Transformando a Informação Pública pelo Software Livre. Um olhar

Propaganda
Redes Bayesianas
Alexandre Silva Pinheiro
[email protected]
[email protected]
Objetivos
●
●
●
●
Introdução
Redes causais e bayesianas
Limitações
Aplicação
Inteligência Artificial
Redes Bayesianas
Introdução
●
Por que Bayes?
●
●
regra matemática que explica como
podemos mudar nossas crenças anteriores
sob a luz de uma nova evidência
Incerteza
●
se condição com certeza x então fato com
certeza f(x)
Inteligência Artificial
Redes Bayesianas
Redes Causais e Bayesianas
●
Dependência/independência
condicional
●
●
varia de acordo com a evidência:
Exemplos
F
G
H
Inteligência Artificial
W
T
A
R
Redes Bayesianas
Redes Causais e Bayesianas
●
Tipos de conexão
A
B
C
A
B
B
C
C
D
...
H
D
...
H
A
Inteligência Artificial
Redes Bayesianas
Redes Causais e Bayesianas
●
D-Separação
●
●
●
a conexão é em série ou divergente e o
estado de V é conhecido
a conexão é convergente e nem V ou
nenhum de seus descendentes recebeu
uma evidência
Se A e B são d-separados então a
mudança na certeza de A não interfere
na certeza de B
Inteligência Artificial
Redes Bayesianas
Redes Causais e Bayesianas
●
Probabilidades condicionais
●
Bayes
P( A | B)  P( B)
P( B | A) 
P( A)
●
Probabilidades subjetivas
●
suposições
Inteligência Artificial
Redes Bayesianas
Redes Bayesianas
• Um conjunto de variáveis e um conjunto de
arcos orientados entre as variáveis
• Cada variável tem um conjunto finito de
estados mutuamente exclusivos
• As variáveis juntas aos arcos diretos formam
um grafo acíclico orientado (é acíclico se não
tiver nenhum caminho A1...  An sendo
que A1=An)
• Para cada variável A com pais B1,...,Bn
existe uma tabela de probabilidade
condicional P(A|B1,...,Bn)
Inteligência Artificial
Redes Bayesianas
Redes Causais e Bayesianas
P(H|G)
H=y
H=n
G=y
0,8
0,2
P(W|G)
G=n
0,1
0,9
W=y
W=n
G=y
0,8
0,2
G=n
0,1
0,9
P(W,G) e P(H,G)
H=y
H=n
G=y
0,56
0,14
G=n
0,03
0,27
P(H,G) atualizado
H=y
H=n
G=y
G=n
0,8*0,95 0,1*0,05
0,2*0,95 0,9*0,05
P(H) = (0,76 +0,005;0,19+0,045)=(0,765;0,235)
Inteligência Artificial
Redes Bayesianas
Modelos
• Relações causais não são tão óbvias
• Divórcio
Inteligência Artificial
Redes Bayesianas
Propagação
• Atualizar as probabilidades sem ter que
varrer toda a árvore
• Árvores de junção
• Simulação estocástica
• m configurações das probabilidades são
contadas para cada variável
• ao determinar uma das configurações, as
contagens são atualizadas e a configuração
descartada
Inteligência Artificial
Redes Bayesianas
Limitações
• Eventos não esperados
• Explorar uma rede previamente
desconhecida
• Extensão e confiabilidade das crenças
primárias
Inteligência Artificial
Redes Bayesianas
Aplicação
• Site Profiler
• Gerência de riscos terroristas
– Terror: ameaça assimétrica
• Insumos para a RB
– convicções objetivas e subjetivas do
usuário
– banco de dados histórico
– resultados de modelos analíticos
– simulações
Inteligência Artificial
Redes Bayesianas
Entrada de dados
Inteligência Artificial
Redes Bayesianas
Classificando riscos
Inteligência Artificial
Redes Bayesianas
Risk Influence Network
Inteligência Artificial
Redes Bayesianas
Fontes de Evidências
Inteligência Artificial
Redes Bayesianas
Visão de uma RIN
Inteligência Artificial
Redes Bayesianas
Referências
• Hudson L., Ware B., Blackmond K., Mahoney S.
(2001) An Application of Bayesian Networks to
Antiterrorism Risk,Management for Military Planners.
• Jensen, V. F. (1996) "Introduction to Bayesian
Networks", University College London Press,
Londres, Inglaterra.
• Niedermayer D. (1998) "An Introduction to Bayesian
Networks and their Contemporary Applications",
Inteligência Artificial
Redes Bayesianas
Redes Bayesianas
Alexandre Silva Pinheiro
[email protected]
[email protected]
Download