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