Sieci bayesowskie Wykonali: Mateusz Kaflowski Michał Grabarczyk.

Slides:



Advertisements
Podobne prezentacje
TRADYCYJNE METODY PLANOWANIA I ORGANIZACJI PROCESÓW PRODUKCYJNYCH
Advertisements

Funkcje tworzące są wygodnym narzędziem przy badaniu zmiennych losowych o wartościach całkowitych nieujemnych. Funkcje tworzące pierwszy raz badał de.
ANALIZA SIECIOWA PRZEDSIĘWZIĘĆ konstrukcja harmonogramu
Statystyka Wojciech Jawień
Modelowanie zależności ekspresji genów
Rachunek prawdopodobieństwa 2
Zmienne losowe i ich rozkłady
Wykład 6 Najkrótsza ścieżka w grafie z jednym źródłem
Inteligencja Obliczeniowa Metody probabilistyczne.
Badania operacyjne. Wykład 1
Zakład Mechaniki Teoretycznej
KNW- Wykład 8 Wnioskowanie rozmyte.
Elementy Modelowania Matematycznego
Elementy Modelowania Matematycznego
DZIEDZINA I MIEJSCE ZEROWE FUNKCJI
Materiały pochodzą z Platformy Edukacyjnej Portalu
Wnioskowanie Bayesowskie
CECHY CHARAKTERYSTYCZNE SZEREGU CZASOWEGO SZEREG CZASOWY jest zbiorem obserwacji zmiennej, uporządkowanych względem czasu (dni,
Analiza współzależności
Model ciągły wyceny opcji Blacka – Scholesa - Mertona
Instrumenty o charakterze własnościowym Akcje. Literatura Jajuga K., Jajuga T. Inwestycje Jajuga K., Jajuga T. Inwestycje Luenberger D.G. Teoria inwestycji.
Urządzenia sieciowe Topologie sieci Standardy sieci Koniec.
Pomoc w ocenie warunków pogodowych początkującym pilotom szybowców
Właściwości energetyczne sygnałów
Wprowadzenie do budowy usług informacyjnych
Elementy Rachunku Prawdopodobieństwa c.d.
Elementy Rachunku Prawdopodobieństwa c.d.
Klasyfikacja Obcinanie drzewa Naiwny klasyfikator Bayes’a kNN
Sieci neuronowe jednokierunkowe wielowarstwowe
Klasyfikacja dokumentów za pomocą sieci radialnych Paweł Rokoszny Emil Hornung Michał Ziober Tomasz Bilski.
Minimalne drzewa rozpinające
Przepływy w sieciach. Twierdzenie minimaksowe.
Epidemie w sieciach złożonych
Elementy Rachunku Prawdopodobieństwa i Statystyki
Dane do obliczeń.
Projektowanie architektur systemów filtracji i akwizycji danych z wykorzystaniem modelowania w domenie zdarzeń dyskretnych Krzysztof Korcyl.
Elementy Rachunku Prawdopodobieństwa i Statystyki
Elementy Rachunku Prawdopodobieństwa i Statystyki
Technologia informacyjna
Analiza sieciowa przedsięwzięć
ETO w Inżynierii Chemicznej MathCAD wykład 4.. Analiza danych Aproksymacja danych.
Graf - jest to zbiór wierzchołków, który na rysunku przedstawiamy za pomocą kropek oraz krawędzi łączących wierzchołki. Czasami dopuszcza się krawędzie.
Elementy Rachunku Prawdopodobieństwa i Statystyki
OBLICZANIE ROZPŁYWÓW PRĄDÓW W SIECIACH OTWARTYCH
formalnie: Naiwny klasyfikator Bayesa
Statystyka – zadania 4 Janusz Górczyński.
Materiały pochodzą z Platformy Edukacyjnej Portalu
Algorytmy i Struktury Danych
Co to jest dystrybuanta?
Treści multimedialne - kodowanie, przetwarzanie, prezentacja Odtwarzanie treści multimedialnych Andrzej Majkowski.
Prawdopodobieństwo warunkowe Twierdzenie o prawdopodobieństwie całkowitym Materiał współfinansowany ze środków Unii Europejskiej w ramach Europejskiego.
Metody Matematyczne w Inżynierii Chemicznej Podstawy obliczeń statystycznych.
Literatura podstawowa
GRA CHOMP. Czym jest chomp? Jest to gra dla dwóch osób, rozgrywana na prostokątnej tablicy, zwanej „tabliczką czekolady”
MODELOWANIE ZMIENNOŚCI CEN AKCJI
PROGRAM OPERACYJNY KAPITAŁ LUDZKI Priorytet III, Działanie 3.2 Rozwój systemu egzaminów zewnętrznych Projekt współfinansowany przez Unię Europejską w ramach.
Prawdopodobieństwo.
Podstawowe pojęcia i terminy stosowane w statystyce. Rozkłady częstości Seminarium 2.
Statystyczne parametry akcji Średnie Miary rozproszenia Miary współzależności.
Pojęcia podstawowe c.d. Rachunek podziałów Elementy teorii grafów
DALEJ Sanok Spis treści Pojęcie funkcji Sposoby przedstawiania funkcji Miejsce zerowe Monotoniczność funkcji Funkcja liniowa Wyznaczanie funkcji liniowej,
Metody Badań Operacyjnych Michał Suchanek Katedra Ekonomiki i Funkcjonowania Przedsiębiorstw Transportowych.
STATYSTYKA – kurs podstawowy wykład 8 dr Dorota Węziak-Białowolska Instytut Statystyki i Demografii.
Elementy analizy sieciowej
Matematyka przed egzaminem czyli samouczek dla każdego
Metoda klasyczna (wg książki Sasao)
jest najbardziej efektywną i godną zaufania metodą,
Zmienna losowa. Wybrane rozkłady zmiennej. Przedział ufności.
Zarządzanie projektami
Zapis prezentacji:

Sieci bayesowskie Wykonali: Mateusz Kaflowski Michał Grabarczyk

Spis Treści Twierdzenie Bayesa Definicja sieci Bayesowskiej Konstrułowanie sieci Bayesowskiej Przykład Sieci Bayesowskiej Wyznaczanie prawdopodobieństw w Sieci Zastosowanie Sieci Bayesowskich Nasz problem

Twierdzenie Bayesa Twierdzenie Bayesa (od nazwiska Thomasa Bayesa) to twierdzenie teorii prawdopodobieństwa, wiążące prawdopodobieństwa warunkowe zdarzeń A\B  oraz B\A . Jeżeli zdarzenia B1, B2, ..., Bn wykluczają się parami i mają prawdopodobieństwa dodatnie, to dla każdego zdarzenia A zawartego w sumie zdarzeń B1 ∪ B2 ∪ ... ∪ Bn:  Powyższy wzór nazywamy wzorem Bayesa. Twierdzenie Bayesa stosujemy głównie wtedy, gdy znamy wynik doświadczenia i pytamy o jego przebieg.

Definicja sieci Bayesowskiej Sieć bayesowska to acykliczny (nie zawierający cykli) graf skierowany, w którym: • węzły reprezentują zmienne losowe (np. temperaturę jakiegoś źródła, stan pacjenta, cechę obiektu itp.) • łuki (skierowane) reprezentują zależność typu „ zmienna X ma bezpośredni wpływ na zmienna Y”, • każdy węzeł X ma stowarzyszona z nim tablice prawdopodobieństw warunkowych określających wpływ wywierany na X przez jego poprzedników (rodziców) w grafie, • Zmienne reprezentowane przez węzły przyjmują wartości dyskretne (np.: TAK, NIE).

Konstrułowanie sieci Bayesowskiej • zdefiniowanie zmiennych, • zdefiniowanie połączeń pomiędzy zmiennymi, • określenie prawdopodobieństw warunkowych i ”a priori” (łac. z założenia) • wprowadzenie danych do sieci, • uaktualnienie sieci, • wyznaczenie prawdopodobieństw ”a posteriori” ( łac. z następstwa) Sieć bayesowska koduje informacje o określonej dziedzinie za pomocą wykresu, którego wierzchołki wyrażają zmienne losowe, a krawędzie obrazują probabilistyczne zależności między nimi.

Przykład Sieci Bayesowskiej A – pogoda (słonecznie/pochmurno/deszczowo/wietrznie) B – czas wolny (tak/nie) X – humor (bardzo dobry/dobry) C – zajęcie na zewnątrz (spacer/basen/rower) D – zajęcie w domu (komputer/książka/gotowanie)

Wyznaczanie prawdopodobieństw w Sieci Prawdopodobieństwo danego węzła zależy od wartości węzłów rodzicielskich, które „zasłaniają” poprzedzające węzły. Na przykład, obliczmy prawdopodobieństwo dobrego humoru (węzeł X): p(X) = p(X\A,B)p(A)p(B) + (X\¬A,B)p(¬A)p(B)+ +p(X\A,¬B)p(A)p(B) + p(X\¬A, ¬B)p(¬A)p(¬B)

Zastosowanie Sieci Bayesowskich Sieci bayesowskie stanowią jedną z najbardziej popularnych technik modelowania dziedzin które charakteryzują się niepewnością. Szczególną ich zaletą jest łatwość z jaką modele mogą być tworzone przez ekspertów z danej dziedziny i uczone z danych (uczenie maszynowe). Systemy oparte na sieciach bayesowskich znalazły już wiele praktycznych zastosowań. Najbardziej znane i prawdopodobnie odnoszące największe sukcesy są systemy diagnostyczne.

Nasz problem

Nasz problem

Nasz problem

Nasz problem

Nasz problem

Nasz problem

Nasz problem Klasy

Nasz problem Klasa Node

Nasz problem Klasa Node

Nasz problem Klasa Network

Nasz problem Klasa Network

Nasz problem Klasa MyWindow

Nasz problem Klasa MyWindow

Klasa BayesianNetwork Nasz problem Klasa BayesianNetwork

Klasa BayesianNetwork Nasz problem Klasa BayesianNetwork

Przechowywanie danych Nasz problem Przechowywanie danych

Jak to wygląda “w akcji”? prezentacja programu Nasz problem Jak to wygląda “w akcji”? prezentacja programu

Zakończenie DZIĘKUJEMY ZA UWAGĘ