Professional Documents
Culture Documents
1
Pokok Bahasan
• Referensi Utama : Prof. Leslie P. Kaelbling (MIT) dan Dr. Nur Ulfa Maulidevi, S.T,
M.Sc. (STEI ITB) - Materi Perkuliahan Sistem Penalaran berbasis Probabilistik. 2020
• Pembahasan
✓ Joint Probability Distribution
✓ Conditional Independence
✓ Bayesian Network and Example
✓ Connection
✓ D - separation
✓ Bayesian (Belief) Network
✓ Inference and Learning in Bayesian Network
2
Uncertainty (Ketidakpastian)
Asumsikan aksi At adalah pergi ke bandara t menit sebelum keberangkatan pesawat
Akankah At akan menyebabkan kita tiba tepat waktu di bandara?
Permasalahan:
1. Partial observability (road state, other drivers' plans, etc.)
2. Noisy sensors (traffic reports)
3. Uncertainty in action outcomes (flat tire, etc.)
4. Kompleksitas pemodelan dan prediksi lalu lintas yang luar biasa
“A25 will get me there on time if there's no accident on the bridge and it doesn't rain and my tires remain
intact etc etc.”
(A1440 might reasonably be said to get me there on time but I'd have to stay overnight in the airport …)
3
Probabilitas
4
Membuat Keputusan dalam Ketidakpastian
5
Aksioma Probabilitas
• Bayesian → Subjectivist
✓ Probabilitas adalah model dari suatu tingkat kepercayaan
6
Contoh Penalaran dari Manusia Berbasis Probabilitas
Jane berasal dari Berkeley. Dia aktif dalam protes anti-perang di tahun 60-
an. Dia tinggal di sebuah kelompok yg hidup bersama.
7
Random Variable
• Random variables
✓ Function: discrete domain → [0, 1]
✓ Jumlahnya adalah 1 terhada suatu domain
➢ Raining merupakan propositional random variable
➢ Raining(true) = 0.2
❑ P(Raining = true) = 0.2
➢ Raining(false) = 0.8
❑ P(Raining = false) = 0.8
• Joint distribution
✓ Penetapan probabilitas untuk semua kombinasi nilai dari random variable
8
Penarikan Kesimpulan dengan Enumerasi
• Untuk proposition φ apa saja, jumlah atomic events dimana bernilai true:
P(φ) = Σω:ω╞φ P(ω)
9
Penarikan Kesimpulan dengan Enumerasi
• Untuk proposition φ apa saja, jumlah atomic events dimana bernilai true:
P(φ) = Σω:ω╞φ P(ω)
10
Penarikan Kesimpulan dengan Enumerasi
• Untuk proposition φ apa saja, jumlah atomic events dimana bernilai true:
P(φ) = Σω:ω╞φ P(ω)
11
Penarikan Kesimpulan dengan Enumerasi
12
Bayes’ Rule
• Bayes’ Rule
• P(A | B) = P(A ∩ B) / P(B)
= P(B | A) P(A) / P(B)
• P(disease | symptom)
= P(symptom | disease) * P(disease) / P(symptom)
• Bayangkan
• disease = BSE / Bovine Spongiform Encephalopathy (Sapi Gila)
• symptom = Kelumpuhan
• P(disease | symptom) memiliki perbedaan di England dan US
• P(symptom | disease) seharusnya akan sama
• Maka lebih berguna untuk mempelajari model P(symptom | disease)
• Conditioning
• P(A) = P(A | B) P(B) + P(A | ¬B) P(¬B)
= P(A ∩ B) + P(A ∩ ¬B)
13
Simple Bayesian Network
14
Typical Bayesian Network
• John selalu menelepon
ketika dia mendengar alarm,
tetapi kadang-kadang
kondisi bisa membingungkan
terkait menelpon karena
alarm atau karena benar-
benar ingin menelpon.
15
Chain Rule
Full joint distribution didefinisikan sebagai perkalian produk dari local conditional
distributions:
Peluang bahwa alarm telah berbunyi, tetapi tidak ada kejadian pencurian maupun
gempa bumi, serta keduanya John dan Mary, semuanya menelepon.
16
Chain Rule (Lanjutan)
17
Konsep : Independence
18
Contoh - Conditional Independence
• X is late (X)
• Traffic Jam (T)
• Y is late (Y)
• None of these propositions are independent of one other
• X and Y are conditionally independent given T
19
Bayesian Network
20
Contoh - Bayesian Network
21
Contoh - Bayesian Network
22
Connection
A = battery dead
B = car won’t start
C = car won’t move
• Forward Serial Connection
✓ Mengetahui tentang A akan memberi tahu kita sesuatu tentang C
✓ Tetapi jika kita mengetahui B maka mengetahui tentang A tidak akan memberi tahu
kita apa pun tentang C
23
Connection
A = Watson Crash
B = Icy
C = Holmes Crash
• Diverging Connection
✓ Mengetahui tentang A akan memberi tahu kita sesuatu tentang C
✓ Mengetahui tentang C akan memberi tahu kita sesuatu tentang A
✓ Tetapi jika kita tahu B maka mengetahui tentang A tidak akan memberi tahu kita
sesuatu yang baru tentang C, dan sebaliknya
24
Connection
A = Bacterial Infection
B = Sore Throat
C = Viral Infection
• Converging Connection
✓ Tanpa mengetahui B, menemukan A tidak memberi tahu kita sesuatu tentang C
✓ Jika kita melihat bukti untuk B, maka A dan C menjadi dependen (berpotensi
untuk “menjelaskan”). Jika kita menemukan bakteri pada pasien dengan sakit
tenggorokan, maka kemungkinan infeksi virus lebih kecil.
25
Connection
Holmes dan Watson telah pindah ke LA. Holmes bangun dan menemukan
halaman rumputnya basah. Dia bertanya-tanya apakah sudah hujan atau dia
membiarkan alat penyiramnya menyala. Dia melihat halaman rumput
tetangganya (Watson) dan dia melihatnya basah juga. Jadi, dia menyimpulkan
itu pasti hujan.
26
Connection
Holmes dan Watson telah pindah ke LA. Holmes bangun dan menemukan
halaman rumputnya basah. Dia bertanya-tanya apakah sudah hujan atau dia
membiarkan alat penyiramnya menyala. Dia melihat halaman rumput
tetangganya (Watson) dan dia melihatnya basah juga. Jadi, dia menyimpulkan
itu pasti hujan.
27
D Separation
• Dua variabel A dan B merupakan d-separated, jika dan hanya jika untuk setiap
jalur di antara keduanya, ada variabel antara V sedemikian sehingga
✓ Koneksi serial atau divergen dan V diketahui
✓ Koneksinya konvergen dan baik V maupun turunan apa pun tidak dipakai
✓ Dua variabel merupakan d-connected, jika dan hanya jika tidak d-separated
28
Bayesian (Belief) Network
Theorem:
If A and B are d-separated given evidence e, then P(A | e) = P(A | B, e)
29
Inference in Bayesian Network
30
Icy Roads with Numbers
31
Icy Roads with Numbers
32
Icy Roads with Numbers
33
Icy Roads with Numbers
34
Where do Bayesian Networks Come From?
• Human Expert
✓ Encoding rules obtained from expert
✓ Very difficult in getting reliable probability estimates
• Learning From Data
✓ Try to estimate the joint probability distribution
✓ Looking for models that encode conditional independencies in data
✓ Four cases →
❑ Structure known or unknown
❑ All variables are observable or some observable
• Combination of Both
35
Case 1: Structure is given
36
Case 1: Estimates the Conditional Probability
37
Case 1: Estimates the Conditional Probability
38
Constructing Bayesian/Belief Network
39
Kesimpulan
40
TERIMA KASIH
Ada pertanyaan ???
41