Ketidakpastian (Uncertainity) dan Penalaran Probabilitas

PENGETAHUAN TEKNOLOGI SISTEM CERDAS

UNCERTAINITY DAN PENALARAN PROBABILITAS

DOSEN : ESSY MALAYS SARI SAKTI

3KA10

NABILAH AIDAHNANDA GANARI

NPM. 14115887

UNIVERSITAS GUNADARMA

7.1 Pernyataan Pengetahuan dalam Domain yang Tidak Pasti

melihat independensi dan hubungan independensi bersyarat antar variabel dapat sangat mengurangi jumlah probabilitas yang perlu ditentukan untuk didefinisikan distribusi bersama penuh. Bagian ini memperkenalkan struktur data yang disebut jaringan Bayesian1 untuk mewakili dependensi antar variabel. Jaringan Bayesian dapat mewakili dasarnya distribusi probabilitas gabungan penuh dan dalam banyak kasus dapat melakukannya dengan sangat ringkas.

Jaringan Bayesian adalah grafik terarah dimana masing-masing node diberi catatan dengan kuantitatif

informasi probabilitas Spesifikasi lengkapnya adalah sebagai berikut:

1. Setiap node sesuai dengan variabel acak, yang mungkin diskrit atau kontinyu.

2. Satu set link atau panah terarah menghubungkan pasangan node. Jika ada panah dari simpul

X ke simpul Y, X dikatakan sebagai induk dari Y. Grafik tidak memiliki siklus terarah (dan karenanya

adalah grafik asiklik terarah, atau DAG.

3. Setiap nodeXi memiliki distribusi probabilitas bersyarat P (Xi | Parents (Xi)) yang mengkuantifikasi efek dari Parent di simpul.

Topologi jaringan - kumpulan node dan link - menentukan independensi bersyarat

Hubungan yang bertahan di domain, dengan cara yang akan segera dibuat tepat. Itu inti intuitif panah biasanya bahwa X memiliki pengaruh langsung terhadap Y. Biasanya mudah bagi pakar domain untuk memutuskan apa pengaruh langsung ada di domain-jauh lebih mudah, sebenarnya, daripada sebenarnya menentukan probabilitasnya diri. Begitu topologi jaringan Bayesian ditata, kita hanya membutuhkannya tentukan distribusi probabilitas kondisional untuk setiap variabel. Dan melihat bahwa kombinasi dari topologi dan distribusi bersyarat cukup untuk menentukan

(secara implisit) distribusi bersama penuh untuk semua variabel.