Redes Bayesianas e Inferência Aproximada - Laboratório de ...
Redes Bayesianas e Inferência Aproximada - Laboratório de ...
Redes Bayesianas e Inferência Aproximada - Laboratório de ...
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
• AutoClass, NASA´s Ames Research Center, 1998 - Sistema <strong>de</strong> exploração e aquisição<strong>de</strong> conhecimento espacial. Este projeto está <strong>de</strong>senvolvendo uma re<strong>de</strong> bayesiana quepermita a interpolação automática <strong>de</strong> dados espaciais oriundos <strong>de</strong> diferentesobservatórios e planetários espalhados pelo mundo.• Lumiere, Microsoft Research, 1998 – O projeto preten<strong>de</strong> criar um sistema que possaautomaticamente e inteligentemente interagir com outros sistemas, antecipando osobjetivos e necessida<strong>de</strong>s dos usuários.4. <strong>Inferência</strong> em <strong>Re<strong>de</strong>s</strong> <strong>Bayesianas</strong>4.1. DefiniçãoA tarefa básica <strong>de</strong> uma inferência probabilística é computar a distribuição <strong>de</strong> probabilida<strong>de</strong>sposterior para um conjunto <strong>de</strong> variáveis <strong>de</strong> consulta (query variables), dada uma har<strong>de</strong>vi<strong>de</strong>nce, ou seja, o sistema computa P(Query|Evi<strong>de</strong>nce). É o procedimento geral para a construção <strong>de</strong> uma distribuição <strong>de</strong> probabilida<strong>de</strong>sposteriores para os objetos <strong>de</strong> interesse dadas as probabilida<strong>de</strong>s a priori Realizada através <strong>de</strong> cálculos probabilísticos Utiliza as informações existentes na Re<strong>de</strong> Bayesiana A tarefa básica <strong>de</strong> um sistema <strong>de</strong> re<strong>de</strong>s bayesianas é computar a distribuição daprobabilida<strong>de</strong> condicional para um conjunto <strong>de</strong> variáveis <strong>de</strong> consulta, dado osvalores <strong>de</strong> um conjunto <strong>de</strong> variáveis <strong>de</strong> evidênciaP(Variável_consulta|Variáveis_Evidência)O exemplo abaixo apresenta uma re<strong>de</strong> Bayesiana formada pelas seguintes variáveis Cloudy(TempoNublado), Sprinklet (Regador), Rain (Chuva) e WetGrass (GramaMolhada) 10 . Umainferência possível seria: Dado que temos a evidência <strong>de</strong> que a grama está molhada, qual aprobabilida<strong>de</strong> <strong>de</strong> ter chovido, ou do regador estar ligado?P(MariaLig|JoaoLig,Alarme,Terremoto,Ladrão) = P(MariaLig|Alarme)Então, um procedimento geral para construção <strong>de</strong> re<strong>de</strong>s <strong>Bayesianas</strong> seria:1. Escolha um conjunto <strong>de</strong> variáveis X ique <strong>de</strong>screvam o domínio.2. Escolha uma or<strong>de</strong>m para as variáveis.3. Enquanto existir variáveis:a. Escolha uma variável X ie adicione um nó na re<strong>de</strong>.b. Determine os nós Pais(X i) <strong>de</strong>ntre os nós que já estejam na re<strong>de</strong> e quesatisfaçam a equação (3.2).c. Defina a tabela <strong>de</strong> probabilida<strong>de</strong>s condicionais para X i.7
Change language