KECERDASAN BUATAN (ARTIFICIAL INTELLIGENCE)

1. KECERDASAN BUATAN(ARTIFICIAL INTELLIGENCE) PERTEMUAN 7 KETIDAKPASTIAN

2. Bahasan • Review Probabilistic dan kompleksitas • Independence = efficiency • Pendahuluan “Ketidakpastian” • Teorema Bayes • Ringkasan

3. Review: Probabilistic Inference • Dengan joint probability distribution, probability sembarang proposition dapat dihitung sbg. jumlah probability sample point yang bernilai true.

4. NORMALISASI

5. Beberapa istilah

6. Complexity inference dgn joint distribution

7. Outline 1 Review & kompleksitas 2 Independence = efficiency 3 Pendahuluan Ketidakpastian Bayes’ Rule 4 Ringkasan

8. Independence

9. Contoh lain

10. Conditional Independence

11. Conditional independence = efisien

12. Pendahuluan Ketidakpastian • Banyak masalah di dunia ini yang tidak dapat dimodelkan secara lengkap dan konsisten • Contoh penalaran induktif: premis 1:aljabar adalah pelajaran sulit premis 2:geometri adalah pelajaran sulit premis 3:kalkukus adalah pelajaran sulit konklusi: matematika adalah pelajaran sulit • Munculnya premis baru bisa mengubah konklusi yang ada, misal: premis 4:biologi adalah pelajaran sulit konklusi ?????

13. Macam Penalaran • Penalaran non monotonis suatu penalaran dimana fakta baru mengakibatkan ketidak konsistenan Ciri: 1. mengandung ketidakpastian 2. adanya perubahan pada pengetahuan 3. adanya penambahan fakta baru merubah konklusi ( dibutuhkan penalaran statistik !!! ) • Penalaran monotonis Ciri: 1. konsisten 2. pengetahuannya lengkap

14. Outline 1 Review & kompleksitas 2 Independence = efficiency 3 Bayes’ Rule 4 Ringkasan

15. Bayes' Rule • Rule Poduct 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) • Atau dalam bentuk distribusi P(Y|X) = P(X|Y) P(Y) / P(X) = αP(X|Y) P(Y) • Kegunaan menentukan probabilitas diagnostik dari probabilitas kausal: • P(Cause|Effect) = P(Effect|Cause) P(Cause) / P(Effect) • Contoh: Anggap M adalah meningitis, S adalah sakit leher: P(m|s) = P(s|m) P(m) / P(s) = 0.8 × 0.0001 / 0.1 = 0.0008 • Catatan: probabilitas posterior meningitis masih sangat kecil!

16. Bayes' Rule dan kebebasan kondisional P(Cavity | toothache  catch) = αP(toothache  catch | Cavity) P(Cavity) = αP(toothache | Cavity) P(catch | Cavity) P(Cavity) • Ini adalah contoh model Bayes yang naïve : P(Cause,Effect1, … ,Effectn) = P(Cause) πiP(Effecti|Cause) • Jumlah parameter total linear dalam n

17. Dari mana asalnya nilai P?

18. Bayes’ Rule

19. Bayes’ Rule & Distribution

20. Tugas • Cari / resume metode ketidakpastian: 1(ganjil). Certainty Factor 2(genap). Teorema Dempster Shafer

21. Outline 1 Review & kompleksitas 2 Independence 3 Bayes’ Rule 4 Ringkasan

22. Ringkasan • Inference dengan full joint distribution konsepnya sangat mudah dimengerti, tetapi dalam kenyataan tidak feasible (exponential time & space complexity) • Agar inference bisa tractable, kita mengambil asumsi independence. • Dalam kenyataan, kita hanya bisa mengambil asumsi conditional independence. • Bayes’ Rule, ditambah dengan conditional independence, adalah mekanisme yang sangat berguna.