slides intelligenza artificiale, vincenzo cutello 1 intelligenza artificiale probabilità
TRANSCRIPT
Slides Intelligenza Artificiale, VincenSlides Intelligenza Artificiale, Vincenzo Cutellozo Cutello
11
Intelligenza ArtificialeIntelligenza Artificiale
ProbabilitàProbabilità
Slides Intelligenza Artificiale, VincenSlides Intelligenza Artificiale, Vincenzo Cutellozo Cutello
22
OutlineOutline
IncertezzaIncertezza ProbabilitàProbabilità SintassiSintassi SemanticaSemantica Regole di inferenzaRegole di inferenza
Slides Intelligenza Artificiale, VincenSlides Intelligenza Artificiale, Vincenzo Cutellozo Cutello
33
IncertezzaIncertezza
Sia l’azione Sia l’azione AAt t = partire per l’aeroporto t minuti prima del volo= partire per l’aeroporto t minuti prima del voloAAtt mi farà arrivare in tempo ? mi farà arrivare in tempo ?Problemi:Problemi:
1.1. parziale osservabilità (strada, piani degli altri guidatori, ecc.)parziale osservabilità (strada, piani degli altri guidatori, ecc.)2.2. sensori rumorosi (rapporti sul traffico)sensori rumorosi (rapporti sul traffico)3.3. Incertezza sul risultato dell’azioneIncertezza sul risultato dell’azione4.4. Enorme complessità di modellizzazione e predizione del trafficoEnorme complessità di modellizzazione e predizione del traffico
Usando un approccio puramente logico oUsando un approccio puramente logico o ””risk falsehood”: “risk falsehood”: “AA2525 mi farà arrivare in tempo”, oppure mi farà arrivare in tempo”, oppure Giungere a conclusioni che sono troppo deboli per prendere Giungere a conclusioni che sono troppo deboli per prendere
decisioni:”decisioni:”AA2525 mi farà arrivare in tempo se non ci sono incidenti sul ponte mi farà arrivare in tempo se non ci sono incidenti sul ponte e non piove, ecc. ecc.”e non piove, ecc. ecc.”
((AA14401440 mi farebbe ragionevolmente arrivare in tempo ma dovrei stare tutta mi farebbe ragionevolmente arrivare in tempo ma dovrei stare tutta la notte in aeroporto) la notte in aeroporto)
Slides Intelligenza Artificiale, VincenSlides Intelligenza Artificiale, Vincenzo Cutellozo Cutello
44
Metodi per gestire l’incertezzaMetodi per gestire l’incertezza
Logica non-monotonaLogica non-monotona:: Assumiamo che la mia macchina non abbia le gomme lisceAssumiamo che la mia macchina non abbia le gomme lisce Assumiamo che AAssumiamo che A2525 è corretta a meno che non sia contraddetta è corretta a meno che non sia contraddetta
dall’evidenzadall’evidenzaEsito: Esito:
– Quali assunzioni sono ragionevoli ?Quali assunzioni sono ragionevoli ?– Come gestire le contraddizioni ?Come gestire le contraddizioni ?
Probabilità:Probabilità:Date le prove disponibili, ADate le prove disponibili, A2525 mi farà arrivare in tempo con mi farà arrivare in tempo con probabilità 0.8, ossia su cento volte che sono partito per l’aereoporto probabilità 0.8, ossia su cento volte che sono partito per l’aereoporto 25 minuti prima, 80 volte sono arrivato in orario25 minuti prima, 80 volte sono arrivato in orario
Logica fuzzyLogica fuzzy::Data la mia esperienza e conoscenza, AData la mia esperienza e conoscenza, Acirca 25 circa 25 mi farà mi farà arrivare in orarioarrivare in orario
Slides Intelligenza Artificiale, VincenSlides Intelligenza Artificiale, Vincenzo Cutellozo Cutello
55
ProbabilitàProbabilità
Le asserzioni probabilistiche Le asserzioni probabilistiche riassumonoriassumono gli effetti di: gli effetti di: pigriziapigrizia: mancanza di enumerazione delle eccezioni, etc.: mancanza di enumerazione delle eccezioni, etc. ignoranzaignoranza: mancanza di fatti rilevanti, condizioni iniziali, ecc.: mancanza di fatti rilevanti, condizioni iniziali, ecc.Probabilità Probabilità soggettivasoggettiva o o bayesianabayesiana:: Le probabilità legano le proposizioni allo stato di conoscenzaLe probabilità legano le proposizioni allo stato di conoscenza
– es., P(es., P(AA2525|non si sono verificati incidenti) = 0.06|non si sono verificati incidenti) = 0.06
Le probabilità delle proposizioni cambiano con nuove prove:Le probabilità delle proposizioni cambiano con nuove prove:– es., P(Aes., P(A2525|non si sono verificati incidenti, 5 a.m.)=0.15|non si sono verificati incidenti, 5 a.m.)=0.15
Slides Intelligenza Artificiale, VincenSlides Intelligenza Artificiale, Vincenzo Cutellozo Cutello
66
Prendere decisioni sotto incertezzaPrendere decisioni sotto incertezza
Supponiamo che io creda nelle seguenti:Supponiamo che io creda nelle seguenti:– P(AP(A25 25 mi fa arrivare in orario|…) = 0.04mi fa arrivare in orario|…) = 0.04– P(AP(A90 90 mi fa arrivare in orario|…) = 0.70mi fa arrivare in orario|…) = 0.70– P(AP(A120 120 mi fa arrivare in orario|…) = 0.95mi fa arrivare in orario|…) = 0.95– P(AP(A1440 1440 mi fa arrivare in orario|…) = 0.9999mi fa arrivare in orario|…) = 0.9999
Quale azione scegliere ?Quale azione scegliere ?Dipende dalle mie Dipende dalle mie preferenzepreferenze tra perdere il volo e attendere tra perdere il volo e attendere all’aeroporto, ecc.all’aeroporto, ecc. La teoria dell’utilitàLa teoria dell’utilità è usata per rappresentare e inferire preferenze è usata per rappresentare e inferire preferenze Teoria delle decisioniTeoria delle decisioni = teoria dell’utilità + teoria delle probabilità = teoria dell’utilità + teoria delle probabilità Teoria dei giochiTeoria dei giochi = teoria delle decisioni in presenza di avversari che a = teoria delle decisioni in presenza di avversari che a
loro volta prendono decisioni che possono andare contro la nostra loro volta prendono decisioni che possono andare contro la nostra utilitàutilità
Slides Intelligenza Artificiale, VincenSlides Intelligenza Artificiale, Vincenzo Cutellozo Cutello
77
Struttura di un agente-DTStruttura di un agente-DT
function function AGENTE-DT(percezione)AGENTE-DT(percezione)
returnsreturns un’ un’azioneazione
static:static: un insieme di credenze probabilistiche circa lo stato del mondo un insieme di credenze probabilistiche circa lo stato del mondo– calcola le probabilità aggiornate per lo stato corrente basate sulle prove calcola le probabilità aggiornate per lo stato corrente basate sulle prove disponibili comprendenti l’azione corrente e precedente disponibili comprendenti l’azione corrente e precedente
– calcola il valore delle probabilità per le azioni, data la descrizione calcola il valore delle probabilità per le azioni, data la descrizione dell’azione e le probabilità degli stati correnti dell’azione e le probabilità degli stati correnti
– seleziona l’seleziona l’azioneazione con la più alta utilità attesa dati i valori delle con la più alta utilità attesa dati i valori delle probabilità per i vari esiti e l’utilità dell’informazioneprobabilità per i vari esiti e l’utilità dell’informazione
returnreturn azioneazione
Slides Intelligenza Artificiale, VincenSlides Intelligenza Artificiale, Vincenzo Cutellozo Cutello
88
Assiomi di probabilitàAssiomi di probabilità
Siano Siano AA e e B B due eventi qualsiasidue eventi qualsiasi§ 0 0 ≤ ≤ P(A)P(A) ≤ 1 ≤ 1§ P(True)P(True) = 1 e = 1 e P(False)P(False) = 0 = 0§ P(A B)P(A B) = = P(A)P(A) + + P(B)P(B) – –P(A B)P(A B)
De Finetti (1931): un agente che scommette in accordo con De Finetti (1931): un agente che scommette in accordo con
le probabilità che violano questi assiomi può essere forzato le probabilità che violano questi assiomi può essere forzato
a perdere soldi indipendentemente dall’esito della a perdere soldi indipendentemente dall’esito della
scommessascommessa
∨ ∧
Slides Intelligenza Artificiale, VincenSlides Intelligenza Artificiale, Vincenzo Cutellozo Cutello
99
SintassiSintassi
Simile alla logica proposizionale: possibili mondi definiti Simile alla logica proposizionale: possibili mondi definiti dall’ assegnamento di valori a dall’ assegnamento di valori a variabili randomvariabili random. . Variabili random Variabili random Booleane o ProposizionaliBooleane o Proposizionali
– es., Carie (hai una carie ?)es., Carie (hai una carie ?) Include le espressioni della logica proposizionaleInclude le espressioni della logica proposizionale Variabili random Variabili random multivaloremultivalore
– es., Il tempo meteorologico assume uno tra <soleggiato, es., Il tempo meteorologico assume uno tra <soleggiato, pioggia, nuvoloso, neve>pioggia, nuvoloso, neve>
– I valori devono essere esaustivi e mutuamente esclusiviI valori devono essere esaustivi e mutuamente esclusivi Proposizione costruita dall’assegnamento di un valore:Proposizione costruita dall’assegnamento di un valore:
– es., tempo = soleggiato; Carie = veroes., tempo = soleggiato; Carie = vero
Slides Intelligenza Artificiale, VincenSlides Intelligenza Artificiale, Vincenzo Cutellozo Cutello
1010
Sintassi (cont.)Sintassi (cont.)Probabilità non condizionate o a prioriProbabilità non condizionate o a priori di proposizioni, es., di proposizioni, es., P(Carie) = 0.1 e P(Tempo = soleggiato) = 0.72 P(Carie) = 0.1 e P(Tempo = soleggiato) = 0.72 corrispondono alla credenza a priori all’arrivo di una qualsiasi (nuova) provacorrispondono alla credenza a priori all’arrivo di una qualsiasi (nuova) provaLa distribuzione di probabilità è normalizzataLa distribuzione di probabilità è normalizzata, cioè, la somma è 1 e sono , cioè, la somma è 1 e sono noti i valori per tutti i possibili assegnamenti:noti i valori per tutti i possibili assegnamenti:PP(Tempo) = <0.72, 0.1, 0.08, 0.1>(Tempo) = <0.72, 0.1, 0.08, 0.1>Distribuzione di probabilità congiuntaDistribuzione di probabilità congiunta per un insieme di variabili fornisce i per un insieme di variabili fornisce i valori per ogni possibile assegnamento a tutte le variabilivalori per ogni possibile assegnamento a tutte le variabiliPP(Tempo, Carie) = una matrice 4*2 di valori:(Tempo, Carie) = una matrice 4*2 di valori:
Tempo =Tempo = soleggiatosoleggiato pioggiapioggia nuvolosonuvoloso neveneve
Carie = trueCarie = true
Carie = falseCarie = false
Slides Intelligenza Artificiale, VincenSlides Intelligenza Artificiale, Vincenzo Cutellozo Cutello
1111
Sintassi (cont.)Sintassi (cont.)
Probabilità condizionata o a posterioriProbabilità condizionata o a posteriori– es., P(Carie|Mal_di_denti) = 0.8es., P(Carie|Mal_di_denti) = 0.8– cioe’, dato che il mal di denti è tutto quello che io conoscocioe’, dato che il mal di denti è tutto quello che io conosco
Notazione per distribuzioni condizionaliNotazione per distribuzioni condizionali::– PP(Tempo|Primavera)= un vettore di 2 elementi di vettori di 4 elementi(Tempo|Primavera)= un vettore di 2 elementi di vettori di 4 elementi– Se noi conosciamo di più, es., la carie è data, allora avremo P(Carie|Se noi conosciamo di più, es., la carie è data, allora avremo P(Carie|
Mal_di_denti,Carie) = 1Mal_di_denti,Carie) = 1Nota: la credenza meno specifica rimane valida dopo l’arrivo Nota: la credenza meno specifica rimane valida dopo l’arrivo di nuovi fatti, ma non è sempre utiledi nuovi fatti, ma non è sempre utileNuovi fatti possono essere irrilevanti, permettendo semplificazioni,Nuovi fatti possono essere irrilevanti, permettendo semplificazioni,P(Carie|Mal_di_denti,lunedì) = P(Carie|Mal_di_denti) = 0.8P(Carie|Mal_di_denti,lunedì) = P(Carie|Mal_di_denti) = 0.8Questo genere di inferenza, sanzionato dal dominio di conoscenza, Questo genere di inferenza, sanzionato dal dominio di conoscenza, è cruciale è cruciale
Slides Intelligenza Artificiale, VincenSlides Intelligenza Artificiale, Vincenzo Cutellozo Cutello
1212
Probabilità condizionataProbabilità condizionataDefinizione di probabilità condizionata:Definizione di probabilità condizionata:
La regola del prodotto fornisce una formulazione alternativa:La regola del prodotto fornisce una formulazione alternativa:
Una versiona generale è mantenuta per le intere distribuzioni, es.,Una versiona generale è mantenuta per le intere distribuzioni, es.,– PP(Tempo,Carie) = (Tempo,Carie) = PP(Tempo|Carie)(Tempo|Carie)PP(Carie)(Carie)– (Vedila come un insieme 4*2 di equazioni, non matrice multipla) (Vedila come un insieme 4*2 di equazioni, non matrice multipla)
La regola a catena è derivata da successive applicazioni della regola La regola a catena è derivata da successive applicazioni della regola del prodotto:del prodotto:
),...,|(P
...
),...,|(P),...,|(P),...,(P
),...,|(P),...,(P),...,(P
111
1121121
11111
−=
−−−−
−−
∏=
==
==
iini
nnnnn
nnnn
XXX
XXXXXXXXXXXXXXX
)()|()()|()( APABPBPBAPBAP ==∧€
P(A |B) =P(A∧B)
P(B) if P(B) ≠ 0
Slides Intelligenza Artificiale, VincenSlides Intelligenza Artificiale, Vincenzo Cutellozo Cutello
1313
Bayes’ RuleBayes’ Rule
Perché è utile ? Per assegnare le probabilità diagnostiche dalla Perché è utile ? Per assegnare le probabilità diagnostiche dalla conoscenza di quelle causali:conoscenza di quelle causali:
Es., sia M la meningite, S il torcicollo:Es., sia M la meningite, S il torcicollo:
Nota: la probabilità a posteriori della meningite è ancora molto bassa !Nota: la probabilità a posteriori della meningite è ancora molto bassa !
)(
)()|()|(
EffettoP
CausaPCausaEffettoPEffettoCausaP =
0008.01.0
0001.08.0
)(
)()|()|( =
×==
SPMPMSP
SMP
)(
)()|()|( ruleBayes'
)()|()()|()( prodotto del Regola
BP
APABPBAP
APABPBPBAPBAP
=⇒
==∧
Slides Intelligenza Artificiale, VincenSlides Intelligenza Artificiale, Vincenzo Cutellozo Cutello
1414
NormalizzazioneNormalizzazione
>=<++
><=
><==>=<=
===
=====
===
=======
=======
=
∑∑
25.0,25.0,5.02.02.04.0
2.0,2.0,4.0
2.0,2.0,4.0)|(P allora
2.0,2.0,4.0)P()|P(
supponiamo es.,
fine, alla normalizza si la e tanormalizzanon onedistribuzi una calcola si eTipicament
)(P)|(P)|(P
con denotato zione,normalizza di fattore il è Questo
)()|(/1)(/1
:1)|( che notando e ultimequest' oAggiungend
)(/)()|()|(
...
)()/()|()|(
: di valoreogniper Bayes di regola la applicare Possiamo
,..., valoriseguenti i assumere possa che supponiamo e , dato
su posteriori a onedistribuzi una calcolare voler di Supponiamo
i
111
1
α
α
α
bBA
AAbB
AAbBbBA
aAPaAbBPbBP
bBaAP
bBPaAPaAbBPbBaAP
bBPaAPaAbBPbBaAP
A
aaAbBA
i ii
i
mmm
m
Slides Intelligenza Artificiale, VincenSlides Intelligenza Artificiale, Vincenzo Cutellozo Cutello
1515
CondizionamentoCondizionamento
Introducendo una variabile come una condizione extra:Introducendo una variabile come una condizione extra:
Intuizione: più facile “assess” ogni specifica circostanza.Intuizione: più facile “assess” ogni specifica circostanza.Quando Y è assente, avremo una marginalizzazione:Quando Y è assente, avremo una marginalizzazione:
In generale, data una distribuzione congiunta su un In generale, data una distribuzione congiunta su un insieme di variabili, la distribuzione su un qualsiasi insieme di variabili, la distribuzione su un qualsiasi sottoinsieme (chiamata distribuzione marginale per ragioni sottoinsieme (chiamata distribuzione marginale per ragioni storiche) può essere calcolata “summing out” le altre storiche) può essere calcolata “summing out” le altre variabili.variabili.
∑ ===z
YzZPzZYXPYXP )|(),|()|(
∑ ∑ =====z z
zZXPzZPzZXPXP ),()()|()(
Slides Intelligenza Artificiale, VincenSlides Intelligenza Artificiale, Vincenzo Cutellozo Cutello
1616
Distribuzioni totalmente congiunteDistribuzioni totalmente congiunteUn modello di probabilità completaUn modello di probabilità completa specifica ogni caso nella distribuzione specifica ogni caso nella distribuzione congiunta per tutte le variabili congiunta per tutte le variabili XX = X = X11,…,X,…,Xnn
Cioè, una probabilità per ogni possibile mondoCioè, una probabilità per ogni possibile mondo XX1 1 = = xx11,…,X,…,Xn n = = xxnn
(Cf. Le teorie complete in logica)(Cf. Le teorie complete in logica)Es., supponiamo che Mal_di_denti e Carie siano variabili random:Es., supponiamo che Mal_di_denti e Carie siano variabili random:
Mal_di_denti = trueMal_di_denti = true Mal_di_denti = falseMal_di_denti = false
Carie = trueCarie = true 0.040.04 0.060.06
Carie = flaseCarie = flase 0.010.01 0.890.89
∑ =∨∨⇒
=∧⇒
i in wPww
wwP
1)( quindi Vera è ... esaustivi sono mondi possibili I
0)( esclusivi mutuamente sono mondi possibili I
1
21
Slides Intelligenza Artificiale, VincenSlides Intelligenza Artificiale, Vincenzo Cutellozo Cutello
1717
Distribuzioni totalmente congiunteDistribuzioni totalmente congiunte
{ }
08.001.004.0
04.0
)__(
)__()__|(
Es.,
)(
)()|(
:rapporto come
maniera stessa nella calcolate essere possono tecondiziona àprobabilit Le
congiunta e totalmentonedistribuzi delle casistiche variedelle somma la come
ecalcolabil è neproposizio qualsiasi una di tacondizionanon àprobabilit la Cioè,
)()( Quindi
veraè )( dove delle di nedisgiunzio alla eequivalent è 2)
falsa o veraè )( random lisu variabi definita neproposizio qualsiasi unaPer 1)
)(:
=+
=∧
=
∧=
= ∑
dentidiMalP
dentidiMalCariePdentidiMalCarieP
P
PP
wPP
ww
w
ii ww i
ii
i
ξ
ξφξφ
φ
φφ
φφ
φ
Slides Intelligenza Artificiale, VincenSlides Intelligenza Artificiale, Vincenzo Cutellozo Cutello
1818
Inferenza dalle distribuzioni congiunteInferenza dalle distribuzioni congiunteTipicamente, siamo interessati alla distribuzione congiunta a posteriori Tipicamente, siamo interessati alla distribuzione congiunta a posteriori della della variabile domandavariabile domanda YY dati specifici valori dati specifici valori e e per le per le variabili di provavariabili di prova EESiamo Siamo H = X – Y – EH = X – Y – E le le variabili nascostevariabili nascosteAllora la sommatoria richiesta dei casi congiunti è fatta sommando le Allora la sommatoria richiesta dei casi congiunti è fatta sommando le variabili nascoste:variabili nascoste:
I termini nella sommatoria sono i casi congiunti perché Y, E, e H I termini nella sommatoria sono i casi congiunti perché Y, E, e H ricoprono l’insieme delle variabili randomricoprono l’insieme delle variabili randomProblemi evidenti:Problemi evidenti:1) Complessità temporale nel caso peggiore di 1) Complessità temporale nel caso peggiore di O(dO(dnn)) dove d è la più dove d è la più grande arietàgrande arietà2) Complessità spaziale di 2) Complessità spaziale di O(dO(dnn)) per memorizzare la distribuzione per memorizzare la distribuzione congiuntacongiunta3) Come trovare i numeri per 3) Come trovare i numeri per O(dO(dnn)) casi ??? casi ???
∑ ======h
h)He,EP(Y, e)EP(Y, e)E|P(Y αα
Slides Intelligenza Artificiale, VincenSlides Intelligenza Artificiale, Vincenzo Cutellozo Cutello
1919
IndipendenzaIndipendenzaDue variabili random A, B sono (assolutamente) Due variabili random A, B sono (assolutamente) indipendenti se e solo seindipendenti se e solo se
ooes., A e B sono due monetees., A e B sono due moneteSe n variabili Booleane sono indipendenti, la Se n variabili Booleane sono indipendenti, la
giunzione giunzione totale ètotale èquindi può essere specificata da solo quindi può essere specificata da solo nn numeri numeriL’indipendenza assoluta è un requisito molto forte,L’indipendenza assoluta è un requisito molto forte,raramente incontratoraramente incontrato
€
P(A |B) = P(A)
P(A,B) = P(A |B)P(B) = P(A)P(B)
∏= i in XXX )(P),...,(P 1
Slides Intelligenza Artificiale, VincenSlides Intelligenza Artificiale, Vincenzo Cutellozo Cutello
2020
Indipendenza: esempioIndipendenza: esempioConsideriamo un problema di azioni con tre variabili random:Consideriamo un problema di azioni con tre variabili random: A+ (azione sale), SF (stato finanziario società), D=l A+ (azione sale), SF (stato finanziario società), D=l
(giorno della settimana è lunedì) (giorno della settimana è lunedì) La probabilità che l’azione salga A+, dipende dallo stato La probabilità che l’azione salga A+, dipende dallo stato
finanziario buono SF della società ma non dal giorno finanziario buono SF della società ma non dal giorno della settimana:della settimana:
– P(A+ | SF, D=l) = P(A+|SF) P(A+ | SF, D=l) = P(A+|SF)
cioè, A+ è condizionatamente indipendente dal D data la cioè, A+ è condizionatamente indipendente dal D data la SFSF
La stessa indipendenza si mantiene anche se non è La stessa indipendenza si mantiene anche se non è lunedì:lunedì:
– P(A+ | SF, NOT D=l ) = P(A+ | SF)P(A+ | SF, NOT D=l ) = P(A+ | SF)
Slides Intelligenza Artificiale, VincenSlides Intelligenza Artificiale, Vincenzo Cutellozo Cutello
2121
Indipendenza: esempio 2Indipendenza: esempio 2
Consideriamo tre variabili random:Consideriamo tre variabili random:Caldo (temp > 25), Maggio, Dentro_casaCaldo (temp > 25), Maggio, Dentro_casa Se siamo in Maggio, la probabilità che faccia caldo non Se siamo in Maggio, la probabilità che faccia caldo non
dipende dall’essere in casa o fuori casa (non ci sono dipende dall’essere in casa o fuori casa (non ci sono riscaldamenti):riscaldamenti):
P(Caldo | Maggio,Dentro_casa) = P(Caldo|Maggio) P(Caldo | Maggio,Dentro_casa) = P(Caldo|Maggio) cioè, Caldo è condizionatamente indipendente da cioè, Caldo è condizionatamente indipendente da
Dentro_casa dato MaggioDentro_casa dato MaggioLa stessa indipendenza si mantiene anche se non sono La stessa indipendenza si mantiene anche se non sono
Dentro_casa:Dentro_casa: P(Caldo | Maggio, P(Caldo | Maggio, ┐┐Dentro_casa) = P(Caldo | Dentro_casa) = P(Caldo | ┐┐Maggio)Maggio)
Slides Intelligenza Artificiale, VincenSlides Intelligenza Artificiale, Vincenzo Cutellozo Cutello
2222
Reti di credenzaReti di credenza Rappresentano una semplice notazione grafica per le asserzioni di Rappresentano una semplice notazione grafica per le asserzioni di
indipendenza condizionale e quindi per una specifica compatta delle indipendenza condizionale e quindi per una specifica compatta delle distribuzioni congiunte totalidistribuzioni congiunte totali
Sintassi:Sintassi:– un insieme di nodi, uno per ogni variabileun insieme di nodi, uno per ogni variabile– un grafo diretto e aciclico (gli archi rappresentano le influenze un grafo diretto e aciclico (gli archi rappresentano le influenze
dirette)dirette)– una distribuzione condizionata per ogni nodo dati i suoi genitori: una distribuzione condizionata per ogni nodo dati i suoi genitori:
PP((XXii | Genitori(X| Genitori(Xii)))) Nel caso più semplice, distribuzione condizionata rappresentata come Nel caso più semplice, distribuzione condizionata rappresentata come
una tabella di probabilità condizionate (CPT) una tabella di probabilità condizionate (CPT)
Slides Intelligenza Artificiale, VincenSlides Intelligenza Artificiale, Vincenzo Cutellozo Cutello
2323
EsempioEsempioSono a lavoro, il mio vicino di casa John mi chiama per dirmi che l’allarme Sono a lavoro, il mio vicino di casa John mi chiama per dirmi che l’allarme sta suonando, ma la mia vicina Mary non chiama. Qualche volta è attivato sta suonando, ma la mia vicina Mary non chiama. Qualche volta è attivato da un lieve terremoto. C’è un intruso ?da un lieve terremoto. C’è un intruso ?Variabili: Intruso, Terremoto, Allarme, J, MVariabili: Intruso, Terremoto, Allarme, J, MLa topologia della rete riflette la conoscenza causale:La topologia della rete riflette la conoscenza causale:
Nota: Genitori Nota: Genitori ≤ k ≤ k O(d O(dkkn) numeri rispetto a O(dn) numeri rispetto a O(dnn) )
Terremoto Intruso
Allarme
J M
Slides Intelligenza Artificiale, VincenSlides Intelligenza Artificiale, Vincenzo Cutellozo Cutello
2424
SemanticaSemantica
Le semantiche “globali” definiscono la distribuzione congiunta totale Le semantiche “globali” definiscono la distribuzione congiunta totale come il prodotto delle distribuzioni condizionate localicome il prodotto delle distribuzioni condizionate locali
Semantiche “locali”: ogni nodo è condizionatamente indipendente dai Semantiche “locali”: ogni nodo è condizionatamente indipendente dai suoi non discendenti dati i suoi genitorisuoi non discendenti dati i suoi genitori
Teorema: Semantiche locali se e solo se Semantiche globaliTeorema: Semantiche locali se e solo se Semantiche globali
)|()|()|()()(
)(.,
))(|(P),...,(P11
AMPAJPTIAPTPIP
TIAMJPes
XGenitoriXXXn
i iin
¬∧¬¬¬=¬∧¬∧∧∧
=∏=
Slides Intelligenza Artificiale, VincenSlides Intelligenza Artificiale, Vincenzo Cutellozo Cutello
2525
Markov blanketMarkov blanket
Ogni nodo è condizionatamente indipendente Ogni nodo è condizionatamente indipendente
da tutti gli altrida tutti gli altri
Markov blanket: genitori+figli+altri genitori dei figliMarkov blanket: genitori+figli+altri genitori dei figli
Slides Intelligenza Artificiale, VincenSlides Intelligenza Artificiale, Vincenzo Cutellozo Cutello
2626
Costruzione delle reti di credenzaCostruzione delle reti di credenza Abbiamo bisogno di un metodo tale che una serie Abbiamo bisogno di un metodo tale che una serie
di asserzioni localmente verificabili di indipendenze di asserzioni localmente verificabili di indipendenze condizionali garantisca le semantiche globali condizionali garantisca le semantiche globali richiesterichieste
∏∏
=
= −
−
=
=
=
=
n
i ii
n
i iin
iiii
i
n
XGenitoriX
XXXXX
XXXXGenitoriX
X
X
ni
XX
1
1 111
11
1-i1
1
ecostruzionper ))(|(P
ione)concatenaz della (regola ),...,|(P),...,(P
:globali semantiche le garantisce genitori dei scelta Questa
),...,|P())(|(P
che taliX,..., da genitori i seleziona
rete alla aggiungi
a fino 1Per .2
,..., variabiledelle ordineun Scegliere.1
Slides Intelligenza Artificiale, VincenSlides Intelligenza Artificiale, Vincenzo Cutellozo Cutello
2727
EsempioEsempioSupponiamo di scegliere l’ordine M, J, A, I, TSupponiamo di scegliere l’ordine M, J, A, I, T
MJ
P(J | M) = P(J) ? No
Allarme
P(A | J, M) = P(A | J) ? P(A | J,M) = P(A) ?
Intruso
NoP(I | A, J, M) = P(I | A) ?P(I | A, J, M) = P(I) ?
Terremoto
SiNo
P(T | I, A, J, M) = P(T | A) ?P(T | I, A, J, M) = P(T | A, I) ?
NoSi
Slides Intelligenza Artificiale, VincenSlides Intelligenza Artificiale, Vincenzo Cutellozo Cutello
2828
Esempio: dal meccanicoEsempio: dal meccanico
Problema: il motore non parteProblema: il motore non parteVariabili: Batteria, Radio, Iniezione, Gasolio, Variabili: Batteria, Radio, Iniezione, Gasolio,
AccensioneAccensione
BI
A
R
G