لطفا به نکات زیر در هنگام خرید دانلود فایل پاورپوینت شبکه‌های باور بیزی توجه فرمایید.

1-در این مطلب، متن اسلاید های اولیه دانلود فایل پاورپوینت شبکه‌های باور بیزی قرار داده شده است 2-به علت اینکه امکان درج تصاویر استفاده شده در پاورپوینت وجود ندارد،در صورتی که مایل به دریافت  تصاویری از ان قبل از خرید هستید، می توانید با پشتیبانی تماس حاصل فرمایید 3-پس از پرداخت هزینه ، حداکثر طی 4 ساعت پاورپوینت خرید شده ، به ادرس ایمیل شما ارسال خواهد شد 4-در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل اسلاید ها میباشد ودر فایل اصلی این پاورپوینت،به هیچ وجه بهم ریختگی وجود ندارد 5-در صورتی که اسلاید ها داری جدول و یا عکس باشند در متون زیر قرار نخواهند گرفت

— پاورپوینت شامل تصاویر میباشد —-

اسلاید ۱ :

مقدمه

lدر عمل پیاده‌سازی Bayes Optimal Classifier بسیار پرهزینه است.

lهمانگونه که دیدیم دسته‌بندی‌کننده Naive Bayes Classifier بر این اصل استوار بود که مقادیر ویژگی‌ها مستقل شرطی باشند. اما این یک شرط بسیار محدود کننده است که غالبا برآورده نمی‌شود.

lشبکه‌های باور بیزی یاBayesian Belief Networks  که Bayes Nets هم نامیده می‌شود روشی است برای توصیف توزیع احتمال توام مجموعه ای از متغیرها.

lBBN استقلال شرطی زیر مجموعه‌ای از متغیرها را قابل توصیف کرده و امکان ترکیب دانش قبلی درباره وابستگی متغیرها را با داده‌های آموزشی فراهم می‌اورد.

اسلاید ۲ :

اگر a1,a2,…an مجموعه‌ای از ویژگیها و یا متغیرها باشندBN  می‌تواند احتمال هر ترکیبی از آنان را بیان کند.

 

اگرچه در هنگام استفاده از BN هم ناگزیر به استفاده از شروط استقلال خواهیم بود اما BN راه حل میانه‌تری است که محدودیت کمتری دارد.

 

اسلاید ۳ :

کاربرد BN

تشخیص P(cause|symptom)=?

پیش‌بینی P(symptom|cause)=?

lدسته‌بندی

تصمیم‌گیری) در صورت وجود تابع ارزش(

 

lمثال:

Speech recognition, Stock market, Text Classification, Computer troubleshooting, medical diagnostic systems,

real-time weapons scheduling, Intel processor fault diagnosis (Intel). generator monitoring expert system (General Electric)

troubleshooting (Microsoft)

 

اسلاید ۴ :

کاربرد BN

lخواستگاه BN به ترکیب احتمال با سیستم‌های خبره بر می‌گردد و این زمینه یکی از کاربردهای مهم آنرا تشکیل می‌دهد.

lBN  را می‌توان در بسیاری از کاربردهائی که سیستم‌های مبتنی بر دانش متداول مورد استفاده هستند، به کار برد.

lBN در مقایسه با شبکه‌های عصبی دارای مزایای زیر است:

lمی‌توان از اطلاعات افراد خبره در ساخت BN استفاده کرد.

lفهم و توسعه ساختار BN ساده‌تر است.

lBN می‌تواند با داده‌های ناقص نیز کار کند.

اسلاید ۵ :

استقلال شرطی

تعریف استقلال شرطی

اگر X,Y,Z سه متغیر تصادفی با مقادیر گسسته باشند می‌گوئیم که X با دانستن Z بطور شرطی از Y مستقل است اگر با دانستن Z توزیع احتمال X مستقل از مقدار Y باشد.

lتعریف مشابهی را می‌توان برای مجموعه‌ای از متغیرها بکار برد:

اسلاید ۶ :

نمایش BN

یک BN مدلی گرافیکی برای نشان دادن توزیع احتمال توام مجموعه‌ای از متغیرها است. دانش به دست آمده برای یک مسئله به صورت اطلاعات کمی و کیفی در این گراف مدل می‌شود.

اینکار با مشخص کردن مجموعه‌ای از فرضیات استقلال شرطی توسط کمانهای گراف، همراه با ذکر مقادیر احتمال شرطی گره‌ها انجام می‌شود.

lهر متغیری از فضای توام به صورت یک گره در BN نمایش داده شده و برای هر متغیر دو نوع اطلاعات ارائه می‌گردد:

کمانهای شبکه برای نشان دادن رابطه استقلال شرطی بکار می‌رود: یک متغیر با دانستن والدین آن از گره‌های غیر فرزند آن مستقل است.

جدولی نیز ارائه می‌گردد که توزیع احتمال هرگره برای والدین بلافصل آنرا مشخص می‌کند.

 

اسلاید ۷ :

توزیع احتمال توام
   joint probability distribution     

در BN برای محاسبه توزیع احتمال توام مجموعه‌ای از متغیرها از رابطه زیر استفاده می‌شود:

lکه والدین یک گره، گره‌های قبلی بلافصل آن می‌باشند.

lمثال

 

 

اسلاید ۸ :

نحوه ساخت BN

 

به صورت دستی، توسط یک خبره.

 

به صورت اتوماتیک، توسط روشهای یادگیری ماشین.

اسلاید ۹ :

استنتاج توسط BN

How likely are elderly rich people to buy DallasNews?

P( paper = DallasNews |

                  Age>60, Income > 60k)

اسلاید ۱۰ :

استنتاج

ارتباط بین BN و دسته‌بندی:

می‌توان از BN استفاده نموده و مقدار یک متغیر را در صورت مشاهده مقادیر سایر متغیرها استنتاج نمود .البته معمولا امکان بدست آوردن یک مقدار وجود نداشته و به جای آن یک توزیع احتمال محاسبه می‌شود.

اگر مقادیر همه متغیرها از پیش معلوم باشد انجام چنین استنتاجی ساده است ولی معمولا فقط مقدار بخشی از متغیرها مشاهده می‌شود. مثلا ممکن است بخواهیم با مشاهده Thunder , BusTourGroup  در مورد Forestfire نتیجه‌گیری کنیم.