aprendizado bayesiano disciplina: agentes adaptativos e cognitivos
TRANSCRIPT
![Page 1: Aprendizado Bayesiano Disciplina: Agentes Adaptativos e Cognitivos](https://reader035.vdocuments.net/reader035/viewer/2022062404/552fc148497959413d8e19c6/html5/thumbnails/1.jpg)
Aprendizado Bayesiano
Disciplina: Agentes Adaptativos e Cognitivos
![Page 2: Aprendizado Bayesiano Disciplina: Agentes Adaptativos e Cognitivos](https://reader035.vdocuments.net/reader035/viewer/2022062404/552fc148497959413d8e19c6/html5/thumbnails/2.jpg)
Exemplo: sistema de diagnóstico odontológico
Regra de diagnóstico " p sintoma (p,dor de dente) Þ doença (p,cárie) A doença (causa do sintoma) pode ser outra.
Regra causal " p doença (p,cárie) Þ sintoma (p,dor de dente) Há circunstâncias em que a doença não provoca o
sintoma.
A conexão entre antecedente e conseqüente não é uma implicação lógica em nenhuma direção
Conhecimento com Incerteza
![Page 3: Aprendizado Bayesiano Disciplina: Agentes Adaptativos e Cognitivos](https://reader035.vdocuments.net/reader035/viewer/2022062404/552fc148497959413d8e19c6/html5/thumbnails/3.jpg)
Falha no domínio de diagnóstico médico devido a:
“preguiça”: existem causas ou conseqüências demais a considerar
ignorância teórica e prática: não existe uma teoria completa para o domínio, nem
podemos fazer todos os testes necessários para o diagnóstico perfeito.
Nestes casos, o conhecimento pode apenas prover um grau de crença nas sentenças relevantes.
P(Cárie/Dor de Dente) = 0.6
Conhecimento com Incerteza
![Page 4: Aprendizado Bayesiano Disciplina: Agentes Adaptativos e Cognitivos](https://reader035.vdocuments.net/reader035/viewer/2022062404/552fc148497959413d8e19c6/html5/thumbnails/4.jpg)
Aprendizagem Bayesiana
Fornece probabilidades para suas respostas
Permite combinar facilmente conhecimento a priori com dados de treinamento
Métodos práticos e bem sucedidos para aprendizagem Aprendizagem Bayesiana Ingênua Aprendizagem de Redes Bayesianas
![Page 5: Aprendizado Bayesiano Disciplina: Agentes Adaptativos e Cognitivos](https://reader035.vdocuments.net/reader035/viewer/2022062404/552fc148497959413d8e19c6/html5/thumbnails/5.jpg)
Teoria da Probabilidade
Associa às sentenças um grau de crença numérico entre 0 e 1
Contudo, cada sentença ou é verdadeira ou é falsa
Grau de crença (probabilidade): a priori (incondicional): calculado antes do agente
receber percepções Ex. P(cárie= true) = P(cárie) = 0.5
condicional: calculado de acordo com as evidências disponíveis (permite a inferência)
evidências: percepções que o agente recebeu até agora
Ex: P(cárie|dor de dente)= 0.8 P(cárie|~dor de dente)= 0.3
![Page 6: Aprendizado Bayesiano Disciplina: Agentes Adaptativos e Cognitivos](https://reader035.vdocuments.net/reader035/viewer/2022062404/552fc148497959413d8e19c6/html5/thumbnails/6.jpg)
Probabilidade condicional
Regra do produto: P(A|B) = P(A^B) , quando P(B) > 0.
P(B)
Regra de Bayes P(A/B) = P(B/A)P(A)
P(B)
![Page 7: Aprendizado Bayesiano Disciplina: Agentes Adaptativos e Cognitivos](https://reader035.vdocuments.net/reader035/viewer/2022062404/552fc148497959413d8e19c6/html5/thumbnails/7.jpg)
Aplicação da Regra de Bayes: Diagnóstico Médico
• Seja
M=doença meningite
S= rigidez no pescoço
• Um Doutor sabe:
P(S/M)=0.5
P(M)=1/50000
P(S)=1/20
P(M/S)=P(S/M)P(M)
P(S)
=0,5*(1/50000)=0,002
1/20
• A probabilidade de uma pessoa ter meningite dado que ela está com rigidez no pescoço é 0,02% ou ainda 1 em 5000.
![Page 8: Aprendizado Bayesiano Disciplina: Agentes Adaptativos e Cognitivos](https://reader035.vdocuments.net/reader035/viewer/2022062404/552fc148497959413d8e19c6/html5/thumbnails/8.jpg)
Classificador Bayesiano Ingênuo
Suponha uma função de classificação f: X V, onde cada instância x é descrita pelos atributos {a1, , an}
O valor mais provável de f(x) é
)()/,,(maxarg),,(
)()/,,(maxarg
),,/(maxarg
jjn1Vv
n1
jjn1
Vv
n1jVv
MAP
vPvaaPaaP
vPvaaP
aavPv
j
j
j
![Page 9: Aprendizado Bayesiano Disciplina: Agentes Adaptativos e Cognitivos](https://reader035.vdocuments.net/reader035/viewer/2022062404/552fc148497959413d8e19c6/html5/thumbnails/9.jpg)
Calcular P(vj) a partir dos dados de treinamento é fácil, o problema é calcular a probabilidade P(a1,..., an | vj)
Suposição Bayesiana Ingênua:ou seja, as variáves a1,..., an são independentes
Classificador Bayesiano Ingênuo (NB):
)()/,,(maxarg jjn1Vv
MAP vPvaaPvj
LÎ
=
i
jijn1 vaPvaaP )/()/,,(
i
jijVv
NB vaPvPvj
)/()(maxarg
Classificador Bayesiano Ingênuo
![Page 10: Aprendizado Bayesiano Disciplina: Agentes Adaptativos e Cognitivos](https://reader035.vdocuments.net/reader035/viewer/2022062404/552fc148497959413d8e19c6/html5/thumbnails/10.jpg)
Estimativa das Probabilidades P(vj) e P(ai/vj) através das freqüências relativas P’(vj) e P’(ai/vj)
Para cada vj
P’(vj) estimativa de P(vj)
Para cada valor ai de cada atributo a• P’(ai/vj) estimativa de P(ai/vj)
Classificador de novas instancias(x)
xa
jijVv
NB
ij
vaPvPv )/(')('maxarg
Classificador Bayesiano Ingênuo
![Page 11: Aprendizado Bayesiano Disciplina: Agentes Adaptativos e Cognitivos](https://reader035.vdocuments.net/reader035/viewer/2022062404/552fc148497959413d8e19c6/html5/thumbnails/11.jpg)
• Dia Tempo Temp. Humid. Vento Jogar
• D1 Sol Quente Alta Fraco Não• D2 Sol Quente Alta Forte Não• D3 Coberto Quente Alta Fraco Sim• D4 Chuva Normal Alta Fraco Sim• D5 Chuva Frio Normal Fraco Não• D6 Chuva Frio Normal Forte Não• D7 Coberto Frio Normal Forte Sim• D8 Sol Normal Alta Fraco Não• D9 Sol Frio Normal Fraco Sim• D10 Chuva Normal Normal Fraco Sim
• D11 Sol Frio Alta Forte ?
Classificador Bayesiano Ingênuo: Exemplo
P(Sim) = 5/10 = 0.5 P(Não) = 5/10 = 0.5P(Sol/Sim) = 1/5 = 0.2 P(Sol/Não) = 3/5 = 0.6P(Frio/Sim) = 2/5 = 0.4 P(Frio/Não) = 2/5 = 0.4P(Alta/Sim) = 2/5 = 0.4 P(Alta/Não) = 3/5 = 0.6P(Forte/Sim) = 1/5 = 0.2 P(Forte/Não) = 2/5 = 0.4P(Sim)P(Sol/Sim) P(Frio/Sim) P(Alta/Sim) P(Forte/Sim) = = 0.0032P(Não)P(Sol/Não)P(Frio/Não)P(Alta/Não) P(Forte/Não) = = 0.0288
Jogar_Tenis (D11) = Não
![Page 12: Aprendizado Bayesiano Disciplina: Agentes Adaptativos e Cognitivos](https://reader035.vdocuments.net/reader035/viewer/2022062404/552fc148497959413d8e19c6/html5/thumbnails/12.jpg)
Algoritmo BayesianoIngênuo: Dificuldades
Suposição de independência condicional quase sempre violada, mas funciona surpreendentemente bem
O que acontece se nenhuma das instancias classificadas como vj tiver o valor ai?
i
jijn1 vaPvaaP )/()/,,(
0)v/a('P)v('P0)v/a('Pi
jijji
![Page 13: Aprendizado Bayesiano Disciplina: Agentes Adaptativos e Cognitivos](https://reader035.vdocuments.net/reader035/viewer/2022062404/552fc148497959413d8e19c6/html5/thumbnails/13.jpg)
Solução típica
n é o número de exemplos para os quais v = vj
nc número de exemplos para os quais v = vj e a = ai
p é a estimativa à priori para P’(ai/vj)
m é o peso dado à priori (número de exemplos “virtuais”)
mnpmn
)v/a('P cji
Algoritmo BayesianoIngênuo: Dificuldades
![Page 14: Aprendizado Bayesiano Disciplina: Agentes Adaptativos e Cognitivos](https://reader035.vdocuments.net/reader035/viewer/2022062404/552fc148497959413d8e19c6/html5/thumbnails/14.jpg)
Exemplo: Classificação de Documentos
Classificar documentos em duas classes vj = {‘interesse’, ‘não-interesse}
Variáveis a1,..., an são palavras de um vocabulário e P’(ai/vj) é a freqüência com que a palavra ai aparece entre os documentos da classe vj
P’(vj) = número de documentos da classe vj
número total de documentos
![Page 15: Aprendizado Bayesiano Disciplina: Agentes Adaptativos e Cognitivos](https://reader035.vdocuments.net/reader035/viewer/2022062404/552fc148497959413d8e19c6/html5/thumbnails/15.jpg)
P’(ai/vj) = nij + 1
nj + |Vocabulário|
onde nj é o número total de palavras nos documentos da classe vj e nij é o número de ocorrências da palavra ai nos documentos da classe vj.
Usa-se m = |Vocabulário| e p = 1/ |Vocabulário| (assumindo que cada palavra tem a mesmo probabilidade de ocorrência)
Exemplo: Classificação de Documentos
![Page 16: Aprendizado Bayesiano Disciplina: Agentes Adaptativos e Cognitivos](https://reader035.vdocuments.net/reader035/viewer/2022062404/552fc148497959413d8e19c6/html5/thumbnails/16.jpg)
Classificação Final:
Observação: nem sempre a ocorrência de uma palavra independe das outras palavras. Exemplo: ‘Inteligência’ e ‘Artificial’.
xa
jijVv
NB
ij
vaPvPv )/(')('maxarg
Exemplo: Classificação de Documentos
![Page 17: Aprendizado Bayesiano Disciplina: Agentes Adaptativos e Cognitivos](https://reader035.vdocuments.net/reader035/viewer/2022062404/552fc148497959413d8e19c6/html5/thumbnails/17.jpg)
Redes Bayesianas
Representa 3 tipos de conhecimento do domínio: Relações de independência entre atributos (ou
variáveis) Probabilidades a priori de alguns atributos Probabilidades condicionais entre atributos
dependentes
Permite calcular eficientemente: Probabilidades a posteriori de qualquer atributo
(inferência)
Conhecimento representado: Na estrutura da rede e nas distribuições de
probabilidade das variáveis
![Page 18: Aprendizado Bayesiano Disciplina: Agentes Adaptativos e Cognitivos](https://reader035.vdocuments.net/reader035/viewer/2022062404/552fc148497959413d8e19c6/html5/thumbnails/18.jpg)
Estrutura das Redes Bayesianas
Uma Rede Bayesiana é um grafo acíclico onde: Cada nó da rede representa uma variável Um conjunto de ligações ou arcos dirigidos
conectam pares de nós Cada nó recebe arcos dos nós que tem influência direta
sobre ele (nós pais). Cada nó possui uma tabela de probabilidade
condicional que quantifica os efeitos que os pais têm sobre ele
![Page 19: Aprendizado Bayesiano Disciplina: Agentes Adaptativos e Cognitivos](https://reader035.vdocuments.net/reader035/viewer/2022062404/552fc148497959413d8e19c6/html5/thumbnails/19.jpg)
Redes Bayesianas
Tempestade Ônibus de Turismo
Fogo no Acampamento
Trovão Fogo na floresta
Raio
T,O T,O T, O T, O
FA 0.4 0.1 0.8 0.2
FA 0.6 0.9 0.2 0.8
Fogo no Acampamento
Distribuição de Probabilidade:P(FA/T,O)
![Page 20: Aprendizado Bayesiano Disciplina: Agentes Adaptativos e Cognitivos](https://reader035.vdocuments.net/reader035/viewer/2022062404/552fc148497959413d8e19c6/html5/thumbnails/20.jpg)
Redes Bayesianas
Representa a distribuição de probabilidade conjunta entre todas as variáveis: P(y1^...^yn)
Exemplo: P(Tempestade, , Fogo na Floresta)? Exemplo: P(Classe=C1 ^ Atrib1=10 ^ Atrib2=Yes)?
Cálculo da probabilidade conjunta:
Onde Predecessores(Yi) significa predecessores imediatos de Yi no grafo
n
1iiin1 ))Y(sedecessorePr/y(P)y,,y(P
![Page 21: Aprendizado Bayesiano Disciplina: Agentes Adaptativos e Cognitivos](https://reader035.vdocuments.net/reader035/viewer/2022062404/552fc148497959413d8e19c6/html5/thumbnails/21.jpg)
Distribuição de Probabilidade Conjunta
Sejam Y1, Y2,...Yn um conjunto de variáveis.
Evento atômico: uma especificação completa dos estados do domínio
Y1= y1,Y2 = y2,....,Yn= yn
A distribuição de probabilidade conjunta, P(Y1,Y2,...,Yn),
atribui probabilidades a todos os possíveis eventos atômicos
![Page 22: Aprendizado Bayesiano Disciplina: Agentes Adaptativos e Cognitivos](https://reader035.vdocuments.net/reader035/viewer/2022062404/552fc148497959413d8e19c6/html5/thumbnails/22.jpg)
Exemplo: Probabilidade Conjunta
cárie
cárie
dor de dente dor de dente
0.04
0.01
0.06
0.89
P(cárie ^ dor de dente)=?
P(cárie)=?
P(dor de dente)=?
P(cárie/dor de dente)=?
![Page 23: Aprendizado Bayesiano Disciplina: Agentes Adaptativos e Cognitivos](https://reader035.vdocuments.net/reader035/viewer/2022062404/552fc148497959413d8e19c6/html5/thumbnails/23.jpg)
Teorema da Multiplicação de Probabilidades
Esse resultado permite calcular a probabilidade de ocorrênciasimultânea de vários eventos a partir das probabilidadescondicionais.
P(y1^...yn) = P(yn / y1^...yn-1) ... P(y2 / y1) P(y1)
P(y1^...yn) = P(yn / y1^...yn-1) ... P(y1^...yn-1)
![Page 24: Aprendizado Bayesiano Disciplina: Agentes Adaptativos e Cognitivos](https://reader035.vdocuments.net/reader035/viewer/2022062404/552fc148497959413d8e19c6/html5/thumbnails/24.jpg)
Independência: P(A|B) = P(A) Exemplo: A = dor de dente e B=úlcera
Úlcera não causa dor de dente
Independência condicional X e Y são independentes dado Z => P(X|Y,Z) =
P(X|Z) Se o objetivo é saber a probabilidade de X então
tanto faz o valor de Y se você já sabe o valor de Z
Exemplo: Trovão é condicionalmente independente de Chuva, dado Relâmpago P(Trovão/ Chuva, Relâmpago) = P(Trovão/
Relâmpago)
Independência Condicional
![Page 25: Aprendizado Bayesiano Disciplina: Agentes Adaptativos e Cognitivos](https://reader035.vdocuments.net/reader035/viewer/2022062404/552fc148497959413d8e19c6/html5/thumbnails/25.jpg)
Redes Bayesianas: Cálculo da Probabilidade
Conjunta Redes Bayesianas levam em consideração a
Independência Condicional entre subconjuntos de variáveis
P(y1^...yn) = P(yn / y1^...yn-1) ... P(y2 / y1) P(y1)
P(yn / Predecessores(Yn)) P(y2 / Predecessores(Y2)
n
1iiin1 ))Y(sedecessorePr/y(P)y,,y(P
![Page 26: Aprendizado Bayesiano Disciplina: Agentes Adaptativos e Cognitivos](https://reader035.vdocuments.net/reader035/viewer/2022062404/552fc148497959413d8e19c6/html5/thumbnails/26.jpg)
Exemplo Alarme (AIMA)
Roubo Terremoto
Alarme
JohnCalls MaryCalls
P(T)
0,002
P(R)
0,001
R T P(A)
T T 0,95 T F 0,94 F T 0,29 F F 0,001
A P(J )
T 0,90 F 0,05
A P(M)
T 0,70 F 0,01
![Page 27: Aprendizado Bayesiano Disciplina: Agentes Adaptativos e Cognitivos](https://reader035.vdocuments.net/reader035/viewer/2022062404/552fc148497959413d8e19c6/html5/thumbnails/27.jpg)
Calcular a probabilidade do evento que o alarme toca mas não houve assalto nem terremoto e que João e Maria telefonaram.
P(J M A ~R ~T)= P(J|A) P(M|A) P(A|~R ~T )P(~R)P(~T)= 0.9 x 0.7 x 0.001 x 0.999 x 0.998= 0.00062 ou 0.062 %
Exemplo Alarme (AIMA)
![Page 28: Aprendizado Bayesiano Disciplina: Agentes Adaptativos e Cognitivos](https://reader035.vdocuments.net/reader035/viewer/2022062404/552fc148497959413d8e19c6/html5/thumbnails/28.jpg)
Construção de Redes Bayesianas
1. Escolher um conjunto de variáveis relevantes que descrevam o domínio
2. Ordem de inclusão dos nós na rede (a). causas como “raízes” da rede
(b). variáveis que elas influenciam
(c). folhas, que não influenciam diretamente nenhuma outra variável.
3. Enquanto houver variáveis a representar:
(a). escolher uma variável Xi e adicionar um nó para ela na rede
(b). estabelecer Pais(Xi) dentre os nós que já estão na rede, satisfazendo a propriedade de dependência condicional (c). definir a tabela de probabilidade condicional para Xi
![Page 29: Aprendizado Bayesiano Disciplina: Agentes Adaptativos e Cognitivos](https://reader035.vdocuments.net/reader035/viewer/2022062404/552fc148497959413d8e19c6/html5/thumbnails/29.jpg)
Exemplo Alarme (AIMA)
Roubo Terremoto
Alarme
JohnCalls MaryCalls
P(T)
0,002P(R)
0,001
R T P(A)
T T 0,95 T F 0,94 F T 0,29 F F 0,001
A P(J )
T 0,90 F 0,05
A P(M)
T 0,70 F 0,01
Ordem: R T A J M
![Page 30: Aprendizado Bayesiano Disciplina: Agentes Adaptativos e Cognitivos](https://reader035.vdocuments.net/reader035/viewer/2022062404/552fc148497959413d8e19c6/html5/thumbnails/30.jpg)
Exemplo de Rede Bayesiana Não Puramente Causal
Vamos usar o exemplo do alarme com a seguinte ordem de inserção dos nós:
MaryCalls, JohnCalls, Alarme, Roubo e Terremoto.
Roubo
Terremoto
Alarme
JohnCalls
MaryCalls
![Page 31: Aprendizado Bayesiano Disciplina: Agentes Adaptativos e Cognitivos](https://reader035.vdocuments.net/reader035/viewer/2022062404/552fc148497959413d8e19c6/html5/thumbnails/31.jpg)
Problemas: A figura possui duas conexões a mais julgamento não natural e difícil das probabilidades
Tendo uma rede puramente causal, teríamos um número menor de conexões
Exemplo de Rede Bayesiana Não Puramente Causal
![Page 32: Aprendizado Bayesiano Disciplina: Agentes Adaptativos e Cognitivos](https://reader035.vdocuments.net/reader035/viewer/2022062404/552fc148497959413d8e19c6/html5/thumbnails/32.jpg)
Exercício: Construa uma rede para o problema abaixo
Eu quero prever se minha esposa está em casa antes de eu abrir a porta. Eu sei que minha esposa liga a luz quando
chega em casa mas às vezes ela também liga ao sair (se ela for
retornar com alguma visita). Quando não tem ninguém em casa, ela
solta o cachorro no quintal mas às vezes ela solta o cachorro quando ele
está molhado. Quando o cachorro está solto, consigo ouvir
o seu latido da rua mas as vezes o confundo com o cachorro da
vizinha.
![Page 33: Aprendizado Bayesiano Disciplina: Agentes Adaptativos e Cognitivos](https://reader035.vdocuments.net/reader035/viewer/2022062404/552fc148497959413d8e19c6/html5/thumbnails/33.jpg)
Aprendizagem de Redes Bayesianas
Variantes da tarefa de aprendizagem A estrutura da rede pode ser conhecida ou
desconhecida O conjunto de treinamento pode fornecer valores
para todas as variáveis da rede ou para somente algumas
Se a estrutura é conhecida e todas as variáveis observadas Então é tão fácil como treinar um classificador
Bayesiano ingênuo
![Page 34: Aprendizado Bayesiano Disciplina: Agentes Adaptativos e Cognitivos](https://reader035.vdocuments.net/reader035/viewer/2022062404/552fc148497959413d8e19c6/html5/thumbnails/34.jpg)
Suponha a estrutura conhecida e variáveis parcialmente observáveisExemplo: Observa-se fogo na Floresta, Tempestade,
Ônibus de turismo, mas não Raio, Fogo no Acampamento
Aprende-se a tabela de probabilidades condicionais de cada nó usando o algoritmo do gradiente ascendente
O sistema converge para a rede h que maximiza localmente ln (P(D/h))
Aprendizagem de Redes Bayesianas
![Page 35: Aprendizado Bayesiano Disciplina: Agentes Adaptativos e Cognitivos](https://reader035.vdocuments.net/reader035/viewer/2022062404/552fc148497959413d8e19c6/html5/thumbnails/35.jpg)
Exemplo
Tempestade Ônibus de Turismo
Fogo no Acampamento
Trovão Fogo na floresta
Raio
T,O T,O T, O T, O
FA ? ? ? ?
FA ? ? ? ?
Fogo no Acampamento
Distribuição de Probabilidade:P(FA/T,O)
![Page 36: Aprendizado Bayesiano Disciplina: Agentes Adaptativos e Cognitivos](https://reader035.vdocuments.net/reader035/viewer/2022062404/552fc148497959413d8e19c6/html5/thumbnails/36.jpg)
Gradiente Ascendente para Redes Bayesianas
Seja wijk uma entrada na tabela de probabilidade condicional para a variável Yi na rede wijk = P(Yi = yij/Predecessores(Yi) = lista uik de valores)
Exemplo, se Yi = Fogo no Acampamento, então uik pode ser {Tempestade = T, Ônibus de Turismo = O}
Aplicar o gradiente ascendente repetidamente Atualizar todos os wijk usando os dados de treinamento D
Normalizar os wijk para assegurar
e
Dd ijk
ikijhijkijk w
duyPww
)/,(
1wj
ijk 1w0 ijk
![Page 37: Aprendizado Bayesiano Disciplina: Agentes Adaptativos e Cognitivos](https://reader035.vdocuments.net/reader035/viewer/2022062404/552fc148497959413d8e19c6/html5/thumbnails/37.jpg)
Aprendizagem da Estrutura de Redes Bayesianas
Métodos baseados em Busca e Pontuação Busca no espaço de estruturas Cálculo das tabelas de probabilidade para cada
estrutura Definição da medida de avaliação (Pontuação)
Ex.: Minimum Descrition Length (MDL) Operadores de busca (adição, remoção ou reversão
de arcos da rede) Processo de busca prossegue enquanto a pontuação
de uma rede for significativamente melhor que a anterior
Ex: K2(Cooper e Herskovits, 1992)
![Page 38: Aprendizado Bayesiano Disciplina: Agentes Adaptativos e Cognitivos](https://reader035.vdocuments.net/reader035/viewer/2022062404/552fc148497959413d8e19c6/html5/thumbnails/38.jpg)
Aprendizagem da Estrutura de Redes Bayesianas
Métodos baseados em análise de dependência
Arcos são adicionados ou removidos dependendo de um teste de independência condicional entre os nós
Teste de independência pode ser feito entre pares de nós ou com um conjuntos maior de variáveis condicionais
Ex: CDL(Chen, Bell e Liu 1997)
![Page 39: Aprendizado Bayesiano Disciplina: Agentes Adaptativos e Cognitivos](https://reader035.vdocuments.net/reader035/viewer/2022062404/552fc148497959413d8e19c6/html5/thumbnails/39.jpg)
Aprendizagem da Estrutura de Redes Bayesianas
Métodos baseados em Busca e Pontuação Vantagem: Menor complexidade no tempo Desvantagem: Não garante encontrar melhor
solução
Métodos baseados em análise de dependência Vantagem: Sob certas condições, encontra a melhor
solução Desvantagem: Teste de independência com uma
quantidade muito grande de variáveis pode se tornar inviável
![Page 40: Aprendizado Bayesiano Disciplina: Agentes Adaptativos e Cognitivos](https://reader035.vdocuments.net/reader035/viewer/2022062404/552fc148497959413d8e19c6/html5/thumbnails/40.jpg)
Aplicações de Redes Bayesianas
PATHFINDER: diagnóstico de doenças que atacam os nodos linfáticos. (Russel&Norvig 1995)
PAINULIM: diagnóstico de doenças neuro-musculares: http://snowhite.cis.uoguelph.ca/faculty_info/yxiang/research.html
Tutores inteligentes: www.pitt.edu/~vanlehn/andes.html
![Page 41: Aprendizado Bayesiano Disciplina: Agentes Adaptativos e Cognitivos](https://reader035.vdocuments.net/reader035/viewer/2022062404/552fc148497959413d8e19c6/html5/thumbnails/41.jpg)
Mais aplicações: http://excalibur.brc.uconn.edu/~baynet/researchApps.htm
Análise de proteínasModelagem de Agentes InteligentesDetecção de fraudes na indústriaRobótica
Aplicações de Redes Bayesianas
![Page 42: Aprendizado Bayesiano Disciplina: Agentes Adaptativos e Cognitivos](https://reader035.vdocuments.net/reader035/viewer/2022062404/552fc148497959413d8e19c6/html5/thumbnails/42.jpg)
Conclusões
Possibilidade de trabalhar com domínios onde não há informação suficiente
Raciocínio probabilístico trata o grau de incerteza associado à maioria dos domínios.
Combina conhecimento a priori com dados observados
O impacto do conhecimento a priori (quando correto) é a redução da amostra de dados necessários
![Page 43: Aprendizado Bayesiano Disciplina: Agentes Adaptativos e Cognitivos](https://reader035.vdocuments.net/reader035/viewer/2022062404/552fc148497959413d8e19c6/html5/thumbnails/43.jpg)
Bibliografia
Russel, S, & Norvig, P. (1995). Artificial Intelligence: a Modern Approach (AIMA) Prentice-Hall. Pages 436-458, 588-593
Mitchell, T. & (1997): Machine Learning, McGraw-Hill. Cap.6
Fayyad et al. (1996): Advances in knowledge discovery and data mining, AAAI Press/MIT Press. Cap.11
Pearl, J. (1988) Probabilistic Reasoning in Inteligent Systems