Giáo trình Trí tuệ nhân tạo Bách Khoa Hà Nội

Chuyển bài toán chứng minh logic vềbài toán SAT Ph há hứ ihbằ hả hứ ‰Phương phápchứng minh bằng phảnchứng ‰Việcchứng minh sựmâu thuẫncủa: (KB ∧¬α) ‰Tươngđươngviệcchứngminhsựbaohàm: KB╞α ‰Tươngđươngviệcchứngminh sựbaohàm: KB╞ α „Luật suy diễnhợpgiải (Resolution rule) NếucácbiểuthứctrongtậpKBvàbiểuthức(cầnchứngminh)α ‰NếucácbiểuthứctrongtậpKBvàbiểuthức(cầnchứngminh) α đềuởdạng CNF, thì áp dụng luật suy diễnhợpgiảisẽxácđịnh tính (không) thỏamãnđượccủa (KB ∧¬α

pdf559 trang | Chia sẻ: lvcdongnoi | Lượt xem: 3604 | Lượt tải: 3download
Bạn đang xem trước 20 trang tài liệu Giáo trình Trí tuệ nhân tạo Bách Khoa Hà Nội, để xem tài liệu hoàn chỉnh bạn click vào nút DOWNLOAD ở trên
một tập mờ A của miền giá trị X được định nghĩa (được xác định) bởi hàm µA(x) „ µA(x) được gọi là hàm phụ thuộc (membership function) của tập mờ A ‰ A = {µA(x1)/x1, µA(x2)/x2, ..., µA(xn)/xn} µA(x) : X Æ {0, 1}, với: µA(x) = 1, nếu x hoàn toàn thuộc trong A µA(x) = 0, nếu x không thuộc trong A 0 < µA(x) < 1, nếu x thuộc một phần trong A Đối ới ỗi hầ tử ( iá t ị) ủ iề iá t ị X hà h th ộ„ v m p n g r x c a m n g r , m p ụ u c µA(x) chỉ ra mức độ tương ứng mà x là một thành phần của A „ Mức độ này (là một giá trị trong khoảng từ 0 đến 1) biểu diễn mức độ phụ thuộc của phần tử x trong tập A 23Trí tuệ nhân tạo Biểu diễn tập chính xác và tập mờ Tall Men Muc do phu thuoc Thap Trung binh Short Cao 1,0 0,8 Tap chinh xac 0,2 0,4 0,6 Những người 150 210170 180 190 200160 Chieu cao Muc do phu thuoc 0,0 Tap mo đàn ông thấp, 1,0 0,6 0,8 Thap Trung binh Cao trung bình, cao 150 210180 190 200 0,0 0,2 0,4 160 170 24Trí tuệ nhân tạo (Negnevitsky, Pearson Education, 2002) Phần bù (Complement) „ Tập chính xác (crisp set): Phần tử nào không thuộc vào tập hợp? „ Tập mờ (fuzzy set): Mức độ một phần tử không thuộc à tậ h ?v o p ợp „ Nếu A là một tập mờ, thì phần bù của A (ký hiệu là ¬A) được định nghĩa như sau: µ¬A(x) = 1 - µA(x); với mọi phần tử x 25Trí tuệ nhân tạo Tập bao hàm (Container) „ Tập chính xác: Những tập nào là tập con (subset) của các tập khác „ Trong lý thuyết tập mờ, nếu tập A là một tập con của B, thì: B ‰ µA(x) ≤ µB(x), ∀x ‰ Mỗi thành phần sẽ có mức độ phụ thuộc (membership value) vào tập A A nhỏ hơn hoặc bằngmức độ phụ vào tập B ‰ Ví dụ: A là tập “Những người đàn ông rất cao”, B là tập “Những người đàn ông cao” 26Trí tuệ nhân tạo Giao (Intersection) „ Tập chính xác: Những phần tử nào thuộc vào cả 2 tập? „ Tập mờ: Mức độ mỗi phần tử thuộc vào cả 2 tập? „ Phần giao mờ (fuzzy intersection) được xác định bởi giá trị phụ thuộc thấp nhất đối với 2 tập mờ Gi ủ 2 tậ ờ ũ là ột tậ ờ đ đị h hĩ„ ao c a p m c ng m p m , ược n ng a như sau: µA∩B(x) = min{µA(x), µB(x)}, ∀x 27Trí tuệ nhân tạo Hợp (Union) „ Tập chính xác: Những phần tử nào thuộc vào một trong hai tập? „ Tập mờ: Mức độ mỗi phần tử thuộc vào một trong hai tập? „ Phần hợp mờ (fuzzy union) được xác định bởi giá trị phụ thuộc cao nhất đối với 2 tập mờ „ Hợp của 2 tập mờ cũng là một tập mờ, được định nghĩa như sau: µA∪B(x) = max{µA(x), µB(x)}, ∀x 28Trí tuệ nhân tạo Các thao tác trên tập mờ 1 μ ( x ) A 1 B A μ ( x ) 0 x 1 Not A 0 x 1 B A Complement 0 x Containment 0 x μ(x) μ(x) 0 x 1 A B 0 x 1 A B 0 x 1 0 x 1 A B∪ A B∩ 29Trí tuệ nhân tạo Intersection Union (Bogdan L. Vrusias, CS 289, 2006) Các thuộc tính của tập mờ „ Sự tương đương của 2 tập mờ „ Sự bao hàm giữa 2 tập mờ „ Kích thước của một tập mờ „ Một tập mờ rỗng t ( l h t)„ α-cu a p a-cu 30Trí tuệ nhân tạo Sự tương đương của 2 tập mờ „ Một tập mờ A được gọi là tương đương (equal) với tập mờ B nếu và chỉ nếu:, µA(x) = µB(x), ∀x „ Ví dụ ‰ A = {0,3/x, 0,5/y, 1/z} ‰ B = {0 3/x 0 5/y 1/z} , , , , ‰ A và B là 2 tập mờ tương đương 31Trí tuệ nhân tạo Sự bao hàm giữa 2 tập hợp „ Một tập mờ A được gọi là bao hàm (includes) một tập mờ B nếu và chỉ nếu:, µA(x) ≥ µB(x), ∀x „ Ví dụ ‰ A = {0,37/x, 0,72/y, 1/z} ‰ B = {0 3/x 0 5/y 1/z} , , , , ‰ A bao hàm B 32Trí tuệ nhân tạo Kích thước của một tập mờ „ Kích thước (cardinality) của một tập chính xác là số phần tử của tập „ Kích thước của một tập mờ là tổng các giá trị mức độ h th ộ ủ á thà h hầp ụ u c c a c c n p n cardA = µA(x1) + µA(x2) + ... + µA(xn) = Σi=1..n µA(xi) „ Ví dụ ‰ A = {0,3/x, 0,5/y, 1/z} ‰ cardA = 0,3 + 0,5 + 1 = 1,8 33Trí tuệ nhân tạo Tập mờ rỗng „ Một tập mờ A được gọi là rỗng (empty), nếu: ( ) 0 ∀µA x = , x „ Ví dụ: ‰ A = {0/x, 0/y, 0/z} ‰ A là một tập mờ rỗng 34Trí tuệ nhân tạo Alpha-cut „ Một α-cắt (một tập mức α) của một tập mờ A là một tập chính xác (crisp set) A sao cho: α Aα = {x∈X: µA(x) ≥ α} „ Ví dụ: ‰ A = {0,3/x, 0.5/y, 1/z} ‰ A0 5 = {y, z}, ‰ A0,2 = {x, y, z} ‰ A1 = {z} 35Trí tuệ nhân tạo Các khái niệm với tập mờ „ Một tập mờ A được gọi là tập mờ chuẩn (normal), nếu tồn tại ít nhất một phần tử x sao cho µ (x) =1 A „ Độ cao (height) của một tập mờ A là giá trị phụ thuộc lớn nhất của các thành phần heightA = maxx{µA(x)} „ Tập hỗ trợ (support) của A là một tập chính xác, chứa các hầ từ ó ứ độ h th ộ ( à A) >0p n c m c p ụ u c v o support(A) = {x∈X: µA(x) > 0} „ Tập cơ sở (core) của A là một tập chính xác chứa các phần , từ có mức độ phụ thuộc (vào A) =1 core(A) = {x∈X: µA(x)=1} 36Trí tuệ nhân tạo Các phép toán trên tập mờ „ Nhân với một giá trị số học aA {a ( ) ∀ X}‰ = μA x , x∈ ‰ Ví dụ „ A = {0,5/x, 0,3/y, 0,2/z, 1/w} „ a = 0,5 „ aA = {0,25/x, 0,15/y, 0,1/z, 0,5/w} Phé tí h ũ (lũ thừ )„ p n m y a ‰ Aa = {μA(x)a, ∀x∈X} ‰ Ví dụ „ A = {0,5/x, 0,3/y, 0,2/z, 1/w} „ a = 2 „ Aa = {0 25/x 0 09/y 0 04/z 1/w} , , , , . , 37Trí tuệ nhân tạo Trí Tuệ Nhân Tạo Nguyễn Nhật Quang quangnn-fit@mail.hut.edu.vn Viện Công nghệ Thông tin và Truyền thông Trường Đại học Bách Khoa Hà Nội Năm học 2009-2010 Nội dung môn học: „ Giới thiệu về Trí tuệ nhân tạo „ Tác tử „ Giải quyết vấn đề: Tìm kiếm, Thỏa mãn ràng buộc „ Logic và suy diễn „ Biểu diễn tri thức „ Suy diễn với tri thức không chắc chắn „ Học máy ‰ Giới thiệu về học máy ‰ Phân lớp Naïve Bayes ‰ Học dựa trên các láng giềng gần nhất „ Lập kế hoặch Trí Tuệ Nhân Tạo 2 Giới thiệu về Học máy „ Các định nghĩa về Học máy (Machine learning) → Một quá trình nhờ đó một hệ thống cải thiện hiệu suất (hiệu quả hoạt động) của nó [Simon, 1983] → Một quá trình mà một chương trình máy tính cải thiện hiệu suất của nó trong một công việc thông qua kinh nghiệm [Mitchell, 1997] → Việc lập trình các máy tính để tối ưu hóa một tiêu chí hiệu suất dựa trên các dữ liệu ví dụ hoặc kinh nghiệm trong quá khứ [Alpaydin, 2004] Biể diễ ộ bài á h ᄠu n m t to n ọc m y [Mitchell, 1997] Học máy = Cải thiện hiệu quả một công việc thông qua kinh nghiệm • Một công việc (nhiệm vụ) T • Đối với các tiêu chí đánh giá hiệu suất P • Thông qua (sử dụng) kinh nghiệm E Trí Tuệ Nhân Tạo 3 Các ví dụ của bài toán học máy (1) Bài toán lọc các trang Web theo sở thích của một người dùng „ T: Dự đoán (để lọc) xem những trang Web nào mà một người dùng cụ thể thí h đc ọc „ P: Tỷ lệ (%) các trang Web được dự đoán đúng Interested? „ E: Một tập các trang Web mà người dùng đã chỉ định là thích đọc và một tập các trang Web mà anh ta đã chỉ định là không thích đọc Trí Tuệ Nhân Tạo 4 Các ví dụ của bài toán học máy (2) Bài toán phân loại các trang Web theo các chủ đề T Phâ l i á t W b th á hủ đề đã đị h t ớ„ : n oạ c c rang e eo c c c n rư c „ P: Tỷ lệ (%) các trang Web được phân loại chính xác „ E: Một tập các trang Web trong đó mỗi trang Web gắn với một , chủ đề Which cat.? Trí Tuệ Nhân Tạo 5 Các ví dụ của bài toán học máy (3) Bài toán nhận dạng chữ viết tay „ T: Nhận dạng và phân loại các từ trong các ảnh chữ viết tay „ P: Tỷ lệ (%) các từ được nhận dạng và phân loại đúng „ E: Một tập các ảnh chữ viết Which word? tay, trong đó mỗi ảnh được gắn với một định danh của một từ rightdo in waywe the Trí Tuệ Nhân Tạo 6 Các ví dụ của bài toán học máy (4) Bài toán robot lái xe tự động „ T: Robot (được trang bị các camera quan sát) lái xe tự động trên đường cao tốc „ P: Khoảng cách trung bình mà robot có thể lái xe tự động trước khi xảy ra lỗi (tai nạn) Which steering command? „ E: Một tập các ví dụ được ghi lại khi quan sát một người lái xe trên đường cao tốc trong đó Go straight Move left Move right Slow down Speed up , mỗi ví dụ gồm một chuỗi các ảnh và các lệnh điều khiển xe Trí Tuệ Nhân Tạo 7 Quá trình học máy Tập học (Training set) Tập dữ liệu (Dataset) Huấn luyện hệ thống Tập tối ưu (Validation set) Tối ưu hóa Tập thử nghiệm các tham số của hệ thống (Test set) Thử nghiệm hệ thống đã học Trí Tuệ Nhân Tạo 8 Học có vs. không có giám sát „ Học có giám sát (supervised learning) ‰ Mỗi ví dụ học gồm 2 phần: mô tả (biểu diễn) của ví dụ học và , nhãn lớp (hoặc giá trị đầu ra mong muốn) của ví dụ học đó ‰ Bài toán học phân lớp (classification problem) D train = {( )}_ _ _ _ , _ _ _ ‰ Bài toán học dự đoán/hồi quy (prediction/regression problem) D_train = {(, )} „ Học không có giám sát (unsupervised learning) ‰ Mỗi ví dụ học chỉ chứa mô tả (biểu diễn) của ví dụ học đó - mà không có bất kỳ thông tin nào về nhãn lớp hay giá trị đầu ra mong muốn của ví dụ học đó ‰ Bài toán học phân cụm (Clustering problem) Tập học D train = {()}_ _ _ _ Trí Tuệ Nhân Tạo 9 Bài toán học máy – Các thành phần chính (1) „ Lựa chọn các ví dụ học (training/learning examples) • Các thông tin hướng dẫn quá trình học (training feedback) được chứa ngay trong các ví dụ học, hay là được cung cấp gián tiếp (vd: từ môi trường hoạt động) • Các ví dụ học theo kiểu có giám sát (supervised) hay không có giám sát (unsupervised) • Các ví dụ học phải tương thích với (đại diện cho) các ví dụ sẽ được sử dụng bởi hệ thống trong tương lai (future test examples) „ Xác định hàm mục tiêu (giả thiết, khái niệm) cần học • F: X → {0,1} • F: X → {Một tập các nhãn lớp} • F: X → R+ (miền các giá tri số thực dương) • … Trí Tuệ Nhân Tạo 10 Bài toán học máy – Các thành phần chính (2) „ Lựa chọn cách biểu diễn cho hàm mục tiêu cần học • Hàm đa thức (a polynomial function) • Một tập các luật (a set of rules) • Một cây quyết định (a decision tree) • Một mạng nơ-ron nhân tạo (an artificial neural network) • … „ Lựa chọn một giải thuật học máy có thể học (xấp xỉ) được hàm mục tiêu • Phương pháp học hồi quy (Regression-based) • Phương pháp học quy nạp luật (Rule induction) • Phương pháp học cây quyết định (ID3 hoặc C4.5) • Phương pháp học lan truyền ngược (Back-propagation) • … Trí Tuệ Nhân Tạo 11 Các vấn đề trong Học máy (1) „ Giải thuật học máy (Learning algorithm) ể ấ• Những giải thuật học máy nào có th học (x p xỉ) một hàm mục tiêu cần học? Với hữ điề kiệ à ột iải th ật h á đã h• n ng u n n o, m g u ọc m y c ọn sẽ hội tụ (tiệm cận) hàm mục tiêu cần học? • Đối với một lĩnh vực bài toán cụ thể và đối với một cách biểu diễn các ví dụ (đối tượng) cụ thể, giải thuật học máy nào thực hiện tốt nhất? Trí Tuệ Nhân Tạo 12 Các vấn đề trong Học máy (2) „ Các ví dụ học (Training examples) • Bao nhiêu ví dụ học là đủ? • Kích thước của tập học (tập huấn luyện) ảnh hưởng thế à đối ới độ hí h á ủ hà tiê h đ ?n o v c n x c c a m mục u ọc ược • Các ví dụ lỗi (nhiễu) và/hoặc các ví dụ thiếu giá trị thuộc tính (missing value) ảnh hưởng thế nào đối với độ chính - xác? Trí Tuệ Nhân Tạo 13 Các vấn đề trong Học máy (3) „ Quá trình học (Learning process) ế ố• Chi n lược t i ưu cho việc lựa chọn thứ tự sử dụng (khai thác) các ví dụ học? Cá hiế l l h à là th đổi ứ độ hứ• c c n ược ựa c ọn n y m ay m c p c tạp của bài toán học máy như thế nào? • Các tri thức cụ thể của bài toán (ngoài các ví dụ học) có thể đóng góp thế nào đối với quá trình học? Trí Tuệ Nhân Tạo 14 Các vấn đề trong Học máy (4) „ Khả năng/giới hạn học (Learning capability) • Hàm mục tiêu nào mà hệ thống cần học? ‰ Biểu diễn hàm mục tiêu: Khả năng biểu diễn (vd: hàm tuyến tính / hàm phi tuyến) vs. Độ phưc tạp của giải thuật và quá trình học • Các giới hạn (trên lý thuyết) đối với khả năng học của các giải thuật học máy? Khả ă khái át hó ( li ) ủ hệ thố từ á í d h ?• n ng qu a genera ze c a ng c c v ụ ọc ‰ Để tránh vấn đề “over-fitting” (đạt độ chính xác cao trên tập học, nhưng đạt độ chính xác thấp trên tập thử nghiệm) ố ổ ể ễ ấ• Khả năng hệ th ng tự động thay đ i (thích nghi) bi u di n (c u trúc) bên trong của nó? ‰ Để cải thiện khả năng (của hệ thống đối với việc) biểu diễn và học hà tiêm mục u Trí Tuệ Nhân Tạo 15 Vấn đề over-fitting (1) „ Một hàm mục tiêu (một giả thiết) học được h sẽ được gọi là quá khớp/quá phù hợp (over-fit) với một tập học nếu tồn tại một hàm mục tiêu khác h’ sao cho: • h’ kém phù hợp hơn (đạt độ chính xác kém hơn) h đối với tập h học, n ưng • h’ đạt độ chính xác cao hơn h đối với toàn bộ tập dữ liệu (bao gồm cả những ví dụ được sử dụng sau quá trình huấn luyện) „ Vấn đề over-fitting thường do các nguyên nhân: • Lỗi (nhiễu) trong tập huấn luyện (do quá trình thu thập/xây dựng tập dữ liệu) • Số lượng các ví dụ học quá nhỏ, không đại diện cho toàn bộ tập (phân bố) của các ví dụ của bài toán học Trí Tuệ Nhân Tạo 16 Vấn đề over-fitting (2) „ Giả sử gọi D là tập toàn bộ các ví dụ, và D_train là tập các ví dụ học „ Giả sử gọi ErrD(h) là mức lỗi mà giả thiết h sinh ra đối với tập D và ErrD t i (h) là mức lỗi mà giả thiết h sinh , _ ra n ra đối với tập D_train „ Giả thiết h quá khớp (quá phù hợp) tập học D train _ nếu tồn tại một giả thiết khác h’: • ErrD_train(h) < ErrD_train(h’), và • ErrD(h) > ErrD(h’) Trí Tuệ Nhân Tạo 17 Vấn đề over-fitting (3) „ Trong số các giả thiết (hàm mục tiêu) học được, giả thiết (hàm mục tiêu) nào Hàm mục tiêu f(x) nào ấkhái quát hóa tốt nhất từ các ví dụ học? Lưu ý: Mục tiêu của học máy là để đạt được độ chính xác cao trong đạt độ chính xác cao nh t đối với các ví dụ sau này? dự đoán đối với các ví dụ sau này, không phải đối với các ví dụ học O ’ Ư tiê h hà f(x) „ ccam s razor: u n c ọn m mục tiêu đơn giản nhất phù hợp (không nhất thiết hoàn hảo) với các ví dụ học Khái át hó tốt h→ qu a ơn →Dễ giải thích/diễn giải hơn →Độ phức tạp tính toán ít hơn x Trí Tuệ Nhân Tạo 18 Vấn đề over-fitting – Ví dụ Tiếp tục quá trình học cây quyết định sẽ làm giảm độ chính xác đối với tập thử nghiệm mặc dù tăng độ chính xác đối với tập học Trí Tuệ Nhân Tạo 19 [Mitchell, 1997] Phân lớp Naïve Bayes „ Là các phương pháp học phân lớp có giám sát và dựa trên xác suất „ Dựa trên một mô hình (hàm) xác suất Việ hâ l i d t ê á iá t ị á ất ủ á khả„ c p n oạ ựa r n c c g r x c su c a c c năng xảy ra của các giả thiết „ Là một trong các phương pháp học máy thường được sử dụng trong các bài toán thực tế „ Dựa trên định lý Bayes (Bayes theorem) Trí Tuệ Nhân Tạo 20 Định lý Bayes )().|()|( hPhDPDhP = • P(h): Xác suất trước (prior probability) rằng giả thiết (phân )(DP lớp) h là đúng • P(D): Xác suất trước rằng tập dữ liệu D được quan sát (thu được) • P(D|h): Xác suất của việc quan sát được (thu được) tập dữ liệu D với điều kiện giả thiết h là đúng, • P(h|D): Xác suất của giả thiết h là đúng, với điều kiện tập dữ liệu D được quan sát Trí Tuệ Nhân Tạo 21 Định lý Bayes – Ví dụ (1) Xét tập dữ liệu sau đây: Day Outlook Temperature Humidity Wind Play Tennis D1 Sunny Hot High Weak No D2 Sunny Hot High Strong No D3 O t H t Hi h W k Yvercas o g ea es D4 Rain Mild High Weak Yes D5 Rain Cool Normal Weak Yes D6 Rain Cool Normal Strong No D7 Overcast Cool Normal Strong Yes D8 Sunny Mild High Weak No D9 Sunny Cool Normal Weak Yes D10 Rain Mild Normal Weak Yes D11 Sunny Mild Normal Strong Yes Trí Tuệ Nhân Tạo 22 D12 Overcast Mild High Strong Yes [Mitchell, 1997] Định lý Bayes – Ví dụ (2) „ Tập ví dụ D. Tập các ngày mà thuộc tính Outlook có giá trị Sunny và thuộc tính Wind có giá trị Strong „ Giả thiết (phân lớp) h. Anh ta chơi tennis „ Xác suất trước P(h). Xác suất anh ta chơi tennis (không phụ thuộc vào các thuộc tính Outlook vàWind) „ Xác suất trước P(D). Xác suất của một ngày mà thuộc tính Outlook có giá trị Sunny và thuộc tính Wind có giá trị Strong ấ„ P(D|h). Xác su t của một ngày mà thuộc tính Outlook có giá trị Sunny và Wind có giá trị Strong, với điều kiện (nếu biết rằng) anh ta chơi tennis „ P(h|D). Xác suất anh ta chơi tennis, với điều kiện (nếu biết rằng) thuộc tính Outlook có giá trị Sunny và Wind có giá trị Strong → Phương pháp phân lớp Naïve Bayes dựa trên xác suất có điều kiện (posterior probability) này! Trí Tuệ Nhân Tạo 23 Cực đại hóa xác suất có điều kiện „ Với một tập các giả thiết (các phân lớp) có thể H, hệ thống học sẽ tìm giả thiết có thể xảy ra nhất (the most probable hypothesis) h(∈H) đối với các dữ liệu quan sát được D „ Giả thiết h này được gọi là giả thiết cực đại hóa xác suất có điều kiện (maximum a posteriori – MAP) )|(maxarg DhPhMAP = Hh∈ )( )().|(maxarg DP hPhDPh Hh MAP ∈ = (bởi định lý Bayes) )().|(maxarg hPhDPh Hh MAP ∈ = (P(D) là như nhau đối với các giả thiết h) Trí Tuệ Nhân Tạo 24 MAP – Ví dụ „ Tập H bao gồm 2 giả thiết (có thể) • h1: Anh ta chơi tennis • h2: Anh ta không chơi tennis „ Tính giá trị của 2 xác xuất có điều kiện: P(h1|D), P(h2|D) „ Giả thiết có thể nhất hMAP=h1 nếu P(h1|D) ≥ P(h2|D); ngược lại thì hMAP=h2 „ Bởi vì P(D)=P(D h )+P(D h ) là như nhau đối với cả 2 giả, 1 , 2 thiết h1 và h2, nên có thể bỏ qua đại lượng P(D) „ Vì vậy, cần tính 2 biểu thức: P(D|h1).P(h1) và P(D|h2).P(h2), và đưa ra quyết định tương ứng • Nếu P(D|h1).P(h1) ≥ P(D|h2).P(h2), thì kết luận là anh ta chơi tennis N l i thì kết l ậ là h t khô h i t i• gược ạ , u n an a ng c ơ enn s Trí Tuệ Nhân Tạo 25 Đánh giá khả năng xảy ra cao nhất „ Phương pháp MAP: Với một tập các giả thiết có thể H, cần tìm một giả thiết cực đại hóa giá trị: P(D|h).P(h) „ Giả sử (assumption) trong phương pháp đánh giá khả năng xảy ra cao nhất (maximum likelihood estimation – MLE): Tất cả các giả thiết đều có giá trị xác suất trước như nhau: P(hi)=P(hj), ∀hi,hj∈H „ Phương pháp MLE tìm giả thiết cực đại hóa giá trị P(D|h); trong đó P(D|h) được gọi là khả năng xảy ra (likelihood) của dữ liệu D đối với h „ Giả thiết cực đại hóa khả năng xảy ra (maximum likelihood hypothesis) )|(maxarg hDPh Hh MLE ∈ = Trí Tuệ Nhân Tạo 26 MLE – Ví dụ „ Tập H bao gồm 2 giả thiết có thể • h1: Anh ta chơi tennis • h2: Anh ta không chơi tennis D: Tập dữ liệu (các ngày) mà trong đó thuộc tính Outlook có giá trị Sunny và thuộc tính Wind có giá trị Strong „ Tính 2 giá trị khả năng xảy ra (likelihood values) của dữ liệu D đối với 2 giả thiết: P(D|h1) và P(D|h2) • P(Outlook=Sunny Wind=Strong|h )= 1/8, 1 • P(Outlook=Sunny, Wind=Strong|h2)= 1/4 „ Giả thiết MLE hMLE=h1 nếu P(D|h1) ≥ P(D|h2); và ngược lại thì hMLE=h2 → Bởi vì P(Outlook=Sunny, Wind=Strong|h1) < P(Outlook=Sunny, Wind=Strong|h2), hệ thống kết luận rằng: Anh ta sẽ không chơi tennis! Trí Tuệ Nhân Tạo 27 Phân loại Naïve Bayes (1) „ Biểu diễn bài toán phân loại (classification problem) • Một tập học D train trong đó mỗi ví dụ học x được biểu diễn là _ , một vectơ n chiều: (x1, x2, ..., xn) • Một tập xác định các nhãn lớp: C={c1, c2, ..., cm} • Với một ví dụ (mới) z, z sẽ được phân vào lớp nào? „ Mục tiêu: Xác định phân lớp có thể (phù hợp) nhất đối với z )|(maxarg zcPc i Cc MAP i∈ = )|(maxarg 21iMAP zzzcPc = ,...,, n Cci∈ ),...,,( )().|,...,,( maxarg 21 21 n iin Cc MAP zzzP cPczzzPc i∈ = (bởi định lý Bayes) Trí Tuệ Nhân Tạo 28 Phân loại Naïve Bayes (2) „ Để tìm được phân lớp có thể nhất đối với z… )()|( (P(z z z ) là.,...,,maxarg 21 iin Cc MAP cPczzzPc i∈ = 1, 2,..., n như nhau với các lớp) „ Giả sử (assumption) trong phương pháp phân loại Naïve Bayes. Các thuộc tính là độc lập có điều kiện (conditionally independent) đối với các lớp n∏ = = j ijin czPczzzP 1 21 )|()|,...,,( „ Phân loại Naïve Bayes tìm phân lớp có thể nhất đối với z ∏ =∈ = n j iji Cc NB czPcPc i 1 )|().(maxarg Trí Tuệ Nhân Tạo 29 Phân loại Naïve Bayes – Giải thuật „ Giai đoạn học (training phase), sử dụng một tập học Đối với mỗi phân lớp có thể (mỗi nhãn lớp) ci∈C • Tính giá trị xác suất trước: P(ci) • Đối với mỗi giá trị thuộc tính xj, tính giá trị xác suất xảy ra của giá trị thuộc tính đó đối với một phân lớp c : P(x |c ) i j i „ Giai đoạn phân lớp (classification phase), đối với một ví dụ mới • Đối với mỗi phân lớp ci∈C, tính giá trị của biểu thức: ∏ = n j iji cxPcP 1 )|().( • Xác định phân lớp của z là lớp có thể nhất c* ∏∈= n iji Cc cxPcPc 1 * )|().(maxarg Trí Tuệ Nhân Tạo 30 =ji Phân lớp Naïve Bayes – Ví dụ (1) Một sinh viên trẻ với thu nhập trung bình và mức đánh giá tín dụng bình thường sẽ mua một cái máy tính? Rec. ID Age Income Student Credit_Rating Buy_Computer 1 Young High No Fair No 2 Young High No Excellent No 3 Medium High No Fair Yes 4 Old M di N F i Ye um o a r es 5 Old Low Yes Fair Yes 6 Old Low Yes Excellent No 7 Medium Low Yes Excellent Yes 8 Young Medium No Fair No 9 Young Low Yes Fair Yes 10 Old Medium Yes Fair Yes 11 Young Medium Yes Excellent Yes 12 Medium Medium No Excellent Yes 13 Medium High Yes Fair Yes Trí Tuệ Nhân Tạo 31 14 Old Medium No Excellent No /~cse634/lecture_notes/0 7classification.pdf Phân lớp Naïve Bayes – Ví dụ (2) „ Biểu diễn bài toán phân loại •z = (Age=Young Income=Medium Student=Yes Credit Rating=Fair) , , , _ • Có 2 phân lớp có thể: c1 (“Mua máy tính”) và c2 (“Không mua máy tính”) „ Tính giá trị xác suất trước cho mỗi phân lớp • P(c1) = 9/14 • P(c2) = 5/14 „ Tính giá trị xác suất của mỗi giá trị thuộc tính đối với mỗi phân lớp • P(Age=Young|c1) = 2/9; P(Age=Young|c2) = 3/5 • P(Income=M di | ) = 4/9; P(Income=M di | ) = 2/5e um c1 e um c2 • P(Student=Yes|c1) = 6/9; P(Student=Yes|c2) = 1/5 • P(Credit_Rating=Fair|c1) = 6/9; P(Credit_Rating=Fair|c2) = 2/5 Trí Tuệ Nhân Tạo 32 Phân lớp Naïve Bayes – Ví dụ (3) „ Tính toán xác suất có thể xảy ra (likelihood) của ví dụ z đối với mỗi phân lớp ố• Đ i với phân lớp c1 P(z|c1) = P(Age=Young|c1).P(Income=Medium|c1).P(Student=Yes|c1). P(Credit_Rating=Fair|c1) = (2/9).(4/9).(6/9).(6/9) = 0.044 • Đối với phân lớp c2 P(z|c2) = P(Age=Young|c2).P(Income=Medium|c2).P(Student=Yes|c2). P(Credit_Rating=Fair|c2) = (3/5).(2/5).(1/5).(2/5) = 0.019 „ Xác định phân lớp có thể nhất (the most probable class) • Đối với phân lớp c1 P(c ) P(z|c ) = (9/14) (0 044) = 0 0281 . 1 . . . • Đối với phân lớp c2 P(c2).P(z|c2) = (5/14).(0.019) = 0.007 →Kết luận: Anh ta (z) sẽ mua một máy tính! Trí Tuệ Nhân Tạo 33 Phân lớp Naïve Bayes – Vấn đề (1) „ Nếu không có ví dụ nào gắn với phân lớp ci có giá trị thuộc tính xj… P(xj|ci)=0 , và vì vậy: 0)|()( =∏n cxPcP „ Giải pháp: Sử dụng phương pháp Bayes để ước lượng P(xj|ci) . 1=j iji )( • n(ci): số lượng các ví dụ học gắn với phân lớp ci mcn mpxcn cxP i ji ij + += )( , )|( • n(ci,xj): số lượng các ví dụ học gắn với phân lớp ci có giá trị thuộc tính xj • p: ước lượng đối với giá trị xác suất P(xj|ci) →Các ước lượng đồng mức: p=1/k, với thuộc tính fj có k giá trị có thể • m: một hệ số (trọng số) →Để bổ sung cho n(ci) các ví dụ thực sự được quan sát với thêm m mẫu ví dụ với ước lượng p Trí Tuệ Nhân Tạo 34 Phân lớp Naïve Bayes – Vấn đề (2) „ Giới hạn về độ chính xác trong tính toán của máy tính P( | )<1 đối với mọi giá trị thuộc tính và phân lớp• xj ci , xj ci • Vì vậy, khi số lượng các giá trị thuộc tính là rất lớn, thì: 0)|(lim =⎟⎟ ⎞ ⎜⎜ ⎛∏n cxP 1 ⎠⎝ =∞→ j ijn „ Giải pháp: Sử dụng hàm lôgarit cho các giá trị xác suất ⎟⎟⎠ ⎞ ⎜⎜⎝ ⎛ ⎥⎦ ⎤⎢⎣ ⎡= ∏ =∈ n j iji Cc NB cxPcPc i 1 )|().(logmaxarg ⎟⎟⎠ ⎞ ⎜⎜⎝ ⎛ += ∑ =∈ n j iji Cc NB cxPcPc i 1 )|(log)(logmaxarg Trí Tuệ Nhân Tạo 35 Phân loại văn bản bằng NB (1) „ Biểu diễn bài toán phân loại văn bản • Tập học D_train, trong đó mỗi ví dụ học là một biểu diễn văn bản gắn với một nhãn lớp: D = {(dk, ci)} • Một tập các nhãn lớp xác định: C = {ci} „ Giai đoạn học • Từ tập các văn bản trong D_train, trích ra tập các từ khóa (keywords/terms): T = {tj} • Gọi D ci (⊆D train) là tập các văn bản trong D train có nhãn lớp ci _ _ _ • Đối với mỗi phân lớp ci -Tính giá trị xác suất trước của phân lớp ci: D cD cP ii _ )( = -Đối với mỗi từ khóa tj, tính xác suất từ khóa tj xuất hiện đối với lớp ci( )( ) TtdtdnctP ik cDd jkij ++= ∑ ∑∑ ∈ _ )( 1),()|( (n(dk,tj): số lần xuất hiện của từ khóa tj trong văn bản dk) Trí Tuệ Nhân Tạo 36 n ik mcDd Tt mk∈ ∈_ , Phân loại văn bản bằng NB (2) „ Để phân lớp cho một văn bản mới d „ Giai đoạn phân lớp • Từ văn bản d, trích ra tập T_d gồm các từ khóa (keywords) tj đã được định nghĩa trong tập T (T_d ⊆ T) Giả ử ( ti ) Xá ất từ khó ất hiệ đối ới lớ• s assump on . c su a tj xu n v p ci là độc lập đối với vị trí của từ khóa đó trong văn bản P(tj ở vị trí k|ci) = P(tj ở vị trí m|ci), ∀k,m • Đối với mỗi phân lớp ci, tính giá trị likelihood của văn bản d đối với ci ∏ ∈ dTt iji ctPcP )|().( j _ • Phân lớp văn bản d thuộc vào lớp c* ∏= iji ctPcPc* )|().(maxarg Trí Tuệ Nhân Tạo 37 ∈∈ dTtCc ji _ Học dựa trên láng giềng gần nhất „ Một số tên gọi khác của phương pháp học dựa trên láng giềng gần nhất (Nearest neighbor learning) • Instance-based learning • Lazy learning • Memory-based learning „ Ý tưởng của phương pháp học dựa trên láng giềng gần nhất • Với một tập các ví dụ học ─ (Đơn giản là) lưu lại các ví dụ học ─ Không cần xây dựng một mô hình (mô tả) rõ ràng và tổng quát của hàm mục tiêu cần học • Đối với một ví dụ cần phân loại/dự đoán ─ Kiểm tra (xét) quan hệ giữa ví dụ đó với các ví dụ học để gán giá trị của hàm mục tiêu (một nhãn lớp, hoặc một giá trị thực) Trí Tuệ Nhân Tạo 38 Học dựa trên láng giềng gần nhất „ Biểu diễn đầu vào của bài toán • Mỗi ví dụ x được biểu diễn là một vectơ n chiều trong không gian các vectơ X∈Rn • x = (x1,x2,…,xn), trong đó xi (∈R) là một số thực C ể„ húng ta xét 2 ki u bài toán học • Bài toán phân lớp (classification) ─ Để học một hàm mục tiêu có giá trị rời rạc (a discrete-valued target function) ─ Đầu ra của hệ thống là một trong số các giá trị rời rạc đã xác định trước (một trong các nhãn lớp) • Bài toán dự đoán/hồi quy (prediction/regression) ─ Để học một hàm mục tiêu có giá trị liên tục (a continuous-valued target function) ─ Đầu ra của hệ thống là một giá trị số thực Trí Tuệ Nhân Tạo 39 Phân lớp dựa trên NN – Ví dụ „ Xét 1 láng giềng gần Lớp c1 Lớp c2 nhất →Gán z vào lớp c2 Ví dụ cần phân lớp z „ Xét 3 láng giềng gần nhất →Gán z vào lớp c1 „ Xét 5 láng giềng gần nhất →Gán z vào lớp c1 Trí Tuệ Nhân Tạo 40 Giải thuật phân lớp k-NN „ Mỗi ví dụ học x được biểu diễn bởi 2 thành phần: • Mô tả của ví dụ: x=(x1 x2 x ) trong đó xi∈R , ,…, n , • Nhãn lớp : c (∈C, với C là tập các nhãn lớp được xác định trước) „ Giai đoạn học • Đơn giản là lưu lại các ví dụ học trong tập học D = {x} „ Giai đoạn phân lớp: Để phân lớp cho một ví dụ (mới) z • Với mỗi ví dụ họcx∈D, tính khoảng cách giữa x và z • Xác định tập NB(z) – các láng giềng gần nhất của z Gồ k í d h t ầ hất ới tí h th ột hà→ m v ụ ọc rong D g n n v z n eo m m khoảng cách d • Phân z vào lớp chiếm số đông (the majority class) trong số các lớp của các ví dụ học trong NB(z) Trí Tuệ Nhân Tạo 41 Giải thuật dự đoán k-NN „ Mỗi ví dụ học x được biểu diễn bởi 2 thành phần: • Mô tả của ví dụ: x=(x1 x2 x ) trong đó xi∈R , ,…, n , • Giá trị đầu ra mong muốn: yx∈R (là một số thực) „ Giai đoạn học • Đơn giản là lưu lại các ví dụ học trong tập học D „ Giai đoạn dự đoán: Để dự đoán giá trị đầu ra cho ví dụ z ố ỗ• Đ i với m i ví dụ học x∈D, tính khoảng cách giữa x và z • Xác định tập NB(z) – các láng giềng gần nhất của z → Gồm k ví dụ học trong D gần nhất với z tính theo một hàm khoảng cách d • Dự đoán giá trị đầu ra đối với z: ∑= )(1 NB xz yy Trí Tuệ Nhân Tạo 42 ∈ zxk Xét một hay nhiều láng giềng? „ Việc phân lớp (hay dự đoán) chỉ dựa trên duy nhất một láng giềng gần nhất (là ví dụ học gần nhất với ví dụ cần phân lớp/dự đoán) thường không chính xác • Nếu ví dụ học này là một ví dụ bất thường, không điển hình (an outlier) – rất khác so với các ví dụ khác • Nếu ví dụ học này có nhãn lớp (phân lớp sai) – do lỗi trong quá trình thu thập (xây dựng) tập dữ liệu ầ ấ ầ„ Thường xét k (>1) các ví dụ học g n nh t với ví dụ c n phân lớp, và gán ví dụ đó vào lớp chiếm số đông trong số k ví dụ học gần nhất này „ k thường được chọn là một số lẻ, để tránh cân bằng về tỷ lệ phân lớp (ties in classification) • Ví dụ: k= 3, 5, 7,… Trí Tuệ Nhân Tạo 43 Hàm tính khoảng cách (1) „ Hàm tính khoảng cách d • Đóng vai trò rất quan trọng trong phương pháp học dựa trên láng giềng gần nhất • Thường được xác định trước, và không thay đổi trong suốt quá trình học và phân loại/dự đoán „ Lựa chọn hàm khoảng cách d • Các hàm khoảng cách hình học: Dành cho các bài toán có các thuộc tính đầu vào là kiểu số thực (xi∈R) • Hàm khoảng cách Hamming: Dành cho các bái toán có các thuộc tính đầu vào là kiểu nhị phân (xi∈{0,1}) • Hàm tính độ tương tự Cosine: Dành cho các bài toán phân lớp văn bản (xi là giá trị trọng số TF/IDF của từ khóa thứ i) Trí Tuệ Nhân Tạo 44 Hàm tính khoảng cách (2) „ Các hàm tính khoảng cách hình học (Geometry distance functions) • Hàm Manhattan: ∑ = −= n i ii zxzxd 1 ),( • Hàm Euclid: ( )∑ = −= n i ii zxzxd 1 2),( p/1⎞⎛ • Hàm Minkowski (p-norm): n i p ii zxzxd 1 ),( ⎟⎠⎜⎝ −= ∑= p/1⎞⎛• Hàm Chebyshev: zx −= max n i p iip zxzxd 1 lim),( ⎟⎠⎜⎝ −= ∑=∞→ Trí Tuệ Nhân Tạo 45 iii Hàm tính khoảng cách (3) „ Hàm khoảng cách H i ∑= n ii zxDifferencezxd ),(),(amm ng • Đối với các thuộc tính đầu vào là kiểu nhị phân =i 1 ⎩⎨ ⎧ = ≠= )(,0 )(,1 ),( baif baif baDifference • Ví dụ: x=(0,1,0,1,1) n „ Hàm tính độ tương tự Cosine • Đối với đầu vào là một vectơ ∑∑ ∑ === nn i ii zx zx zxzxd 22 1.),( các giá trị trọng số (TF/IDF) của các từ khóa == i i i i zx 11 Trí Tuệ Nhân Tạo 46 Chuẩn hóa miền giá trị thuộc tính „ Hàm tính khoảng cách Euclid: ( )∑ = −= n i ii zxzxd 1 2),( „ Giả sử mỗi ví dụ được biểu diễn bởi 3 thuộc tính: Age, Income (cho mỗi tháng), và Height (đo theo mét) • x = (Age=20, Income=12000, Height=1.68) • z = (Age=40, Income=1300, Height=1.75) „ Khoảng cách giữa x và z • d(x z) = [(20-40)2 + (12000-1300)2 + (1 68-1 75)2]1/2, . . • Giá trị khoảng cách này bị quyết định chủ yếu bởi giá trị khoảng cách (sự khác biệt) giữa 2 ví dụ đối với thuộc tính Income →Vì: Thuộc tính Income có miền giá trị rất lớn so với các thuộc tính khác „ Cần phải chuẩn hóa miền giá trị (đưa về cùng một khoảng giá trị) • Khoảng giá trị [0,1] thường được sử dụng Đối với mỗi thuộc tính i: = /giá trị cực đại đối với thuộc tính i• xi xi _ _ _ _ _ _ _ _ Trí Tuệ Nhân Tạo 47 Trọng số của các thuộc tính „ Hàm khoảng cách Euclid: ( )∑ = −= n i ii zxzxd 1 2),( • Tất cả các thuộc tính có cùng (như nhau) ảnh hưởng đối với giá trị khoảng cách „ Các thuộc tính khác nhau có thể (nên) có mức độ ảnh hưởng khác nhau đối với giá trị khoảng cách „ Cần phải tích hợp (đưa vào) các giá trị trọng số của các thuộc tính trong hàm tính khoảng cách n •wi là trọng số của thuộc tính i: „ Làm sao để xác định các giá trị trọng số của các thuộc tính? ( )∑ = −= i iii zxwzxd 1 2),( • Dựa trên các tri thức cụ thể của bài toán (vd: được chỉ định bởi các chuyên gia trong lĩnh vực của bài toán đang xét) • Bằng một quá trình tối ưu hóa các giá trị trọng số (vd: sử dụng một tập học để học một bộ các giá trị trọng số tối ưu) Trí Tuệ Nhân Tạo 48 Khoảng cách của các láng giềng (1) „ Xét tập NB(z) – gồm k ví dụ học gần nhất với ví dụ cần phân lớp/dự đoán z test instance z • Mỗi ví dụ (láng giềng gần nhất) này có khoảng cách khác nhau đến z ề ả ở• Các láng gi ng này có nh hư ng như nhau đối với việc phân lớp/dự đoáncho z? → KHÔNG! „ Cần gán các mức độ ảnh hưởng (đóng góp) của mỗi láng giềng gần nhất tùy theo khoảng cách của nó đến z • Mức độ ảnh hưởng cao hơn cho các láng giềng gần hơn! Trí Tuệ Nhân Tạo 49 Khoảng cách của các láng giềng (2) „ Gọi v là hàm xác định trọng số theo khoảng cách • Đối với một giá trị d(x,z) – khoảng cách giữa x và z •v(x,z) tỷ lệ nghịch với d(x,z) „ Đối với bài toán phân lớp: ∑∈∈= )( ))(,().,(maxarg)( zNBx jCc xccIdenticalzxvzc j ⎧ ⎩⎨ ≠ == )(,0 )(,1 ),( baif baif baIdentical ∑ )().,( xfzxv „ Đối với bài toán dự đoán (hồi quy): ∑ ∈ ∈= )( )( ),( )( zNBx zNBx zxv zf „ Lựa chọn một hàm xác định trọng số theo khoảng cách: )( 1),( zxd zxv += α 2)]([ 1),( zxd zxv += α 2 2),( ),( σ zxd ezxv −= Trí Tuệ Nhân Tạo 50 , , Học NN – Khi nào? „ Các ví dụ được biểu diễn là các vectơ trong không gian số thực (Rn) „ Số lượng các thuộc tính (số chiều của không gian) đầu vào không lớn „ Tập học khá lớn (nhiều ví dụ học) „ Các ưu điểm Khô ầ b ớ h (hệ thố hỉ đ iả là l l i á í d h )• ng c n ư c ọc ng c ơn g n ưu ạ c c v ụ ọc • Hoạt động tốt với các bài toán có số lớp khá lớn → Không cần phải học riêng rẽ n bộ phân lớp cho n lớp ể ỗ• Phương pháp học k-NN (k >>1) có th làm việc được cả với dữ liệu l i → Việc phân lớp/dự đoán dựa trên k láng giềng gần nhất „ Các nhược điểm • Phải xác định hàm tính khoảng cách phù hợp • Chi phí tính toán (về thời gian và bộ nhớ) tại thời điểm phân lớp/dự đoán • Có thể phân lớp/dự đoán sai do các thuộc tính không liên quan (irrelevant , attributes) Trí Tuệ Nhân Tạo 51 Tài liệu tham khảo • E. Alpaydin. Introduction to Machine Learning. The MIT Press, 2004. • T. M. Mitchell. Machine Learning. McGraw-Hill, 1997. • H. A. Simon. Why Should Machines Learn? In R. S. Michalski, J. Carbonell, and T. M. Mitchell (Eds.): M hi l i A tifi i l i t lli hac ne earn ng: n ar c a n e gence approac , chapter 2, pp. 25-38. Morgan Kaufmann, 1983. Trí Tuệ Nhân Tạo 52 Trí Tuệ Nhân Tạo Nguyễn Nhật Quang quangnn-fit@mail.hut.edu.vn Viện Công nghệ Thông tin và Truyền thông Trường Đại học Bách Khoa Hà Nội Năm học 2009-2010 Nội dung môn học: „ Giới thiệu về Trí tuệ nhân tạo „ Tác tử „ Giải quyết vấn đề: Tìm kiếm, Thỏa mãn ràng buộc Logic và suy diễn„ „ Biểu diễn tri thức S diễ ới t i thứ khô hắ hắ„ uy n v r c ng c c c n „ Học máy ế„ Lập k hoạch Trí Tuệ Nhân Tạo 2 Lập kế hoạch của con người (1) „ Hành động mà không có kế hoạch (rõ ràng) ố ầ‰ Đ i với các mục tiêu g n (tức thì) „ Ví dụ: Bật máy tính lên ‰ Đối với các hành động (hoạt động) đã được huấn luyện (tập luyện) kỹ „ Ví dụ: Lái xe ô-tô ‰ Khi một quá trình hành động có thể được thay đổi thoải mái „ Ví dụ: Đi mua sắm ở siêu thị Trí Tuệ Nhân Tạo 3 Lập kế hoạch của con người (2) „ Hành động theo kế hoạch ‰ Khi giải quyết một tình huống mới – Vd: Chuyển nhà (đến một nơi ở mới) ‰ Đối với các nhiệm vụ (công việc) phức tạp – Vd: Xây dựng kế hoạch học tập cho một học kỳ ‰ Khi môi trường hoạt động có chứa nguy cơ rủi ro/chi phí cao – Vd: Quản lý nhà máy năng lượng hạt nhân ‰ Khi cần hoạt động cộng tác với những người khác Vd: Xây – dựng một ngôi nhà „ Con người thường chỉ lập kế hoạch khi thực sự cần thiết ‰ Bởi vì việc lập kế hoạch là phức tạp và tốn thời gian (chi phí vs. lợi ích) ‰ Con người thường chỉ cần các kế hoạch tốt hơn là tối ưu Trí Tuệ Nhân Tạo 4 Lập kế hoạch của máy tính „ Lập kế hoạch (Planning) của máy tính ‰ Là quá trình tính toán của máy tính để lựa chọn và tổ chức các hành động, dựa trên dự đoán (trước) các kết quả của các hành động đó ‰ Nhằm mục đích đạt được một số mục tiêu (objectives) xác định „ Lập kế hoạch tối ưu: Đạt được các mục tiêu một cách tối ưu nhất „ Các kiểu bài toán lập kế hoạch ‰ Với các ràng buộc về thời gian (Time constraints) ‰ Với các ràng buộc về thời gian và tài nguyên (Time and resource constraints) – Bài toán lập lịch (Scheduling) ‰ Với các ràng buộc về thời gian và tài nguyên, các điều kiện áp dụng (applicability conditions) của các hành động, và các tác động (effects) của các hành động đối với trạng thái của bài toán Trí Tuệ Nhân Tạo 5 Mô hình khái niệm „ Mô hình khái niệm (Conceptual model) cho bài toán lập kế hoạch được biểu diễn bằng một hệ chuyển trạng thái „ Một hệ chuyển trạng thái (State-transition system) được biểu diễn bởi 4 thành phần: Σ = (S,A,E,γ) ‰ S={s1,s2,…}: Tập hữu hạn các trạng thái (states) có thể của bài toán ‰ A={a1,a2,…}: Tập hữu hạn các hành động (actions) có thể được thực hiện ‰ E={e e }: Tập hữu hạn các sự kiện (events) có thể xảy ra trong1, 2,… quá trình thực hiện kế hoạch ‰ γ: S×A×E→S: Hàm chuyển trạng thái (a state-transition function) Trí Tuệ Nhân Tạo 6 Biểu diễn bằng đồ thị „ Một hệ chuyển trạng thái Σ = (S, A, E,γ) có thể được biểu diễn bằng một đồ thị có nhãn và có hướng (a directed labelled graph) G = (NG, EG), trong đó: ‰ Mỗi nút biểu diễn một trạng thái trong tập S „ Tức là: NG≡S ‰ Mỗi cạnh liên kết từ s đến s′ (s, s′∈NG) có nhãn là (a,e) với a∈A, e∈E „ Tức là: Một cạnh (s,(a,e),s’)∈EG, nếu và chỉ nếu s′∈γ(s,a,e) Trí Tuệ Nhân Tạo 7 Biểu diễn bằng đồ thị – Ví dụ „ Các trạng thái S: s0…s5 (phụ thuộc vào các đối tượng: rô-bốt, cần trục, thùng hàng, …) „ Các hành động A: cần trục nhấc (đặt) thùng hàng khỏi (lên) tấm nâng, rô-bốt di chuyển giữa 2 vị trí, cần trục nhấc (đặt) thùng hàng khỏi (lên) rô-bốt s0crane s2crane s5cranemove1 „ Không có sự kiện E = ∅ location1 location2 palletcont. location1 location2 palletcont. robotrobot location1 location2 pallet robot cont. move2 s1crane s3crane s4crane take put move1 take put load move2move1 location1 location2 pallet cont. location1 location2 pallet cont. location1 location2 pallet robot robot robot cont. move2 unload Trí Tuệ Nhân Tạo 8 ( Hệ chuyển trạng thái „ Chuyển trạng thái: γ(s,a,e) „ Sự kiện trung tính (neutral event), được ký hiệu là ε, được dùng để biểu diễn đối với các chuyển trạng thái gây nên bởi chỉ các hành động ‰ Chuyển trạng thái γ(s a ε) với s∈S a∈A: được ký hiệu (ngắn gọn) , , , , bằng γ(s,a) „ Hành động trung tính (neutral action), được ký hiệu là no- op được dùng để biểu diễn đối với các chuyển trạng thái gây, nên bởi chỉ các sự kiện ‰ Chuyển trạng thái γ(s,no-op,e) , với s∈S, e∈E : được ký hiệu (ngắn gọn) bằng ( ) γ s,e „ Trong biểu diễn bằng đồ thị ‰ Nhãn (a,ε) được ký hiệu ngắn gọn bằng a ‰ Nhãn (no-op,e) được ký hiệu ngắn gọn bằng e Trí Tuệ Nhân Tạo 9 Các hành động vs. Các sự kiện „ Cả hành động (action) và sự kiện (event) đều ảnh hưởng đến sự tiến triển của một hệ chuyển trạng thái „ Các hành động: Thể hiện các chuyển trạng thái được điều khiển bởi bộ thực hiện kế hoạch (plan executor) Nếu hành động A và ( ) ≠ ∅ thì được gọi là có thể áp‰ a∈ γ s, a, ε , a dụng được đối với trạng thái s ‰ Áp dụng hành động a ở trạng thái s sẽ làm hệ thống chuyển đến trạng thái ′ ( ) s ∈ γ s, a „ Các sự kiện: Thể hiện các chuyển trạng thái xảy ra ngẫu nhiên ‰ Nếu sự kiện e∈E và γ(s, no-op, e) ≠ ∅, thì e được gọi là có thể xảy ra đối với trạng thái s ‰ Sự xuất hiện (xảy ra) sự kiện e ở trạng thái s sẽ làm hệ thống chuyển đến trạng thái s′∈ γ(s, e) Trí Tuệ Nhân Tạo 10 Kế hoạch và Mục tiêu „ Kế hoạch (Plan): Là một cấu trúc (chuỗi có thứ tự) các hành động phù hợp cần thực hiện để đạt được một mục tiêu từ một trạng thái ban đầu „ Các kiểu mục tiêu (Objective) ‰ Trạng thái đích (goal state), hoặc một tập các trạng thái đích ‰ Thỏa mãn một tập các điều kiện (conditions) đối với chuỗi các trạng thái đã duyệt qua ‰ Tối ưu hóa một hàm tiện ích (utility function) được định nghĩa đối ới á t thái đã d ệtv c c rạng uy qua ‰ Một nhiệm vụ (task) cần hoàn thành Trí Tuệ Nhân Tạo 11 Lập kế hoạch và thực hiện „ Bộ lập kế hoạch (Planner) ‰ Đầu vào: Mô tả của hệ chuyển trạng hái hái đầ iê Trạng Mô tả của Σ t Σ, trạng t u, mục t u ‰ Đầu ra: Kế hoạch để đạt được mục tiêu đó Planner thái đầu Mục tiêu Kế h h„ Bộ điều khiển (Controller) ‰ Đầu vào: Kế hoạch cần thực hiện, trạng thái hiện thời (thông qua hàm quan sát S O ới O là tậ á át ó thể) Controller oạc η: → , v p c c quan s c ‰ Đầu ra: Hành động (tiếp theo) cần thực hiện ể System Σ Hành độngQuan sát „ Hệ chuy n trạng thái (State- transition system) ‰ Tiến triển tùy thuộc vào các hành động đ th hiệ à á kiệ ả Sự kiện ( inf ed ac uk/teaching/ược ực n v c c sự n x y ra Trí Tuệ Nhân Tạo 12 . . . . courses/plan/) Lập kế hoạch động (1) „ Vấn đề: Thế giới thực tế có thể khác với mô hình được biểu diễn Trạng Mô tả của Σ bởi Σ ‰ Sự khác biệt này cần phải được xử lý bởi bộ điểu khiển (Controller) Planner thái đầu Mục tiêu Kế h h „ Mô hình thực tế: Kết hợp đan xen giữa lập kế hoạch và thực Controller oạcTình trạng thực hiện hiện ‰ Giám sát kế hoạch (Plan supervision): để phát hiện những System Σ Hành độngQuan sát khi kết quả quan sát được khác với mong muốn Sự kiện ( inf ed ac uk/teaching/ Trí Tuệ Nhân Tạo 13 . . . . courses/plan/) Lập kế hoạch động (2) … ‰ Sửa lại kế hoạch (Plan revision): Trạng Mô tả của Σ để thay đổi thích nghi kế hoạch (đã lập) theo những tình huống mới ‰ Lập lại kế hoạch (Re-planning): để Planner thái đầu Mục tiêu Kế h h sinh ra kế hoạch mới từ trạng thái hiện thời (hoặc từ trạng thái đầu) ế Controller oạcTình trạng thực hiện „ Lập k hoạch động (Dynamic planning): Quá trình lặp lại giữa bộ lập kế hoạch và bộ điều khiển System Σ Hành độngQuan sát thực hiện ‰ Tùy thuộc tình trạng của việc thực hiện kế hoạch Sự kiện ( inf ed ac uk/teaching/ Trí Tuệ Nhân Tạo 14 . . . . courses/plan/) Giả thiết A0: Tập các trạng thái „ Giả thiết A0: Tập các trạng thái (trong biểu diễn của Σ) là hữu hạn „ Nới lỏng điều kiện của giả thiết A0 ‰ Để biểu diễn các hành động tạo nên (làm xuất hiện) các đối tượng mới của bài toán ‰ Để cho phép làm việc với các biến trạng thái kiểu số (numerical- valued state variables) – chứ không chỉ với các biến trạng thái kiểu định danh (nominal-valued state variables) „ Vấn đề gặp phải khi nới lỏng điều kiện của giả thiết A0 ‰ Khả năng quyết định được (decidability) và khả năng kết thúc (termination) của các bộ lập kế hoạch sẽ không được bảo đảm Trí Tuệ Nhân Tạo 15 Giả thiết A1: Quan sát đầy đủ „ Giả thiết A1: Hệ thống có thể quan sát được đầy đủ (fully observable) ‰ Planner và Controller có tri thức (quan sát) đầy đủ về trạng thái của thế giới hxung quan ‰ Hàm quan sát η cho phép xác định chính xác trạng thái tương ứng với quan sát „ Nới lỏng điều kiện của giả thiết A1 ‰ Để làm việc với các trạng thái mà trong đó các khía cạnh (của một trạng thái) không được quan sát (nhận biết) đầy đủ ế ể ắ‰ Ví dụ: Trong bài toán lập k hoạch lộ trình có th xảy ra t c đường, thì trạng thái của bài toán là không thể nhận biết (quan sát) được đầy đủ „ Các vấn đề gặp phải khi nới lỏng điều kiện của giả thiết A1 ‰ Với hàm quan sát η: η(s)=o, thì η-1(o) thường sẽ trả về nhiều hơn một trạng thái có thể – vấn đề nhập nhằng „ Các quan sát không hoàn toàn xác định được trạng thái hiện tại ‰ Làm sao để xác định trạng thái tiếp theo là gì? Trí Tuệ Nhân Tạo 16 Giả thiết A2: Chuyển trạng thái „ Giả thiết A2: Kết quả của mỗi chuyển trạng thái là một trạng thái xác định (duy nhất) ‰ Với trạng thái s∈S, hành động a∈A, và sự kiện e∈E, thì không thể xảy ra γ(s,a,e)={s’, s’’} (với s’, s’’ là 2 trạng thái khác nhau) ề ế„ Nới lỏng đi u kiện của giả thi t A2 ‰ Để lập kế hoạch cho các bài toán mà trong đó việc thực hiện một hành động có thể đưa đến các kết quả khác nhau „ Các vấn đề gặp phải khi nởi lỏng điều kiện của giả thiết A2 ‰ Controller phải quan sát được các kết quả thực tế của một hành động ‰ Kế hoạch được xây dựng có thể bao gồm thêm các thành phần để xử lý với các hành động có nhiều kết quả Trí Tuệ Nhân Tạo 17 Giả thiết A3: Các sự kiện „ Giả thiết A3: Hệ thống là tĩnh, không có các sự kiện (ngẫu nhiên) xảy ra (E=∅) ‰ Σ = (S,A,∅,γ); hay biểu diễn ngắn gọn là: (S,A,γ) „ Nới lỏng điều kiện của giả thiết A3 ‰ Để biểu diễn (mô hình hóa) các bài toán lập kế hoạch trong đó có xảy ra các sự kiện ngẫu nhiên „ Vấn đề gặp phải khi nới lỏng điều kiện của giả thiết A3 ‰ Đối với Planner, thì môi trường hoạt động của hệ thống trở nên không xác định Trí Tuệ Nhân Tạo 18 Giả thiết A4: Mục tiêu hạn chế „ Giả thiết A4: Planner làm việc với một trạng thái đích, hoặc với một tập các trạng thái đích „ Nới lỏng điều kiện của giả thiết A4 ‰ Để lập kế hoạch cho các bài toán mà trong đó mục tiêu được biểu diễn bằng: „ các ràng buộc đối với các trạng thái và kế hoạch, hoặc „ hàm tiện ích hoặc , „ nhiệm vụ cụ thể „ Vấn đề gặp phải khi nới lỏng điều kiện của giả thiết A4 ‰ Làm thế nào để biểu diễn và suy diễn đối với các ràng buộc, các hàm tiện ích, và các nhiệm vụ? Trí Tuệ Nhân Tạo 19 Giả thiết A5: Chuỗi hành động „ Giả thiết A5: Một kế hoạch được xây dựng là một chuỗi hữu hạn có thứ tự của các hành động được thực hiện liên tiếp nhau „ Nới lỏng điều kiện của giả thiết A5 ‰ Để lập kế hoạch cho các bài toán trong đó có xảy ra các sự kiện ngẫu nhiên (Xem giả thiết A3) ‰ Để tạo nên các kiểu kế hoạch khác nhau (kế hoạch có điều kiện rẽ nhánh, kế hoạch trong đó có những phần mà các hành động được thực hiện không theo thứ tự,…) „ Các vấn đề gặp phải khi nới lỏng điều kiện của giả thiết A5 ầ ố‰ Không được tạo thêm công việc (yêu c u) đ i với Controller ‰ Suy diễn với các cấu trúc dữ liệu phức tạp hơn Trí Tuệ Nhân Tạo 20 Giả thiết A6: Thời gian „ Giả thiết A6: Trong hệ chuyển trạng thái Σ, các hành động và các sự kiện không có khoảng thời gian xảy ra ‰ Các chuyển trạng thái xảy ra tức thì – không có biểu diễn rõ ràng về thời gian „ Nới lỏng điều kiện của giả thiết A6 ‰ Để làm việc với các hành động thực hiện trong một khoảng thời gian, các hành động xảy ra đồng thời, và các thời hạn hoàn thành (deadines) „ Các vấn đề gặp phải khi nới lỏng điều kiện của giả thiết A6 ‰ Biểu diễn và suy diễn về thời gian (do các kế hoạch chứa các thông tin về thời gian) ‰ Controller phải đợi cho đến khi có được kết quả (tác động) của các hành động (vì mỗi hành động xảy ra trong một khoảng thời gian, chứ không tức thời) Trí Tuệ Nhân Tạo 21 Mô hình giới hạn „ Mô hình giới hạn (restricted model) sẽ đặt ra tất cả các điều kiện trong 7 giả thiết nêu trên (A0-A6) ‰ Mô hình giới hạn được sử dụng trong lập kế hoạch cổ điển (classical planning) ể ễ ế„ Bi u di n hình thức của bài toán lập k hoạch P=(Σ,si,Sg) ‰ Σ = (S,A,γ): là hệ chuyển trạng thái ‰ si∈S: là trạng thái đầu ‰ Sg ⊂ S: là tập các trạng thái đích „ Yêu cầu: Tìm một chuỗi các hành động ۃa1,a2,…,akۄ, tương ứng với một chuỗi các chuyển trạng thái ۃsi,s1,…,skۄ, sao cho: s1= γ(si,a1), s2= γ(s1,a2), …, sk= γ(sk- a ) and s ∈S1, k , k g Trí Tuệ Nhân Tạo 22 Ví dụ: Rô-bốt bốc dỡ hàng „ Bài toán lập kế hoạch cho rô- bốt bốc dỡ hàng ở một cầu cảng „ Một cầu cảng với một số vị trí (cho việc cập bến, các con tàu cần bốc dỡ hàng, các nhà kho, các nơi đỗ xe tải,…) Các thùng hàng (containers)„ cần được bốc lên/dỡ xuống tàu hàng (hoặc kho hàng) ố ầ (M. Ghallab, ESSLLI 2002) „ Rô-b t và c n trục (crane) di chuyển các thùng hàng để bốc/dỡ hàng lên/xuống tàu Trí Tuệ Nhân Tạo 23 Các đối tượng (1) „ Các vị trí locations {loc1, loc2, …} ‰ Nhà kho các chỗ neo đậu tàu tàu được bốc dỡ hàng hay nơi đỗ , , , xe tải „ Các rô-bốt bốc dỡ hàng robots {robot1, robot2, …} ‰ Các rô-bốt (xe di chuyển thùng hàng) ‰ Các rô-bốt có thể di chuyển giữa các vị trí gần kề ‰ Tại mỗi vị trí (location) chỉ có tối đa 1 rô bốt đang làm việc , - „ Các cần trục bốc dỡ hàng cranes {crane1, crane2, …} ‰ Mỗi cần trục gắn (cố định) với một vị trí nhất định ‰ Di chuyển các thùng hàng giữa các rô-bốt và các cọc hàng (piles) - thuộc cùng một vị trí (the same location) Trí Tuệ Nhân Tạo 24 Các đối tượng (2) „ Các cọc hàng piles {pile1, pile2, …} ‰ Mỗi cọc hàng nằm ở (thuộc về) một vị trí nhất định ‰ Tấm nâng hàng (pallet) nằm ở dưới đáy của các cọc hàng – trên một tấm nâng hàng có thể có các thùng hàng „ Các thùng hàng containers {cont1, cont2, …} ‰ Được xếp trong một cọc hàng nằm trên một tấm nâng hàng ‰ Được đặt trên rô bốt hoặc nắm (giữ) bởi cần trục - , „ Tấm nâng hàng pallet ‰ Được đặt dưới đáy của một cọc hàng ‰ Chỉ cần một ký hiệu duy nhất (pallet), vì mỗi tấm nâng được xác định (gắn với) một cọc hàng Trí Tuệ Nhân Tạo 25 Các quan hệ cố định „ Các quan hệ cố định (topology) là các quan hệ không thay đổi theo thời gian „ Quan hệ adjacent(l,l′) ‰ Vị trí l là gần kề với vị trí l’ „ Quan hệ attached(p,l) Cọc hàng p thuộc về (gắn với) vị trí l‰ „ Quan hệ belong(k,l) Cầ t k là iệ ở ( ắ ới) ị t í l‰ n rục m v c g n v v r Trí Tuệ Nhân Tạo 26 Các quan hệ có thể thay đổi (1) „ Quan hệ occupied(l) ‰ Vị trí l hiện tại có một rô-bốt đang làm việc ‰ Lưu ý: Mỗi vị trí chỉ có tối đa 1 rô-bốt đang làm việc „ Quan hệ at(r,l) ‰ Rô-bốt r đang làm việc ở vị trí l „ Quan hệ loaded(r,c) ‰ Rô-bốt r hiện đang chở thùng hàng c „ Quan hệ unloaded(r) ‰ Rô-bốt hiện đang không chở thùng hàng nào cả ‰ Lưu ý: loaded(r,c) có nghĩa là not unloaded(r) Trí Tuệ Nhân Tạo 27 Các quan hệ có thể thay đổi (2) „ Quan hệ holding(k,c) ‰ Cần trục k hiện tại đang giữ thùng hàng c „ Quan hệ empty(k) ‰ Cần trục k hiện tại không giữ bất kỳ thùng hàng nào „ Quan hệ in(c,p) ‰ Thùng hàng c hiện tại đang ở trong cọc hàng p „ Quan hệ on(c,c′) ‰ Thùng hàng c hiện tại đang nằm ở trên cọc hàng/tấm nâng c′ „ Quan hệ top(c,p) ‰ Thùng hàng/tấm nâng c hiện tại đang nằm trên đỉnh của cọc hàng p Trí Tuệ Nhân Tạo 28 Các hành động „ Hành động move(r,l,l’) ‰ Rô-bốt r di chuyển từ vị trí l đến vị trí l’ (không có rô-bốt khác đang làm việc ở l’) „ Hành động take(c,k,p) ‰ Tại cùng vị trí l: cần trục k (hiện không giữ thùng hàng nào) lấy thùng hàng c khỏi cọc hàng p „ Hành động put(c,k,p) ‰ Tại cùng vị trí l: cần trục k đặt thùng hàng c lên đỉnh của cọc hàng p „ Hành động load(r,c,k) ‰ Tại cùng vị trí l: cần trục k đặt thùng hàng c vào rô-bốt r (hiện không giữ thùng hàng nào) „ Hành động unload(r,c,k) ‰ Tại cùng vị trí l: cần trục k (hiện không giữ thùng hàng nào) lấy thùng hàng c khỏi rô-bốt r Trí Tuệ Nhân Tạo 29 Các ứng dụng thực tế „ Các kết quả nghiên cứu của lĩnh vực Lập kế hoạch (planning) đã được áp dụng thành công trong nhiều bài toán thực tế ‰ Không gian vũ trụ, Hàng không, Đường sắt ‰ Rô-bốt và lập kế hoặch di chuyển ‰ CAD/CAM ‰ Lập kế hoạch giải quyết các tình huống khẩn cấp ‰ Điều khiển các quá trình công nghiệp ‰ Các trò chơi (games) ‰ … Trí Tuệ Nhân Tạo 30

Các file đính kèm theo tài liệu này:

  • pdfGiáo trình Trí tuệ nhân tạo Bách Khoa Hà Nội.pdf