kecerdasan buatan/ artificial intelligence · nilainya diperoleh dari truth table ... latihan...

Bayesian Network

Imam Cholissodin, S.Si., M.Kom.

Kecerdasan Buatan/

Artificial Intelligence

Pokok Bahasan

1. Syntax & Semantics

2. Compact conditional distributions

3. Efficient Inference

4. Latihan Individu + Tugas Kelompok

Syntax & Semantics

Bayesian Network :

Notasi graf yang menyatakan conditional independence

dalam suatu domain.

Node menyatakan sebuah random variable.

Arc (directed edge) menyatakan hubungan kausal

langsung (direct influence).

Arahnya dari variable “sebab” ke variable “akibat”.

Node sibling menyatakan variable yang conditionally

independent karena parent-nya.

Conditional distribution untuk setiap node terhadap

parent-nya: P(Xi | Parents(Xi))

Tidak ada cycle di dalam Bayesian Network.

Syntax & Semantics

Contoh kedokteran gigi :

Topologi sebuah Bayesian Network menyatakan

hubungan conditional independence :

Keterangan :

Weather independent dari semua variable lain.

Toothache dan Catch conditionally independent karena Cavity.

Syntax & Semantics

Contoh lain :

Anto sedang di kantor. Tetangganya, John, menelpon

mengatakan alarm anti-perampoknya bunyi.

Tetangganya, Mary, tidak menelpon. Kadang-kadang

alarmnya nyala karena gempa bumi. Apakah ada

perampok di rumah Anto?

Variable dalam domain :

Burglar, Earthquake, Alarm, JohnCalls, MaryCalls

Hubungan sebab akibat :

Perampok bisa membuat alarm nyala.

Gempa bumi bisa membuat alarm nyala.

Alarm bisa membuat John menelpon.

Alarm bisa membuat Mary menelpon.

Syntax & Semantics

Contoh Bayesian Network :

Syntax & Semantics

Rekonstruksi full joint distribution :

Bayesian Network adalah deskripsi lengkap sebuah

domain.

Full joint distribution bisa diperoleh dari local conditional

distribution :

Contoh: hitung probabilitas John menelpon, Mary

menelpon, alarm nyala, tidak ada perampok, tidak ada

gempa bumi.

P (j ∧ m ∧ a ∧ ¬b ∧ ¬e) =

P (j |a)P (m|a)P (a|¬b, ¬e)P (¬b)P (¬e) =

0.9 × 0.7 × 0.001 × 0.999 × 0.998 = 0.00062

n

i iin xParentsxPxxP11 |,...,

Syntax & Semantics

Membangun Bayesian Network :

Bagaimana membangun sebuah Bayesian Network?

Sebuah algoritma:.

Pilih ordering variable X1, . . . , Xn

For i = 1 to n

o Tambahkan Xi ke network

o Pilih parent dari X1, . . . , Xi−1 shg.

P(Xi | Parents(Xi )) = P(Xi | X1, . . . , Xi−1)

Agar Bayesian Network sah..

Xi harus conditionally independent terhadap semua

X1, . . . , Xi−1 yang bukan anggota Parents(Xi) karena

Parents(Xi).

Syntax & Semantics

Chain rule & conditional independence :

Algoritma di slide sebelumnya menggunakan chain rule :

P(A, B, C, D) = P(A|B, C, D)P(B, C, D)

= P(A|B, C, D)P(B|C, D)P(C, D)

= P(A|B, C, D)P(B|C, D)P(C|D)P(D)

Ini spt. membangun Bayesian Network dengan urutan D, C, B,

A tanpa conditional independence.

Bagaimana jika, mis:

A conditionally independent thd. B karena C dan D

B conditionally independent thd. C karena D:

P(A, B, C, D) = P(A|C, D)P(B|D)P(C|D)P(D)

Syntax & Semantics

Contoh membangun Bayesian Network :

Mis. kita pilih urutan : MaryCalls, JohnCalls, Alarm, Burglar,

Earthquake.

P(J | M) = P(J)? Tidak

P(A | J , M) = P(A | J)? P(A | J , M) = P(A)? Tidak

P(B | A, J , M) = P(B | A)? Ya

P(B | A, J , M) = P(B)? Tidak

P(E | B, A, J , M) = P(E | A)? Tidak

P(E | B, A, J , M) = P(E | A, B)? Ya

Syntax & Semantics

Naive vs. paranoid... :

Naive Bayes model

Semua variable akibat dianggap saling conditionally

independent karena variable sebab.

Full joint distribution (paranoid?)

Semua random variable dianggap saling mempengaruhi

Yang kita cari: analisa domain-specific yang menghasilkan

informasi conditional independence yang benar!

Syntax & Semantics

Contoh yang lebih rumit... :

Diagnosa awal: mobil mogok!

Testable node: nilainya bisa diukur.

Fixable node: nilainya bisa diatur.

Hidden node: hanya untuk menyederhanakan struktur

network-nya.

Syntax & Semantics

Contoh yang lebih rumit... :

Menentukan nilai asuransi mobil...

Compact conditional distributions

Deterministic nodes :

Conditional distribution sebuah node dgn. k parent exponential

dlm. k .

Ada beberapa representasi yang lebih efisien → canonical

distribution.

Conditional distribution dari suatu deterministic node bisa

dihitung sepenuhnya dari nilai parent-nya.

Dengan kata lain, nilai probabilitasnya bisa dinyatakan sebagai

suatu fungsi : X = f(Parents(X))

Misalnya, “hidden” variable pada contoh mobil mogok:

No_charging = Alternator_broken ∨ Fanbelt_broken

Battery_flat = Battery_dead ∨ No_charging

Nilainya diperoleh dari truth table ∨

Compact conditional distributions

Noisy-OR Distribution :

Noisy-OR distribution mirip ∨ dalam logic, tapi ada

uncertainty : Berapakah ketidakpastian sebuah variable “gagal”

mengakibatkan proposition bernilai true?

Contoh :

P(¬fever | cold , ¬flu, ¬malaria) = 0.6

P(¬fever | ¬cold , flu, ¬malaria) = 0.2

P(¬fever | ¬cold , ¬flu, malaria) = 0.1

Compact conditional distributions

Variable dengan nilai kontinyu :

Bagaimana kalau nilai variable kontinyu? Tabel?

Gunakan canonical distribution : fungsi dengan parameter.

Contoh :

Diskrit : Subsidy?, Buys?

Kontinyu : Harvest, Cost

Compact conditional distributions

Variable diskrit, parent kontinyu :

Probabilitas dari Buy? jika diketahui Cost adalah “soft

threshold” :

Distribusi probit adalah integral dari fungsi Gaussian :

P(Buys? = true | Cost = c) = Φ((−c + µ)/σ)

dxxNxx

1,0

Compact conditional distributions

Variable kontinyu :

Model Linear Gaussian sering dipakai :

2

2

1exp

2

1

,?,|

t

tt

ttt

bhac

cbhaNtrueSubsidyhHarvestcCostP

Efficient Inference

Inference by enumeration :

Mis. hitung probabilitas ada perampok jika John dan Mary

menelpon.

Perhatikan bahwa P(j | a)P(m | a) dihitung untuk setiap nilai e.

Gunakan dynamic programming : hitung sekali, simpan hasilnya!

amPajPebaPePbP

amPajPebaPePbPmjbP

e a

e a

||,|

||,|,|

Efficient Inference

Approximate inference :

Pendekatan lain: jangan hitung nilai persis, tapi cukup di-

sample (Monte Carlo).

Ide dasar :

Ambil N sample dari distribusi Bayes Net.

Estimasi posterior probability dari query event :

Berapa kali query event “terjadi” dari N kali sample?

Dibagi N.

konvergen terhadap P.

P̂

PNˆlim

Efficient Inference

Contoh sampling :

a. P(C,S,R,W)=? b. P(C,S,R,~W)=?

Latihan individu

Perhatikan Bayesian Network di bawah ini.

Tentukan nilai Peluang :

a. John menelpon, Mary menelpon, alarm nyala, ada perampok, tidak

ada gempa bumi. P (j ∧ m ∧ a ∧ b ∧ ¬e).

b. John menelpon, Mary tidak menelpon, alarm nyala, ada perampok,

ada gempa bumi. P (j ∧ ¬ m ∧ a ∧ b ∧ e).

Tugas Kelompok

Buatlah minimal 1 case study unik dan penyelesaiannya dengan Bayesian

Network !

Buatlah program prolog jika diketahui fakta-fakta berikut!

Kemudian buat query buku bagus / recommended jika rating-nya lebih dari 3 !

No Judul Buku ISBN Kategori Penerbit Rating

1 Beginning Ogre 3D 1.7 1-2345-678 Games

Development Apress 5

2 Programming for Newbies 9-9972-784 Programming O’Reilly 4

3 Pro Android Games 4-7899-099 Games

Development Apress 4

4 Pro Code Igniter 7-3788-123 Web

Programming Apress 3

5 Learn CCNA in 23 days 9-7889-900 Network &

Security Sams 2

Selesai