Professional Documents
Culture Documents
Oleh
ii
Kata Pengantar
Ide untuk menyajikan dalam bentuk format slide yang enak dibaca dan mudah dipahami muncul ketika penulis
temukan topik bahan Bayesian ini di arsip, dimana topik bahan ini merupakan bagian dari metode pembelajaran
mesin cerdas atau bagian dari bahan pengetahuan kecerdasan tiruan yang menjadi trend aplikasi di masa depan.
Penulis berusaha menyajikan dalam bentuk bahasa sederhana mungkin agar pembaca terutama dari kalangan pelajar
dapat menangkap esensinya dengan cepat.
Semoga bahan ringkasan dalam bentuk slide ini bermanfaat bagi pembaca baik dari kalangan adik-adik
pelajar maupun praktisi yang berkecimpung dalam bidang pembelajaran kecerdasan tiruan. Tentu, bentuk ringkasan
yang memudahkan dapat menjadi sebuah kekurangan karena tidak berupa teks buku yang menerangkan secara
panjang lebar, karena itu perbaikan yang terus dilakukan untuk melengkapi apa yang dirasakan masih kurang
merupakan jalan bijak menuju kepada kepuasan yang diharapkan pembaca. Hanya dengan itulah sesuatu yang
disajikan dapat dijadikan lebih baik dari waktu ke waktu. Untuk itu saran dan kritik pembaca, sangat diharapkan
untuk perbaikan buku ini.
Pada kesempatan ini, dari lubuk hati penulis terdalam, penulis mengucapkan terima kasih setulusnya kepada
6 orang yang berperan besar dan merubah perjalanan hidup penulis, yaitu Ibu Saini (Alm), T. Oh Huan (Alm),
Albert Ray J, Alexander Rex., Ibu Maria Dwi K ,dan Ibu RajaniTjandra.
iii
Daftar Isi
Kata Pengantar........................................................................................................................................
.ii
Daftar Isi.................................................................................................................................................
iii
Pendahuluan ........................................................................................................................................... v
Bab 1
Bab 2
Bab 3
19
Bab 4
29
Bab 5
47
Lampiran ...............................................................................................................................................
67
76
iv
BAB 1
PENGANTAR :
PEMBELAJARAN INDUKTIF
MODEL BAYESIAN
Pembelajaran Induktif
Model Bayesian
Visi
Kontrol Motor
Memori
Bahasa
Pembelajaran Induktif and pemikiran.
pengetahuan kognitif
horse
horse
horse
5
Pengantar
Tantangan :
Pemikiran induktif
sangat terbatas ?
Masukan:
Sapi bisa kena penyakit A.
Monyet bisa kena penyakit A.
(premis)
Filosofis :
Induksi adalah sebuah problem, teka teki, paradok,
skandal, or mitos.
(kesimpulan)
negatif.
10
Masukan :
Hari 1
Hari 2
Hari 3
Hari 4
...
Sakit kepala
ya
ya
tidak
ya
...
tidak
ya
ya
tidak
...
Probabilitas
sesudah
p(h | d )
kemungkinan
Probabilitas
sebelum
p(d | h) p(h)
p(d | h) p(h)
hH
Jumlah semua ruang
hipotesis
11
Shepard (1987)
Analysis of one-shot stimulus generalization, to explain
the universal exponential law.
Makna kata-kata
Hasil mendatang dari proses dinamik
Sifat-sifat kausal tersembunyi sebuah obyek
Anderson (1990)
Models of categorization and causal induction.
Heit (1998)
Framework for category-based inductive reasoning.
9
12
p ( d | h) p ( h)
p( h | d )
p(d | h) p(h)
hH
13
Pembelajaran asosiatif
Jaringan koneksionis
Kesamaan contoh-contoh
Pembatas kepuasan
Analogis pemetaan
14
17
Komputasi :
Psikologi kognitif
Implementasi :
Neurobiologi
15
18
Kenapa Bayes?
Kerangka untuk menyelesaikan kognitif.
Bagaimana orang dapat belajar benar dari data terbatas.
Kenapa model proses bekerja dengan cara yang mereka lakukan.
Model kuantitatif kuat dengan minimal asumsi ad hoc.
Kerangka untuk memahami bagaimana pengetahuan
BAB 2
PEMBELAJARAN KASUS DASAR 1:
MELEMPAR KOIN
Aturan Bayes
Untuk data D dan hipotesis H, kita punya :
P( H | D )
P ( H ) P( D | H )
P(D)
Probabilitas sesudah:
P( H | D)
P(H )
P( D | H )
Probabilitas sebelum:
kemungkinan:
4
Melempar Koin
p( A & B ) p ( A) p ( B | A)
p( A & B ) p ( B ) p ( A | B )
p ( B) p ( A | B) p ( A) p ( B | A)
p( A | B )
2
p( A) p ( B | A)
p( B)
Melempar koin
HHTHT
HHHHH
Aksioma Cox
perlu berpadu dengan logika umum
Aturan Bayes
Untuk data D dan hipotesis H, kita punya :
P( H | D )
Probabilitas sesudah:
D = HHTHT
P ( H ) P( D | H )
P(D)
P( H | D)
Model Markov
Probabilitas sebelum:
Kemungkinan:
P(H )
P( D | H )
Model
generatif
10
menghasilkan data D
menunjukkan ketergantungan
d1
d2
d3
d4
d1
d2
d3
d4
Model Markov
HHTHT
d1 d2 d3 d4 d5
11
D = HHTHT
Koin wajar, P(H) = 0.5
Koin dengan P(H) = p
Model Markov
Model
statistik
HHTHT
...
d1 d2 d3 d4 d5
9
12
p
d1
d2
d3
d4
P(H) = p
s1
s2
s3
s4
d1
d2
d3
d4
10
Pelemparan koin
Membandingkan 2 hipotesis sederhana
P(H1|D)
P(H2|D)
D:
H1, H2:
P(H1|D):
P(D|H1):
P(H1):
Psikologis: Kerepresentatifan
13
P(D|H1)
P(D|H2)
P(H1)
x P(H )
2
data
model
probabilitas sesudah H1 hasilkan data
kemungkinan data dibawah model H1
probabilitas sebelum H1 hasilkan data
16
Pelemparan koin
Pelemparan koin
Membandingkan 2 hipotesis sederhana
P(H) = 0.5 vs. P(H) = 1.0
HHTHT
HHHHH
Psikologis: Kerepresentatifan
14
Membandingkan 2 hipotesis
sederhana
Membandingkan 2 hipotesis
sederhana
P(H1|D)
P(H2|D)
P(D|H1)
P(D|H2)
x P(H1)
P(H2)
D:
HHTHT
H1, H2:
koin wajar, selalu muka
P(D|H1) = 1/25
P(H1) =
999/1000
P(D|H2) = 0
P(H2) =
1/1000
Aturan Bayes :
P( H | D )
P ( H ) P( D | H )
P(D)
18
11
Membandingkan 2 hipotesis
sederhana
P(H1|D)
P(H2|D)
P(D|H1)
P(D|H2)
Pelemparan koin
Membandingkan 2 hipotesis sederhana
P(H1)
x P(H2)
D:
HHHHH
H1, H2:
koin wajar, selalu muka
P(D|H1) = 1/25
P(H1) =
999/1000
P(D|H2) = 1
P(H2) =
1/1000
Psikologis: Kerepresentatifan
P(H1|D) / P(H2|D) 30
19
22
Membandingkan 2 hipotesis
sederhana
P(H1|D)
P(H2|D)
P(D|H1)
P(D|H2)
P(H1)
x P(H2)
d1
D:
HHHHHHHHHH
H1, H2:
koin wajar, selalu muka
P(D|H1) = 1/210
P(H1) =
999/1000
P(D|H2) = 1
P(H2) =
1/1000
d4
vs.
d1
d2
d3
d4
P(H) = p
Membandingkan 2 hipotesis
sederhana
dalam 2 cara :
21
d3
P(H1|D) / P(H2|D) 1
20
d2
24
12
25
28
P(D|H1)
P(H1)
= P(D|H2) x P(H2)
P(D|H1) = 1/2N
HHHHH
p = 1.0
26
29
HHTHT p = 0.6
27
30
13
p
d1
d2
d3
d4
P(H) = p
terbatas
31
34
40%.
32
35
Pelemparan koin
P( H | D )
P ( H ) P( D | H )
P(D)
Psikologis: Kerepresentatifan
33
36
14
Konjugat sebelum
Kemungkinan :
Terdapat pada banyak distribusi standar
P(D | p) =
pNH
(1-p)NT
Sebelum :
FH = FT = 1
FH = FT = 3
FH = FT = 1000
37
40
Sebelumnya :
41
Sebelumnya :
Sesudah berarti :
Beta(FH,FT)
Prediktif distribusi sesudah:
42
15
Beberapa contoh
Contoh, F ={1000 muka, 1000 ekor} ~ ekspektasi kuat
Teori sederhana
sekarang.
Menilai lebih halus dan lebih kuat sebelum dari pada
benar standar.
44
47
Pembatasan :
45
48
16
Hirarki sebelum
Pengetahuan fisik
Hipotesis order lebih tinggi : apakah
FH,FT
fair
Contoh probabilitas:
P(wajar) = 0.99
P(p|wajar) adalah Beta(1000,1000)
P(p|tak wajar) adalah Beta(1,1)
d1
d2
p
d3
d1
d4
d2
p
d3
d4
d1
d2
p
d3
d4
d1
d2
d3
d4
52
P(wajar|25 muka)
P(25 muka|wajar)
P(wajar)
= 9 x 10-5
=
P(tak wajar|25 muka) P(25 muka|tak wajar) P(tak wajar)
50
53
Pelemparan koin
Membandingkan 2 hipotesis sederhana
Koin 1
Koin 2
...
p ~ Beta(FH,FT)
FH,FT
p Koin 200
d1
d2
d3
d4
d1
d2
d3
d4
d1
d2
d3
Psikologis: Kerepresentatifan
d4
10 lemparan dari 200 koin lebih baik dari 2000 lemparan dari
54
17
Penilaian kerepresentatifan
Psikologi: Kerepresentatifan
Yang mana urutan lebih mungkin dari sebuah koin wajar ?
HHTHT
HHHHH
55
58
Hasil-hasil
P(D|H1)
=
P(D|H2)
P(H1)
x
P(H2)
rasio kemungkinan
Dengan menskala parameter, r = 0.95
59
Peran teori-teori
4 hipotesis:
57
h1
koin wajar
h2
selalu berubah
h3
umumnya muka
h4
selalu muka
HHTHTTTH
HTHTHTHT
HHTHTHHH
HHHHHHHH
60
18
Ringkasan
3 jenis kesimpulan Bayesian
bandingkan 2 hipotesis sederhana
bandingkan hipotesis sederhana dan kompleks
Bandingkan jumlah tak terbatas hipotesis
Notasi kritis :
Model generatif, model grafis
Pisau cukur Occam Bayesian
Sebelum : konjugat, hirarki (teori-teori)
61
BAB 3
PEMBELAJARAN KASUS DASAR 2:
ATURAN-ATURAN DAN KESAMAAN
19
20
Statistik
Kesamaan
Tipikalitas
Statistik
Kesamaan
Tipikalitas
Aturan-aturan
Logika
Simbol-simbol
3
21
Game nomer
statistik terstruktur.
Contoh nomer
ya
Penilaian
generalisasi (N = 20)
60
Kesamaan difusi
10
Game nomer
Game nomer
Contoh nomer
ya
Penilaian
generalisasi (n = 20)
60
Kesamaan difusi
60 80 10 30
Aturan :
kelipatan 10
11
Game nomer
Game nomer
Contoh nomer
ya
Penilaian
generalisasi (N = 20)
60
Kesamaan difusi
Tugas pembelajaran :
Mengamati satu atau lebih contoh positif (ya).
Menilai apakah nomer lain adalah ya atau
tidak.
9
60 80 10 30
Aturan:
kelipatan 10
60 52 57 55
Fokus kesamaan :
nomer dekat 50-60
12
22
Game nomer
contoh-contoh
Contoh nomer
ya
Pembelajaran kategori
Penilaian
generalisasi (N = 20)
16
Pemrosesan bahasa
Kesamaan difusi
16 8 2 64
Pemikiran
Aturan :
pangkat 2
Sloman
Rips
16 23 19 20
Fokus kesamaan :
nomer dekat 20
13
Nisbett, Smith.
16
Game nomer
60
Kesamaan difusi
60 80 10 30
Aturan :
kelipatan 10
60 52 57 55
Fokus kesamaan :
nomer dekat 50-60
Kenapa 2 modul?
Kenapa modul-modul ini bekerja berdasarkan cara mereka melakukan
14
Model Bayesian
H: Ruang hipotesis pada konsep yang mungkin :
18
23
teori:
: bobot kelompok k
sebuah domain.
sistem terprinsip.
Apa yang hilang ?
Representasi eksplisit prinsip
Ruang hipotesis (dan sebelum) dihasilkan oleh teori-
sij wk f ik f jk
sij
wk
f ik
deskripsi struktural)
Pemodelan hirarki Bayesian
22
19
Model Bayesian
H: Ruang hipotesis dari konsep yang mungkin:
sij wk f ik f jk
k
Tingkat
Bobot
Interpretasi
0 1 2 3 4 5 6 7 8 9
1
.444
.345
* * *
.331
.291
.255
.216
.214
* * * *
.172
pangkat 2
nomer kecil
* * * *
p( h | X )
nomer besar
nomer sedang
* * * * *
*
kelipatan 3
* * * * *
p ( X | h ) p (h )
p( X )
nomer ganjil
nomer agak kecil
nomer lebih besar
23
20
Model Bayesian
H: Ruang hipothesis dari konsep yang mungkin :
Sifat-sifat mathematis: genap, ganjil, persegi, prima, . . . .
Besaran pendekatan : {1-10}, {10-20}, {20-30}, . . . .
Besaran baris : semua interval antara 1 dan 100.
p (h | X )
hH
21
p ( X | h) p ( h)
p( X | h) p(h)
24
24
Kemungkinan : p(X|h)
Prinsip ukuran : Hipotesis lebih kecil menerima
kemungkinan lebih besar, dan secara eksponensial lebih
sebanding n meningkat.
h1
1
p ( X | h)
jika x1 , , x n
size(h)
0 jika tiap x i h
2
12
22
32
42
52
62
72
82
92
4
14
24
34
44
54
64
74
84
94
6
16
26
36
46
56
66
76
86
96
8 10
18 20
28 30
38 40
48 50
58 60
68 70
78 80
88 90
98 100
h2
28
4
14
24
34
44
54
64
74
84
94
6
16
26
36
46
56
66
76
86
96
8 10
18 20
28 30
38 40
48 50
58 60
68 70
78 80
88 90
98 100
h2
M1
Hukum
Kepercayaan
konservatif
P
pd()
=
D
h1
M2
26
29
2
12
22
32
42
52
62
72
82
92
4
14
24
34
44
54
64
74
84
94
6
16
26
36
46
56
66
76
86
96
8 10
18 20
28 30
38 40
48 50
58 60
68 70
78 80
88 90
98 100
p (D d | M ) 1
h2
27
semua d D
30
25
Sebelum : p(h)
Sesudah :
p( h | X )
p ( X | h) p ( h)
p( X | h) p(h)
hH
genap ? p(X|h).
Kenapa lebih menyukai kelipatan 10 dari kelipatan
34
Sebelum : p(h)
p(H2) = 3/5
p(H3) = 1/5
p(h) = p(H3) / 10
35
C.
Ruang hipotesis = klosur R dalam C.
C = {dan, atau}: H = kesatuan dan intersepsi keteraturan pada R (contoh
26
p( y C | X )
y C | h) p ( h | X )
p(
hH
1 jika yh
0 jika yh
p( h | X )
h { y, X }
37
Contoh:
16
8
2
64
40
Contoh:
16
Contoh:
16
23
19
20
41
38
Model sesuai/cocok
sij wk f ik f jk
Contoh nomer
ya
k
Hipotesis Bayesian meratakan :
p( y C | X )
60
p ( X | h) p ( h)
h { y , X }
p (h | X )
60 80 10 30
h { y , X }
Ekivalen jika kita identifikasi fitur fk dengan hipotesis h,
39
60 52 57 55
42
Penilaian
generalisasi (N = 20)
Model Bayesian
(r = 0.96)
Model-model alternatif
Model sesuai/cocok
contoh
ya nomer
Penilaian
generalisasi (N = 20)
Jaringan syaraf
Model Bayesian
(r = 0.93)
16
genap
kelipatan kelipatan
10
3
pangkat
2
60
80
10
30
16 8 2 64
16 23 19 20
43
46
Model-model alternatif
Jaringan syaraf
Hipotesis peringkat dan eliminasi
Hipotesis
peringkat:
kelipatan
10
kelipatan
3
pangkat
2
60
80
10
30
1
genap
44
27
47
Model-model alternatif
Jaringan syaraf
Hipotesis peringkat dan eliminasi
Rata-rata kesamaan :
p( y C | X )
1
sim( y, x j )
| X | x X
j
60
60 80 10 30
45
60 52 57 55
48
Data
Model (r = 0.80)
28
Ringkasan
Model-model alternatif
Jaringan syaraf
Kesamaan tipe/jenis
Maks kesamaan :
p( y C | X ) max sim ( y , x j )
secara tradisional:
x j X
60
60 80 10 30
Kesamaan
Kerepresentatifan
60 52 57 55
Data
Model (r = 0.64)
52
Model-model alternatif
Kenapa Bayes ?
Kerangka untuk menjelaskan kognitif.
Bagaimana orang belajar banyak dari data terbatas demikian.
Kenapa model-model level proses bekerja dengan cara mereka
lakukan.
Model kuantitatif kuat dengan minimal asumsi ad hoc.
Jaringan syaraf
Hipotesis peringkat dan eliminasi
Kesamaan tipe /jenis
Rata-rata kesamaan
Maks kesamaan
Fleksibel kesamaan ?
Bayes.
53
Model-model alternatif
Jaringan syaraf
p( h | d )
p( d | h) p( h)
p(d | h) p(h)
hH
BAB 4
PEMBELAJARAN KASUS LANJUTAN 1:
KAUSALITAS
29
30
Pengantar Kausalitas
masukan : data
keluaran: solusi
Analisis 3 Level
Komputasi:
p( h | d )
p( d | h) p( h)
p(d | h) p(h)
hH
Psikologi kognitif
Implementasi:
Neurobiologi
31
Kausalitas
10
Model-model grafik
Ekspresi struktur ketergantungan probabilistik di
Terdiri dari
3 reaksi :
ketergantungan
11
X3
X1
X2
X4
X5
Terdiri dari
12
32
X3
X1
X2
X4
X5
Terdiri dari
sebuah himpunan simpul
sebuah himpunan tepi
distribusi probabilitas kondisional untuk tiap simpul, kondisikan
16
2 problem beda
Statistik Bayesian adalah sebuah metode kesimpulan
14
Independensi kondisional
Penjelasan jauh
15
probabilitas kondisional :
18
P( xi | cav), P ( xi | cav)
33
Battery
Radio
variabel acak :
Ignition
Starts
Cavity
Toothache
Gas
On time to work
Catch
P( A, B, C )
P( B , R, I , G, S , O) P ( B ) P( R | B ) P( I | B ) P(G ) P (S | I , G ) P(O | S )
P (V | parents[V ])
V { A, B,C }
19
22
Penjelasan jauh
Battery
Radio
Ignition
Rain
Gas
Sprinkler
Grass Wet
Starts
P( R, S , W ) P ( R )P ( S ) P (W | S , R )
On time to work
Distribusi bersama memadai untuk tiap kesimpulan :
P( B , R, I , G, S , O) P( B ) P ( R | B ) P ( I | B) P (G ) P( S | I , G ) P(O | S )
P (G)
P (G)
20
0 jika R r dan S s.
23
Penjelasan jauh
Battery
Radio
Ignition
Rain
Gas
Sprinkler
Grass Wet
Starts
P( R, S , W ) P ( R )P ( S ) P (W | S , R )
On time to work
0 jika R r dan S s.
P( B , R, I , G, S , O) P( B ) P ( R | B ) P ( I | B) P (G ) P( S | I , G ) P(O | S )
Hitung probabilitas
hujan tadi malam,
diberikan bahwa rumput
basah
P (O, G)
P(O | G )
P( B ) P ( I | B ) P (S | I , G) P(O | S )
P (G )
S B,I
21
24
P(r | w)
P ( w | r ) P( r )
P( w)
34
Penjelasan jauh
Penjelasan jauh
Rain
Rain
Sprinkler
Grass Wet
Grass Wet
P( R, S , W ) P ( R )P ( S ) P (W | S , R )
P( R, S , W ) P ( R )P ( S ) P (W | S , R )
0 jika R r dan S s.
Hitung probabilitas
hujan tadi malam,
diberikan bahwa rumput
basah
P( r | w )
Hitung probabilitas
hujan tadi malam,
diberikan bahwa rumput
basah
P ( w | r ) P( r )
P(w | r, s) P(r , s)
r , s
25
P( r | w )
P( r )
P ( r ) P ( r ) P ( s )
28
Penjelasan jauh
Rain
Penjelasan jauh
Sprinkler
Rain
Grass Wet
P( R, S , W ) P ( R )P ( S ) P (W | S , R )
Hitung probabilitas
hujan tadi malam,
diberikan bahwa rumput
basah
P( r | w )
Sprinkler
Grass Wet
P( R, S , W ) P ( R )P ( S ) P (W | S , R )
P( r )
P (r , s ) P (r , s ) P (r , s )
26
29
Penjelasan jauh
Rain
Penjelasan jauh
Sprinkler
Rain
Grass Wet
P( R , S , W ) P( R ) P (S ) P(W | S , R )
Hitung probabilitas
hujan tadi malam,
diberikan bahwa rumput
basah
P(r | w)
Sprinkler
Grass Wet
P( R, S , W ) P ( R )P ( S ) P (W | S , R )
27
Sprinkler
P( r )
P ( r ) P ( r , s )
30
P(r )
35
Penjelasan jauh
Rain
Sprinkler
Rain
Grass Wet
Grass Wet
Kaitan rangsang: Rain
P( R, S , W ) P ( R )P ( S ) P (W | S , R )
P( r )
P ( r ) P ( r ) P ( s )
P(r | w, s) P (r | s ) P (r )
P (r )
mendiskontokan
Probabilitas sebelum.
31
Wet
34
Sprinkler
Grass Wet
35
Burst pipe
Sprinkler
Grass Wet
Model-model grafik
Sprinkler
Menangkap ketergantungan struktur dalam distribusi
Grass Wet
dengan probabilitas
Wet, Sprinkler
Wet
Amati rain, Wet menjadi lebih aktif.
Amati grass wet/rumput basah, Rain/hujan dan
Sprinkler/siraman menjadi lebih aktif.
Amati grass wet dan sprinkler, Rain tidak dapat
menjadi kurang aktif. Tidak menjelaskan jauh !
33
Wet, Sprinkler
Sprinkler
0 jika R r dan S s.
P( r | w )
Sprinkler
36
36
Battery
Radio
Ignition
Gas
Starts
On time to work
Model grafik :
P(Radio|Ignition)
P(Radio|do(Ignition))
37
Menilai intervensi
38
41
Kausalitas menyederhanakan
kesimpulan
Ignition
Gas
Starts
On time to work
Model grafik :
P(Radio|Ignition)
P(Radio|do(Ignition))
Ache
Catch
Cavity
39
42
37
Kausalitas menyederhanakan
kesimpulan
Catch
Cavity
Menyisip sebuah panah baru yang memungkinkan
46
Kausalitas menyederhanakan
kesimpulan
w1
w0
B
w0
X-ray
Catch
Cavity
47
Parameterisasi
Struktur:
h0 =
Parameterisasi:
C B
48
0
1
0
1
0
0
1
1
45
h1 = B
Generik
h1: P(E = 1 | C, B)
p00
p10
p01
p11
h0: P(E = 1| C, B)
p0
p0
p1
p1
38
Parameterisasi
h1 =
Struktur :
B
w0
h0 =
B
w0
w1
C B
49
0
1
0
1
h1: P(E = 1 | C, B)
0
0
1
1
h0: P(E = 1| C, B)
0
w1
w0
w1+ w0
0
0
w0
w0
52
Parameterisasi
h1 =
Struktur :
Linear
w0
w1
h0 =
Dasar-pembatasan
w0
C B
50
0
1
0
1
0
0
1
1
Noisy-OR
h1: P(E = 1 | C, B)
h0: P(E = 1| C, B)
0
w1
w0
w1+ w0 w1 w0
0
0
w0
w0
53
Pengestimasian parameter
Pengestimasian kemungkinan maksimum :
Dasar-pembatasan :
E
(Pearl, 2000; Spirtes., 1993)
51
54
39
pengestimasian parameter
struktur pembelajaran
58
55
56
59
C ada
C tidak ada
E ada
E tidak ada
E
(Pearl, 2000; Spirtes., 1993)
Bayesian:
Hitung probabilitas
struktur sesudah,
diberi data teramati
57
P(S1|data)
P(S0|data)
40
w1
w0
B
w0
E
Kekuatan : seberapa kuat hubungan ?
Struktur: apaka hubungan terdapat ?
64
61
Kekuatan kausal
Asumsi struktur :
Pentingnya parameterisasi
B
w0
w1
(Cheng, 1997)
Model-model penting (DP dan daya kausal) adalah
65
Struktur kausal
Hipotesis:
h1 = B
h0 =
support =
1 1
P(data | h1)
0 0
63
66
41
8/8
8/8
6/8
6/8
4/8
4/8
100
50
0
kimia
gen
2/8
2/8
0/8
0/8
Clofibrate
Wyeth 14,643
Gemfibrozil
Phenobarbital
Support
p450 2B1
70
67
Kimia X
kimia
gen
peroxisome proliferators
Clofibrate
Wyeth 14,643
Gemfibrozil
Phenobarbital
p450 2B1
68
71
kimia
gen
Clofibrate
Wyeth 14,643
Gemfibrozil
variabel-variabel apa?
Phenobarbital
72
42
Penghalangan /Blocking
Trial 1
Trials 3, 4
Trial 2
2 obyek : A dan B
sebuah blicket
A: sebuah blicket
B: bukan sebuah blicket
73
76
Kesimpulan deduktif ?
Toeri kausal
Ontologi
Relasi masuk akal
Bentuk fungsional
h1:
Premis:
X
B
P(h0) =1 r
h0:
X
B
kausal :
A: sebuah blicket
menghasilkan
74
77
A
Lihat ini ? Ini sebuah Letakkan ini pada
mesin blicket .
mesin.
Blicket membuatnya jalan.
Trial 1
Trial 2
2 obyek: A dan B
blicket
A: sebuah blicket (100% penilaian)
B: mungkin bukan sebuah blicket (66% penilaian)
75
78
43
Teori
Teori
Ontologi
Tipe-tipe: Block/halang, Detector/ detektor, Trial/coba
Prediksi :
cause =sebab
Contact(Block, Detector, Trial)
Active(Detector, Trial)
contact=kontak
active =aktif
P(h00) = (1 q)2
h00 :
P(h10) = q(1 q)
h10 :
P(h11) = q2
P(h01) = (1 q) q
= A adalah blicket
h01 :
h11 :
82
Teori
Teori
Ontologi
Types: Block, Detector, Trial
Prediksi :
Contact(Block, Detector, Trial)
Active(Detector, Trial)
P(h00) = (1 q)2
80
Teori
P(h01) = (1 q) q
A
P(h10) = q(1 q)
A
P(h11) = q2
A
0
0
0
0
0
0
1
1
0
1
0
1
0
1
1
1
Hukum aktivasi: E=1 jika dan hanya jika A=1 atau B=1.
Kesimpulan Bayesian
Ontologi
Tipe-tipe : Block, Detector, Trial
Prediksi :
P(d | hi ) P (hi )
P( d | h j ) P( h j )
P( hi | d )
h H
j
81
P( A E | d )
P( A E | h j ) P( h j | d )
h H
j
84
44
Memodelkan penghalangan
arah balik
P(h00) = (1 q)2
A
P(h01) = (1 q) q
A
P(h10) = q(1 q)
A
Memanipulasi sebelum
I. Fase pelatihan awal : Blicket adalah jarang . . . .
P(h11) = q2
0
0
0
0
0
0
1
1
0
1
0
1
0
1
1
1
P ( B E | d ) P ( h01 ) P ( h11 )
q
P( B
E | d ) P( h00 ) P ( h10 ) 1 q
85
88
Memodelkan penghalangan
arah balik
P(h00) = (1 q)2
A
P(h01) = (1 q) q
A
P(h10) = q(1 q)
A
P(h11) = q2
P ( B E | d ) P (h01 ) P (h11 )
1
P( B
E | d)
P (h10 )
1 q
86
89
Memodelkan penghalangan
arah balik
P(h01) = (1 q) q
A
P(h10) = q(1 q)
A
Batas dasar
setelah AB coba
setelah A coba
P(h11) = q2
A
87
Trial 2
A
B
Trial 1
Setelah tiap coba, orang dewasa menilai probabilitas bahwa tiap
obyek adalah sebuah blicket.
P ( B E | d ) P (h11 )
q
P( B
E | d ) P (h10 ) 1 q
90
Batas dasar
setelah AB coba
setelah A coba
45
II. 2 coba: A B
detektor, B C
detektor
kausal ?
Bayes dengan teori sebab-sebab cukup derau /noisy
91
Trial 2
Trial 1
Hipotesis :
h000 =
E
A
h010 =
E
A
h110 =
h100 =
h001 =
h101 =
E
C
h111 A=
atau B = 1 dan B
atau C = 1 dan C
lain 0.
92
h011 =
E
94
E ada,
E ada,
E ada,
95
96
46
Ringkasan
Model garfik kausal memberikan sebuah bahasa untuk
97
BAB 5
PEMBELAJARAN KASUS LANJUTAN 2:
CIRI/ SIFAT
47
48
Pertanyaan besar
Bagaimana kita dapat generalisasi konsep baru handal
horse
horse
horse
Pertanyaan besar
Bagaimana kita dapat generalisasi konsep baru handal
Ciri / Sifat
sosial, .
Sifat induksi
Pertanyaan besar
sosial, .
Sifat induksi
49
Sebuah percobaan
p( h | d )
p( d | h) p( h)
p(d | h) p(h)
X1 punya sifat P.
X2 punya sifat P.
X3 punya sifat P.
hH
pasangan 10 mamalia.
10
Rencana pembahasan
dkk.)
strength(semua mamalia | X )
Model-model Bayesian
sim(i, X )
imamalia
Empiricist Bayes
Teori-berdasarkan Bayes, dengan teori-teori beda
Mamalia:
Contoh :
11
Rencana pembahasan
dkk.)
strength(semua mamalia | X )
Model-model Bayesian
Empiricist Bayes
Teori-berdasarkan Bayes, dengan teori-teori beda
sim(i, X )
imamalia
12
Mamalia:
Contoh :
50
dkk.)
dkk.)
strength(semua mamalia | X )
sim(i, X )
strength(semua mamalia | X )
imamalia
sim(i, X )
imamalia
Max-Kesamaan:
x
Mamalia:
Contoh :
13
j X
Mamalia:
Contoh :
x
16
dkk.)
dkk.)
strength(semua mamalia | X )
sim(i, X )
strength(semua mamalia | X )
imamalia
sim(i, X )
imamalia
Max-Kesamaan :
x
Mamalia:
Contoh :
Mamalia:
Contoh :
14
17
dkk.)
dkk.)
strength(semua mamalia | X )
sim(i, X )
strength(semua mamalia | X )
imamalia
sim(i, X )
sim(i, j )
sim(i, X )
imamalia
Max-Kesamaan :
Jumlah-Kesamaan :
x
jX
x
x
Mamalia :
Contoh : x
15
j X
18
Mamalia:
Contoh :
51
dkk.)
strength(semua mamalia | X )
sim(i, X )
imamalia
Max-Kesamaan :
j X
Model
Mamalia:
Contoh :
19
22
X1 punya sifat P.
X2 punya sifat P.
X3 punya sifat P.
3 himpunan data
strength(semua mamalia | X )
sim(i, X )
Max-sim
imamalia
Max-Kesamaan :
Sum-sim
j X
Kesimpulan
jenis:
Mamalia:
Contoh :
20
23
Banyaknya
contoh :
horses
semua mamalia
horses
1, 2, atau 3
Sum-sim vs Max-sim
baru diamati.
Contoh, elephant:
pengenalan obyek.
21
24
52
Jenis 1
Jenis 2
Jenis 3
Jenis 4
Jenis 5
Jenis 6
Jenis 7
Jenis 8
Jenis 9
Jenis 10
Max-sim, Sum-sim
Implementasi:
Sifat baru
Ciri
25
?
?
?
?
?
?
?
Neurobiologi
28
3 himpunan data
r = 0.77
r = 0.75
Rencana pembahasan
r = 0.94
Max-Sim
Model-model Bayesian
r = 0.21
r = 0.63
Empiricist Bayes
r = 0.19
Sum-Sim
26
Banyaknya
contoh:
horses
horses
1, 2, atau 3
29
Teori-berdasarkan induksi
53
Teori-dasar induksi
Dimulai dengan merekonstruksi intuitif taksonomi dari
penilaian kesamaan :
herbivora besar
pengelompokan
34
31
semua mamalia
32
35
semua mamalia
Jarak
taksonomi
Max-sim
Sum-sim
Cows punya sifat P.
Dolphins punya sifat P.
Squirrels punya sifat P.
Semua mamalia punya sifat P.
33
Kesimpulan
Jenis :
36
Banyaknya
contoh:
semua mamalia
horses
horses
1, 2, atau 3
54
Pendekatan Bayesian
Tantangan
Dapatkah kita bangun model-model terbaik dari kedua
pendekatan tradisional?
Secara kuantitatif akurat prediksi.
Dasar rasional kuat.
Spesis 1
Spesis 2
Spesis 3
Spesis 4
Spesis 5
Spesis 6
Spesis 7
Spesis 8
Spesis 9
Spesis 10
?
?
?
?
?
?
?
?
Ciri-ciri
Generalisasi
Hipotesis
40
37
Rencana pembahasan
Sifat baru
Pendekatan Bayesian
Model-model Bayesian
Empiricist Bayes
Teori-berdasarkan Bayes, dengan teori-teori beda
Spesis 1
Spesis 2
Spesis 3
Spesis 4
Spesis 5
Spesis 6
Spesis 7
Spesis 8
Spesis 9
Spesis 10
?
?
?
?
?
?
?
?
Ciri-ciri
38
41
Pendekatan Bayesian
Spesis 1
Spesis 2
Spesis 3
Spesis 4
Spesis 5
Spesis 6
Spesis 7
Spesis 8
Spesis 9
Spesis 10
Spesis 1
Spesis 2
Spesis 3
Spesis 4
Spesis 5
Spesis 6
Spesis 7
Spesis 8
Spesis 9
Spesis 10
?
?
?
?
?
?
?
?
Ciri-ciri
Sifat baru
Pendekatan Bayesian
?
39
Generalisasi
Hipotesis
Sifat baru
?
?
?
?
?
?
?
?
Ciri-ciri
42
Generalisasi
Hipotesis
Sifat baru
55
Pendekatan Bayesian
Pendekatan Bayesian
p(h)
h
Spesis 1
Spesis 2
Spesis 3
Spesis 4
Spesis 5
Spesis 6
Spesis 7
Spesis 8
Spesis 9
Spesis 10
Spesis 1
Spesis 2
Spesis 3
Spesis 4
Spesis 5
Spesis 6
Spesis 7
Spesis 8
Spesis 9
Spesis 10
?
?
?
?
?
?
?
?
Ciri-ciri
Generalisasi
Hipotesis
43
p(d |h)
Sifat baru
?
?
?
?
?
?
?
?
Ciri-ciri
Sifat baru
Generalisasi
Hipotesis
46
Pendekatan Bayesian
p( d | h) p( h)
p(d | h) p(h)
hH
p(h)
h
Spesis 1
Spesis 2
Spesis 3
Spesis 4
Spesis 5
Spesis 6
Spesis 7
Spesis 8
Spesis 9
Spesis 10
Spesis 1
Spesis 2
Spesis 3
Spesis 4
Spesis 5
Spesis 6
Spesis 7
Spesis 8
Spesis 9
Spesis 10
?
?
?
?
?
?
?
?
Ciri-ciri
Generalisasi
Hipotesis
44
p(d |h)
Sifat baru
?
?
?
?
?
?
?
?
Ciri-ciri
Generalisasi
Hipotesis
47
Pendekatan Bayesian
Sifat baru
p (h | d )
h konsisten
dengan Q ( x )
p(h)
h
Spesis 1
Spesis 2
Spesis 3
Spesis 4
Spesis 5
Spesis 6
Spesis 7
Spesis 8
Spesis 9
Spesis 10
45
Spesis 1
Spesis 2
Spesis 3
Spesis 4
Spesis 5
Spesis 6
Spesis 7
Spesis 8
Spesis 9
Spesis 10
?
?
?
?
?
?
?
?
Ciri-ciri
Generalisasi
Hipotesis
p(d |h)
Sifat baru
?
?
?
?
?
?
?
?
Ciri-ciri
48
Generalisasi
Hipotesis
Sifat baru
56
Prinsip ukuran:
|h | = # pada contoh
positif dari h
p (d | h)
1
h
Prinsip Ukuran
jika d
konsisten
dengan h
lainnya
p(h)
h1
bilangan genap
p(d |h)
h
Spesis 1
Spesis 2
Spesis 3
Spesis 4
Spesis 5
Spesis 6
Spesis 7
Spesis 8
Spesis 9
Spesis 10
d
?
?
?
?
?
?
?
2
12
22
32
42
52
62
72
82
92
4
14
24
34
44
54
64
74
84
94
6
16
26
36
46
56
66
76
86
96
8 10
18 20
28 30
38 40
48 50
58 60
68 70
78 80
88 90
98 100
h2
kelipatan 10
Ciri-ciri
Generalisasi
Hipotesis
49
Sifat baru
52
Prinsip Ukuran
h1
bilangan genap
2
12
22
32
42
52
62
72
82
92
4
14
24
34
44
54
64
74
84
94
6
16
26
36
46
56
66
76
86
96
8 10
18 20
28 30
38 40
48 50
58 60
68 70
78 80
88 90
98 100
kelipatan 10
Grizzly bears punya sifat P.
Semua mamalia punya sifat P.
bukan-monotonik
Grizzly bears punya sifat P.
Brown bears punya sifat P.
Polar bears punya sifat P.
Semua mamalia punya sifat P.
50
53
Prinsip Ukuran
h1
bilangan genap
2
12
22
32
42
52
62
72
82
92
4
14
24
34
44
54
64
74
84
94
6
16
26
36
46
56
66
76
86
96
8 10
18 20
28 30
38 40
48 50
58 60
68 70
78 80
88 90
98 100
h konsisten
dengan Q ( x ), d
h2
p(h)
kelipatan 10
p(Q(x)|d)
Spesis 1
Spesis 2
Spesis 3
Spesis 4
Spesis 5
Spesis 6
Spesis 7
Spesis 8
Spesis 9
Spesis 10
h konsisten
dengan d
54
p(d |h)
d
?
?
?
?
?
?
?
...
Generalisasi
Hipotesis
Sifat baru
57
Hasil
h konsisten
dengan d
p(h)
p(d |h)
Spesis 1
Spesis 2
Spesis 3
Spesis 4
Spesis 5
Spesis 6
Spesis 7
Spesis 8
Spesis 9
Spesis 10
d
?
?
?
?
?
?
?
r = 0.38
r = 0.16
r = 0.79
r = 0.77
r = 0.75
r = 0.94
Empiricist
Bayes
Max-Sim
Ciri-ciri
Generalisasi
Hipothesis
55
Sifat baru
58
Kenapa Empiricist
Bayes tidak bekerja ?
56
59
Empiricist
Bayes:
(Heit, 1998)
N = 100
N = 500
Kenapa Empiricist
Bayes tidak bekerja ?
Spesis 1
Spesis 2
Spesis 3
Spesis 4
Spesis 5
Spesis 6
Spesis 7
Spesis 8
Spesis 9
Spesis 10
p(h) =
1 2
15 15
1 3
15 15
1 1
15 15
1
15
1 1
15 15
1
15
1
15
h
Spesis 1
Spesis 2
Spesis 3
Spesis 4
Spesis 5
Spesis 6
Spesis 7
Spesis 8
Spesis 9
Spesis 10
57
N=5
?
?
?
?
?
?
?
?
Ciri-ciri
Generalisasi
Hipotesis
Sifat baru
60
N=5
N=5
58
>
monophyletic
polyphyletic
64
61
sepanjang cabang b :
l = laju mutasi
|b| = panjang cabang b
1 e 2 b
2
p(h|T)
Spesis 1
Spesis 2
Spesis 3
Spesis 4
Spesis 5
Spesis 6
Spesis 7
Spesis 8
Spesis 9
Spesis 10
>
?
?
?
?
?
?
?
lebih khusus
Ciri-ciri
62
Generalisasi
Hipotesis
Sifat baru
65
menghasilkan p(h|T).
x
x
sepanjang cabang b :
1 e 2 b
2
mana digunakan?
T
Spesis 1
Spesis 2
Spesis 3
Spesis 4
Spesis 5
Spesis 6
Spesis 7
Spesis 8
Spesis 9
Spesis 10
Generalisasi
Hipotesis
Sifat baru
p(h|T)
d
?
?
?
?
?
?
?
Ciri-ciri
s1 s2 s3 s4 s5 s6 s7 s8 s9 s10
p(h|T)
Spesis 1
Spesis 2
Spesis 3
Spesis 4
Spesis 5
Spesis 6
Spesis 7
Spesis 8
Spesis 9
Spesis 10
63
kurang khusus
l = laju mutasi
|b| = panjang cabang b
s1 s2 s3 s4 s5 s6 s7 s8 s9 s10
66
d
?
?
?
?
?
?
?
?
Ciri-ciri
Generalisasi
Hipotesis
Sifat baru
Dasar teori
Bayes
59
s1 s2 s3 s4 s5 s6 s7 s8 s9 s10
Max-sim
p(h|T)
Spesis 1
Spesis 2
Spesis 3
Spesis 4
Spesis 5
Spesis 6
Spesis 7
Spesis 8
Spesis 9
Spesis 10
Sum-sim
?
?
?
?
?
?
?
Kesimpulan
jenis:
semua mamalia
horses
horses
Ciri-ciri
67
Generalisasi
Hipotesis
Sifat baru
70
Hasil
r = 0.91
r = 0.95
Banyaknya
contoh:
1, 2, atau 3
Menjelaskan kesamaan
r = 0.91
Dasar teori
Bayes
r = 0.38
r = 0.16
Korelasi dengan
Bayes terhadap 3argumen umum
premis, atas 100
cabang disimulasi :
r = 0.79
Empiricist
Bayes
r = 0.77
r = 0.75
Mean r = 0.94
Korelasi (r)
r = 0.94
Max-Sim
68
>
pengelompokan
monophyletic
69
72
polyphyletic
60
Spesis
73
76
Ciri-ciri
Hasil
r = 0.91
r = 0.95
Bias
tepat
benar!
Dasar teori
Bayes
r = 0.51
r = 0.53
sepanjang cabang b :
1 e 2 b
2
l = laju mutasi
r = 0.85
Bias
terlalu
kuat
Taksonomi
Bayes
r = 0.41
r = 0.62
74
p(h|T)
h
Spesis 1
Spesis 2
Spesis 3
Spesis 4
Spesis 5
Spesis 6
Spesis 7
Spesis 8
Spesis 9
Spesis 10
r = 0.71
Jaringan PDP
s1 s2 s3 s4 s5 s6 s7 s8 s9 s10
Bias
terlalu
lemah
?
?
?
?
?
?
?
?
Ciri-ciri
77
Generalisasi
Hipotesis
Sifat baru
sepanjang cabang b :
l = laju mutasi
|b| = panjang cabang b
s1 s2 s3 s4 s5 s6 s7 s8 s9 s10
p(h|T)
h
Spesis 1
Spesis 2
Spesis 3
Spesis 4
Spesis 5
Spesis 6
Spesis 7
Spesis 8
Spesis 9
Spesis 10
75
78
d
?
?
?
?
?
?
?
?
Ciri-ciri
Generalisasi
Hipotesis
Sifat baru
Bayes
(taksonomi+
mutasi)
61
Kuat:
Bayes
(taksonomi+
Occam)
Max-sim
Lemah:
kesimpulan
jenis: semua mamalia
79
Banyaknya
contoh :
82
Rencana pembahasan
secara hirarki
Teori-berdasarkan model
Model-model Bayesian
Empiricist Bayes
Teori-berdasarkan Bayes, dengan teori-teori beda
83
Tipe sifat
Esensi generik
Teori Struktur
Cabang taksonomi
Lion
Cheetah
Hyena
Giraffe
Gazelle
Ciri-ciri beda
Gorilla
Ilmuwan: gen-gen
Monkey
84
Lion
Cheetah
Hyena
Giraffe
Gazelle
Gorilla
Monkey
62
Tipe sifat
Esensi generik
Teori Struktur
Cabang taksonomi
Ukuran terkait
Makanan terkait
Dimensi
Jaringan langsung
Acyclic
Giraffe
Lion
P
S
Giraffe
Cheetah
Hyena
Lion
Gorilla
Giraffe
Hyena
Gazelle
Gazelle
Cheetah
Monkey
Monkey
Gorilla
Gorilla
Monkey
Lion
Cheetah
Hyena
Giraffe
Gazelle
Gorilla
85
Monkey
Lion
Gazelle
Hyena
r = 0.82
r = -0.35
r = -0.05
Cheetah
...
...
r = 0.77
...
88
Mamalia
Pulau
Satu-dimensional memprediksi
(Shafto dkk.)
r = -0.12
r = 0.16
r = 0.81
r = 0.62
ambang untuk Q
Kekerasan kulit
86
House cat
Camel Elephant
Rhino
89
Satu-dimensional memprediksi
Mamalia
Pulau
Rencana pembahasan
Bayes
(taksonomi+
mutasi)
Teori-berdasarkan model
Model-model Bayesian
Empiricist Bayes
Max-sim
Bayes
(1D model)
kulit
87
Sekolah 1P
Sekolah 2P
visual
90
Teori
63
p(S|T)
Asli/bawaan.
F9
F8
Domain
Struktur
F7 F11
F14
F13
F6
F14
F12
F3
F1
F10
F2
F10
F4
F10
F5
S3 S4 S1 S2 S9 S10 S5 S6 S7 S8
p(D|S)
Data
Species 1
Species 2
Species 3
Species 4
Species 5
Species 6
Species 7
Species 8
Species 9
Species 10
91
Teori
94
p(S|T)
F9
F8
Domain
Struktur
F7 F11
F14
F13
F6
F12
F3
F1
F10
F14
F2
F10
F4
F10
terstruktur.
F5
S3 S4 S1 S2 S9 S10 S5 S6 S7 S8
p(D|S)
Data
92
Teori
Species 1
Species 2
Species 3
Species 4
Species 5
Species 6
Species 7
Species 8
Species 9
Species 10
Spesis X
? ?
95
p(S|T)
F9
mereka :
F8
Domain
Struktur
F7 F11
F14
F13
F6
F14
F12
F3
F1
F10
F2
F4
F10
F10
F5
S3 S4 S1 S2 S9 S10 S5 S6 S7 S8
p(D|S)
Data
93
taksonomi spesis.
SX
Species 1
Species 2
Species 3
Species 4
Species 5
Species 6
Species 7
Species 8
Species 9
Species 10
Spesis X
rantai spesis.
Teori-teori skor oleh kemungkinan terhadap matrik ciri-
obyek :
p( D | T ) p( D | S , T ) p( S | T )
S
max p ( D | S , T ) p ( S | T )
96
64
Untuk :
Tidak ada struktur organisasional
untuk spesis.
Ciri-ciri terdistribusi secara
independen atas spesis.
F1
F2
F5
F8
F9
F1
F2
F3
F2 F5 F2
F4 F7 F4 F1
F6 F8 F7 F5
F7 F10 F9 F7
F9 F12 F12 F13
F14 F13 F14 F14
S1 S2
S3 S4
Data
F1
F2
F6 F2
F4
F7 F4 F2 F1 F8
F8 F5 F3 F6 F9
F9 F12 F6 F8 F10
F10 F13 F11 F9 F11
F13 F14 F13 F12 F14
S5 S6
F1
F6
F7
F8
F9
F11
S7 S8 S9 S10
F1 F3 F3
F6 F7 F7
F7 F8 F8
F8 F9 F9
F9 F11 F11 F4
F10 F12 F12 F8
F11 F14 F14 F9
S1 S2
Species 1
Species 2
Species 3
Species 4
Species 5
Species 6
Species 7
Species 8
Species 9
Species 10
S3 S4
Data
97
F8
F4
F8
F9
S5 S6
F2
F5 F5 F6
F9 F9 F7
F10 F10 F8
F13 F13 F9
F14 F14 F11
S7
Untuk :
Tidak ada struktur organisasional
untuk spesis.
Ciri-ciri terdistribusi secara
independen atas spesis.
F13
F3
F1 F3 F3
F6 F7 F7
F7 F8 F8
F8 F9 F9
F9 F11 F11 F4
F10 F12 F12 F8
F11 F14 F14 F9
S1 S2
S3 S4
Data
F4
F8
F9
S5 S6
F2
F5 F5 F6
F9 F9 F7
F10 F10 F8
F13 F13 F9
F14 F14 F11
S7
F1
F2
F5
F8
F9
S8 S9 S10
Untuk :
Tidak ada struktur organisasional
untuk spesis.
Ciri-ciri terdistribusi secara
independen atas spesis.
T1:
Spesis diorganisir dalam
struktur cabang taksonomi.
Ciri-ciri terdistribusi melalui
proses mutasi stochastic.
S1 S2
S3 S4
Data
99
F8
F4
F8
F9
S5 S6
F2
F5 F5 F6
F9 F9 F7
F10 F10 F8
F13 F13 F9
F14 F14 F11
S7
S3 S4
F7 F11
F2
F6
F7
F8
F9
F11
F14
F13
F12
F3
S8 S9 S10
F6
F1
F10
F2
F14
F10
F4
F5
S3 S4 S1 S2 S9 S10 S5 S6 S7 S8
Species 1
Species 2
Species 3
Species 4
Species 5
Species 6
Species 7
Species 8
Species 9
Species 10
F1
F2
F5
F8
F9
F6
S7 S8 S9 S10
F2
F12 F12
F5
F1
F5 F7 F13
F12
F13 F10
F8 F9
F11 F13
F13 F10 F11
F9 F6
F8 F3
F10
F8
F12 F7
F5
F2 F6 F6
F2
F3
F14
S2 S4 S7 S10 S8 S1 S9 S6 S3 S5
Species 1
Species 2
Species 3
Species 4
Species 5
Species 6
Species 7
Species 8
Species 9
Species 10
F1
F2
F3
F2 F5 F2
F4 F7 F4 F1
F6 F8 F7 F5
F7 F10 F9 F7
F9 F12 F12 F13
F14 F13 F14 F14
S1 S2
102
F5
Ciri-ciri
S3 S4
Data
Ciri-ciri
S5 S6
F9
F7
F9
F1 F3 F3
F6 F7 F7
F7 F8 F8
F8 F9 F9
F9 F11 F11 F4
F10 F12 F12 F8
F11 F14 F14 F9
F10
F4
T1:
Spesis diorganisir dalam
struktur cabang taksonomi.
Ciri-ciri terdistribusi melalui
proses mutasi stochastic.
F4
F14
F1
F2
F6 F2
F4
F7 F4 F2 F1 F8
F8 F5 F3 F6 F9
F9 F12 F6 F8 F10
F10 F13 F11 F9 F11
F13 F14 F13 F12 F14
101
Ciri-ciri
F1
F6
F7
F8
F9
F11
F3
F2 F5 F2
F4 F7 F4 F1
F6 F8 F7 F5
F7 F10 F9 F7
F9 F12 F12 F13
F14 F13 F14 F14
Data
98
F14
Ciri-ciri
S1 S2
Species 1
Species 2
Species 3
Species 4
Species 5
Species 6
Species 7
Species 8
Species 9
Species 10
F2
Species 1
Species 2
Species 3
Species 4
Species 5
Species 6
Species 7
Species 8
Species 9
Species 10
Untuk :
Tidak ada struktur organisasional
untuk spesis.
Ciri-ciri terdistribusi secara
independen atas spesis.
F2
F6
F7
F8
F9
F11
F1
F10
S3 S4 S1 S2 S9 S10 S5 S6 S7 S8
F1
F2
F1
F6
F7
F8
F9
F11
F14
F6
F12
S8 S9 S10
100
Ciri-ciri
F7 F11
F2
F6
F7
F8
F9
F11
F4
F14
F1
F2
F6 F2
F4
F7 F4 F2 F1 F8
F8 F5 F3 F6 F9
F9 F12 F6 F8 F10
F10 F13 F11 F9 F11
F13 F14 F13 F12 F14
S5 S6
F9
F7
F6
S7 S8 S9 S10
F2
F12 F12
F5
F1
F5 F7 F13
F12
F13 F10
F8 F9
F11 F13
F13 F10 F11
F9 F6
F8 F3
F10
F8
F12 F7
F5
F2 F6 F6
F2
F3
F14
S2 S4 S7 S10 S8 S1 S9 S6 S3 S5
Species 1
Species 2
Species 3
Species 4
Species 5
Species 6
Species 7
Species 8
Species 9
Species 10
Ciri-ciri
Uji-uji empiris
Data sintetik: 32 obyek, 120 ciri
model generatif cabang-terstruktur
Model generatif rantai linear
Tidak terbatasi (cri-ciri independen).
Real data
Penilaian-penilaian ciri binatang 48 spesis, 85 ciri.
Keputusan US Supreme Court, 1981-1985: 9 orang, 637
kasus.
103
Hasil
Lebih suka
Model
Null
Tree
Linear
Tree
Linear
Tabel 1 algoritma faktor Bayes untuk 3 sintetik dan 2
himpunan data dunia nyata.
104
komputasional.
Kerja di masa mendatang :
Study secara percobaan pada teori akuisisi dalam
65
66
Lampiran
67
LAMPIRAN
68
Data diamati
makna
Pengkategorian relasional
atribut dan relasi
kalimat
Topik model-model
1998)
Model-model generatif mempunyai kelebihan unik
mengidentifikasi struktur bahasa kausal yang diasumsikan
memanfaatkan peralatan standar statistik Bayesian
kompleks
3
(misal. Bigi , 1997; Iyer & Ostendorf, 1996; Ueda & Saito, 2003)
Lampiran
69
q
z
penugasan topik
kata-kata teramati
THEORY
SCIENTISTS
EXPERIMENT
OBSERVATIONS
SCIENTIFIC
EXPERIMENTS
HYPOTHESIS
EXPLAIN
SCIENTIST
OBSERVED
EXPLANATION
BASED
OBSERVATION
IDEA
EVIDENCE
THEORIES
BELIEVED
DISCOVERED
OBSERVE
FACTS
SPACE
EARTH
MOON
PLANET
ROCKET
MARS
ORBIT
ASTRONAUTS
FIRST
SPACECRAFT
JUPITER
SATELLITE
SATELLITES
ATMOSPHERE
SPACESHIP
SURFACE
SCIENTISTS
ASTRONAUT
SATURN
MILES
ART
STUDENTS
PAINT
TEACHER
ARTIST
STUDENT
PAINTING
TEACHERS
PAINTED
TEACHING
ARTISTS
CLASS
MUSEUM
CLASSROOM
WORK
SCHOOL
PAINTINGS
LEARNING
STYLE
PUPILS
PICTURES
CONTENT
WORKS
INSTRUCTION
OWN
TAUGHT
SCULPTURE
GROUP
PAINTER
GRADE
ARTS
SHOULD
BEAUTIFUL
GRADES
DESIGNS
CLASSES
PORTRAIT
PUPIL
PAINTERS
GIVEN
BRAIN
NERVE
SENSE
SENSES
ARE
NERVOUS
NERVES
BODY
SMELL
TASTE
TOUCH
MESSAGES
IMPULSES
CORD
ORGANS
SPINAL
FIBERS
SENSORY
PAIN
IS
CURRENT
ELECTRICITY
ELECTRIC
CIRCUIT
IS
ELECTRICAL
VOLTAGE
FLOW
BATTERY
WIRE
WIRES
SWITCH
CONNECTED
ELECTRONS
RESISTANCE
POWER
CONDUCTORS
CIRCUITS
TUBE
NEGATIVE
NATURE
WORLD
HUMAN
PHILOSOPHY
MORAL
KNOWLEDGE
THOUGHT
REASON
SENSE
OUR
TRUTH
NATURAL
EXISTENCE
BEING
LIFE
MIND
ARISTOTLE
BELIEVED
EXPERIENCE
REALITY
THIRD
FIRST
SECOND
THREE
FOURTH
FOUR
GRADE
TWO
FIFTH
SEVENTH
SIXTH
EIGHTH
HALF
SEVEN
SIX
SINGLE
NINTH
END
TENTH
ANOTHER
10
HEART
LOVE
SOUL
TEARS
JOY
SCIENTIFIC
KNOWLEDGE
WORK
RESEARCH
MATHEMATICS
topik 1
0.2
0.2
0.2
0.2
0.2
0.0
0.0
0.0
0.0
0.0
P(w|z = 2) = f (2)
HEART
LOVE
SOUL
TEARS
JOY
SCIENTIFIC
KNOWLEDGE
WORK
RESEARCH
MATHEMATICS
0.0
0.0
0.0
0.0
0.0
0.2
0.2
0.2
0.2
0.2
topik 2
JOB
SCIENCE
BALL
FIELD
MIND
STORY
DISEASE
WATER
WORK
STUDY
GAME
MAGNETIC
STORIES
WORLD
BACTERIA
FISH
JOBS
SCIENTISTS
TEAM
MAGNET
DREAM
TELL
DISEASES
SEA
CAREER
SCIENTIFIC
FOOTBALL
WIRE
CHARACTER
GERMS
DREAMS
SWIM
KNOWLEDGE BASEBALL EXPERIENCE
NEEDLE
THOUGHT CHARACTERS
FEVER
SWIMMING
EMPLOYMENT
WORK
PLAYERS
CURRENT
AUTHOR
CAUSE
IMAGINATION
POOL
OPPORTUNITIES
RESEARCH
PLAY
COIL
READ
MOMENT
CAUSED
LIKE
WORKING
CHEMISTRY
FIELD
POLES
THOUGHTS
TOLD
SPREAD
SHELL
TRAINING
TECHNOLOGY PLAYER
IRON
SETTING
VIRUSES
OWN
SHARK
SKILLS
MANY
BASKETBALL
COMPASS
REAL
TALES
INFECTION
TANK
CAREERS
MATHEMATICS COACH
LINES
PLOT
VIRUS
LIFE
SHELLS
POSITIONS
BIOLOGY
PLAYED
CORE
TELLING
IMAGINE
MICROORGANISMS SHARKS
FIND
FIELD
PLAYING
ELECTRIC
SENSE
SHORT
PERSON
DIVING
POSITION
PHYSICS
HIT
DIRECTION
INFECTIOUS
DOLPHINS CONSCIOUSNESS FICTION
FIELD
LABORATORY TENNIS
FORCE
STRANGE
ACTION
COMMON
SWAM
OCCUPATIONS
STUDIES
TEAMS
MAGNETS
TRUE
CAUSING
FEELING
LONG
REQUIRE
WORLD
GAMES
BE
WHOLE
EVENTS
SMALLPOX
SEAL
OPPORTUNITY
SPORTS
MAGNETISM SCIENTIST
BEING
TELLS
BODY
DIVE
EARN
STUDYING
BAT
POLE
TALE
INFECTIONS
MIGHT
DOLPHIN
ABLE
SCIENCES
TERRY
INDUCED
HOPE
NOVEL
CERTAIN
UNDERWATER
11
{0.5, 0.5}
{0.75, 0.25}
{1, 0}
TEARS LOVE JOY SOUL LOVE TEARS SOUL SOUL TEARS JOY
JOB
SCIENCE
BALL
FIELD
MIND
STORY
DISEASE
WATER
WORK
STUDY
GAME
MAGNETIC
STORIES
WORLD
BACTERIA
FISH
JOBS
SCIENTISTS
TEAM
MAGNET
DREAM
TELL
DISEASES
SEA
CAREER
SCIENTIFIC FOOTBALL
WIRE
CHARACTER
GERMS
DREAMS
SWIM
KNOWLEDGE BASEBALL EXPERIENCE
NEEDLE
THOUGHT CHARACTERS
FEVER
SWIMMING
EMPLOYMENT
WORK
PLAYERS
CURRENT
AUTHOR
CAUSE
IMAGINATION
POOL
OPPORTUNITIES
RESEARCH
PLAY
COIL
READ
MOMENT
CAUSED
LIKE
WORKING
CHEMISTRY
FIELD
POLES
THOUGHTS
TOLD
SPREAD
SHELL
TRAINING
TECHNOLOGY PLAYER
IRON
SETTING
VIRUSES
OWN
SHARK
SKILLS
MANY
BASKETBALL
COMPASS
REAL
TALES
INFECTION
TANK
CAREERS
MATHEMATICS
COACH
LINES
PLOT
VIRUS
LIFE
SHELLS
POSITIONS
BIOLOGY
PLAYED
CORE
TELLING
IMAGINE
MICROORGANISMS SHARKS
FIND
FIELD
PLAYING
ELECTRIC
SENSE
SHORT
PERSON
DIVING
POSITION
PHYSICS
HIT
DIRECTION
INFECTIOUS
DOLPHINS CONSCIOUSNESS FICTION
FIELD
LABORATORY TENNIS
FORCE
STRANGE
ACTION
COMMON
SWAM
OCCUPATIONS
STUDIES
TEAMS
MAGNETS
TRUE
CAUSING
FEELING
LONG
REQUIRE
WORLD
GAMES
BE
WHOLE
EVENTS
SMALLPOX
SEAL
OPPORTUNITY
SPORTS
MAGNETISM SCIENTIST
BEING
TELLS
BODY
DIVE
EARN
STUDYING
BA
T
POLE
TALE
INFECTIONS
MIGHT
DOLPHIN
ABLE
SCIENCES
TERRY
INDUCED
HOPE
NOVEL
CERTAIN
UNDERWATER
12
70
x=2
x=1
z = 1 0.4
HEART
LOVE
SOUL
TEARS
JOY
0.2
0.2
0.2
0.2
0.2
OF
0.6
FOR
0.3
BETWEEN 0.1
0.8
z = 2 0.6
SCIENTIFIC
KNOWLEDGE
WORK
RESEARCH
MATHEMATICS
0.2
0.2
0.2
0.2
0.2
0.7
0.1
0.3
0.2
x=3
THE
0.6
A
0.3
MANY 0.1
0.9
THE
(Blei, Griffiths, Jordan, & Tenenbaum, 2004)
13
16
x=2
x=1
Jangkauan-pendek ketergantungan
konstan melintasi semua documen
SCIENTIFIC
KNOWLEDGE
WORK
RESEARCH
MATHEMATICS
0.2
0.2
0.2
0.2
0.2
0.7
x=3
THE
0.6
A
0.3
MANY 0.1
0.9
THE LOVE
17
x=2
x=1
z = 1 0.4
HEART
LOVE
SOUL
TEARS
JOY
0.2
0.2
0.2
0.2
0.2
z = 2 0.6
SCIENTIFIC
KNOWLEDGE
WORK
RESEARCH
MATHEMATICS
0.2
0.2
0.2
0.2
0.2
x=2
OF
0.6
FOR
0.3
BETWEEN 0.1
0.8
x=1
z = 1 0.4
HEART
LOVE
SOUL
TEARS
JOY
0.7
0.1
0.3
0.2
0.9
0.2
0.2
0.2
0.2
0.2
OF
0.6
FOR
0.3
BETWEEN 0.1
0.8
z = 2 0.6
SCIENTIFIC
KNOWLEDGE
WORK
RESEARCH
MATHEMATICS
0.2
0.2
0.2
0.2
0.2
0.7
x=3
THE
0.6
A
0.3
MANY 0.1
0.9
18
0.1
0.3
0.2
THE LOVE OF
15
0.1
0.3
0.2
0.2
0.2
0.2
0.2
0.2
0.8
z = 2 0.6
z = 1 0.4
HEART
LOVE
SOUL
TEARS
JOY
OF
0.6
FOR
0.3
BETWEEN 0.1
x=3
THE
0.6
A
0.3
MANY 0.1
Lampiran
71
x=2
x=1
0.2
0.2
0.2
0.2
0.2
0.8
z = 2 0.6
z = 1 0.4
HEART
LOVE
SOUL
TEARS
JOY
OF
0.6
FOR
0.3
BETWEEN 0.1
SCIENTIFIC
KNOWLEDGE
WORK
RESEARCH
MATHEMATICS
0.2
0.2
0.2
0.2
0.2
0.7
0.2
0.9
0.1
0.3
THE
0.6
A
0.3
MANY 0.1
22
Kategori semantik
MAP
FOOD
NORTH
FOODS
EARTH
BODY
SOUTH
NUTRIENTS
POLE
DIET
MAPS
FAT
EQUATOR
SUGAR
WEST
ENERGY
LINES
MILK
EAST
EATING
AUSTRALIA
FRUITS
GLOBE
VEGETABLES
POLES
WEIGHT
HEMISPHERE
FATS
LATITUDE
NEEDS
CARBOHYDRATES PLACES
LAND
VITAMINS
WORLD
CALORIES
COMPASS
PROTEIN
CONTINENTS
MINERALS
GOLD
CELLS
DOCTOR
BOOK
BEHAVIOR
IRON
SELF
CELL
PATIENT
BOOKS
SILVER
INDIVIDUAL
ORGANISMS
HEALTH
READING
ALGAE
PERSONALITY
HOSPITAL
INFORMATION COPPER
METAL
RESPONSE
BACTERIA
MEDICAL
LIBRARY
METALS
MICROSCOPE
SOCIAL
CARE
REPORT
STEEL
EMOTIONAL
MEMBRANE
PATIENTS
PAGE
CLAY
LEARNING
ORGANISM
NURSE
TITLE
LEAD
FOOD
FEELINGS
DOCTORS
SUBJECT
ADAM
PSYCHOLOGISTS
LIVING
MEDICINE
PAGES
ORE
FUNGI
INDIVIDUALS
NURSING
GUIDE
ALUMINUM
PSYCHOLOGICAL
MOLD
TREATMENT
WORDS
MINERAL
EXPERIENCES MATERIALS
NURSES
MATERIAL
MINE
ENVIRONMENT
NUCLEUS
PHYSICIAN
ARTICLE
STONE
HUMAN
CELLED
HOSPITALS
ARTICLES
MINERALS
STRUCTURES
RESPONSES
DR
WORD
POT
BEHAVIORS
MATERIAL
SICK
FACTS
MINING
ATTITUDES
STRUCTURE
ASSISTANT
AUTHOR
MINERS
PSYCHOLOGY
GREEN
EMERGENCY REFERENCE
TIN
PERSON
MOLDS
PRACTICE
NOTE
topik model-model
PLANTS
PLANT
LEAVES
SEEDS
SOIL
ROOTS
FLOWERS
WATER
FOOD
GREEN
SEED
STEMS
FLOWER
STEM
LEAF
ANIMALS
ROOT
POLLEN
GROWING
GROW
20
Pengkategorian relational
atribut dan relasi
23
Kategori Sintatik
SAID
ASKED
THOUGHT
TOLD
SAYS
MEANS
CALLED
CRIED
SHOWS
ANSWERED
TELLS
REPLIED
SHOUTED
EXPLAINED
LAUGHED
MEANT
WROTE
SHOWED
BELIEVED
WHISPERED
THE
HIS
THEIR
YOUR
HER
ITS
MY
OUR
THIS
THESE
A
AN
THAT
NEW
THOSE
EACH
MR
ANY
MRS
ALL
MORE
SUCH
LESS
MUCH
KNOWN
JUST
BETTER
RATHER
GREATER
HIGHER
LARGER
LONGER
FASTER
EXACTLY
SMALLER
SOMETHING
BIGGER
FEWER
LOWER
ALMOST
ON
AT
INTO
FROM
WITH
THROUGH
OVER
AROUND
AGAINST
ACROSS
UPON
TOWARD
UNDER
ALONG
NEAR
BEHIND
OFF
ABOVE
DOWN
BEFORE
Pengkategorian relasional
GOOD
SMALL
NEW
IMPORTANT
GREAT
LITTLE
LARGE
*
BIG
LONG
HIGH
DIFFERENT
SPECIAL
OLD
STRONG
YOUNG
COMMON
WHITE
SINGLE
CERTAIN
ONE
SOME
MANY
TWO
EACH
ALL
MOST
ANY
THREE
THIS
EVERY
SEVERAL
FOUR
FIVE
BOTH
TEN
SIX
MUCH
TWENTY
EIGHT
HE
YOU
THEY
I
SHE
WE
IT
PEOPLE
EVERYONE
OTHERS
SCIENTISTS
SOMEONE
WHO
NOBODY
ONE
SOMETHING
ANYONE
EVERYBODY
SOME
THEN
BE
MAKE
GET
HAVE
GO
TAKE
DO
FIND
USE
SEE
HELP
KEEP
GIVE
LOOK
COME
WORK
MOVE
LIVE
EAT
BECOME
24
72
Mengelompokan kata-kata
Data
objects
oa
simetris
Semua kata-kata dengan < 50 dan > 10 asosiasi
2513 simpul, 34716 tautan
objects
28
25
Dari
tipe i
l11
l12
l13
l21
l22
l23
l31
l32
l33
=L
P(Z,L|Y) P(Y|Z,L)P(Z)P(L)
29
26
27
A B C
A
B
30
Lampiran
73
Mengelompokan kata-kata
BAND
INSTRUMENT
BLOW
HORN
FLUTE
BRASS
GUITAR
PIANO
TUBA
TRUMPET
TIE
COAT
SHOES
ROPE
LEATHER
SHOE
HAT
PANTS
WEDDING
STRING
SEW
MATERIAL
WOOL
YARN
WEAR
TEAR
FRAY
JEANS
COTTON
CARPET
WASH
LIQUID
BATHROOM
SINK
CLEANER
STAIN
DRAIN
DISHES
TUB
SCRUB
31
34
Mengelompokan aktor-aktor
Mengelompokan aktor-aktor
Albert Lieven
Karel Stepanek
Walter Rilla
Anton Walbrook
produktif
semua aktors dengan < 400 dan > 1 kolaborator
2275 simpul, 204761 tautan
Germany UK
32
Moore Marriott
Laurence Hanray
Gus McNaughton
Gordon Harker
Helen Haye
Alfred Goddard
Morland Graham
Margaret Lockwood
Hal Gordon
Bromley Davenport
Gino Cervi
Nadia Gray
Enrico Glori
Paolo Stoppa
Bernardi Nerio
Amedeo Nazzari
Gina Lollobrigida
Aldo Silvani
Franco Interlenghi
Guido Celano
Archie Ricks
Helen Gibson
Oscar Gahan
Buck Moulton
Buck Connors
Clyde McClary
Barney Beasley
Buck Morgan
Tex Phelps
George Sowards
Italian
US Westerns
British comedy
35
33
36
74
Algoritma kesimpulan
perambatan kepercayaan
pemograman dinamik
algoritma EM dan metode-metode variasional
D D D
D D D
37
sumber http://www.bayesiancognition.com
D D
...
D ...
40
Ambil Stok
38
41
Teori Domain
Model
Generatif
Probabilistik
Hipotesis Struktural
Kesimpulan
Bayesian
Data
39
42
Lampiran
43
75
76
Daftar Pustaka
1.
2.
Freeman, James A; Simulating Neural Networks; 1994 ; John Wiley & Sons.
3.
4.
http://www.bayesiancognition.com
5.
Lau, Clifford; Sanchez, Edgar ; Artificial Neural Networks ; 1992 ; IEEE Press.
6.
7.
Li, Min Fu; Neural Networks in Computer Intelligence; 1994; McGraw-Hill, Inc.
8.
Lugger, George F; Stubblefield, William A; Artificial Intelligence, and The Design of Expert Systems ;
1989; The Benjamin Cummings Publishing Company, Inc.
9.
Lugger, George F; Stubblefield, William A; Artificial Intelligence, Structure and Strategies for Complex
Problem Solving; 1993; The Benjamin Cummings Publishing Company, Inc.
10. Russell, Stuart; Norvig, Peter; Artificial Intelligence, A Modern Approach; 2003; Printice-Hall, Inc.
11. Rich, Elaine; Knight, Kevin; Artificial Intelligence; 1991; McGraw-Hill, Inc.
12. Turban, Efraim; Expert Systems and Applied Artificial Intelligence; 1992 ; Macmillan Pusblishing
Company, Inc.
13. Zurada, Jacek M ; Introduction to Artificial Neural Systems; 2002; Jaico Publishing House.
14. Smith, Eric P; Nadler, Morton; Pattern Recognition Engineering; 1993; John Welley & Sons, Inc.
Catatan : sebagian bacaan acuan telah langsung tercantum pada pembahasan pada bab-bab utama diatas.