A apresentação está carregando. Por favor, espere

A apresentação está carregando. Por favor, espere

Redes Bayesianas Conhecimento com Incerteza. Tópicos Introdução Noções de Probabilidade Redes Bayesianas Aplicações Conclusões Bibliografia.

Apresentações semelhantes


Apresentação em tema: "Redes Bayesianas Conhecimento com Incerteza. Tópicos Introdução Noções de Probabilidade Redes Bayesianas Aplicações Conclusões Bibliografia."— Transcrição da apresentação:

1 Redes Bayesianas Conhecimento com Incerteza

2 Tópicos Introdução Noções de Probabilidade Redes Bayesianas Aplicações Conclusões Bibliografia

3 Sistema de Diagnóstico Odontológico Regra de diagnóstico  d sintoma (d,dor de dente)  doença (d,cárie)... a doença (causa do sintoma) pode ser outra... Regra causal  d doença (d,cárie)  sintoma (d,dor de dente)...nem sempre a doença provoca o sintoma... A conexão entre antecedente e conseqüente não é uma implicação lógica em nenhuma direção

4 Conhecimento com Incerteza Agentes baseados em Lógica de Primeira Ordem enfrentam dificuldades em situações onde: o agente não tem acesso a todo o ambiente  ambiente inacessível o agente tem uma compreensão incompleta ou incorreta do ambiente

5 Conhecimento com Incerteza A LPO falha no domínio de diagnóstico médico devido a: “preguiça”  existem causas ou conseqüências demais a considerar ignorância teórica e prática  não existe uma teoria completa para o domínio, nem podemos fazer todos os testes necessários para o diagnóstico perfeito Nesses casos, o conhecimento do agente pode apenas prover um grau de crença nas sentenças relevantes P(Cárie/Dor de Dente) = 0.6

6 Teoria da Probabilidade Associa às sentenças um grau de crença numérico entre 0 e 1 P(Cárie/Dor de Dente) = 0,6 O agente acredita que o paciente tem cárie (dado que ele tem dor) com 60% de certeza Contudo, cada sentença ou é verdadeira ou é falsa Engajamento epistemológico  Ou o paciente tem cárie ou não tem Isso não é fuzzy!

7 Grau de crença (probabilidade) A priori (incondicional): calculada antes de o agente receber percepções Ex. P(cárie= true) = P(cárie) = 0.5 Condicional: calculada de acordo com as evidências disponíveis evidências:  percepções que o agente recebeu até agora Exemplo:  P(cárie|dor de dente)= 0.8  P(cárie|~dor de dente)= 0.3

8 Probabilidade Condicional Probabilidade condicional (a posteriori) de A dado que B ocorreu é definida por: P(A|B) = P(A  B), quando P(B) > 0 P(B) Probabilidade condicional: possibilita inferência sobre uma proposição desconhecida A dada a evidência B

9 P(A/B) = P(B/A)P(A) P(B) P(A/B,E) = P(B/A,E)P(A/E) P(B/E) Regra de Bayes Equação para o Teorema de Bayes : Pode-se estender esta expressão para o caso em que a dependência condicional está associada a mais de uma evidência previa:

10 Aplicação da Regra de Bayes: Diagnóstico Médico Seja M=doença meningite S= rigidez no pescoço Um Doutor sabe: P(S/M)=0.5 P(M)=1/50000 P(S)=1/20 P(M/S)=P(S/M)P(M) P(S) =0,5*(1/50000)=0,002 1/20 A probabilidade de uma pessoa ter meningite dado que ela está com rigidez no pescoço é 0,02% ou ainda 1 em 5000.

11 Probabilidade Condicional e Independência Independência: P(A|B) = P(A) Exemplo: A = dor de dente e B=úlcera  Úlcera não causa dor de dente Eventos mutuamente excludentes: P(A  B) = 0 Experimento: Lançamento de um dado  A = a face do dado é ímpar e B = a face do dado é par Independência condicional Sejam X e Y independentes dado Z => P(X|Y,Z) = P(X|Z) Independência condicional é crucial para o funcionamento eficaz de sistemas probabilísticos

12 Independência Condicional P(X|Y,Z) = P(X|Z) Isso quer dizer que, se o objetivo é saber a probabilidade de X, então tanto faz o valor de Y se você já sabe o valor de Z Exemplo: Trovão é condicionalmente independente de Chuva, dado Relâmpago P(Trovão/ Chuva, Relâmpago) = P(Trovão/ Relâmpago)

13 Distribuição de Probabilidade Conjunta Sejam Y1, Y2,...Yn um conjunto de variáveis Evento atômico: uma especificação completa dos estados do domínio Y1= y1, Y2 = y2,...., Yn= yn A distribuição de probabilidade conjunta P(Y1,Y2,...,Yn) atribui probabilidades a todos os possíveis eventos atômicos

14 Exemplo: Probabilidade Conjunta cárie  cárie dor de dente  dor de dente P(cárie ^ dor de dente)=? P(cárie)=? P(dor de dente)=? P(cárie/dor de dente)=?

15 Teorema da Multiplicação de Probabilidades Esse resultado permite calcular a probabilidade de ocorrência simultânea de vários eventos a partir das probabilidades condicionais. P(y 1 ^...y n ) = P(y n / y 1 ^...y n-1 )... P(y 2 / y 1 ) P(y 1 ) P(y 1 ^...y n ) = P(y n / y 1 ^...y n-1 )... P(y 1 ^...y n-1 )

16 Redes Bayesianas Representação do Conhecimento com Incerteza

17 Redes Bayesianas Representa 3 tipos de conhecimento do domínio: Relações de independência entre variáveis aleatórias Probabilidades a priori de algumas variáveis Probabilidades condicionais entre variáveis dependentes Permite calcular eficientemente: Probabilidades a posteriori de qualquer variável aleatória (inferência)

18 Redes Bayesianas Conhecimento representado: Pode ser aprendido a partir de exemplos Reutilizando parte dos mecanismos de raciocínio

19 Semântica da Rede Bayesiana Representação da distribuição de Probabilidade Conjunta das variáveis de interesse: P(y 1 ^...y n ) Redes Bayesianas levam em consideração a independência condicional entre subconjuntos de variáveis

20 Estrutura das Redes Bayesianas Uma Rede Bayesiana é um grafo acíclico e dirigido onde: Cada nó da rede representa uma variável aleatória Um conjunto de ligações ou arcos dirigidos conectam pares de nós  cada nó recebe arcos dos nós que tem influência direta sobre ele (nós pais). Cada nó possui uma tabela de probabilidade condicional associada que quantifica os efeitos que os pais têm sobre ele

21 Redes Bayesianas Tempestade Ônibus de Turismo Fogo no Acampamento Trovão Fogo na floresta Raio T,O T,  O  T, O  T,  O FA  FA Fogo no Acampamento Distribuição de Probabilidade: P(FA/T,O)

22 Redes Bayesianas Representa a distribuição de probabilidade conjunta entre todas as variáveis: P(y 1 ^...^y n )  Exemplo: P(Tempestade, , Fogo na Floresta)?  Exemplo: P(Classe=C1 ^ Atrib1=10 ^ Atrib2=Yes)? Cálculo da probabilidade conjunta: Onde Predecessores(Y i ) significa predecessores imediatos de Y i no grafo

23 Redes Bayesianas: Cálculo da Probabilidade Conjunta Lembrem-se do teorema da multiplicação de probabilidades P(y 1 ^...y n ) = P(y n / y 1 ^...y n-1 )... P(y 2 / y 1 ) P(y 1 ) P(y n / Predecessores(Y n )) P(y 2 / Predecessores(Y 2 )

24 Exemplo Alarme (AIMA) RouboTerremoto Alarme JohnCalls MaryCalls

25 Calcular a probabilidade do evento que o alarme toca mas não houve assalto nem terremoto e que João e Maria telefonaram. P(J  M  A  ~R  ~T) = P(J|A) P(M|A) P(A|~R  ~T )P(~R)P(~T) = 0.9 x 0.7 x x x = ou % Exemplo Alarme (AIMA)

26 Engenharia do conhecimento para Redes Bayesianas 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. 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

27 Exemplo Alarme (AIMA) RouboTerremoto Alarme JohnCalls MaryCalls Ordem: R T A J M

28 Exemplo de Rede Bayesiana Não Puramente Causal Vamos usar o exemplo do alarme com a seguinte ordem de inserção dos nós: MaryCalls, JohnCalls, Alarme, Roubo e Terremoto. Roubo Terremoto Alarme JohnCalls MaryCalls

29 Problemas:  A figura possui duas conexões a mais  julgamento não natural e difícil das probabilidades Tendo uma rede puramente causal, teríamos um número menor de conexões Exemplo de Rede Bayesiana Não Puramente Causal

30 Exercício Construa uma rede para o problema abaixo. Eu quero prever se minha esposa está em casa antes de eu abrir a porta. Eu sei que minha esposa liga a luz quando chega em casa, mas as vezes ela também liga ao sair se ela for retornar com alguma visita. Quando não tem ninguém em casa, ela solta o cachorro no quintal, mas às vezes ela solta o cachorro quando ele está molhado. Quando o cachorro está solto, consigo ouvir o seu latido da rua mas as vezes o confundo com o cachorro da vizinha.

31 Tipos de Inferência em Redes Bayesianas Causal (da causa para o efeito) P(JohnCalls/Roubo) = 0,86 Roubo Alarme JohnCalls EvidênciaQuery  Diagnóstico (do efeito para a causa) P(Roubo/JohnCalls) = 0,016 JohnCalls Alarme Roubo EvidênciaQuery

32 Intercausal (entre causas com um efeito comum) P(Roubo/Alarme) = 0,376 P(Roubo/Alarme  Terremoto) = 0,373  Mista (combinando duas ou mais das de cima) P(Alarme/JohnCalls  Terremoto) = 0,03 Este é um uso simultâneo de inferência causal e diagnóstico. Roubo Alarme Terremoto Query Evidência JohnCalls Alarme Terremoto Evidência Query Tipos de Inferência em Redes Bayesianas Evidência

33 Aplicações de Redes Bayesianas PATHFINDER: diagnóstico de doenças que atacam os nodos linfáticos. (Russel&Norvig 1995) PAINULIM: diagnóstico de doenças neuro- musculares: xiang/research.html xiang/research.html Tutores inteligentes:

34 Aplicações de Redes Bayesianas Mais aplicações: rchApps.htm rchApps.htm Análise de proteínas Modelagem de Agentes Inteligentes Detecção de fraudes na indústria Robótica

35 Conclusões 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

36 Conclusões Redes Bayesianas são usadas em muitas aplicações do mundo real Área de pesquisa ativa Engenharia de conhecimento Complexidade dos algoritmos para inferência Aprendizado

37 Bibliografia Russel, S, & Norvig, P. (1995). Artificial Intelligence: a Modern Approach (AIMA) Prentice-Hall. Pages , Mitchell, T. & (1997): Machine Learning, McGraw- Hill. Cap.6 Fayyad et al. (1996): Advances in knowledge discovery and data mining, AAAI Press/MIT Press. Cap.11 Pearl, J. (1988) Probabilistic Reasoning in Inteligent Systems

38 Software


Carregar ppt "Redes Bayesianas Conhecimento com Incerteza. Tópicos Introdução Noções de Probabilidade Redes Bayesianas Aplicações Conclusões Bibliografia."

Apresentações semelhantes


Anúncios Google