Presentasi sedang didownload. Silahkan tunggu

Presentasi sedang didownload. Silahkan tunggu

KECERDASAN BUATAN (ARTIFICIAL INTELLIGENCE)

Presentasi serupa


Presentasi berjudul: "KECERDASAN BUATAN (ARTIFICIAL INTELLIGENCE)"— Transcript presentasi:

1 KECERDASAN BUATAN (ARTIFICIAL INTELLIGENCE)
TEORI 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 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) = 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 × / 0.1 = Catatan: probabilitas posterior meningitis masih sangat kecil!

16 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

17 Dari mana asalnya nilai P?

18 Bayes’ Rule

19 Bayes’ Rule & Distribution

20 Tugas Cari / resume metode ketidakpastian:
NIM (ganjil). Certainty Factor NIM (genap). Teorema Dempster Shafer Mencari kasus terserah yg memiliki (minimal 1 variabel numerik dan 1 variabel character), setelah itu cari probabilitas mengg. Teori bayes, data minimal 10 data Individu dikumpulkan minggu depan, hari kamis

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)"

Presentasi serupa


Iklan oleh Google