人工智能-不确定性的量化

这一部分的重点内容有：

• 贝叶斯规则
• 贝叶斯网络
• 基于隐马尔可夫模型的概率推理

大概会有以下几种考察形式，有答案的历年期末考试题只解释一些注意的地方

贝叶斯网络-独立性

第二问答案很详细，第一问看↓，但答案疑似有误。

D-separation： 判断贝叶斯网络中的变量是否独立 - 知乎

贝叶斯网络

答案省去了S，但是感觉还是标出来更好，不影响计算结果。

隐马尔可夫模型-根据观察变量求隐藏变量概率

本题是小班讨论的题目，计算隐藏变量的概率，要使用修正过后的概率(即P(R|u))作为当天下不下雨的概率，最可能的状态就是概率大的(下雨/不下雨)。下面图中计算时都有一个位置标错了，计算修正概率时，后面乘的应该是。

隐马尔可夫模型-状态序列概率

这道题求的是整个序列出现的概率，因此第一天求的是P(good&bar)，心情为good是如果他来了酒吧，就一定能通过观察确定的(对于题中给定的条件)，因此概率为P(good)P(bar)，而P(good)为1。从第二天开始，求的概率是在第一天的心情基础上，第二天的心情为各种情况并且他来了酒吧的概率，应该是P(2-good/bad/normal&bar)，这里答案没体现出&bar，实际上是乘上了各种心情来bar的概率的。最后一天类似。