目录
8.1概率基础
随机变量、概率分布
联合概率分布
联合概率分布表:包含所有变量可能的赋值组合
事件(一组概率赋值)
边缘概率分布:只给一部分变量指定了特定的值
条件概率分布
条件概率联通了联合概率和边缘概率
乘法法则:联合概率可由条件概率与边缘概率相乘得到
链式法则:将上述的两个变量的情况扩展到n个变量的情况
8.2贝叶斯公式
基于乘法法则,有两种分解联合概率的方法,因此,可以从一个条件概率计算逆向的条件概率。
贝叶斯公式的应用示例
原理简单,但是用处广泛,作用大。
8.3独立性
掷硬币:运用独立性减少存储空间,简化问题
条件独立
8.4贝叶斯网络介绍
总览
具体例子:汽车故障诊断、学生驾驶员的保险定额
构造贝叶斯网络
例子:警报网络
8.5贝叶斯网络的基本语义
回顾 -> 贝叶斯网络图:有向无环图
贝叶斯网络中的联合概率
ppt错了,最后一项是P ( - toothcache | + cavity )
回顾独立性:
贝叶斯网络中关于条件独立性的假设:对于节点 x 来说,在给定它父亲节点的情况下,x 这个节点就独立于序号比它小的非父亲节点了(贝叶斯网络构造时就只可能是下标小的节点指向下标大的节点)。引入此假设后,在链式法则中,与 x 对应的条件概率的项就可以简化为它的父亲节点。
贝叶斯网络规模
上述假设可以减小贝叶斯网络的规模
例子:抛硬币
8.6贝叶斯网络的独立性
贝叶斯网络中的因果关系:因果关系与反向因果关系,但是它们对应的联合概率分布是完全相同的
为什么要使用因果关系构建贝叶斯网络?
真正重要的不是因果关系,而是条件独立性。
例子:
有些条件独立性显而易见,但是我们也关注如何判断在给定其他变量的情况下,某两个变量的是否相互独立。
8.7D分离方法
对路径继续细分,打散成三元组:分证据变量是否被观察到
因果链条 w/o 证据变量:给定Y的取值,X与Z独立,否则,X与Z不独立
共同原因 w/o 证据变量:给定Y的取值,X与Z独立,否则,X与Z不独立
共同结果 w/o 证据变量:X与Y独立,给定Z的取值,X与Y反而不独立
8.8D分离方法 -- 样例演示
马尔科夫覆盖
8.9贝叶斯网络的独立性隐含关系
独立性假设变多,图变简单,表达能力受限制
边的增加,表示能力变强
样例
致谢
原视频地址:人工智能导论(全集)_哔哩哔哩_bilibili