INC 551 Artificial Intelligence

Slides:



Advertisements
งานนำเสนอที่คล้ายกัน
เรื่อง การภาวะโลกร้อน
Advertisements

Presentation slide for courses, classes, lectures et al.
ความน่าจะเป็น Probability.
เหตุผลวิบัติ E - L e a r n i n g เหตุผลวิบัติ ( fallacies )
Introduction to Probability เอกสารประกอบการเรียนการสอน วิชา ความน่าจะเป็นเบื้องต้น เรื่อง ความน่าจะเป็นเบื้องต้น อ.สุวัฒน์ ศรีโยธี สาขาวิชาคณิตศาสตร์
Best Practices for Managing A Project
Control Statement if..else switch..case for while do-while.
ความน่าจะเป็น (Probability)
การเลือกตัวอย่าง อ.สมพงษ์ พันธุรัตน์.
ชายจีนแบกถังน้ำ.
NAVY PILLOW 2012 (หมอนน้ำ ).
นาวาโทสมบูรณ์ เจิมสุจริต E.T. Nurse
ประเภทของระบบสารสนเทศในองค์กร
Probability & Statistics
Probability & Statistics
ภาษา SQL (Structured Query Language)
หน่วยที่ 1 ระบบคอมพิวเตอร์
การนับเบื้องต้น Basic counting
การเขียนรายงานการทดลอง
INC 551 Artificial Intelligence
INC 551 Artificial Intelligence
INC 551 Artificial Intelligence
Image Processing & Computer Vision
บทที่ 1 บทนำว่าด้วยการสื่อสารการตลาด
โดย มิสกรรณกา หอมดวงศรี
โจทย์เลข A ซื้อปากกามาในราคา 40 บาท ขายต่อให้ B ในราคา 50 บาท
: หัวข้อและความสำคัญของปัญหา
: หัวข้อและประเด็นปัญหา
หน่วยความจำเสมือน Virtual Memory.
แนวคิดพื้นฐานเกี่ยวกับฟัซซีลอจิก
ประชากร การคำนวณขนาดตัวอย่าง และวิธีการสุ่มตัวอย่าง
ลักษณะเวทีและการจัดที่นั่งผู้ชมในโรงละคร
การเขียนโปรแกรมคอมพิวเตอร์และอัลกอริธึม
ให้ประหยัดการใช้หน่วยความจำ (space) ด้วยความรวดเร็ว (time)
ทุกอย่างย่อมมีสิ่งที่ดีกว่าเสมอ
Basic Technigue in Radiation Therapy Cop Radio Therapy.
การจัดการสินค้าคงคลัง
Flowchart รูปแบบ If ซ้อน If ก็คือ การเอา If ไปไว้ใน If ทางฝั่ง True  โดยโครงสร้าง If ซ้อน If นั้นเอาไว้ใช้กับ กรณีตรวจสอบเงื่อนไขที่มากกว่า 2 กรณี เพราะเนื่องจาก.
การสุ่มตัวอย่าง (Sampling)
คนประสบความสำเร็จมีวิธีคิด 7 ขั้นตอน
บทที่ 1 ความรู้พื้นฐานในการ พัฒนาระบบ
CPE 332 Computer Engineering Mathematics II
CPE 332 Computer Engineering Mathematics II
โครงสร้างควบคุมการทำงาน
1. ชื่อผลงาน: ส่งเสริมการเข้าถึงบริการอย่างเป็นมิตร
8. ระบบผู้เชี่ยวชาญ.
ม้ากับลา.
การออกแบบโปรแกรม ขั้นตอนการแก้ปัญหา การนิยามปัญหา (Problem definition)
นวัตกรรมเครื่องออกกำลังกายยุคใหม่
กิจกรรมเสริมสร้างทักษะชีวิต
Shortest-Path Algorithms
Cognitive of Depressive Disorder
Activity Diagram Wattanapong suttapak, Software Engineering,
สาขาวิชาเทคโนโลยี สารสนเทศ คณะเทคโนโลยีสารสนเทศ และการสื่อสาร.
เรื่อง คำไทยทั้ง 7 ชนิด จัดทำโดย ด.ญ.ทิฐินันท์ พรมโอ๊ด ม1/10 เลขที่ 10
Uncertainty Russell and Norvig: Chapter 13 Slides adapted from: robotics.stanford.edu/~latombe/cs121/2004/home.htm CS121 – Winter 2004.
บทที่ 3 กระบวนการวิจัยตลาดและการกำหนดปัญหาการวิจัย
การออกแบบการวิจัย.
คณิตศาสตร์พื้นฐาน ค ชั้นมัธยมศึกษาปีที่ 3 โดย ครูชำนาญ ยันต์ทอง
การวัดการวิจัยในการตลาด
Flowchart การเขียนผังงาน.
ค32213 คณิตศาสตร์สำหรับคอมพิวเตอร์ โรงเรียนปลวกแดงพิทยาคม
Dissertation Full text เป็นการ สืบค้นด้วยระบบ IR-Web โดยมีขอบเขต เนื้อหา เป็นฐานข้อมูลวิทยานิพนธ์ฉบับเต็ม อิเล็กทรอนิกส์ 3,850 ชื่อเรื่อง ที่สำนักงาน คณะกรรมการการอุดมศึกษา.
หน่วยที่1 ข้อมูลทางการตลาด
สรุปภาพรวมของหน่วยการเรียนรู้
Introduction to Intelligent Systems
การค้นหาคำตอบของปัญญาประดิษฐ์ตอนที่ 2
เทศบาลนครขอนแก่น ยินดีต้อนรับ
เทคนิคการวิเคราะห์ความเหมาะสมของโครงการ และแนวทางการติดตามประเมินผลสำเร็จของ ชุดโครงการส่งเสริมการมีส่วนร่วมของชุมชนในการคัดแยกขยะ ที่ต้นทาง ชุดที่ ๓ ขององค์กรปกครองส่วนท้องถิ่น.
จุดที่ควรปรับปรุง SR 1 และ SR 2.
ใบสำเนางานนำเสนอ:

INC 551 Artificial Intelligence Lecture 7 Planning & Probability

Definition of Planning Planning = The task of coming up with a sequence of actions That will achieve a goal

Planning of Logical Agent World model = Proposition, First-order logic จะใช้วิธี Search the world model ไม่ได้

Search the Logic Model มีแต่ ในแต่ละ ที่ที่จะไป มีทางเลือกมากเกินไป irrelevant actions ในแต่ละ ที่ที่จะไป มีทางเลือกมากเกินไป

STRIPS OPERATOR Model ของ Action ใน strip STRIPS = Stanford Research Institute Problem Solver จะมีโครงส้างของ action แต่ละอันคือ Model ของ Action ใน strip

Partial-Order Planning เป็น algorithm search ที่ไม่ต้องกำหนดว่าอะไรมาก่อนมาหลัง จะใช้กับ precondition ของแต่ละ action แบ่งเป็น 2 ขั้นตอน สร้าง graph เชื่อมระหว่าง precondition ต่างๆ search ตามแบบ depth-first จนหา goal เจอ โดยไม่หักล้าง precondition อันอื่น

POP: Example จะออกจากบ้านไปซื้อของคือ drill, milk, banana ต้องการสร้าง plan Drill ขายที่ hardware store Milk, banana ขายที่ supermarket

Plan Have(milk) กับ Have(drill) แยกกัน

Graph สมบูรณ์

Example: Block World

Clobber, Promotion, Demotion

Uncertainty

Uncertainty Propositional logic First-order logic True – false - unknown

Different Types of Logics เพราะในโลกมักมีสิ่งที่ไม่แน่นอน

นอนตกหมอน -> เจ็บคอ เจ็บคอ -> เป็นโรคไอ Knowledge Base นอนตกหมอน -> เจ็บคอ เจ็บคอ -> เป็นโรคไอ Query ถ้ามีคนไข้มาบอกว่าเจ็บคอ Forward chaining บอกว่า เขาเป็นโรคไอ Backward chaining บอกว่า เขานอนตกหมอนมา จะพบว่าไม่เกี่ยวกันเพราะคำพูดทั่วไปจะกำกวมในตัวมันเอง

ผู้ป่วยบอกอาการว่า “เจ็บคอ” Believe ตกหมอน 50% ไอ 50% ขาหัก 0% ผู้ป่วยบอกอาการต่อไปอีกว่า “มีไข้” Believe ตกหมอน 20% ไอ 80%

Proposition Logic A B AvB A^B ~A Probability จะใส่ P() คลุมเทอมพวกนี้แทนความเชื่อ P(A) P(B) P(AvB) P(A^B) P(~A) ความเชื่ออยู่ในช่วง 0-1

Counting & Probability Sample space = เหตุการณ์ที่เป็นไปได้ทั้งหมด เช่นทอดลูกเต๋า จะได้แต้ม {1,2,3,4,5,6} Proposition = ความจริง true or false Probability P(1)=P(2)=P(3)=P(4)=P(5)=P(6)=1/6 Event คือเหตุการณ์จาก sample space P(dice roll<4) = 1/6 + 1/6 + 1/6

Random Variable คือ ตัวแปรที่มีค่าแปรผันตามความน่าจะเป็นที่กำหนด จะเป็นได้ทั้ง continuous and discrete

Discrete Random Variable P(x) เช่น x = ค่าของลูกเต๋า P(x = 3) = 1/6 P(x < 3) = 1/6 + 1/6 1/6 x 1 2 3 4 5 6 x คือ random variable

Continuous Random Variable P(x) x P(-1<x<1) = 0.66 P(x=0) = 0

Conditional Probability หมายถึงถ้ารู้ว่า toothache แล้ว (รู้อย่างเดียว) จะมี probability =0.8 ที่เป็น cavity

หรือ

Example หมอฟันต้องการตรวจคนไข้ว่าฟันผุหรือไม่ (Cavity) จะใช้การดูอาการ 2 อย่าง อาการปวดฟัน (Toothache) ตรวจด้วยเครื่องมือแพทย์ว่ามีรูที่ฟัน (Catch) โรค (Cause) = Cavity อาการ (Effect) = Toothache, Catch

Example P(toothache) = ?? มี proposition 3 อย่าง toothache, cavity, catch P(toothache) = ??

Inference by Enumeration

Independence

Bayes’ Rule

เรียก Naïve Bayes’ model

Naïve Bayes’ model สาเหตุมาจากการหา conditional probability นั้นจะทำได้ยากถ้ามี effect หลายชนิดเพราะ effect จะ Dependent กัน ดังนั้น Naïve Bayes’ บอกว่าให้สมมติว่ามัน independent กันเพื่อความง่าย ดังนั้น probability จึงมาคูณกันได้เลย

Wumpus World P(pit) = 0.2

ต้องการทราบความน่าจะเป็นที่ตำแหน่ง (1,3) จะมีหลุม