KECERDASAN BUATAN (ARTIFICIAL INTELLIGENCE)

Slides:



Advertisements
Presentasi serupa
PEMBERIAN ALASAN DI BAWAH KETIDAKPASTIAN
Advertisements

Pemberian Alasan Yang Tidak Eksak
KETIDAKPASTIAN.
Pendahuluan Landasan Teori.
Metode Inferensi dan Penalaran
Probabilitas Bagian 2.
Ketidakpastian Stmik-mdp, Palembang
FAKTOR KEPASTIAN (CERTAINTY FACTOR)
Team Teaching Ketidakpastian.
Kuliah Sistem Pakar “INFERENSI DENGAN KETIDAK PASTIAN”
PEUBAH ACAK DAN DISTRIBUSI PROBABILITAS
Dasar probabilitas.
KECERDASAN BUATAN (ARTIFICIAL INTELLIGENCE)
KETIDAKPASTIAN (UNCERTAINTY)
Pemberian Alasan Di bawah Ketidakpastian
Pertemuan 05 Sebaran Peubah Acak Diskrit
Dasar probabilitas.
Part 2 Menghitung Probabilitas
NIPRL 1.4 Probabilitas Bersyarat Definisi Probabilitas Bersyarat(1/2) Probabilitas Bersyarat Probabilitas bersyarat kejadian A pada kejadian B adalah.
Definisi Inferensi  Inferensi adalah : Proses yang digunakan dalam Sistem Pakar untuk menghasilkan informasi baru dari informasi yang telah diketahui.
KONSEP DASAR PROBABILITAS
Ketidakpastian (Uncertainty)
Artificial Intelligence
Modul X Probabilitas.
Probabilitas & Teorema Bayes
KONSEP DASAR PROBABILITAS
Faktor keTIDAKpastian (cf)
KONSEP DASAR PROBABILITAS
KONSEP DASAR PROBABILITAS
KONSEP DASAR PROBABILITAS
Sistem Pakar Ketidakpastian
KONSEP DASAR PROBABILITAS
Statistika Chapter 4 Probability.
MODUL PERKULIAHAN SESI 1
Review probabilitas (2)
Ketidakpastian (Uncertainty)
MODUL PERKULIAHAN SESI 1
Pertemuan 7 KETIDAKPASTIAN
KONSEP DASAR PROBABILITAS
Jaringan Syaraf Tiruan
ARGUMEN INDUKTIF (Induksi). Definisi Induksi Istilah induksi biasanya mencakup proses-proses penyimpulan dalam rangka mendukung atau memperluas keyakinan.
WIKE AGUSTIN PRIMA DANIA, STP,M.ENG
Teori Peluang dan Aturan Penjumlahan
Metode penanganan ketidakpastian dengan sistem pakar
BAB 7 KEMUNGKINAN 18 MARET 2010 BAMBANG IRAWAN.
Review probabilitas (1)
FITRI UTAMININGRUM, ST, MT
Pertemuan 7 KETIDAKPASTIAN
Faktor keTIDAKpastian (Uncertainty)
Tutun Juhana Review probabilitas Tutun Juhana
Tutun Juhana Review probabilitas Tutun Juhana
Sistem Berbasis Pengetahuan
KONSEP DASAR PROBABILITAS
Random Variable (Peubah Acak)
PROBABILITAS.
.:: NAive bayes ::. DSS - Wiji Setiyaningsih, M.Kom.
BAB 7 KEMUNGKINAN 18 MARET 2010 BAMBANG IRAWAN.
Pert 7 KETIDAKPASTIAN.
BAB XII PROBABILITAS (Aturan Dasar Probabilitas) (Pertemuan ke-27)
BAB 8 teori probabilitas
Pertemuan 7 KETIDAKPASTIAN
08 TEORI PROBABILITAS Konsep Dasar Probabilitas Bethriza Hanum ST., MT
Uncertainty Representation (Ketidakpastian).
KONSEP DASAR PROBABILITAS
Probabilitas & Teorema Bayes
KECERDASAN BUATAN (ARTIFICIAL INTELLIGENCE)
MATEMATIKA PELUANG KULIAH KE 3.
KONSEP DASAR PROBABILITAS
KONSEP DASAR PROBABILITAS
Kuliah Sistem Pakar Pertemuan VII “INFERENSI DENGAN KETIDAK PASTIAN”
Transcript presentasi:

KECERDASAN BUATAN (ARTIFICIAL INTELLIGENCE) PERTEMUAN 7 KETIDAKPASTIAN

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

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

NORMALISASI

Beberapa istilah

Complexity inference dgn joint distribution

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

Independence

Contoh lain

Conditional Independence

Conditional independence = efisien

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 ?????

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 1. konsisten 2. pengetahuannya lengkap

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

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) = αP(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 × 0.0001 / 0.1 = 0.0008 Catatan: probabilitas posterior meningitis masih sangat kecil!

Bayes' Rule dan kebebasan kondisional P(Cavity | toothache  catch) = αP(toothache  catch | Cavity) P(Cavity) = αP(toothache | Cavity) P(catch | Cavity) P(Cavity) Ini adalah contoh model Bayes yang naïve : P(Cause,Effect1, … ,Effectn) = P(Cause) πiP(Effecti|Cause) Jumlah parameter total linear dalam n

Dari mana asalnya nilai P?

Bayes’ Rule

Bayes’ Rule & Distribution

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

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

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.