inc 551 artificial intelligence n.
Download
Skip this Video
Loading SlideShow in 5 Seconds..
INC 551 Artificial Intelligence PowerPoint Presentation
Download Presentation
INC 551 Artificial Intelligence

Loading in 2 Seconds...

play fullscreen
1 / 39

INC 551 Artificial Intelligence - PowerPoint PPT Presentation


  • 96 Views
  • Uploaded on

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.

loader
I am the owner, or an agent authorized to act on behalf of the owner, of the copyrighted work described.
capcha
Download Presentation

PowerPoint Slideshow about 'INC 551 Artificial Intelligence' - jenny


An Image/Link below is provided (as is) to download presentation

Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -
Presentation Transcript
inc 551 artificial intelligence

INC 551 Artificial Intelligence

Lecture 7

Planning &

Probability

definition of planning
Definition of Planning

Planning = The task of coming up with a sequence of actions

That will achieve a goal

planning of logical agent
Planning of Logical Agent

World model = Proposition, First-order logic

จะใช้วิธี Search the world model ไม่ได้

search the logic model
Search the Logic Model

มีแต่

irrelevant

actions

ในแต่ละ

ที่ที่จะไป

มีทางเลือกมากเกินไป

strips operator
STRIPS OPERATOR

STRIPS = Stanford Research Institute Problem Solver

จะมีโครงส้างของ action แต่ละอันคือ

Model ของ

Action ใน strip

partial order planning
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
POP: Example

จะออกจากบ้านไปซื้อของคือ drill, milk, banana

ต้องการสร้าง plan

Drill ขายที่ hardware store

Milk, banana ขายที่ supermarket

slide9

Plan Have(milk)

กับ Have(drill)

แยกกัน

uncertainty1
Uncertainty
  • Propositional logic
  • First-order logic
  • True – false - unknown
different types of logics

เพราะในโลกมักมีสิ่งที่ไม่แน่นอนเพราะในโลกมักมีสิ่งที่ไม่แน่นอน

Different Types of Logics
slide20

Knowledge Base

นอนตกหมอน -> เจ็บคอ

เจ็บคอ -> เป็นโรคไอ

Query

ถ้ามีคนไข้มาบอกว่าเจ็บคอ

Forward chaining บอกว่า เขาเป็นโรคไอ

Backward chaining บอกว่า เขานอนตกหมอนมา

จะพบว่าไม่เกี่ยวกันเพราะคำพูดทั่วไปจะกำกวมในตัวมันเอง

slide21

ผู้ป่วยบอกอาการว่า “เจ็บคอ”

Believe ตกหมอน 50%

ไอ 50%

ขาหัก 0%

ผู้ป่วยบอกอาการต่อไปอีกว่า “มีไข้”

Believe ตกหมอน 20%

ไอ 80%

ขาหัก 0%

slide22

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
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
Random Variable

คือ ตัวแปรที่มีค่าแปรผันตามความน่าจะเป็นที่กำหนด

จะเป็นได้ทั้ง continuous and discrete

discrete random variable
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
Continuous Random Variable

P(x)

x

P(-1<x<1) = 0.66

P(x=0) = 0

conditional probability
Conditional Probability

Probability แบบมีเงื่อนไข

หมายถึงถ้ารู้ว่า toothache แล้ว (รู้อย่างเดียว)

จะมี probability =0.8 ที่เป็น cavity

example
Example
  • หมอฟันต้องการตรวจคนไข้ว่าฟันผุหรือไม่ (Cavity)
  • จะใช้การดูอาการ 2 อย่าง
  • อาการปวดฟัน (Toothache)
  • ตรวจด้วยเครื่องมือแพทย์ว่ามีรูที่ฟัน (Catch)

โรค (Cause) = Cavity

อาการ (Effect) = Toothache, Catch

example1
Example

มี proposition 3 อย่าง toothache, cavity, catch

P(toothache) = ??

na ve 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
Wumpus World

P(pit) = 0.2