- •Вопрос 1. Интелектуальный агент. Области применения ии. Системы ии.
- •1. Интеллектуальный агент
- •1.2 Области применения ии
- •5. Поведение.
- •1.3 Системы искусственного интеллекта
- •Вопрос 2. Основные направления исследований в области искусственного интеллекта
- •1. Представление знаний.
- •2. Манипулирование знаниями.
- •3. Восприятие и общение.
- •4. Обучение.
- •6. Разработка аппаратного и программного обеспечения интеллектуальных информационных систем.
- •Вопрос 3. Атрибуты среды применения ии. Атрибуты среды навигационной задачи. Формулировка задачи. Пространство состояний
- •Вопрос 4. Стратегии слепого поиска
- •Вопрос 7. Продукционная модель. Представление знаний и вывод.
- •Вопрос 9. Байесовы сети. Представление знаний и вывод.
- •Вопрос 10. Получение, структурирование и представление знаний в бз ис
Вопрос 9. Байесовы сети. Представление знаний и вывод.
Байесовская сеть — графическая вероятностная модель, представляющая собой множество переменных и их вероятностных зависимостей. Например, байесовская сеть может быть использована для вычисления вероятности того, чем болен пациент по наличию или отсутствию ряда симптомов, основываясь на данных о зависимости между симптомами и болезнями. Математический аппарат байесовых сетей создан американским ученым Джудой Перлом, лауреатом Премии Тьюринга (2011).
Формально, байесовская сеть — это направленный ациклический граф, каждой вершине которого соответствует случайная переменная, а дуги графа кодируют отношения условной независимости между этими переменными. Вершины могут представлять переменные любых типов, быть взвешенными параметрами, скрытыми переменными или гипотезами. Существуют эффективные методы, которые используются для вычислений и обучения байесовских сетей. Если переменные байесовской сети являются дискретными случайными величинами, то такая сеть называется дискретной байесовской сетью.
Представление знаний
Рассмотрим фрагмент представления медицинской БЗ, в которой можно выделить заболевания, симптомы их проявления, а также факторы риска, влияющие на возникновение заболеваний. Пусть некоторая упрощённая модель качественного описания БЗ имеет вид. Эта модель соответствует следующему набору медицинских знаний:
Одышка ("o") может быть вследствие туберкулёза ("t"), рака лёгких ("r") или бронхита ("b"), а также вследствие ни одного из перечисленных заболеваний или более, чем одного.
Визит в Азию ("a") повышает шансы туберкулёза ("t").
Курение ("k") - фактор риска, как для рака ("r"), так и бронхита ("b").
Результаты рентгена, определяя затемнённость в лёгких не позволяют различить рак ("r") и туберкулёз ("t"), так же как не определяет факт наличия или отсутствия одышки ("o").
Последний факт представляется в графе промежуточной переменной (событием) "tr". Эта переменная соответствует логической функции "или" для двух родителей "t" и "r". Она означает наличие либо одной, либо двух болезней или их отсутствие.
Если имеется факт, что пациент курит, то мы устанавливаем наши доверия относительно рака и бронхита. Однако наши доверия относительно туберкулёза не изменяются. То есть событие "t" условно не зависит, от события "k" при данном пустом множестве переменных: p( t | k ) = 0
Поступления положительного результата рентгена пациента повышают наши доверия относительно туберкулёза и рака, но не относительно бронхита. То есть событие "b" - условно не зависит от "x" при данном "k": p( b | x,k ) = p( b | k )
Однако, если бы знали также, что у пациента учащённое дыхание ("o"), то рентгеновские результаты также имели бы воздействие на наше доверие относительно бронхита. То есть событие "b" условно зависит от "x" при данных "o" и "k". Таким образом, логический вывод в БСД означает вычисление условных вероятностей для одних переменных при наличии информации (свидетельств) о других. При этом для распространения вероятностей используется теорема Байеса.
Вероятностный вывод
В силу того, что байесовская сеть — это полная модель для переменных и их отношений, она может быть использована для того, чтобы давать ответы на вероятностные вопросы. Например, сеть можно использовать, чтобы получить новое знание о состоянии подмножества переменных, наблюдая за другими переменными (переменные-свидетельства). Это процесс вычисления апостериорного распределения переменных по переменным-свидетельствам называют вероятностным выводом. Байесовская сеть может также считаться механизмом для автоматического построения расширения теоремы Байеса для более сложных задач.
