kecerdasan buatan (artificial intelligence)
DESCRIPTION
KECERDASAN BUATAN (ARTIFICIAL INTELLIGENCE). PERTEMUAN 7 KETIDAKPASTIAN. Bahasan. Review Probabilistic dan kompleksitas Independence = efficiency Pendahuluan “Ketidakpastian” Teorema Bayes Ringkasan. Review: Probabilistic Inference. - PowerPoint PPT PresentationTRANSCRIPT
KECERDASAN BUATANKECERDASAN BUATAN(ARTIFICIAL INTELLIGENCE)(ARTIFICIAL INTELLIGENCE)
PERTEMUAN 7PERTEMUAN 7
KETIDAKPASTIANKETIDAKPASTIAN
BahasanBahasan Review Probabilistic dan kompleksitasReview Probabilistic dan kompleksitas Independence = efficiencyIndependence = efficiency Pendahuluan “Ketidakpastian”Pendahuluan “Ketidakpastian” Teorema BayesTeorema Bayes RingkasanRingkasan
Review: Probabilistic InferenceReview: Probabilistic Inference
Dengan joint probability distribution, probability sembarang Dengan joint probability distribution, probability sembarang proposition dapat dihitung sbg. jumlah probability sample proposition dapat dihitung sbg. jumlah probability sample point yang bernilai true.point yang bernilai true.
NORMALISASI
Beberapa istilahBeberapa istilah
Complexity inference dgn joint Complexity inference dgn joint distributiondistribution
OutlineOutline
1 Review & kompleksitas1 Review & kompleksitas
2 Independence = efficiency2 Independence = efficiency
3 Pendahuluan Ketidakpastian3 Pendahuluan Ketidakpastian
Bayes’ RuleBayes’ Rule
4 Ringkasan4 Ringkasan
IndependenceIndependence
Contoh lainContoh lain
Conditional IndependenceConditional Independence
Conditional independence = efisienConditional independence = efisien
Pendahuluan KetidakpastianPendahuluan Ketidakpastian Banyak masalah di dunia ini yang tidak dapat dimodelkan Banyak masalah di dunia ini yang tidak dapat dimodelkan
secara lengkap dan konsistensecara lengkap dan konsisten Contoh penalaran induktif:Contoh penalaran induktif:
premis 1:aljabar adalah pelajaran sulitpremis 1:aljabar adalah pelajaran sulitpremis 2:geometri adalah pelajaran sulitpremis 2:geometri adalah pelajaran sulitpremis 3:kalkukus adalah pelajaran sulitpremis 3:kalkukus adalah pelajaran sulitkonklusi: matematika adalah pelajaran sulitkonklusi: matematika adalah pelajaran sulit
Munculnya premis baru bisa mengubah konklusi yang ada, Munculnya premis baru bisa mengubah konklusi yang ada, misal:misal:premis 4:biologi adalah pelajaran sulitpremis 4:biologi adalah pelajaran sulitkonklusi ?????konklusi ?????
Macam PenalaranMacam Penalaran Penalaran non monotonisPenalaran non monotonis
suatu penalaran dimana fakta baru mengakibatkan ketidak suatu penalaran dimana fakta baru mengakibatkan ketidak konsistenankonsistenanCiri:Ciri:
1. mengandung ketidakpastian1. mengandung ketidakpastian2. adanya perubahan pada pengetahuan2. adanya perubahan pada pengetahuan3. adanya penambahan fakta baru merubah konklusi3. adanya penambahan fakta baru merubah konklusi
( dibutuhkan penalaran statistik !!! )( dibutuhkan penalaran statistik !!! ) Penalaran monotonisPenalaran monotonis
Ciri:Ciri:1. konsisten1. konsisten2. pengetahuannya lengkap2. pengetahuannya lengkap
OutlineOutline
1 Review & kompleksitas1 Review & kompleksitas
2 Independence = efficiency2 Independence = efficiency
3 Bayes’ Rule3 Bayes’ Rule
4 Ringkasan4 Ringkasan
Bayes' RuleBayes' Rule
Rule Poduct P(aRule Poduct P(ab) = P(a | b) P(b) = P(b | a) P(a) b) = P(a | b) P(b) = P(b | a) P(a) Bayes' rule: P(a | b) = P(b | a) P(a) / P(b)Bayes' rule: P(a | b) = P(b | a) P(a) / P(b)
Atau dalam bentuk distribusi Atau dalam bentuk distribusi PP(Y|X) = (Y|X) = PP(X|Y) (X|Y) PP(Y) / (Y) / PP(X) = α(X) = αPP(X|Y) (X|Y) PP(Y)(Y)
Kegunaan menentukan probabilitas diagnostik dari probabilitas Kegunaan menentukan probabilitas diagnostik dari probabilitas kausal:kausal: P(Cause|Effect) = P(Effect|Cause) P(Cause) / P(Effect)P(Cause|Effect) = P(Effect|Cause) P(Cause) / P(Effect)
Contoh: Anggap Contoh: Anggap MM adalah meningitis, adalah meningitis, SS adalah sakit leher: adalah sakit leher:P(m|s) = P(s|m) P(m) / P(s) = 0.8 P(m|s) = P(s|m) P(m) / P(s) = 0.8 × × 0.0001 / 0.1 = 0.00080.0001 / 0.1 = 0.0008
Catatan: probabilitas posterior meningitis masih sangat kecil!Catatan: probabilitas posterior meningitis masih sangat kecil!
Bayes' Rule dan kebebasan Bayes' Rule dan kebebasan kondisionalkondisional
PP((Cavity | toothache Cavity | toothache catch catch) ) = α= αPP((toothache toothache catch | Cavity catch | Cavity) ) PP((CavityCavity) ) = α= αPP((toothache | Cavitytoothache | Cavity) ) PP((catch | Cavitycatch | Cavity) ) PP((CavityCavity) )
Ini adalah contoh model Bayes yang Ini adalah contoh model Bayes yang naïve naïve ::PP(Cause,Effect(Cause,Effect11, … ,Effect, … ,Effectnn) = ) = PP(Cause) (Cause) ππiiPP(Effect(Effectii|Cause)|Cause)
Jumlah parameter total Jumlah parameter total linearlinear dalam dalam nn
Dari mana asalnya nilai P?Dari mana asalnya nilai P?
Bayes’ RuleBayes’ Rule
Bayes’ Rule & DistributionBayes’ Rule & Distribution
TugasTugas
Cari / resume metode Cari / resume metode ketidakpastian:ketidakpastian:
1(ganjil). Certainty Factor1(ganjil). Certainty Factor
2(genap). Teorema Dempster 2(genap). Teorema Dempster ShaferShafer
OutlineOutline
1 Review & kompleksitas1 Review & kompleksitas
2 Independence2 Independence
3 Bayes’ Rule3 Bayes’ Rule
4 Ringkasan4 Ringkasan
RingkasanRingkasan Inference dengan full joint distribution konsepnyaInference dengan full joint distribution konsepnya
sangat mudah dimengerti, tetapi dalam kenyataan tidak sangat mudah dimengerti, tetapi dalam kenyataan tidak feasible feasible (exponential time & space complexity)(exponential time & space complexity)
Agar inference bisa tractable, kita mengambil asumsiAgar inference bisa tractable, kita mengambil asumsiindependenceindependence..
Dalam kenyataan, kita hanya bisa mengambil asumsiDalam kenyataan, kita hanya bisa mengambil asumsiconditional independenceconditional independence..
Bayes’ Rule,Bayes’ Rule, ditambah dengan conditional independence, ditambah dengan conditional independence, adalah mekanisme yang sangat berguna.adalah mekanisme yang sangat berguna.