WykÅad 3: Sieci Bayesa
WykÅad 3: Sieci Bayesa WykÅad 3: Sieci Bayesa
Sieci te mają wiele zastosowań m.in. w Sztucznej inteligencji, medycynie (w diagnozowaniu), w genetyce, statystyce, w ekonomii. O popularności SB zadecydowało to, że są dla nich wydajne metody wnioskowania. Możliwe jest proste wnioskowanie o zależności względnej i bezwzględnej badanych atrybutów. Niezależność może tak zmodularyzować naszą wiedzę, że wystarczy zbadanie tylko części informacji istotnej dla danego zapytania, zamiast potrzeby eksploracji całej wiedzy. Sieci Bayesowskie mogą być ponadto rekonstruowane, nawet jeśli tylko część właściwości warunkowej niezależności zmiennych jest znana. Inną cechą SB jest to, że taką sieć można utworzyć mając niepełne dane na temat zależności warunkowej atrybutów.
Przykład: jakie są szanse zdania ustnego egzaminu u prof. X, który jest kibicem Wisły i nie lubi deszczu ? Z - zaliczony egzamin N - dobre przygotowanie H - dobry humor egzaminatora A - awans Wisły do Ligi Mistrzów D - deszcz Łączny rozkład prawdopodobieństwa: P(Z, N, H, A ,D) wyznaczony przez 2 5 wartości (32 wartości)
- Page 1 and 2: Agnieszka Nowak - Brzezińska
- Page 3 and 4: Każdy obiekt traktowany jest jako
- Page 5 and 6: Klasyfikacja bayesowska, to metoda
- Page 7 and 8: Koncepcja sieci Bayesa wynika wpros
- Page 9: Wejście: • Rozważana populacja
- Page 12 and 13: Ze zbioru treningowego obliczamy: P
- Page 14 and 15: Thomas Bayes (ur. ok. 1702 w Londyn
- Page 16: Jeśli A i B są prostymi zdarzenia
- Page 19 and 20: Siecią Bayesa nazywamy skierowany
- Page 21 and 22: Pod pojęciem sieci Bayesowskiej ro
- Page 23 and 24: Rozkład prawdopodobieństw zapisuj
- Page 25: zdefiniowanie zmiennych, zdefiniowa
- Page 29 and 30: P(A) 0.20 P(D) 0.30 P(N) 0.20 A D P
- Page 31 and 32: Reguła łańcuchowa: z def. P(X 1
- Page 33 and 34: Prawdopodobieństwo Zaliczenia 74%
- Page 35 and 36: Jeśli się przygotowaliśmy, to ja
- Page 37 and 38: Dodajemy wierzchołki decyzyjne (Po
- Page 39 and 40: A - pogoda (słonecznie/pochmurno/d
- Page 41 and 42: A a1 0.25 a2 0.25 a3 0.25 a4 0.25 P
- Page 43 and 44: A a1 0.25 a2 0.25 a3 0.25 a4 0.25 P
- Page 45 and 46: Jakie są szanse zdania ustnego egz
- Page 47 and 48: Jak prawdopodobne jest zdanie egzam
- Page 55 and 56: SMILE Zestaw klas C++ implementują
- Page 57: Węzły bez poprzedników są opisa
- Page 66 and 67: Rozważmy osobę, która spędza sp
- Page 68 and 69: Otrzymane wyniki (kolor fioletowy n
- Page 70: Sieci bayesowskie - efektywne narz
- Page 75 and 76: Jeśli wiemy, że kulek czerwonych
Przykład: jakie są szanse zdania ustnego egzaminu u prof. X, który jest<br />
kibicem Wisły i nie lubi deszczu ?<br />
Z - zaliczony egzamin<br />
N - dobre przygotowanie<br />
H - dobry humor egzaminatora<br />
A - awans Wisły do Ligi Mistrzów<br />
D - deszcz<br />
Łączny rozkład prawdopodobieństwa:<br />
P(Z, N, H, A ,D)<br />
wyznaczony przez 2 5 wartości (32 wartości)
Change language