江大学研究生人工
14、智能引论课件线性高斯分布:nP(c | h, subsidy) = N(ath + bt, t2)(c) = 1/ (t21/2) e 1/2c-(ath + bt)/tnP(c | h, subsidy) = N(afh + bf, f2)(c) = 1/ (f21/2) e 1/2c-(afh + bf)/t S型函数(Sigmoid function)np(buys | Cost = c) = 1 / 1 + exp-2(-u+)/ 饿培蛋喊叠辞黑枷希甫傅呜戊域胳防鸟征枝辽熟疚增年粗戚刁殆碟钥黄挚课件浙江大学研究生人工智能引论课件课件浙江大学研究生人工智能引论课件7.4 贝叶斯网络中的精
15、确推理贝叶斯网络中的精确推理变量分类:n证据变量集E 特定事件e, n查询变量Xn非证据变量集 Y隐变量(Hidden variable)n全部变量的集合U = x E Y新宴宜绒椅九术舅峪贿镣辅木掀谈页字踢植暑哺易弗湘葵距垃狭堕拐沙遮课件浙江大学研究生人工智能引论课件课件浙江大学研究生人工智能引论课件(1)通过枚举进行推理)通过枚举进行推理BurglaryEarthquakeMaryCallsJohnCallsAlarm B EP(A) t t t f f t f f0.950.940.290.001 AP(J) t f0.900.05 AP(M) t f0.700.01P(B) 0.001
16、P(E) 0.002劝骏封免惶瘸熔姨摩拌硬误心某摘否脊证舒柒眠葵呢鸵雨必繁蜕啃轨坊尾课件浙江大学研究生人工智能引论课件课件浙江大学研究生人工智能引论课件n已知,一个事件e = JohnCalls = true, and MaryCalls = true,试问出现盗贼的概率是多少? n解:解:P(X|e) = P(X,e) = yP(X,e,y) 而P(X,e,y)可写成条件概率乘积的形式。 因此,在贝叶斯网络中可通过计算条件概率的乘积并求和来回答查询。 P(Burgary | JohnCalls = true, MaryCalls = true)简写为: P(B | j, m) = P(B,
17、j, m) = eaP(B, e, a, j, m) = ea P(b)P(e)P(a|b,e)P(j|a)P(m|a) = P(b) e P(e) a P(a|b,e)P(j|a)P(m|a)荤恿曙祥镁坏享径升及藏虱囊砂蔫牟缘髓伺姚赘瞅友韶耽洞自碘茶协粉烘课件浙江大学研究生人工智能引论课件课件浙江大学研究生人工智能引论课件+P(b)0.01P(e)0.002P(e)0.998P(a|b,e)0.95P(a|b,e)0.05P(a|b,e)0.94P(a|b,e)0.06P(m|a)0.70P(j|a)0.90P(j|a)0.05P(j|a)0.90P(j|a)0.05P(m|a)0.70P(
18、m|a)0.01P(m|a)0.01P(b | j, m)的自顶向下的计算过程些恢促欧捶冯撵埂应毕燃咐楚所棋衣桌岔辅乱明虫览泛念巩情笛欲铆载逝课件浙江大学研究生人工智能引论课件课件浙江大学研究生人工智能引论课件nP(B | j, m) = P(B, j, m) = eaP(B, e, a, j, m)= ea P(b)P(e)P(a|b,e)P(j|a)P(m|a)= P(b) e P(e) a P(a|b,e)P(j|a)P(m|a)= 0.0010.002(0.950.90.7 + 0.050.05 0.01) + 0.998 (0.94 0.9 0.7+0.06 0.05 0.01) =
19、 0.00059224宽袭腿享窍搬竿砧先犁缅蔚赣展强弱光矩钮莫笔弄嗡记变较而赞沧沾醚腹课件浙江大学研究生人工智能引论课件课件浙江大学研究生人工智能引论课件+P(b)0.999P(e)0.002P(e)0.998P(a|b,e)0.29P(a|b,e)0.71P(a|b,e)0.001P(a|b,e)0.999P(m|a)0.70P(j|a)0.90P(j|a)0.05P(j|a)0.90P(j|a)0.05P(m|a)0.70P(m|a)0.01P(m|a)0.01P(b | j, m)的自顶向下的计算过程荧裂戳圭跃胎愤麻挂贵赚涂香批淳妊够皋半会米邱蛤缕窗做豢虹揩颓泻韶课件浙江大学研究生人工智
20、能引论课件课件浙江大学研究生人工智能引论课件nP(B | j, m) = P(B, j, m) = eaP(B, e, a, j, m)= ea P(b)P(e)P(a|b,e)P(j|a)P(m|a)= P(b) e P(e) a P(a|b,e)P(j|a)P(m|a)= 0.9990.002(0.290.90.7 + 0.710.05 0.01) + 0.998 (0.001 0.9 0.7+0.999 0.05 0.01) = 0.0014919因此,P(B|j, m) = 即在John和Mary都打电话的条件下,出现盗贼的概率约为28%。滩絮领紊褂壳朋傣弓漾捷铬疤货掺拥铡叮仓志涝丸振
21、感绊多玲害主狱鸟玖课件浙江大学研究生人工智能引论课件课件浙江大学研究生人工智能引论课件【课后习题1】国家政策国家政策(C)学校政策学校政策(U)身体状况身体状况差(差(B)过劳死过劳死(D)工作压力工作压力大(大(W) W BP(A) t t t f f t f f0.3350.300.050.00 UP(W) t f0.900.05 CP(U) t f0.950.01P(C) 0.50 UP(B) t f0.300.01拾乱台疫芬抨酝织龟痈檀瞎酮箔她险放抽库哮中闽滴迪宙玩肢伤康羡板撞课件浙江大学研究生人工智能引论课件课件浙江大学研究生人工智能引论课件n已知:一个事件e = 学校政策学校政策U
22、 = true, and 工工作压力大作压力大 = true,n请根据上述枚举法计算出现过劳死的概率。(2)变量消元算法)变量消元算法n消除重复计算,提高枚举算法的效率 n保存中间结果,以备多次使用n从右到左(在树结构中为自底向上)的次序计算BN的计算公式n算法过程:参见人工智能:一种现代方法中的第14章14.4.2节妄且境卧柞坏腆垂终幅害千屋堪辕远募矾盂佃植廷星拖秤侍扭粥恳五腺绅课件浙江大学研究生人工智能引论课件课件浙江大学研究生人工智能引论课件(3)Clustering算法(算法(Joint Tree算法)算法)n单独节点联合起来形成Cluster节点,使得BN结构成为一棵多树多树(Pol
23、ytree)n多树单连通网络单连通网络,即任何两节点间至多只有一条路径相连 n概率推理包含命题逻辑推理作为其特殊情况,故BN的推理是一个NP问题问题n在多连通的BN结构中,及时每个节点的父节点个数有固定的界限,在最坏的情况下,变量消元算法仍可能具有指数级时间和空间复杂度抱松他纠寥拽贾毫怎材盟送窖蚊移置捧足叹檄读鲍掺撅喝絮藕咀康巢羹茫课件浙江大学研究生人工智能引论课件课件浙江大学研究生人工智能引论课件多连通网络及其CPT:CloudyRainWetGrassSprinkler S RP(W) t t t f f t f f0.990.900.900.00 CP(S) t f0.100.50P(C
24、) 0.50 CP(R) t f0.800.20纶徘切韶带府林浪恩瓷千押徘鞠岗员隐仕均硅隙腺驳奠熊奔鹰疗细冶惮鞠课件浙江大学研究生人工智能引论课件课件浙江大学研究生人工智能引论课件等价的联合树及其CPT:CloudySpr+RainWetGrass S + RP(W) t t t f f t f f0.990.900.900.00P(C) 0.50 CP(S+R = x) t t t f f t f f t f.08 .02 .72 .18.10 .40 .10 .40挨簧喳炒肆陕悍缚赫素擒活乒霜厂揉医牵珍羽蓬仍扩涤庇宰陵悦嗡疫箕蒂课件浙江大学研究生人工智能引论课件课件浙江大学研究生人工智能引
25、论课件7.5 贝叶斯网络的近似推理贝叶斯网络的近似推理n大规模多连通大规模多连通BN的精确推理是不可操作的,的精确推理是不可操作的, 必须通过近似推理来解决。必须通过近似推理来解决。n后验概率计算的主要采样方法后验概率计算的主要采样方法n直接采样方法n马尔可夫链蒙特卡罗(马尔可夫链蒙特卡罗(MCMC)方法)方法n变分法(Variational method)n环传播(Loopy propagation)方法望命刹坑蜀辫板捞诞灿钉龚康晃讯圃恕兴钳玉的宰童舰鼻女肇玲倘巧增怂课件浙江大学研究生人工智能引论课件课件浙江大学研究生人工智能引论课件 直接采样方法:直接采样方法:n直接采样算法n拒绝采样(R
26、ejection sampling)算法n似然加权(Likelihood weighting)算法上述方法的详细步骤请参见:n人工智能:一种现代方法第14章14.5.1节nBerkeley大学Russell等人制作的PPT http:/aima.cs.berkeley.edu/幌并喳尹勾筷颠蕉夜辽巳泉骗贪仆辗颂环忱穿耪愉愤痞陈妻酶悟欲陵光篱课件浙江大学研究生人工智能引论课件课件浙江大学研究生人工智能引论课件马尔可夫链蒙特卡罗(马尔可夫链蒙特卡罗(MCMC)算法思想)算法思想:n对前一个事件进行随机改变而生成事件样本nBN为每个变量指定了一个特定的当前状态n下一个状态是通过对某个非证据变量Xi进
27、行采样来产生,取决于Xi的马尔可夫覆盖中的变量当前值nMCMC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。函尺惊涤读赢啮怎七车约紊倘粳涌扬惮沥契它涪沫沮近苍缸瘸尹肋助停暑课件浙江大学研究生人工智能引论课件课件浙江大学研究生人工智能引论课件 MCMC算法执行过程示例:算法执行过程示例:CloudyRainWetGrassSprinkler S RP(W) t t t f f t f f0.990.900.900.00 CP(S) t f0.100.50P(C) 0.50 CP(R) t f0.800.20【要求】:查询【要求】:查询P(Ra
28、in | Sprinkler = true, WetGrass = true)的概率的概率忙啄买竭肢棒羡博撑怖春国和甚真贡距山腮某冈认伏烽球衣志潭靴谍股头课件浙江大学研究生人工智能引论课件课件浙江大学研究生人工智能引论课件 MCMC算法执行步骤:算法执行步骤:n证据变量证据变量Sprinkler, WetGrass固定为truen隐变量隐变量Cloudy和查询变量查询变量Rain随机初始化,例如, Cloudy = true, Rain = false,初始状态为:C=true, S=true, R=false, W=truen反复执行如下步骤: (1) 根据Cloudy的马尔可夫覆盖(MB)
29、变量的当前值,对Cloudy采样,即根据P(Cloudy|Sprinkler= true, Rain=false)(即转移概率)来采样。即:P(C|S, R) = P(C,S,R) / P(S, R) = P(C)P(S|C)P(R|C) / P(C)P(S|C)P(R|C)+P(C)P(S|C)P(R|C) =(0.50.10.2) / 0.50.10.2+0.5 0.50.8=0.04762语奴族铆域嫡叔渭获姬因弗智轮弦珠忻嚷璃项挎锚钒篇获堂颠劲任蹲祸搅课件浙江大学研究生人工智能引论课件课件浙江大学研究生人工智能引论课件 再由计算机生成一个随机数q0,1(可参照概率统计中的随机数生成方法)
30、。比较转移概率值与随机数q的大小,以决定是继续停留在原状态,还是转移到下一个新的状态。判别方法如下: if q q=0.0389,所以,Cloudy由true状态转移到新状态false,即采样结果为:Cloudy = false。故新的当前状态为: C=false, S=true, R=false, W=true肤翻搂馆遍字挝莎卒佣皑损头遗妙飘克苛匠贬蛇世芝肃诲紫营湿妨看格兜课件浙江大学研究生人工智能引论课件课件浙江大学研究生人工智能引论课件 (2) 根据Rain节点的马尔可夫覆盖(MB)变量的当前值,对Rain采样,即根据P(Rain | Cloudy = false, Sprinkler
31、= true, WetGrass = true)来采样。假设采样结果为:Rain = true。故新的当前状态为: C=false, S=true, R=true, W=true【注】: 上述过程中所访问的每一个状态都是一个样本,能对查询变量Rain的估计有贡献。 (3)重复上述步骤,直到所要求的访问次数N。若为true, false的次数分别为n1, n2,则查询解为:Normalize() = 若上述过程访问了20个Rain=true的状态和60个Rain = false的状态,则所求查询的解为。月途雌汛澄尸开译夷基沿莎渍旺猿奈拉奉婪罪拔惠追裳让枉膳木特家属俭课件浙江大学研究生人工智能引论
32、课件课件浙江大学研究生人工智能引论课件CloudyRainSprinklerWetGrassRainCloudyCloudyRainCloudyRainSprinklerSprinklerSprinklerWetGrassWetGrassWetGrass植谈预沮颗绽弧舵值接沦尧润搭运脯啡遂琶蓉撰欧虏便磷扑畦烂姐桑栽所课件浙江大学研究生人工智能引论课件课件浙江大学研究生人工智能引论课件马尔可夫链蒙特卡罗(马尔可夫链蒙特卡罗(MCMC)算法描述:)算法描述: function MCMC-Ask(X, e, bn, N) return P(X | e) local variables: NX, /关
33、于查询变量X的向量计数,初值0 Z,/bn中的非证据变量集 x, / bn的当前状态 利用Z中变量的随机值来初始化x; for j = 1 to N do N(x) N(x) + 1; /x是当前状态x中的查询变量X的值 for each Zi in Z do 给出Zi的马尔可夫覆盖MB(Zi),并根据P(Zi |mb(Zi) 来采样的Zi值; return Normalize(NX) /对NX进行归一化俄厄铰纲如帕糙粕移苛予粕熬马妥仕磷曹悲卡钧秧甫诲洞堆读睬轰尧悠尧课件浙江大学研究生人工智能引论课件课件浙江大学研究生人工智能引论课件关于关于MCMC算法的补充说明:算法的补充说明:nMCMC方
34、法的一种常用的简单变体为: 吉布斯采样器吉布斯采样器(Gibbs sampler)【注】:上述算法实质上就是吉布斯采样器。nMCMC是概率模型计算中的一种强有力的方法,目前已发展出很多变形,包括: (1)模拟退火算法 (2)随机可满足性(Stochastic satisfiability)算法畅晕坯棱熬左早耕版室蜡花呸拷幻符筹同奠贩型蔑经眯孽桩屠萨橡拄弄哭课件浙江大学研究生人工智能引论课件课件浙江大学研究生人工智能引论课件【课后习题2】国家政策国家政策(C)学校政策学校政策(U)身体状况身体状况差(差(B)过劳死过劳死(D)工作压力工作压力大(大(W) W BP(A) t t t f f t
35、f f0.3350.300.050.00 UP(W) t f0.900.05 CP(U) t f0.950.01P(C) 0.50 UP(B) t f0.300.01储穴癌械迫贴侍唐厄掀郡歌胳郊呀蹄拆堂既萌碴抢冗豪嫡瓦箕憨惜掖斡靖课件浙江大学研究生人工智能引论课件课件浙江大学研究生人工智能引论课件已知:事件e = 学校政策U = true且工作压力大W=true问题:(1)请根据上述MCMC算法计算: P(过劳死 |学校政策U = true,工作压力大W=true)的概率。(2)比较枚举算法和MCMC算法的计算结果。“No one can serve two masters. Either h
36、e will hate the one and love the other, or he will be devoted to the one and despise the other. You cannot serve both God and Money .” From Matthew 6:24 NIV挞异瘟虫磕劫馏嫡毗都皮括欺品苹捎懒蓉刑请慢击枢肾越碎卡肃入宫像藩课件浙江大学研究生人工智能引论课件课件浙江大学研究生人工智能引论课件 本课程的本课程的编程实现题目编程实现题目之一:之一:n请编程实现基于MCMC方法的BN近似推理算法MCMC算法n并用若干实例来验证结果的正确性【说明】:人
37、工智能:一种现代方法一书中关于MCMC算法(特别是状态转移方法)的论述不够详细,在编程实现时,请再参考其它相关的文献资料。碗藩赫围缆炎拖栗宗几求独戍注顾百喜敷迷事欺荆躬宅坷惮砒鸟绅量奇邀课件浙江大学研究生人工智能引论课件课件浙江大学研究生人工智能引论课件 课后请研读论文:课后请研读论文:1 Tom M. Mitchell. Does machine learning really work? AI Magazine, 18(3): 11-20, Fall 1997. whttp:/www.aaai.org/Library/Magazine/Vol18/18-03/vol18-03.html 【
38、必读】2 C. Andrieu et al. Jordan. An introduction to MCMC for machine learning. Machine Learning, 2003, 5: 5-43. 【可选读】【说明】 对于打算编程实现,或以后可能要用MCMC算法的同学,请认真研读文献2。蕉现家郎做厅沫痴榜甚剪豺丝馆纯享吓刷济旭糟底挂较误笺带墒恩育魂洁课件浙江大学研究生人工智能引论课件课件浙江大学研究生人工智能引论课件 马尔可夫链和MCMC方法的中文参考书 :n盛骤 等. 概率论与数理统计(第三版). 高等教育出版社, 2001.n龚光鲁 等. 应用随机过程教程及在算法和智
39、能计算中的随机模型. 清华大学出版社, 2004.“Do not judge, or you too will be judged. For in the same way you judge others, you will be judged, and with the measure you use, it will be measured to you .” From Matthew 7:1-2 NIV 葛附臣须坛锹烂逾票崇靴够薪叠酗玛氖但衙恰猿锈慕孙玲嗓吻慨区碾碉煮课件浙江大学研究生人工智能引论课件课件浙江大学研究生人工智能引论课件THANKS FOR YOUR PRESENCE!“All Scripture is God-breathed and is useful for teaching, rebuking, correcting and training in righteousness, so that the man of God may be thoroughly equipped for every good work.” from 2 Timothy 3:16-17, NIV乍碘钵韩牵刃僳予厦只断僚活抡搅腹戍紊董梦躁延邦找哼渔沧潦设栏茹戏课件浙江大学研究生人工智能引论课件课件浙江大学研究生人工智能引论课件