INC 551 Artificial Intelligence
description
Transcript of INC 551 Artificial Intelligence
INC 551 Artificial Intelligence
Lecture 7
Planning &
Probability
Definition of Planning
Planning = The task of coming up with a sequence of actionsThat will achieve a goal
Planning of Logical Agent
World model = Proposition, First-order logic
จะใช้�วิ�ธี Search the world model ไม่�ได้�
Search the Logic Model
ม่แต่�irrelevantactions
ในแต่�ละที่�ที่�จะไปม่ที่างเล�อกม่ากเก�นไป
STRIPS OPERATOR
STRIPS = Stanford Research Institute Problem Solver
จะม่โครงส้�างของ action แต่�ละอ!นค�อ
Model ของAction ใน strip
Partial-Order Planning
เป"น algorithm search ที่�ไม่�ต่�องก#าหนด้วิ�าอะไรม่าก�อนม่าหล!งจะใช้�ก!บ precondition ของแต่�ละ action แบ�งเป"น 2 ข!&นต่อน
1 . ส้ร�าง graph เช้��อม่ระหวิ�าง precondition ต่�างๆ2. search ต่าม่แบบ depth-first จนหา goal เจอ โด้ยไม่�ห!กล�าง precondition อ!นอ��น
POP: Example
จะออกจากบ�านไปซื้�&อของค�อ drill, milk, bananaต่�องการส้ร�าง plan
Drill ขายที่� hardware storeMilk, banana ขายที่� supermarket
Plan Have(milk)ก!บ Have(drill)แยกก!น
Graph สมบู�รณ์�
Example: Block World
Clobber, Promotion, Demotion
Uncertainty
Uncertainty
• Propositional logic
• First-order logic
True – false - unknown
Different Types of Logics
เพราะในโลกม่!กม่ส้��งที่�ไม่�แน�นอน
Knowledge Base
นอนต่กหม่อน -> เจ+บคอเจ+บคอ -> เป"นโรคไอ
Query
ถ้�าม่คนไข�ม่าบอกวิ�าเจ+บคอForward chaining บอกวิ�า เขาเป"นโรคไอBackward chaining บอกวิ�า เขานอนต่กหม่อนม่า
จะพบวิ�าไม่�เก�ยวิก!นเพราะค#าพ-ด้ที่!�วิไปจะก#ากวิม่ในต่!วิม่!นเอง
ผู้-�ป/วิยบอกอาการวิ�า “เจ+บคอ”
Believe ต่กหม่อน 50%ไอ 50%ขาห!ก 0%
ผู้-�ป/วิยบอกอาการต่�อไปอกวิ�า “ม่ไข�”
Believe ต่กหม่อน 20%ไอ 80%ขาห!ก 0%
Proposition Logic
A B AvB A^B ~A
Probabilityจะใส้� P() คล0ม่เที่อม่พวิกน&แที่นควิาม่เช้��อ
P(A) P(B) P(AvB) P(A^B) P(~A)
ควิาม่เช้��ออย-�ในช้�วิง 0-1
Counting & Probability
Sample space = เหต่0การณ์2ที่�เป"นไปได้�ที่!&งหม่ด้เช้�นที่อด้ล-กเต่3า จะได้�แต่�ม่ {1,2,3,4,5,6}
Proposition = ควิาม่จร�ง true or false
ProbabilityP(1)=P(2)=P(3)=P(4)=P(5)=P(6)=1/6
Event ค�อเหต่0การณ์2จาก sample spaceP(dice roll<4) = 1/6 + 1/6 + 1/6
Random Variable
ค�อ ต่!วิแปรที่�ม่ค�าแปรผู้!นต่าม่ควิาม่น�าจะเป"นที่�ก#าหนด้จะเป"นได้�ที่!&ง continuous and discrete
Discrete Random Variable
เช้�น x = ค�าของล-กเต่3า
P(x = 3) = 1/6P(x < 3) = 1/6 + 1/6
1 2 3 4 5 6
1/6
P(x)
x
x ค�อ random variable
Continuous Random Variable
x
P(x)
P(-1<x<1) = 0.66P(x=0) = 0
Conditional Probability
หม่ายถ้4งถ้�าร-�วิ�า toothache แล�วิ (ร-�อย�างเด้ยวิ) จะม่ probability =0.8 ที่�เป"น cavity
Probability แบบม่เง��อนไข
หร�อ
Example
หม่อฟั6นต่�องการต่รวิจคนไข�วิ�าฟั6นผู้0หร�อไม่� (Cavity)จะใช้�การด้-อาการ 2 อย�าง1 . อาการปวิด้ฟั6น (Toothache)2. ต่รวิจด้�วิยเคร��องม่�อแพที่ย2วิ�าม่ร-ที่�ฟั6น (Catch)
โรค (Cause) = Cavityอาการ (Effect) = Toothache, Catch
Example
ม่ proposition 3 อย�าง toothache, cavity, catch
P(toothache) = ??
Inference by Enumeration
Independence
Bayes’ Rule
เรยก Naïve Bayes’ model
)(
)()|()|(
)(
)()|(
)|(
catchtoothacheP
cavityPcavitycatchPcavitytoothacheP
catchtoothacheP
cavityPcavitycatchtoothacheP
catchtoothachecavityP
Naïve Bayes’ model
ส้าเหต่0ม่าจากการหา conditional probability
น!&นจะที่#าได้�ยากถ้�าม่ effect หลายช้น�ด้เพราะ effect จะDependent ก!น
ด้!งน!&น Naïve Bayes’ บอกวิ�าให�ส้ม่ม่ต่�วิ�าม่!น independentก!นเพ��อควิาม่ง�าย ด้!งน!&น probability จ4งม่าค-ณ์ก!นได้�เลย
)|( CauseEffectP ALL
)|(
)|()|()|(
3
21
CauseEffectP
CauseEffectPCauseEffectPCauseEffectP ALL
Wumpus World
P(pit) = 0.2
16.004.016.016.004.0
)16.016.004.0(2.0
)(
)()()|( 3,13,1
3,1
BP
PBPPPBPP
ต่�องการที่ราบควิาม่น�าจะเป"นที่�ต่#าแหน�ง (1,3) จะม่หล0ม่