1
Incertitude
Chap. 13
2
Plan
Incertitude
Probabilité
Syntaxe et Sémantique
Inférence
Indépendance et règle de Bayes
Comment l’utiliser?
3
Incertitude
Soit action At= partir pour l’aéroport tminutes avant le vol
Est-ce que Atme permet d’arriver à temps?
Problèmes:
1. Observabilité partielle (état de route, plans des autres conducteurs, etc.)
2. Senseurs bruités (nouvelle sur le trafic)
3. Incertitude dans les résultats des actions (pneu dégonflé, etc.)
4. Complexité énorme pour modéliser et prédire le trafic
Donc, une approche purement logique va
1. Soit risquer le fausseté: A25 me permet d’arriver à temps
2. Soit arriver à la conclusion trop faible pour prendre une décision:
A25 va me permettre d’y arriver à temps s’il n’y a pas d’accident sur le pont et
qu’il ne pleut pas et que mes pneus restent intacts, etc. »
(A1440 pourrait raisonnablement être considérée de m’y amener à temps mais je
dois rester une nuit à l’aéroport …)
4
Méthodes pour traiter l’incertitude
Étendre la logique
Logique de défaut ou non monotone:
Par défaut: supposons que ma voiture n’a pas de pneu à plat
Supposons que A25 marche à moins contredit par des évidences
Problèmes: Quelles hypothèses par défaut sont raisonnables? Comment traiter
la contradiction?
Logique non monotone: quand contradiction, défaire la chose la moins ancrée
Approche numériques
Probabilité
Modéliser le degré de croyance de l’agent en une proposition
Étant donné les évidences disponibles,
"A25 me permet d’y arriver à temps" avec la probabilité 0.04
Combinaisons
Règles avec facteurs arbitraire (fudge factors):
A25 |0.3 arriver à temps
Sprinkler |0.99 WetGrass
WetGrass |0.7 Rain
Problèmes: combinaison des règles, Sprinkler causes Rain??
Logique floue: étend les valeurs de vérité en [0,1] ≠ probabilité
WetGrass est vrai à degré 0.2
5
Probabilité
Des assertions probabilistes résument les effets de
Paresse (laziness): impossibilité d’énumérer les exceptions,
qualifications, etc.
ignorance: manque des faits pertinents, des conditions initiales,
etc.
Probabilité subjective ou Bayesienne:
Probabilités reliées aux propositions par rapport à l’état
de connaissances de l’agent
e.g., P(A25 | pas d’accident rapporté) = 0.06
(Ceci n’est pas une assertion sur le monde, mais une
évaluation)
Probabilités de propositions changent avec de nouvelles
évidences:
e.g., P(A25 | pas d’accident rapporté, 5 a.m.) = 0.15
(analogie à l’entraînement KB |=α, non à la vérité)
1 / 33 100%
La catégorie de ce document est-elle correcte?
Merci pour votre participation!

Faire une suggestion

Avez-vous trouvé des erreurs dans linterface ou les textes ? Ou savez-vous comment améliorer linterface utilisateur de StudyLib ? Nhésitez pas à envoyer vos suggestions. Cest très important pour nous !