JOHDATUS TEKOÄLYYN TEEMU ROOS

Samankaltaiset tiedostot
JOHDATUS TEKOÄLYYN TEEMU ROOS

JOHDATUS TEKOÄLYYN TEEMU ROOS

JOHDATUS TEKOÄLYYN LUENTO 4.

JOHDATUS TEKOÄLYYN TEEMU ROOS

HY / Matematiikan ja tilastotieteen laitos Tilastollinen päättely II, kevät 2017 Harjoitus 1 Ratkaisuehdotuksia Tehtäväsarja I

JOHDATUS TEKOÄLYYN TEEMU ROOS

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

Mat Sovellettu todennäköisyyslasku A. Moniulotteiset jakaumat. Avainsanat:

6. laskuharjoitusten vastaukset (viikot 10 11)

Johdatus tn-laskentaan perjantai

JOHDATUS TEKOÄLYYN TEEMU ROOS

Todennäköisyyslaskenta IIa, syyslokakuu 2019 / Hytönen 2. laskuharjoitus, ratkaisuehdotukset

30A02000 Tilastotieteen perusteet

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

Ilkka Mellin (2008) 1/5

P(X = x T (X ) = t, θ) = p(x = x T (X ) = t) ei riipu tuntemattomasta θ:sta. Silloin uskottavuusfunktio faktorisoituu

Muuttujien riippumattomuus

MAT Todennäköisyyslaskenta Tentti / Kimmo Vattulainen

TODENNÄKÖISYYS JA TILASTOT MAA6 KERTAUS


Käytetään satunnaismuuttujaa samoin kuin tilastotieteen puolella:

X X. Johdatus tekoälyyn. v=1 X O. Kevät 2016 T. Roos. v=1 v= 1 8) 9) 10) X X O X O O. v=1 13) 14) X X X O O X O O X O. v=1 v=1 v= 1.

Johdatus tekoälyyn

Tehtäväsarja I Tehtävät 1-5 perustuvat monisteen kappaleisiin ja tehtävä 6 kappaleeseen 2.8.

Odotusarvo. Odotusarvon ominaisuuksia Satunnaismuuttujien ominaisuuksia 61

Johdatus tekoälyyn

Johdatus tekoälyyn (T. Roos) Kurssikoe

JOHDATUS TEKOÄLYYN TEEMU ROOS

Luento KERTAUSTA Kaksiulotteinen jakauma Pisteparvi, Toyota Avensis -farmariautoja

c) A = pariton, B = ainakin 4. Nyt = silmäluku on5 Koska esim. P( P(A) P(B) =, eivät tapahtumat A ja B ole riippumattomia.

Miten voidaan arvioida virheellisten komponenttien osuutta tuotannossa? Miten voidaan arvioida valmistajan kynttilöiden keskimääräistä palamisaikaa?

(x, y) 2. heiton tulos y

1. laskuharjoituskierros, vko 4, ratkaisut

Juuri 10 Tehtävien ratkaisut Kustannusosakeyhtiö Otava päivitetty

1. Kuusisivuista noppaa heitetään, kunnes saadaan silmäluku 5 tai 6. Olkoon X niiden heittojen lukumäärä, joilla tuli 1, 2, 3 tai 4.

Sovellettu todennäköisyyslaskenta B

The Metropolis-Hastings Algorithm

Matemaattinen tilastotiede. Erkki Liski Matematiikan, Tilastotieteen ja Filosofian Laitos Tampereen Yliopisto

Tutkimustiedonhallinnan peruskurssi

Bayesilainen päätöksenteko / Bayesian decision theory

ABHELSINKI UNIVERSITY OF TECHNOLOGY

Kurssilla esitetään lyhyt katsaus niihin todennäköisyyden ja satunnaisprosessien peruskäsitteisiin ja -ominaisuuksiin, joita tarvitaan digitaalisten

031021P Tilastomatematiikka (5 op)

a. (2 p) Selitä Turingin koe. (Huom. ei Turingin kone.) Minkälainen tekoäly on saavutettu, kun Turingin koe ratkaistaan?

TODENNÄKÖISYYSLASKUN KERTAUS Peruskäsitteitä

P (A)P (B A). P (B) P (A B) = P (A = 0)P (B = 1 A = 0) P (B = 1) P (A = 1)P (B = 1 A = 1) P (B = 1)

Varma tapahtuma, Yhdiste, Yhdistetty tapahtuma, Yhteenlaskusääntö

11 Raja-arvolauseita ja approksimaatioita

Todennäköisyyden ominaisuuksia

Matematiikan kotitehtävä 2, MAA 10 Todennäköisyys ja tilastot

Inversio-ongelmien laskennallinen peruskurssi Luento 7

Miten hyvin mallit kuvaavat todellisuutta? Tarvitaan havaintoja.

Teema 7: Todennäköisyyksien laskentaa

Laskuharjoitus 5. Mitkä ovat kuvan 1 kanavien kapasiteetit? Kuva 1: Kaksi kanavaa. p/(1 p) ) bittiä lähetystä kohti. Voidaan

vkp 4*(1+0)/(32-3)-1= vkp 2*(1+0)/(32-3)=

52746 Geneettinen analyysi

Tilastotieteen aihehakemisto

Määritelmä 3.1 (Ehdollinen todennäköisyys) Olkoot A ja B otosavaruuden Ω tapahtumia. Jos P(A) > 0, niin tapahtuman B ehdollinen todennäköisyys

DBN Mitä sillä tekee? Dynaamisten Bayes-verkkojen määrittely aikasarja-analyysissä Janne Toivola

TILASTOLLINEN OPPIMINEN

1. Matkalla todennäköisyyteen

Johdatus todennäköisyyslaskentaan Moniulotteiset satunnaismuuttujat ja todennäköisyysjakaumat. TKK (c) Ilkka Mellin (2005) 1

Mat Sovellettu todennäköisyyslasku. Aiheet: Todennäköisyyslaskennan peruskäsitteet Todennäköisyyslaskennan peruslaskusäännöt Avainsanat:

Otosavaruus ja todennäköisyys Otosavaruus Ë on joukko, jonka alkiot ovat kokeen tulokset Tapahtuma on otosavaruuden osajoukko

Moniulotteiset satunnaismuuttujat ja todennäköisyysjakaumat. Moniulotteiset satunnaismuuttujat ja todennäköisyysjakaumat

JOHDATUS TEKOÄLYYN TEEMU ROOS

Matematiikan kotitehtävä 2, MAA 10 Todennäköisyys ja tilastot

Yhteistyötä sisältämätön peliteoria jatkuu

Mat Sovellettu todennäköisyyslasku A

Kurssin puoliväli ja osan 2 teemat

JOHDATUS TEKOÄLYYN TEEMU ROOS

8.1 Ehdolliset jakaumat

FoA5 Tilastollisen analyysin perusteet puheentutkimuksessa. Luentokuulustelujen esimerkkivastauksia. Pertti Palo. 30.

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi. Viikko 3. Kaksiulotteiset satunnaismuuttujat

Diskreetin satunnaismuuttujan odotusarvo, keskihajonta ja varianssi

Ilkka Mellin Todennäköisyyslaskenta Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Moniulotteiset satunnaismuuttujat ja jakaumat

Moniulotteiset satunnaismuuttujat ja jakaumat

T Luonnollisen kielen tilastollinen käsittely

1 Johdanto Uskomusverkko -jota kutsutaan myos Bayesilaiseksi verkoksi, vaikutus kaavioksi tai seuraamus verkko - on tapa esitaa informaatiota, siten e

Mat Sovellettu todennäköisyyslasku A

3.1 Kaksiulotteinen satunnaisvektori ja sen jakauma

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

Relevanttien sivujen etsintä verkosta: satunnaiskulut verkossa Linkkikeskukset ja auktoriteetit (hubs and authorities) -algoritmi

1. Matkalla todennäköisyyteen (kertausta TN I)

Olkoon seuraavaksi G 2 sellainen tasan n solmua sisältävä suunnattu verkko,

Tentin materiaali. Sivia: luvut 1,2, , ,5. MacKay: luku 30. Gelman, 1995: Inference and monitoring convergence

A-osio: Ilman laskinta, MAOL:in taulukkokirja saa olla käytössä. Maksimissaan tunti aikaa.

Tosiaikaiset päätökset

Luento 6 Yhteisvikojen analyysi PSA:n sovelluksia

Johdatus tekoälyyn, syksy 2011, Teemu Roos Harjoitus 3

1. TILASTOLLINEN HAHMONTUNNISTUS

Osakesalkun optimointi

Todennäköisyyslaskenta

Johdatus tekoälyyn (T. Roos) Kurssikoe ARVOSTELUPERUSTEET

Markov-ketjut pitkällä aikavälillä

B. Siten A B, jos ja vain jos x A x

Otanta ilman takaisinpanoa

Tilastollisen analyysin perusteet

Markov-ketjut pitkällä aikavälillä

Transkriptio:

JOHDATUS TEKOÄLYYN TEEMU ROOS

X Y Z Å BAYES-VERKKO ON TODENNÄKÖISYYSMALLIN ESITYS VERKON SOLMUT OVAT SATUNNAISMUUTTUJIA (ESIM. NOPAN SILMÄLUKU) VERKON KAARET ( NUOLET ) VASTAAVAT SUORIA RIIPPUUKSIA: EI KAARTA EHDOLLINEN RIIPPUMATTOMUUS (TARKKA SELITYS TODENNÄKÖISYYSMALLINNUS-KURSSILLA) KAARIIN LIITTYY EHDOLLISET TODENNÄKÖISYYDET P(S=s VANHEMMAT S = ) ESIM. VANHEMMAT X ={Y,Z}

X EI SYKLEJÄ Y Z Å X Y Z X YHTEISTODENNÄKÖISYYDET SAADAAN LASKEMALLA P(x,y,z,å) = P(y) P(z) P(x y,z) P(å y) VERTAA KETJUSÄÄNTÖÖN: VANHEMMAT X P(x,y,z,å)= P(y) P(z y) P(x y,z) P(å x,y,z)

X EI SYKLEJÄ Y Z Å X Y Z X YHTEISTODENNÄKÖISYYDET SAADAAN LASKEMALLA P(x,y,z,å) = P(y) P(z) P(x y,z) P(å y) EHDOLLINEN RIIPPUMATTOMUU VERTAA KETJUSÄÄNTÖÖN: P(x,y,z,å)= P(y) P(z y) P(x y,z) P(å x,y,z)

ETUJA: X Y Z Å - EHDOLLISET JAKAUMAT HELPOMPI MÄÄRITELLÄ, KOSKA VÄHEMMÄN MÄÄRITELTÄVÄÄ - NOPEUTTAA MYÖS PÄÄTTELYÄ EHDOLLINEN RIIPPUMATTOMUU VERTAA KETJUSÄÄNTÖÖN: P(x,y,z,å)= P(y) P(z y) P(x y,z) P(å x,y,z)

AKKU RADIO SYTYTYS BENSA KÄYNISTYY LIIKKUU

JOS AKKU ON TYHJÄ, RADIO EI SOI EIKÄ SYTYTYS TOIMI. JOS SYTYTYS EI TOIMI, AUTO EI KÄYNNISTY. JOS BENSATANKKI ON TYHJÄ, AUTO EI KÄYNNISTY. JOS AUTO EI KÄYNNISTY, AUTO EI LIIKU. AUTO EI KÄYNNISTY: MISSÄ VIKA? P(TILA HAVAINNOT)? SOIKO RADIO? ONKO BENSAA? HAVAINNOT

AKKU RADIO SYTYTYS BENSA KÄYNISTYY LIIKKUU

AKKU VARMASTIKO? RADIO SYTYTYS BENSA KÄYNISTYY LIIKKUU

AKKU 95% TOD.NÄK. RADIO SYTYTYS BENSA KÄYNISTYY LIIKKUU

90% TOD.NÄK. AKKU RADIO SYTYTYS BENSA KÄYNISTYY LIIKKUU

AKKU RADIO SYTYTYS 99% BENSA TOD.NÄK. KÄYNISTYY LIIKKUU

AKKU RADIO SYTYTYS BENSA KÄYNISTYY 99% TOD.NÄK. LIIKKUU

90% TOD.NÄK. AKKU RADIO SYTYTYS BENSA KÄYNISTYY LIIKKUU

AKKU 95% TOD.NÄK RADIO SYTYTYS BENSA KÄYNISTYY LIIKKUU

P( AKUSSA VIRTAA )=0.9 P( RADIO AKUSSA VIRTAA )=0.9 P( RADIO AKUSSA VIRTAA )=0 P( SYTYTYS AKUSSA VIRTAA ) = 0.95 P( SYTYTYS AKUSSA VIRTAA )=0 P( BENSAA ) = 0.95 P( KÄYNNISTYY SYTYTYS JA BENSAA ) = 0.99 P( KÄYNNISTYY S TAI B ) = 0 P( LIIKKUU KÄYNNISTYY ) = 0.99 P( LIIKKUU KÄYNNISTYY ) = 0

SATUNNAISAPPROKSIMAATIO SATUNNAISOTANTAAN PERUSTUVA ( MONTE CARLO- ) APPROKSIMAATIO:! KUINKA MONESSA S P(S) N KUINKA MONESSA A JA S P(A S) KUINKA MONESSA S

SATUNNAISAPPROKSIMAATIO A S

SATUNNAISAPPROKSIMAATIO A S P(A, S) P(A S) = P(S)

P( AKKU KÄYNNISTYY, RADIO, BENSAA ) =? KÄPISTELIJÄN LÄHESTYMISTAPA: 1. GENEROI MILJOONA TAPAUSTA. 2. VALITSE TAPAUKSET, JOISSA AUTO EI KÄYNNISTY, RADIO SOI JA BENSAA ON. 3. KATSO KUINKA SUURESSA OSASSA AKUSSA ON VIRTAA.

SATUNNAISAPPROKSIMAATIO SATUNNAISOTANTAAN PERUSTUVA APPROKSIMAATIO:! KUINKA MONESSA S P(S) N KUINKA MONESSA A JA S P(A S) KUINKA MONESSA S KUN N, APPROKSIMAATIO SUPPENEE KOHTI OIKEAA ARVOA.

GENEROI-MONIKKOJA(N, Malli):! for i = 1 to N:! EHDOLLINEN JAKAUMA for X in Malli.Muuttujat:! X = SATUNNAISLUKU(X.Jakauma(VANHEMMAT(X)))! print X! print \n

GENEROI-MONIKKOJA(N, Malli):! for i = 1 to N:! for X in Malli.Muuttujat:! X = SATUNNAISLUKU(X.Jakauma(VANHEMMAT(X)))! print X! print \n SOLMUT, JOISTA NUOLI X:ÄÄN

GENEROI-MONIKKOJA(N, Malli):! for i = 1 to N:! for X in Malli.Muuttujat:! X = SATUNNAISLUKU(X.Jakauma(VANHEMMAT(X)))! AKKU print X! print RADIO \n SYTYTYS SOLMUT, BENSA JOISTA NUOLI X:ÄÄN KÄYNISTYY LIIKKUU

GENEROI-MONIKKOJA(N, Malli):! for i = 1 to N:! for X in Malli.Muuttujat:! X = SATUNNAISLUKU(X.Jakauma(VANHEMMAT(X)))! AKKU print X! print RADIO \n SYTYTYS SOLMUT, BENSA JOISTA VANHEMMAT(AKKU) = VANHEMMAT(RADIO) = {AKKU} VANHEMMAT(SYTYTYS) = {AKKU} KÄYNISTYY LIIKKUU NUOLI X:ÄÄN VANHEMMAT(KÄYNNISTYY) = {SYTYTYS, BENSA}

GENEROI-MONIKKOJA(N, Malli):! for i = 1 to N:! for X in Malli.Muuttujat:! X = SATUNNAISLUKU(X.Jakauma(VANHEMMAT(X)))! print X! print \n X = AKKU: X.JAKAUMA( ) = (0.1, 0.9) X = RADIO: X.JAKAUMA({AKKU}) = (1.0, 0.0) JOS AKKU = 0 (0.1, 0.9) JOS AKKU = 1 X = K: X.JAKAUMA({S, B}) = (1.0, 0.0) JOS S=0, B=0 (1.0, 0.0) JOS S=0, B=1 (1.0, 0.0) JOS S=1, B=0 (0.01, 0.99) JOS S=1, B=1

P( AKKU KÄYNNISTYY, RADIO, BENSAA ) =? EKSAKTI LÄHESTYMISTAPA: P(A, K,R,B) P(A K,R,B) = ------------------- P( K,R,B) P(A, K,R,B) = P(A, R, S, B, K, L) + P(A, R, S, B, K, L) + P(A, R, S, B, K, L) + P(A, R, S, B, K, L) ω 2 ω 3 ω 10 ω 11 TAAS SUMMA ALKEISTAPAHTUMIEN TOD.NÄK.!

P( AKKU KÄYNNISTYY, RADIO, BENSAA ) =? EKSAKTI LÄHESTYMISTAPA: TARVITTAVAT SUMMAT SAADAAN HELPOSTI BAYES- VERKOSTA, ESIM. P(A, R, S, B, K, L) = P(A) P(R A) P(S A) P(B) P( K S,B) P(L K) ELI TULO, JONKA TEKIJÖINÄ P(MUUTTUJA VANHEMMAT). KAIKKI TEKIJÄT ON MÄÄRITELTY ALUSSA. EI KÄYDÄ LÄPI TARKEMMIN TÄLLÄ KURSSILLA