Intelligenza Artificiale 1 Gestione della conoscenza lezione 7 Prof. M.T. PAZIENZA a.a. 2000-2001.
Intelligenza Artificiale Metodologie di ragionamento Prof. M.T. PAZIENZA a.a. 2002-2003.
-
Upload
loreto-de-stefano -
Category
Documents
-
view
221 -
download
0
Transcript of Intelligenza Artificiale Metodologie di ragionamento Prof. M.T. PAZIENZA a.a. 2002-2003.
![Page 1: Intelligenza Artificiale Metodologie di ragionamento Prof. M.T. PAZIENZA a.a. 2002-2003.](https://reader034.fdocuments.net/reader034/viewer/2022051515/5542eb4f497959361e8be8e7/html5/thumbnails/1.jpg)
Intelligenza Artificiale Metodologie di ragionamento
Prof. M.T. PAZIENZA
a.a. 2002-2003
![Page 2: Intelligenza Artificiale Metodologie di ragionamento Prof. M.T. PAZIENZA a.a. 2002-2003.](https://reader034.fdocuments.net/reader034/viewer/2022051515/5542eb4f497959361e8be8e7/html5/thumbnails/2.jpg)
Conoscenza e ragionamento in situazioni di incertezza
Incertezza come problema reale della descrizione di problemi su cui decidere
• Un agente può acquisire informazioni incerte sull’ambiente
• Il problema non può essere descritto totalmente (mancanza di alcune informazioni / numero infinito di affermazioni possibili)
L’incertezza non è evitabile in mondi complessi, dinamici o inaccessibili.
![Page 3: Intelligenza Artificiale Metodologie di ragionamento Prof. M.T. PAZIENZA a.a. 2002-2003.](https://reader034.fdocuments.net/reader034/viewer/2022051515/5542eb4f497959361e8be8e7/html5/thumbnails/3.jpg)
Incertezza
Quando gli agenti non hanno accesso all’intera conoscenza dell’ambiente (cartello VIETATO FUMARE illeggibile)
Quando gli agenti hanno una incompleta, o non totalmente corretta, comprensione delle proprietà dell’ambiente (simbolo nuovo di VIETATO FUMARE).
Quando le regole sul dominio risultano incomplete in quanto ci sono “troppe” condizioni da enumerare esplicitamente o alcune condizioni sono ignorate.
![Page 4: Intelligenza Artificiale Metodologie di ragionamento Prof. M.T. PAZIENZA a.a. 2002-2003.](https://reader034.fdocuments.net/reader034/viewer/2022051515/5542eb4f497959361e8be8e7/html5/thumbnails/4.jpg)
Conoscenza incerta
Caso della diagnosi ( in qualunque settore)
Si è in una situazione di incertezza in quanto la lista di situazioni e cause da descrivere non può essere esaustiva (praticamente infinita per la mancanza di conoscenza universale)
![Page 5: Intelligenza Artificiale Metodologie di ragionamento Prof. M.T. PAZIENZA a.a. 2002-2003.](https://reader034.fdocuments.net/reader034/viewer/2022051515/5542eb4f497959361e8be8e7/html5/thumbnails/5.jpg)
Incertezza
Massimizzare la misura delle prestazioni, date le informazioni che si hanno sull’ambiente.
La cosa giusta da fare, la decisione razionale, dipende sia dall’importanza relativa degli obiettivi, che dalla probabilità e dal grado con cui verranno raggiunti.
![Page 6: Intelligenza Artificiale Metodologie di ragionamento Prof. M.T. PAZIENZA a.a. 2002-2003.](https://reader034.fdocuments.net/reader034/viewer/2022051515/5542eb4f497959361e8be8e7/html5/thumbnails/6.jpg)
Conoscenza e ragionamento con incertezza
Teoria della probabilità fornisce le basi per il trattamento di sistemi che ragionano con incertezza
Teoria dell’utilità per pesare la desiderabilità degli obiettivi e la probabilità di raggiungerli (in quanto le azioni non sono più certe del raggiungimento degli obiettivi)
![Page 7: Intelligenza Artificiale Metodologie di ragionamento Prof. M.T. PAZIENZA a.a. 2002-2003.](https://reader034.fdocuments.net/reader034/viewer/2022051515/5542eb4f497959361e8be8e7/html5/thumbnails/7.jpg)
Logica e conoscenza incerta
Non si può usare la logica del primo ordine per gestire la diagnosi:
• impossibilità di elencare l’insieme praticamente infinito di antecedenti e conseguenti per evitare eccezioni
• mancata conoscenza metodologica completa• mancata conoscenza applicativa completa
L’agente non potrà mai agire con una piena consapevolezza di verità e correttezza, avrà solo un grado di credenza sulla bontà delle azioni da intraprendere e dei risultati.
![Page 8: Intelligenza Artificiale Metodologie di ragionamento Prof. M.T. PAZIENZA a.a. 2002-2003.](https://reader034.fdocuments.net/reader034/viewer/2022051515/5542eb4f497959361e8be8e7/html5/thumbnails/8.jpg)
Teoria della probabilità
La teoria della probabilità assegna un valore di credenza (tra 0 ed 1) che esprime l’incertezza.
La probabilità esprime l’incapacità dell’agente di raggiungere una decisione definita a proposito della verità di una formula e riassumere le credenze di un agente.
![Page 9: Intelligenza Artificiale Metodologie di ragionamento Prof. M.T. PAZIENZA a.a. 2002-2003.](https://reader034.fdocuments.net/reader034/viewer/2022051515/5542eb4f497959361e8be8e7/html5/thumbnails/9.jpg)
Teoria della probabilità
Valore 0 <--> credenza non equivocabile che la formula è falsa
Valore 1 <--> credenza non equivocabile che la formula è vera
Valori 0,1..0,9 <--> gradi di credenza intermedi rispetto alla verità/falsità della formula
![Page 10: Intelligenza Artificiale Metodologie di ragionamento Prof. M.T. PAZIENZA a.a. 2002-2003.](https://reader034.fdocuments.net/reader034/viewer/2022051515/5542eb4f497959361e8be8e7/html5/thumbnails/10.jpg)
Teoria della probabilità
Il vantaggio principale del ragionamento probabilistico rispetto a quello logico consiste nel permettere all’agente di giungere a decisioni razionali anche quando non vi è abbastanza informazione per dimostrare che qualsiasi azione data funzionerà.
![Page 11: Intelligenza Artificiale Metodologie di ragionamento Prof. M.T. PAZIENZA a.a. 2002-2003.](https://reader034.fdocuments.net/reader034/viewer/2022051515/5542eb4f497959361e8be8e7/html5/thumbnails/11.jpg)
Teoria della probabilità
La teoria della probabilità assume la stessa assunzione ontologica della logica:
i fatti del mondo sono: veri o no
(con una certa probabilità)
![Page 12: Intelligenza Artificiale Metodologie di ragionamento Prof. M.T. PAZIENZA a.a. 2002-2003.](https://reader034.fdocuments.net/reader034/viewer/2022051515/5542eb4f497959361e8be8e7/html5/thumbnails/12.jpg)
Teoria della probabilità
Un valore a% di probabilità esprime il valore percentuale a% di casi indistinguibili tra loro e considerati veri.
Il valore di probabilità è calcolato con:
• metodi statistici
• regole generali
• regole basate su informazioni ambientali estemporanee
![Page 13: Intelligenza Artificiale Metodologie di ragionamento Prof. M.T. PAZIENZA a.a. 2002-2003.](https://reader034.fdocuments.net/reader034/viewer/2022051515/5542eb4f497959361e8be8e7/html5/thumbnails/13.jpg)
Semantica degli enunciati di probabilità
Nella logica del primo ordine ed in quella proposizionale, una formula è vera o falsa a seconda dell’interpretazione.
Nella teoria della probabilità, la probabilità che un agente si affidi ad una proposizione dipende dalle percezioni ricevute sino a quel momento (prova).
Le probabilità possono cambiare quando si acquisiscono nuove prove (percezioni ricevute sino a quel momento)
![Page 14: Intelligenza Artificiale Metodologie di ragionamento Prof. M.T. PAZIENZA a.a. 2002-2003.](https://reader034.fdocuments.net/reader034/viewer/2022051515/5542eb4f497959361e8be8e7/html5/thumbnails/14.jpg)
Teoria della probabilità
Probabilità a priori o incondizionata (prima della prova).
Probabilità a posteriori o condizionata (dopo l’acquisizione delle prove)
![Page 15: Intelligenza Artificiale Metodologie di ragionamento Prof. M.T. PAZIENZA a.a. 2002-2003.](https://reader034.fdocuments.net/reader034/viewer/2022051515/5542eb4f497959361e8be8e7/html5/thumbnails/15.jpg)
Incertezza e decisioni
Un agente logico ha un solo obiettivo ed esegue un piano che garantisce il suo raggiungimento (indipendentemente da altre azioni)
Un agente probabilistico è certo di raggiungere l’obiettivo con qualche probabilità (ed avendo preferito alcune tra le conseguenze possibili!!!).
![Page 16: Intelligenza Artificiale Metodologie di ragionamento Prof. M.T. PAZIENZA a.a. 2002-2003.](https://reader034.fdocuments.net/reader034/viewer/2022051515/5542eb4f497959361e8be8e7/html5/thumbnails/16.jpg)
Teoria dell’utilità
La teoria dell’utilità permette di rappresentare le preferenze dell’agente.
Ogni stato ha un grado di utilità per un agente; l’agente preferirà di volta in volta stati con utilità più alta.
L’utilità non è una priorità dello stato.
Non c’è oggettività nella scelta delle preferenze; soggettività rispetto a ciascun agente.
![Page 17: Intelligenza Artificiale Metodologie di ragionamento Prof. M.T. PAZIENZA a.a. 2002-2003.](https://reader034.fdocuments.net/reader034/viewer/2022051515/5542eb4f497959361e8be8e7/html5/thumbnails/17.jpg)
Teoria delle decisioni
Le preferenze (utilità) sono combinate con le probabilità nella teoria delle decisioni.
Teoria delle probabilità + Teoria dell’utilità
=
Teoria delle decisioni
![Page 18: Intelligenza Artificiale Metodologie di ragionamento Prof. M.T. PAZIENZA a.a. 2002-2003.](https://reader034.fdocuments.net/reader034/viewer/2022051515/5542eb4f497959361e8be8e7/html5/thumbnails/18.jpg)
Teoria delle decisioni
Necessità di un linguaggio formale per rappresentare e ragionare con la conoscenza incerta
Necessità di gestire formule con un valore di credenza assegnato e la dipendenza di tale valore di credenza dalla conoscenza dell’agente
![Page 19: Intelligenza Artificiale Metodologie di ragionamento Prof. M.T. PAZIENZA a.a. 2002-2003.](https://reader034.fdocuments.net/reader034/viewer/2022051515/5542eb4f497959361e8be8e7/html5/thumbnails/19.jpg)
Agente basato sulla teoria delle decis.
![Page 20: Intelligenza Artificiale Metodologie di ragionamento Prof. M.T. PAZIENZA a.a. 2002-2003.](https://reader034.fdocuments.net/reader034/viewer/2022051515/5542eb4f497959361e8be8e7/html5/thumbnails/20.jpg)
Teoria delle decisioni
L’influenza dell’esperienza dell’agente si manifesta nella distinzione sintattica tra
gli enunciati della probabilità a priori e
gli enunciati della probabilità condizionata che comprende le prove
Estensione della logica proposizionale
![Page 21: Intelligenza Artificiale Metodologie di ragionamento Prof. M.T. PAZIENZA a.a. 2002-2003.](https://reader034.fdocuments.net/reader034/viewer/2022051515/5542eb4f497959361e8be8e7/html5/thumbnails/21.jpg)
Probabilità a priori P(A)
P(A) è la probabilità incondizionata o a priori che l’evento/proposizione A sia vera in mancanza di altre informazioni
La proposizione (che è il soggetto di un enunciato di probabilità) può essere rappresentata da un simbolo proposizionale P(A).
Le proposizioni includono variabili casuli.
![Page 22: Intelligenza Artificiale Metodologie di ragionamento Prof. M.T. PAZIENZA a.a. 2002-2003.](https://reader034.fdocuments.net/reader034/viewer/2022051515/5542eb4f497959361e8be8e7/html5/thumbnails/22.jpg)
Variabili casuali
Le variabili casuali denotano le caratteristiche del dominio di interesse
Ogni variabile casuale X può assumere valori possibili (x, y,…z) in un dominio predefinito
Quando si ha un vettore di valori per le probabilità di ogni singolo stato, si parla di
distribuzione di probabilità.
![Page 23: Intelligenza Artificiale Metodologie di ragionamento Prof. M.T. PAZIENZA a.a. 2002-2003.](https://reader034.fdocuments.net/reader034/viewer/2022051515/5542eb4f497959361e8be8e7/html5/thumbnails/23.jpg)
Teoria della probabilità
Le funzioni di probabilità devono soddisfare le seguenti proprietà:
1. Assumere un valore compreso tra 0 ed 12. La sommatoria su tutti i valori possibili
delle variabili deve essere pari ad 13. La probabilità di proposizioni
necessariamente vera deve essere 1, quella di proposizioni necessariamente false deve essere 0
![Page 24: Intelligenza Artificiale Metodologie di ragionamento Prof. M.T. PAZIENZA a.a. 2002-2003.](https://reader034.fdocuments.net/reader034/viewer/2022051515/5542eb4f497959361e8be8e7/html5/thumbnails/24.jpg)
Distribuzione di probabilità congiunta
La distribuzione di probabilità congiunta specifica completamente le assegnazioni di probabilità per tutte le proposizioni nel dominio di un agente.
Si ha un insieme di variabili casuali che possono assumere determinati valori con certe probabilità
![Page 25: Intelligenza Artificiale Metodologie di ragionamento Prof. M.T. PAZIENZA a.a. 2002-2003.](https://reader034.fdocuments.net/reader034/viewer/2022051515/5542eb4f497959361e8be8e7/html5/thumbnails/25.jpg)
Evento atomico
Un evento atomico è un’assegnazione di valori particolari a tutte le variabili.
La distribuzione di probabilità congiunta assegna probabilità a tutti gli eventi atomici.
La specifica delle probabilità di un evento atomico può essere molto difficile se non si dispone di grandi quantità di dati da cui estrarre stime statistiche.
![Page 26: Intelligenza Artificiale Metodologie di ragionamento Prof. M.T. PAZIENZA a.a. 2002-2003.](https://reader034.fdocuments.net/reader034/viewer/2022051515/5542eb4f497959361e8be8e7/html5/thumbnails/26.jpg)
Probabilità congiunta
La probabilità congiunta è una tavola
n-dimensionale con un valore in ogni cella che
fornisce la probabilità che quello specifico stato
(rappresentato da quelle variabili casuali) si verifichi
A -A
B 0.04 0.06
-B 0.01 0.89
Sommando lungo la riga o la colonna si ha la probabilità incondizionata di quella variabile
![Page 27: Intelligenza Artificiale Metodologie di ragionamento Prof. M.T. PAZIENZA a.a. 2002-2003.](https://reader034.fdocuments.net/reader034/viewer/2022051515/5542eb4f497959361e8be8e7/html5/thumbnails/27.jpg)
Probabilità condizionale
E’ possibile fare inferenze a proposito della probabilità di una proposizione ignota A, data prova di B, calcolando P(A/B) (inferenza probabilistica).
Un’interrogazione ad un sistema di ragionamento probabilistico chiederà di calcolare il valore di una particolare probabilità condizionata.
![Page 28: Intelligenza Artificiale Metodologie di ragionamento Prof. M.T. PAZIENZA a.a. 2002-2003.](https://reader034.fdocuments.net/reader034/viewer/2022051515/5542eb4f497959361e8be8e7/html5/thumbnails/28.jpg)
Probabilità condizionata
P(A/B) è la probabilità condizionata o a posteriori che l’evento/proposizione A sia vera dopo che si sia verificato l’evento/proposizione B.
In generaleP(X,Y)=P(X/Y)P(Y)
fornisce la probabilità congiunta delle variabili nei domini di variabilità delle variabili casuali.
La probabilità condizionale di una disgiunzione è data da P(AvB)=P(A)+P(B)-P(A^B)
![Page 29: Intelligenza Artificiale Metodologie di ragionamento Prof. M.T. PAZIENZA a.a. 2002-2003.](https://reader034.fdocuments.net/reader034/viewer/2022051515/5542eb4f497959361e8be8e7/html5/thumbnails/29.jpg)
Probabilità
![Page 30: Intelligenza Artificiale Metodologie di ragionamento Prof. M.T. PAZIENZA a.a. 2002-2003.](https://reader034.fdocuments.net/reader034/viewer/2022051515/5542eb4f497959361e8be8e7/html5/thumbnails/30.jpg)
P(A/B) = P (A ^ B) P(B)
•Probabilità di un evento P(A)
•Probabilità congiunta P(a,b,c,…n)
•Probabilità condizionata a posteriori
![Page 31: Intelligenza Artificiale Metodologie di ragionamento Prof. M.T. PAZIENZA a.a. 2002-2003.](https://reader034.fdocuments.net/reader034/viewer/2022051515/5542eb4f497959361e8be8e7/html5/thumbnails/31.jpg)
Assiomi della teoria della probabilità
0 < P (A) < 1
P(VERO) = 1 P(FALSO) = 0
P (A v B) = P(A) + P(B) – P(A ^ B)
![Page 32: Intelligenza Artificiale Metodologie di ragionamento Prof. M.T. PAZIENZA a.a. 2002-2003.](https://reader034.fdocuments.net/reader034/viewer/2022051515/5542eb4f497959361e8be8e7/html5/thumbnails/32.jpg)
Proprietà della teoria della probabilità
P(A) + P( ¬ A) = 1
P( ¬ A) = 1 – P(A)
P(A v ¬ A) = P(A) + P( ¬ A) – P (A ^ ¬ A)
P (Vero) = P(A) + P( ¬ A) – P (Falso)
![Page 33: Intelligenza Artificiale Metodologie di ragionamento Prof. M.T. PAZIENZA a.a. 2002-2003.](https://reader034.fdocuments.net/reader034/viewer/2022051515/5542eb4f497959361e8be8e7/html5/thumbnails/33.jpg)
Assiomi
Gli assiomi di probabilità costituiscono un punto di riferimento fisso (e stabile) per il ragionamento
Costituiscono un limite alle credenze probabilistiche che un agente può avere
Proteggono il ragionamento probabilistico da credenze contraddittorie dell’agente
![Page 34: Intelligenza Artificiale Metodologie di ragionamento Prof. M.T. PAZIENZA a.a. 2002-2003.](https://reader034.fdocuments.net/reader034/viewer/2022051515/5542eb4f497959361e8be8e7/html5/thumbnails/34.jpg)
Regola di Bayes
P(A^B)=P(A/B)P(B)P(B^A)= P(A^B)=P(B/A)P(A)
da cuiP(A/B)P(B)=P(B/A)P(A)
e quindi la regola di BayesP(B/A)=P(A/B)P(B)
P(A)
che permette di fare inferenza probabilistica
![Page 35: Intelligenza Artificiale Metodologie di ragionamento Prof. M.T. PAZIENZA a.a. 2002-2003.](https://reader034.fdocuments.net/reader034/viewer/2022051515/5542eb4f497959361e8be8e7/html5/thumbnails/35.jpg)
Regola di Bayes
Le relazioni di indipendenza condizionale fra le variabili possono semplificare il calcolo dei risultati delle interrogazioni e ridurre notevolmente il numero di probabilità condizionate che devono essere specificate.
![Page 36: Intelligenza Artificiale Metodologie di ragionamento Prof. M.T. PAZIENZA a.a. 2002-2003.](https://reader034.fdocuments.net/reader034/viewer/2022051515/5542eb4f497959361e8be8e7/html5/thumbnails/36.jpg)
Come catturare conoscenza incertaAssegnazione di valori di probabilità
Partendo da misure di frequenza (di valori di variabili) effettuate su molti casi reali (frequentisti)
Analizzando aspetti reali per cui le misure di probabilità sono valori intrinseci di un oggetto (oggettivisti)
Estrinsecazione delle credenze di un agente (soggettivisti)
![Page 37: Intelligenza Artificiale Metodologie di ragionamento Prof. M.T. PAZIENZA a.a. 2002-2003.](https://reader034.fdocuments.net/reader034/viewer/2022051515/5542eb4f497959361e8be8e7/html5/thumbnails/37.jpg)
Calcolo della probabilità
Come si calcola la probabilità di un evento futuro?
Probabilità indefinita (non e stato mai possibile effettuare una misura)
Probabilità = 1 (misure di eventi analoghi passati hanno dato sempre valore certo, =0 se sempre falso)
Probabilità = 1-e (per considerare un evento imponderabile)
Probabilità funzione di altre conoscenze associabili (soggettività)
![Page 38: Intelligenza Artificiale Metodologie di ragionamento Prof. M.T. PAZIENZA a.a. 2002-2003.](https://reader034.fdocuments.net/reader034/viewer/2022051515/5542eb4f497959361e8be8e7/html5/thumbnails/38.jpg)
Ragionamento probabilisticoI sistemi di ragionamento probabilistico permettono
di prendere decisioni razionali anche quando non vi è abbastanza informazione per dimostrare che qualsiasi azione funzionerà.
Per rappresentare la dipendenza fra variabili, si usano le reti di credenza come struttura dati. Permettono anche di specificare concisamente le distribuzioni di probabilità congiunta. Le probabilità riassumono un insieme potenzialmente infinito di possibili circostanze
![Page 39: Intelligenza Artificiale Metodologie di ragionamento Prof. M.T. PAZIENZA a.a. 2002-2003.](https://reader034.fdocuments.net/reader034/viewer/2022051515/5542eb4f497959361e8be8e7/html5/thumbnails/39.jpg)
Rete di credenza
Una rete di credenze è un grafo orientato aciclico (DAG) in cui:
• i nodi sono un insieme di di variabili casuali
• archi direzionali congiungenti coppie di nodi rappresentano l’influenza di una variabile su un’altra
• ad ogni nodo è associata una tabella di prob. condizionata che esprime gli effetti dei nodi che lo influenzano (nodi genitori/predecessori)
![Page 40: Intelligenza Artificiale Metodologie di ragionamento Prof. M.T. PAZIENZA a.a. 2002-2003.](https://reader034.fdocuments.net/reader034/viewer/2022051515/5542eb4f497959361e8be8e7/html5/thumbnails/40.jpg)
Rete di credenza
Una rete bayesiana (di credenza) richiede che ogni nodo del grafo sia
condizionatamente indipendente
da qualsiasi sottoinsieme di nodi che non siano discendenti dei predecessori diretti del nodo stesso
![Page 41: Intelligenza Artificiale Metodologie di ragionamento Prof. M.T. PAZIENZA a.a. 2002-2003.](https://reader034.fdocuments.net/reader034/viewer/2022051515/5542eb4f497959361e8be8e7/html5/thumbnails/41.jpg)
Rete di credenza
Si affida ad un esperto di dominio la definizione della topologia della rete di credenze, poi si calcolano le influenze dirette e le conseguenti probabilità
La rete rappresenta le assunzioni che si effettuano su quel dominio
![Page 42: Intelligenza Artificiale Metodologie di ragionamento Prof. M.T. PAZIENZA a.a. 2002-2003.](https://reader034.fdocuments.net/reader034/viewer/2022051515/5542eb4f497959361e8be8e7/html5/thumbnails/42.jpg)
Rete di credenza
La topologia della rete è la base di conoscenza generale ed astratta dell’ambiente in cui si possono verificare gli eventi, e rappresenta la struttura generale del processo causale nel dominio, piuttosto che fornire dettagli su un particolare elemento.
Nelle reti bayesiane gli archi che connettono i nodi esprimono le relazioni causali dirette
(causa -> effetto)
![Page 43: Intelligenza Artificiale Metodologie di ragionamento Prof. M.T. PAZIENZA a.a. 2002-2003.](https://reader034.fdocuments.net/reader034/viewer/2022051515/5542eb4f497959361e8be8e7/html5/thumbnails/43.jpg)
Rete di credenza
![Page 44: Intelligenza Artificiale Metodologie di ragionamento Prof. M.T. PAZIENZA a.a. 2002-2003.](https://reader034.fdocuments.net/reader034/viewer/2022051515/5542eb4f497959361e8be8e7/html5/thumbnails/44.jpg)
Rete di credenza
Una volta definita la topologia bisogna specificare la tabella delle probabilità condizionate associata ad ogni nodo.
Ogni riga della tabella esprime la probabilità del valore di ogni nodo per un caso condizionante (combinazione di valori dei nodi genitori – produttoria delle prob. condiz.)
Un nodo con nessun genitore è rappresentato dalla probabilità a priori
![Page 45: Intelligenza Artificiale Metodologie di ragionamento Prof. M.T. PAZIENZA a.a. 2002-2003.](https://reader034.fdocuments.net/reader034/viewer/2022051515/5542eb4f497959361e8be8e7/html5/thumbnails/45.jpg)
Rete di credenze con le probabilità condizionate
![Page 46: Intelligenza Artificiale Metodologie di ragionamento Prof. M.T. PAZIENZA a.a. 2002-2003.](https://reader034.fdocuments.net/reader034/viewer/2022051515/5542eb4f497959361e8be8e7/html5/thumbnails/46.jpg)
Rete di credenza
Una rete di credenze rappresenta una (tra le varie possibili) descrizione completa del dominio solo se ogni nodo è condizionalmente indipendente dai suoi predecessori nell’ordinamento dei nodi dati i suoi genitori.
Un elemento della tabella congiunta è la probabilità di una congiunzione di assegnazioni particolari ad ogni variabile P(a,b,c,…n).
![Page 47: Intelligenza Artificiale Metodologie di ragionamento Prof. M.T. PAZIENZA a.a. 2002-2003.](https://reader034.fdocuments.net/reader034/viewer/2022051515/5542eb4f497959361e8be8e7/html5/thumbnails/47.jpg)
Probabilità di un evento
La probabilità congiunta P(a,b,c,..n) è data dal prodotto degli elementi appropriati delle tabelle di probabilità condizionate associate alla rete di credenze.
Poiché la rete di credenze è una rappresentazione della distribuzione congiunta, può essere usata per rispondere ad una interrogazione
![Page 48: Intelligenza Artificiale Metodologie di ragionamento Prof. M.T. PAZIENZA a.a. 2002-2003.](https://reader034.fdocuments.net/reader034/viewer/2022051515/5542eb4f497959361e8be8e7/html5/thumbnails/48.jpg)
Costruz. incrementale rete di credenza
1. Identificare un insieme di variabili rilevanti Xi che descrivano il dominio
2. Scegliere un ordinamento tra le variabili
3. Finché rimangono variabili:– Prendere una Xi ed aggiungere un nodo alla rete– Scegliere l’insieme minimo di genitori di Xi
indipendenti condizionalmente tra loro– Definire la tabella delle proprietà condizionate per Xi.
Garantire la compattezza della rete.
![Page 49: Intelligenza Artificiale Metodologie di ragionamento Prof. M.T. PAZIENZA a.a. 2002-2003.](https://reader034.fdocuments.net/reader034/viewer/2022051515/5542eb4f497959361e8be8e7/html5/thumbnails/49.jpg)
Costruz. incrementale rete di credenza
In un sistema localmente strutturato (rete di credenza) ogni sottocomponente interagisce direttamente solo con un numero limitato di altre componenti, indipendentemente dal numero totale di componenti (prob. condiz. di un nodo rispetto ai suoi genitori esprime tutto ciò che si deve sapere sulle influenze sul nodo di tutti i suoi predecessori)
![Page 50: Intelligenza Artificiale Metodologie di ragionamento Prof. M.T. PAZIENZA a.a. 2002-2003.](https://reader034.fdocuments.net/reader034/viewer/2022051515/5542eb4f497959361e8be8e7/html5/thumbnails/50.jpg)
Costruz. incrementale rete di credenza
Causa Effetto
L’ordine corretto per aggiungere nodi è quello che prevede prima l’inserimento delle “cause alla radice”, quindi delle variabili che influenzano per arrivare poi alle foglie che non hanno nessuna influenza causale sulle altre variabili.
![Page 51: Intelligenza Artificiale Metodologie di ragionamento Prof. M.T. PAZIENZA a.a. 2002-2003.](https://reader034.fdocuments.net/reader034/viewer/2022051515/5542eb4f497959361e8be8e7/html5/thumbnails/51.jpg)
Strutture di una rete di credenze
La struttura della rete dipende dall’ordine di inserimento dei nodi.
![Page 52: Intelligenza Artificiale Metodologie di ragionamento Prof. M.T. PAZIENZA a.a. 2002-2003.](https://reader034.fdocuments.net/reader034/viewer/2022051515/5542eb4f497959361e8be8e7/html5/thumbnails/52.jpg)
Inferenza nelle reti di credenze
Compito fondamentale per un sistema di inferenza probabilistico è quello di calcolare la distribuzione delle probabilità a posteriori per un insieme di variabili di interrogazione, dati i valori esatti per alcune variabili di prova: P(Interrogazione/Prova)
In ogni rete di credenza ogni nodo può servire sia come variabile di prova che di interrogazione.
Un agente acquisisce valori per le variabili di prova dalle proprie percezioni (o da altro ragionamento) e si informa a proposito di valori possibili per altre variabili per poter decidere quale azione compiere.
![Page 53: Intelligenza Artificiale Metodologie di ragionamento Prof. M.T. PAZIENZA a.a. 2002-2003.](https://reader034.fdocuments.net/reader034/viewer/2022051515/5542eb4f497959361e8be8e7/html5/thumbnails/53.jpg)
Inferenza nelle reti di credenze
Inferenza causale o top-down (dalle cause agli effetti)
Inferenza diagnostica (dagli effetti alle cause)
Inferenza mista
![Page 54: Intelligenza Artificiale Metodologie di ragionamento Prof. M.T. PAZIENZA a.a. 2002-2003.](https://reader034.fdocuments.net/reader034/viewer/2022051515/5542eb4f497959361e8be8e7/html5/thumbnails/54.jpg)
Inferenza causale o top-down
Operazioni principali:
• Riscrivere la probabilità condizionata desiderata per il nodo di interrogazione V data l’evidenza in termini delle probabilità congiunte e di tutti i suoi genitori (che non fanno parte dell’evidenza), data l’evidenza
• Riesprimere queste probabilità congiunte di nuovo con la probabilità di V condizionata a tutti i genitori
![Page 55: Intelligenza Artificiale Metodologie di ragionamento Prof. M.T. PAZIENZA a.a. 2002-2003.](https://reader034.fdocuments.net/reader034/viewer/2022051515/5542eb4f497959361e8be8e7/html5/thumbnails/55.jpg)
Inferenza diagnostica
Ruoli di interrogazione ed evidenza rovesciati rispetto alla inferenza causale
Si usa un effetto per inferire una causa
Si usa la regola di Bayes per convertire il problema diagnostico in un problema di ragionamento causale
![Page 56: Intelligenza Artificiale Metodologie di ragionamento Prof. M.T. PAZIENZA a.a. 2002-2003.](https://reader034.fdocuments.net/reader034/viewer/2022051515/5542eb4f497959361e8be8e7/html5/thumbnails/56.jpg)
Reti di credenza a connessioni multiple
Un grafo è a connessioni multiple se due nodi sono connessi da più di un cammino. Ciò accade
quando vi è più di una causa per una qualche variabile e le cause condividono un antenato
Oppure reti a connessioni multiple rappresentano situazioni in cui una variabile può influenzare un’altra attraverso più di un meccanismo causale.
![Page 57: Intelligenza Artificiale Metodologie di ragionamento Prof. M.T. PAZIENZA a.a. 2002-2003.](https://reader034.fdocuments.net/reader034/viewer/2022051515/5542eb4f497959361e8be8e7/html5/thumbnails/57.jpg)
Reti di credenza a connessioni multiple
![Page 58: Intelligenza Artificiale Metodologie di ragionamento Prof. M.T. PAZIENZA a.a. 2002-2003.](https://reader034.fdocuments.net/reader034/viewer/2022051515/5542eb4f497959361e8be8e7/html5/thumbnails/58.jpg)
Reti di credenza a connessioni multiple
![Page 59: Intelligenza Artificiale Metodologie di ragionamento Prof. M.T. PAZIENZA a.a. 2002-2003.](https://reader034.fdocuments.net/reader034/viewer/2022051515/5542eb4f497959361e8be8e7/html5/thumbnails/59.jpg)
Reti di credenza a connessioni multiple
![Page 60: Intelligenza Artificiale Metodologie di ragionamento Prof. M.T. PAZIENZA a.a. 2002-2003.](https://reader034.fdocuments.net/reader034/viewer/2022051515/5542eb4f497959361e8be8e7/html5/thumbnails/60.jpg)
Ragionamento con incertezza
1. Decidere di cosa parlare
2. Decidere un vocabolario delle variabili casuali (ed i relativi valori possibili)
3. Codifica delle conoscenza generale per le dipendenze fra le variabili
4. Descrivere l’istanza specifica del problema
5. Interrogare la procedura di inferenza ed ottenere risposte