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.