ดาวน์โหลดงานนำเสนอ
งานนำเสนอกำลังจะดาวน์โหลด โปรดรอ
1
INC 551 Artificial Intelligence
Lecture 7 Planning & Probability
2
Definition of Planning
Planning = The task of coming up with a sequence of actions That will achieve a goal
3
Planning of Logical Agent
World model = Proposition, First-order logic จะใช้วิธี Search the world model ไม่ได้
4
Search the Logic Model มีแต่ ในแต่ละ ที่ที่จะไป มีทางเลือกมากเกินไป
irrelevant actions ในแต่ละ ที่ที่จะไป มีทางเลือกมากเกินไป
5
STRIPS OPERATOR Model ของ Action ใน strip
STRIPS = Stanford Research Institute Problem Solver จะมีโครงส้างของ action แต่ละอันคือ Model ของ Action ใน strip
6
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
7
POP: Example จะออกจากบ้านไปซื้อของคือ drill, milk, banana
ต้องการสร้าง plan Drill ขายที่ hardware store Milk, banana ขายที่ supermarket
9
Plan Have(milk) กับ Have(drill) แยกกัน
10
Graph สมบูรณ์
11
Example: Block World
16
Clobber, Promotion, Demotion
17
Uncertainty
18
Uncertainty Propositional logic First-order logic
True – false - unknown
19
Different Types of Logics
เพราะในโลกมักมีสิ่งที่ไม่แน่นอน
20
นอนตกหมอน -> เจ็บคอ เจ็บคอ -> เป็นโรคไอ
Knowledge Base นอนตกหมอน -> เจ็บคอ เจ็บคอ -> เป็นโรคไอ Query ถ้ามีคนไข้มาบอกว่าเจ็บคอ Forward chaining บอกว่า เขาเป็นโรคไอ Backward chaining บอกว่า เขานอนตกหมอนมา จะพบว่าไม่เกี่ยวกันเพราะคำพูดทั่วไปจะกำกวมในตัวมันเอง
21
ผู้ป่วยบอกอาการว่า “เจ็บคอ”
Believe ตกหมอน 50% ไอ 50% ขาหัก 0% ผู้ป่วยบอกอาการต่อไปอีกว่า “มีไข้” Believe ตกหมอน 20% ไอ 80%
22
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
23
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
24
Random Variable คือ ตัวแปรที่มีค่าแปรผันตามความน่าจะเป็นที่กำหนด
จะเป็นได้ทั้ง continuous and discrete
25
Discrete Random Variable
P(x) เช่น x = ค่าของลูกเต๋า P(x = 3) = 1/6 P(x < 3) = 1/6 + 1/6 1/6 x x คือ random variable
26
Continuous Random Variable
P(x) x P(-1<x<1) = 0.66 P(x=0) = 0
27
Conditional Probability
หมายถึงถ้ารู้ว่า toothache แล้ว (รู้อย่างเดียว) จะมี probability =0.8 ที่เป็น cavity
28
หรือ
29
Example หมอฟันต้องการตรวจคนไข้ว่าฟันผุหรือไม่ (Cavity)
จะใช้การดูอาการ 2 อย่าง อาการปวดฟัน (Toothache) ตรวจด้วยเครื่องมือแพทย์ว่ามีรูที่ฟัน (Catch) โรค (Cause) = Cavity อาการ (Effect) = Toothache, Catch
30
Example P(toothache) = ??
มี proposition 3 อย่าง toothache, cavity, catch P(toothache) = ??
31
Inference by Enumeration
34
Independence
35
Bayes’ Rule
36
เรียก Naïve Bayes’ model
37
Naïve Bayes’ model สาเหตุมาจากการหา conditional probability
นั้นจะทำได้ยากถ้ามี effect หลายชนิดเพราะ effect จะ Dependent กัน ดังนั้น Naïve Bayes’ บอกว่าให้สมมติว่ามัน independent กันเพื่อความง่าย ดังนั้น probability จึงมาคูณกันได้เลย
38
Wumpus World P(pit) = 0.2
39
ต้องการทราบความน่าจะเป็นที่ตำแหน่ง (1,3) จะมีหลุม
งานนำเสนอที่คล้ายกัน
© 2024 SlidePlayer.in.th Inc.
All rights reserved.