Presentasi sedang didownload. Silahkan tunggu

Presentasi sedang didownload. Silahkan tunggu

KECERDASAN BUATAN (ARTIFICIAL INTELLIGENCE) PERTEMUAN 7 KETIDAKPASTIAN.

Presentasi serupa


Presentasi berjudul: "KECERDASAN BUATAN (ARTIFICIAL INTELLIGENCE) PERTEMUAN 7 KETIDAKPASTIAN."— Transcript presentasi:

1 KECERDASAN BUATAN (ARTIFICIAL INTELLIGENCE) PERTEMUAN 7 KETIDAKPASTIAN

2 Bahasan  Review Probabilistic dan kompleksitas  Independence = efficiency  Pendahuluan “Ketidakpastian”  Teorema Bayes  Ringkasan

3 Review: Probabilistic Inference  Dengan joint probability distribution, probability sembarang proposition dapat dihitung sbg. jumlah probability sample point yang bernilai true.

4 NORMALISASI

5 Beberapa istilah

6 Complexity inference dgn joint distribution

7 Outline 1 Review & kompleksitas 2 Independence = efficiency 3 Pendahuluan Ketidakpastian Bayes’ Rule 4 Ringkasan

8 Independence

9 Contoh lain

10 Conditional Independence

11 Conditional independence = efisien

12 Pendahuluan Ketidakpastian  Banyak masalah di dunia ini yang tidak dapat dimodelkan secara lengkap dan konsisten  Contoh penalaran induktif: premis 1:aljabar adalah pelajaran sulit premis 2:geometri adalah pelajaran sulit premis 3:kalkukus adalah pelajaran sulit konklusi: matematika adalah pelajaran sulit  Munculnya premis baru bisa mengubah konklusi yang ada, misal: premis 4:biologi adalah pelajaran sulit konklusi ?????

13 Macam Penalaran  Penalaran non monotonis suatu penalaran dimana fakta baru mengakibatkan ketidak konsistenan Ciri: 1. mengandung ketidakpastian 2. adanya perubahan pada pengetahuan 3. adanya penambahan fakta baru merubah konklusi ( dibutuhkan penalaran statistik !!! )  Penalaran monotonis Ciri: 1. konsisten 2. pengetahuannya lengkap

14 Outline 1 Review & kompleksitas 2 Independence = efficiency 3 Bayes’ Rule 4 Ringkasan

15 Bayes' Rule  Rule Poduct P(a  b) = P(a | b) P(b) = P(b | a) P(a)  Bayes' rule: P(a | b) = P(b | a) P(a) / P(b)  Atau dalam bentuk distribusi P(Y|X) = P(X|Y) P(Y) / P(X) = α P(X|Y) P(Y)  Kegunaan menentukan probabilitas diagnostik dari probabilitas kausal:  P(Cause|Effect) = P(Effect|Cause) P(Cause) / P(Effect)  Contoh: Anggap M adalah meningitis, S adalah sakit leher: P(m|s) = P(s|m) P(m) / P(s) = 0.8 × / 0.1 =  Catatan: probabilitas posterior meningitis masih sangat kecil!

16 Bayes' Rule dan kebebasan kondisional P(Cavity | toothache  catch) = α P(toothache  catch | Cavity) P(Cavity) = α P(toothache | Cavity) P(catch | Cavity) P(Cavity)  Ini adalah contoh model Bayes yang naïve : P(Cause,Effect 1, …,Effect n ) = P(Cause) π i P(Effect i |Cause)  Jumlah parameter total linear dalam n

17 Dari mana asalnya nilai P?

18 Bayes’ Rule

19 Bayes’ Rule & Distribution

20 Tugas  Cari / resume metode ketidakpastian: 1(ganjil). Certainty Factor 2(genap). Teorema Dempster Shafer

21 Outline 1 Review & kompleksitas 2 Independence 3 Bayes’ Rule 4 Ringkasan

22 Ringkasan  Inference dengan full joint distribution konsepnya sangat mudah dimengerti, tetapi dalam kenyataan tidak feasible (exponential time & space complexity)  Agar inference bisa tractable, kita mengambil asumsi independence.  Dalam kenyataan, kita hanya bisa mengambil asumsi conditional independence.  Bayes’ Rule, ditambah dengan conditional independence, adalah mekanisme yang sangat berguna.


Download ppt "KECERDASAN BUATAN (ARTIFICIAL INTELLIGENCE) PERTEMUAN 7 KETIDAKPASTIAN."

Presentasi serupa


Iklan oleh Google