Bài giảng Trí tuệ nhân tạo - Phần 8

ief) của một khẳng định. Lý thuyết xác suất Bayesian (Bayesian Probability Theory) Đại số chắc chắn Stanford (The Stanford Certainty Algebra) Suy luận theo Loggic mờ (Fuzzy Logic) quan tâm đến mức độ thật (truth) của một khẳng định. Xác suất Hữu dụng để: Mô tả một thế giới hoàn toàn ngẫu nhiên (chơi bài,…) Mô tả một thế giới bình thường (mối tương quan thống kê,…) Mô tả các ngoại lệ (tỉ lệ xuất hiện lỗi,…) Làm cơ sở cho việc học của máy (quy nạp cây quyết định,…) Thường xác suất được dùng cho: Sự kiện: xác suất của việc quan sát một chứng cớ nào đó. Giả thuyết: xác suất để giả thuyết đúng. Theo xác suất truyền thống: tần số xuất hiện tương đối của một sự kiện trong một thời gian dài sẽ tiến đến xác suất của nó. Lý thuyết xác suất Cho các sự kiện (mệnh đề) e1 …en : P(ei)  [0,1] (i = 1,…,n) P(e1) + P(e2) + … + P(en) = 1 Ví dụ: đồng xu tốt:	 P(mặt_sấp) = P(mặt_ngửa) = 0.5 	 	 đồng xu không đều: P(mặt_sấp) =0.7 P(mặt_ngửa) = 0.3 Nếu sự kiện e1 và e2 độc lập nhau: P(e1  e2) = P(e1) * P(e2) P(e1  e2) = P(e1) + P(e2) - P(e1) * P(e2) P( e) = 1 – P(e) 	Ví dụ: tung 2 đồng xu: các khả năng có thể xảy ra là SS SN NS NN, suy ra: 	P(S  N) = ¼ = 0.25	P(S  N) = ¾ = 0.75 Xác suất tiên nghiệm (prior probability) hay xs vô điều kiện (unconditional probability): là xs của một sự kiện trong điều kiện không có tri thức bổ sung cho sự có mặt hay vắng mặt của nó. Xác suất hậu nghiệm (posterior probability) hay xs có điều kiện(conditional probability): là xs của một sự kiện khi biết trước một hay nhiều sự kiện khác Ví dụ:	P(cúm) = 0.001	P(sốt) = 0.003	 	P(cúm  sốt) = 0.000003 	nhưng cúm và sốt là các sự kiện không độc lập 	các chuyên gia cho biết: P(sốt | cúm) = 0.9 Xác suất có điều kiện Suy luận Bayesian (1) P(h|e) là xác suất khẳng định giả thuyết h đúng cho trước bằng chứng e. 	 Công thức này nói rằng xác suất đúng của giả thuyết h khi quan sát được bằng chứng e, bằng với xác xuất cho rằng chúng ta sẽ quan sát được bằng chứng e nếu giả thuyết h là đúng, nhân với xác suất tiên nghiệm của h, tất cả chia cho xác suất tiên nghiệm của việc quan sát được bằng chứng e. một giới hạn được đưa ra nhằm tránh việc suy luận với thông tin không chắc chắn như vậy (vd: 0.2) CF(rule) [-1,1] :	thể hiện sự tin tưởng của các chuyên gia vào 	độ tin cậy của luật. Kết hợp các CF 	CF ( A And B) = Min[CF(A), CF(B)] 	CF (A Or B) = Max[CF(A), CF(B)] Ví dụ: CF(bệnh nhân bị sốt) = 0.9 	 CF(bệnh nhân bị hắt hơi) = 0.6 	 CF(bệnh nhân bị sốt And bệnh nhân bị hắt hơi) = 0.6 	 CF(bệnh nhân bị sốt Or bệnh nhân bị hắt hơi) = 0.9 Đại số chắc chắn Stanford (2) Truyền CF trên các luật:	 	CF(Q) = CF(If P Then Q) * CF(P) Ví dụ:	 CF(bệnh nhân bị sốt) = 0.8 	 CF(If bệnh nhân bị sốt Then bệnh nhân bị cúm) = 0.5 	 CF(bệnh nhân bị cúm) = 0.4 Kết hợp nhiều CF từ nhiều luật 	If P Then Q -> CF1(Q) 	If R Then Q -> CF2(Q) CF(Q) = CF1(Q) + CF2(Q) – CF1(Q) * CF2(Q) 	= CF1(Q) + CF2(Q) + CF1(Q) * CF2(Q) 	= Đại số chắc chắn Stanford (3) Ví dụ:	CF(bệnh nhân bị sốt) = 1 	CF(bệnh nhân bị hắc hơi) = 0.8 	CF(If bệnh nhân bị hắc hơi Then bệnh nhân bị cúm) = 0.5 	CF(If bệnh nhân bị sốt Then bệnh nhân bị cúm) = 0.6 	CF1(bệnh nhân bị cúm) = 0.4 	CF2(bệnh nhân bị cúm) = 0.6 	CF(bệnh nhân bị cúm) = 0.4 + 0.6 – 0.24 = 0.76 Tính chất: 	kết quả CF phải nằm trong khoảng [-1,+1] 	kết hợp các CF nghịch nhau sẽ xóa bớt lẫn nhau 	Phép đo CF kết hợp phải mang tính tuyến tính Mycin Mục đích: Giúp đỡ các bác sĩ trong việc chẩn đoán và điều trị các bệnh truyền nhiễm Nhận dạng các cơ quan bị nhiễm bệnh Chọn các loại thuốc khống chế các cơ quan này Giao diện người dùng: Đối thoại với bác sĩ để thu thập dữ liệu Dữ liệu tổng quát về bệnh nhân Các kết quả xét nghiệm Các triệu chứng của bệnh nhân EMYCIN 	= MYCIN – Tri thức Y học 	 	= Sườn hệ chuyên gia (ES shell) Biểu diễn tri thức của Mycin Dữ kiện:	 Luật: 	Luật + diễn giải của luật IF	(a) the infection is primary-bacteria, and 	(b) the site of the culture is one of the serile sites, and 	(c) the suspected portal of entry is gastrointestinal tract THEN there is suggestive evidence (.7) that infection is bacteroid IF: (AND	(same_context infection primary_bacteria) 	(membf_context site sterilesite) 	(same_context portal GI) ) THEN:	(conclude context_ident bacteroid tally .7) Suy luận của Mycin Ngữ cảnh: các đối tượng được thảo luận bởi Mycin Các kiểu đối tượng khác nhau: bệnh nhân, thuốc, … Được tổ chức trong một cây Động cơ suy diễn: tiếp cận hướng từ mục tiêu hay suy diễn lùi Tìm kiếm sâu gần như là vét cạn Có thể suy luận với thông tin không chắc chắn Có thể suy luận với dữ liệu không đầy đủ Các tiện ích giải thích: Mô-đun ‘hỏi-trả lời’ với các câu hỏi tại sao, như thế nào. Ví dụ Mycin Chân của John đang bị đau (1.0). Khi tôi kiểm tra nó, thấy nó sưng tấy (0.6) and hơi đỏ (0.1). Tôi không có nhiệt kế nhưng tôi nghĩ anh ta có bị sốt (0.4). Tôi biết John là một vận động viên marathon, các khớp của anh ta thường xuyên làm việc quá tải (1.0). John có thể di chuyển chân của anh ấy. Liệu chân của John bị gãy, quá mỏi, hay bị nhiễm trùng? IF đau và sốt	THEN	bị nhiễm trùng	0.6 IF đau và sưng	THEN 	bị chấn thương 	0.8 IF quá tải	THEN	bị nhiễm trùng 	0.5 IF bị chấn thương AND đỏ 	THEN bị gãy	0.8 IF bị chấn thương AND di chuyển được THEN quá mỏi 1.0 Một luật heuristic của Mycin IF tuổi bệnh nhân 16 	And 	bệnh nhân là một người nghiện rượu THEN 	chứng cớ cho viêm phổi song cầu khuẩn 	 0.7 Tri thức miền: Các bệnh nhân bị nghiện rượu thì đáng nghi ngờ với vi khuẩn viêm phổi song cầu khuẩn Tri thức giải quyết vấn đề Lọc sự chẩn đoán theo từng bước Tri thức về thế giới Người nghiện rượu thì hiếm khi dưới 17 tuổi Câu hỏi gây sốc cho cha mẹ của các trẻ nhỏ. Logic Mờ (Fuzzy Logic) Một số phần của thế giới là nhị phân: Con mimi của tôi là một con mèo Một số phần thì không: An thì khá cao, Bảo thì thuộc loại cao, tôi thì hơi cao, Trân thì không cao lắm Nhị phân có thể biểu diễn bằng một đồ thị: Logic mờ cũng có thể biểu diễn bằng đồ thị, nhưng là đồ thị liên tục: Tập Mờ Cho S là một tập hợp và x là một phần tử của tập hợp đó. Một tập con mờ F của S được định nghĩa bởi một hàm tư cách thành viên F(x) đo “mức độ” mà theo đó x thuộc về tập F. Trong đó, 0  F(x)  1. Khi 	F(x) = 0 	 => 	x  F hoàn toàn. Khi 	F(x) = 1 	 => x  F hoàn toàn. Nếu x, F(x) = 0 hoặc 1 	thì 	F được xem là “giòn” Hàm thành viên F(x) thường được biểu diễn dưới dạng đồ thị. Ví dụ 7.7: S là tập hợp tất cả các số nguyên dương và F là tập con mờ của S được gọi là “số nguyên nhỏ”  Ví dụ: 7.8: Một sự biểu diễn tập mờ cho các tập người đàn ông thấp, trung bình, và cao. Ví dụ Tập Mờ 1 2 3 … 1  Số nguyên nhỏ 4’ 5’ 6’ 5’6” 4’6” 1  Thấp Trung bình Cao 6’6” || Chiều cao 0 Tính Chất của Tập Mờ Hai tập mờ bằng nhau: 	A = B nếu x  X, 	A (x) = B (x) Tập con: A  B nếu x  X, 	A (x)  B (x) Một phần tử có thể thuộc về nhiều hơn một tập mờ. 	Ví dụ: (hình 7.5) một người đàn ông cao 5’10” thuộc về cả hai tập “trung bình” và “cao”. Tổng các giá trị mờ của một phần tử khác 1: 	Thấp(x) + Trungbình(x) + Cao(x)  1 Mờ hóa (fuzzification) Từ hàm thành viên cho trước, ta có thể suy ra được mức độ một thành viên thuộc về một tập hợp, hay giá trị mờ của nó đối với một tập mờ. An Bảo Châu Giá trị mờ Hợp của hai tập mờ Khái niệm: Hợp của hai tập mờ (AB) thể hiện mức độ một phần tử thuộc về một trong hai tập là bao nhiêu. Công thức: 	 A B(x) = max (A(x) , B(x) ) Thí dụ 7.10: 	Tre(An) = 0.8 và	Trung niên(An) = 0.3 => Tre  Trung Niên(An) 	= max( 0.8, 0.3) = 0.8 A  B Giao của hai tập mờ Khái niệm: Giao của hai tập mờ (AB) thể hiện mức độ một phần tử thuộc về cả hai tập là bao nhiêu. Công thức: 	 A B(x) = min (A(x) , B(x) ) Thí dụ 7.11: 	 	Tre(An) = 0.8 và	Trung niên(An) = 0.3 => Tre  Trung Niên(An) 	= min( 0.8, 0.3) = 0.3 A  B Bù của một tập mờ Khái niệm: Bù của một tập mờ thể hiện mức độ một phần tử không thuộc về tập đó là bao nhiêu. Công thức: 	 A(x) = 1 - A(x) Thí dụ 7.12: 	 	Trẻ(An) = 0.8 => 	 Trẻ(An) 	= 1 – 0.8 = 0.2 A’ Luật mờ Một luật mờ là một biểu thức if - then được phát biểu ở dạng ngôn ngữ tự nhiên thể hiện sự phụ thuộc nhân quả giữa các biến. Thí dụ 7.14: 	 	if nhiệt độ là lạnh 	và giá dầu là rẻ 	then sưởi ấm nhiều. Hoặc:	 	if một người có chiều cao là cao và cơ bắp là lực lưỡng then chơi bóng rổ hay. Biến Giá trị của biến (hay tập mờ) Nhận xét Logic mờ không tuân theo các luật về tính bù của logic truyền thống: 	 A A(x)  1	và	 A  A(x)  0 Thí dụ 7.13: 	 	 A A(x) = max (0.8, 0.2) = 0.8 	 A  A(x) = min( 0.8, 0.2) = 0.2 Thủ tục ra quyết định mờ(fuzzy decision making procedure) Mờ hóa (fuzzification) Suy luận mờ (fuzzy reasoning) Khử tính mờ (defuzzification) Thực hiện tất cả các luật khả thi, các kết quả sẽ được kết hợp lại Chuyển các giá trị của dữ liệu thực tế về dạng mờ Chuyển kết quả ở dạng mở về dạng dữ liệu thực tế Hệ thống mờ dùng trong điều trị bệnh IF sốt nhẹ THEN liều lượng asperine thấp IF sốt THEN liều lượng asperine bình thường IF sốt cao THEN liều lượng asperine cao IF sốt rất cao THEN liều lượng asperine cao nhất S SN SC SRC 37 38 39 40 41 oC 0 200 400 600 800 1000 mg T BT C CN Ví dụ: Một bệnh nhân sốt ở 38.7 độ. Hãy xác định liều lượng asperince cần thiết để cấp cho bệnh nhân Bước 1: Mờ hóa giá trị x = 37.8 đã cho ta thấy 37.8 thuộc về các tập mờ như sau: 	Sốt nhẹ (x) = 0.3	Sốt (x) = 0.7	 	Sốt cao (x) = 0	Sốt rất cao (x) = 0 Ví dụ (tt.) Bước 2: Ta thấy có 2 luật 1 và 2 có thể áp dụng cho ra hai liều lượng aspirine: 	Thấp (x) = 0.3	Bình thường (x) = 0.7	 Kết hợp các giá trị mờ này lại ta được vùng được tô màu sau đây: Ví dụ (tt.) Bước 3: Phi mờ hóa kết quả bằng cách tính trọng tâm của diện tích được tô trong hình trên: Chiếu xuống trục hoành ta được giá trị 480mg Kết luận: liều lượng aspirine cần cấp cho bệnh nhân là 480mg. Tóm Tắt Vận dụng công thức Bayes để tính xác suất của một giả thuyết. Hiểu nguyên tắc hoạt động của HCG MYCIN Vận dụng đại số hệ số chắc chắn Stanford vào hệ chuyên gia MYCIN. Hiểu lý thuyết về logic mờ & ứng dụng của nó vào các HCG mờ. Biết lựa chọn phương pháp suy luận phù hợp với vấn đề cần giải quyết.