/
lec6.tex
300 lines (265 loc) · 9.38 KB
/
lec6.tex
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
\documentclass{beamer}
\usetheme{Warsaw}
\useinnertheme{circles}
\useoutertheme[subsection=false]{smoothbars}
\usepackage[utf8x]{inputenc}
\usepackage[czech]{babel}
\usepackage[T1]{fontenc}
\usepackage{listings}
\usepackage{tikz}
\lstset{basicstyle=\tiny\ttfamily}
\logo{\includegraphics[height=0.5cm]{brmlab.pdf}}
\begin{document}
\AtBeginSection[]
{
\begin{frame}
\frametitle{Outline}
\tableofcontents[currentsection]
\end{frame}
}
\title{brmiversity: Umělá inteligence \\ a teoretická informatika}
\subtitle{Přednáška č. 6}
\author{Petr Baudiš $\langle${\tt pasky@ucw.cz}$\rangle$}
\institute{
brmlab 2011\\
\vskip 1ex
\pgfdeclareimage[height=4ex]{ccbysa}{by-sa.pdf}
\pgfuseimage{ccbysa}
}
\date{}
\frame{\titlepage}
\section{Pravděpodobnost}
\subsection{}
\begin{frame}{Pravděpodobnost}
\begin{center}
Pravděpodobnost: Stane nebo nestane se nějaká náhodná událost?
\vskip 2ex
\begin{block}{Dvě interpretace}
\begin{itemize}
\item {\bf Subjektivisti:} Stav mysli, stupeň víry.
\item {\bf Frekventisti:} Konvergence série experimentů.
\end{itemize}
\end{block}
\vskip 2ex
({\bf Fuzzy logika} pracuje se stupni pravdivosti, to je něco jiného!)
\end{center}
\vskip 3ex
\begin{itemize}
\item Provádíme sérii {\em pokusů}, ty nám dávají {\em výsledky}, \\ množiny výsledků jsou {\em náhodné jevy}.
\end{itemize}
\end{frame}
\subsection{}
\begin{frame}{Matematická pravděpodobnost}
\begin{itemize}
\item Náhodný jev $A$ má pravděpodobnost $P(A) \in [0,1]$
\item Součet pravděpodobností všech základních jevů (jendotlivých výsledků) je 1; negace jevu je $1-p$
\item Jednoduchý případ --- rovnoměrně náhodný jev $A$ má po $n$ pokusech, z toho $m$ úspěšných, $P(A) \simeq m/n$
\vskip 3ex
\item Stane se $A$ nebo $B$? $P(A \cup B) = P(A) + P(B) - P(A \cap B)$
\item {\bf Nezávislé jevy} $A, B$ --- pravděpodobnost jednoho nezávisí na výskytu druhého
\item Stane se $A$ a $B$ zároveň? $P(A \cap B) = P(A) \cdot P(B)$, jsou-li nezávislé
\end{itemize}
\end{frame}
\subsection{}
\begin{frame}{Matematická pravděpodobnost}
\begin{itemize}
\item {\bf Podmíněná pravděpodobnost} --- jevy $A,B$ nejsou nezávislé
\item Stane se $A$ za předpokladu $B$? $P(A|B)$
\item $P(A \cap B) = P(A|B) \cdot P(B)$
\end{itemize}
\vskip 2ex
\begin{block}{Bayesova věta}
$$ P(A|B) = \frac{P(B|A)P(A)}{P(B)} $$
\end{block}
\vskip 3ex
\begin{itemize}
\item Diskrétní ``booleovský'' jev $A$ --- $P(A)$ že (ne)nastane
\item Spojitý jev $X$ --- interval čísel, očekávaná hodnota $\mathbb{E}[X]$
\end{itemize}
\end{frame}
\subsection{}
\begin{frame}{Statistika}
\begin{itemize}
\item Teorie pravděpodobnosti se zabývá abstraktními pravděpodobnostmi jevů
\item Statistika se zabývá pravděpodobnostmi, které jsme naměřili
\item {\bf Zákon velkých čísel:} Průměr (střední hodnota) naměřených hodnot konverguje k očekávané hodnotě
\vskip 3ex
\item Jak daleko jsou naměřené hodnoty od průměru?
\item {\bf Rozptyl} je střední kvadratická odchylka
\item {\bf Směrodatná odchylka} je odmocnina rozptylu
\end{itemize}
\end{frame}
\subsection{}
\begin{frame}{Pravděpodobnostní rozdělení}
\begin{columns}
\begin{column}{5.5cm}
\includegraphics[width=5.5cm]{Binomial_distribution_pmf.pdf}
\end{column}
\begin{column}{5.5cm}
\includegraphics[width=5.5cm]{Binomial_distribution_cdf.pdf}
\end{column}
\end{columns}
\begin{itemize}
\item Pravděpodobnostní rozdělení popisuje pravděpodobnosti různých hodnot při určitém typu pokusu
\item Dává nám střední hodnotu a rozptyl \\ pro dané parametry pokusu
\item Bernoulliho rozdělení ($p$): Hod mincí
\item Binomiální rozdělení ($p,n$): Série Bernoulliho trialů
\item Poissonovo rozdělení ($\lambda,k$): Počet výskytů události za čas
\end{itemize}
\end{frame}
\subsection{}
\begin{frame}{Normální rozdělení}
\begin{columns}
\begin{column}{5.5cm}
\includegraphics[width=5.5cm]{Normal_Distribution_PDF.pdf}
\end{column}
\begin{column}{5.5cm}
\includegraphics[width=5.5cm]{Normal_Distribution_CDF.pdf}
\end{column}
\end{columns}
\begin{center}
Máme-li mnoho měření, konvergují k normálnímu rozdělení:
$$ \frac{1}{\sqrt{2\pi \sigma^2}} e^{-\frac{(x-\mu)^2}{2 \sigma^2}} $$
\end{center}
\begin{itemize}
\item {\bf Interval spolehlivosti:} S pravděpodob. $p$ bude $\mathbb{E}[X] = \mu \pm \epsilon$
\item ``ODS by volilo $20\% \pm 3\%$ lidí'' --- s nějakou pravděpodobností (třeba $5\%$) by to bylo ještě více nebo méně
\item $95\%$ interval je $1.96\sigma$
\end{itemize}
\end{frame}
\section{Umělá inteligence}
\subsection{}
\begin{frame}{Zpracování neurčité informace}
\begin{itemize}
\item Data o světě jsou neurčitá
\item Úkony ve světě jsou neurčitá
\item \dots takže reálný svět je neurčitý
\item Neurčitost: Usuzování, rozhodování, modelování, učení
\end{itemize}
\end{frame}
\subsection{}
\begin{frame}{Bayesovské sítě}
\begin{itemize}
\item Chceme modelovat svět provázaných náhodných jevů
\item Bayesovská síť: Graf (DAG), uzly jsou jevy, hrany jsou podmíněné vazby
\vskip 3ex
\item Co se stane, když vidím tohle?
\item Co bych měl zjistit, abych si co nejvíce upřesnil obraz o světě?
\item Na čem nejvíce závisí, že se tohle stane?
\item Kvůli čemu se asi stalo tohle?
\end{itemize}
\end{frame}
\subsection{}
\begin{frame}{Pravděpodobnostní rozhodovací stromy}
\begin{itemize}
\item Chceme posoudit dopady svých rozhodnutí \\
Posloupnost rozhodnutí a neurčitých jevů \\ vede k různému užitku
\item Rozhodovací stromy: Větvení na rozhodnutích a jevech, \\ list je užitek
\item (Pozor, ``rozhodovací stromy'' se říká i něčemu jinému!)
\vskip 3ex
\item Kterou cestou má jet robot?
\end{itemize}
\end{frame}
\subsection{}
\begin{frame}{Influenční diagramy}
\begin{itemize}
\item Podstromy rozhodovacích stromů se často opakují, \\ nezáleží na předchozích rozhodnutích a jevech
\item Influenční diagramy (rozhodovací grafy): \\ Obecný graf, užitkové uzly udávají změnu užitku, \\ když skrze ně projdeme
\end{itemize}
\end{frame}
\subsection{}
\begin{frame}{Otázky?}
\begin{center}
Příště UI: Modelování --- Markovské modely, Kalmanův filtr.
\end{center}
\end{frame}
\section{Složitost}
\subsection{}
\begin{frame}{Pravděpodobnostní algoritmy}
\begin{itemize}
\item Po algoritmu obvykle chceme, aby nám vrátil \\ přesný výsledek za přesný čas
\item Co když akceptujeme určitou {\em malou chybu}?
\item Co když akceptujeme, že {\em jen asi} doběhneme včas?
\vskip 3ex
\item Model: Probabilistický Turingův stroj
\end{itemize}
\end{frame}
\subsection{}
\begin{frame}{Monte Carlo}
\begin{columns}
\begin{column}{7cm}
\begin{itemize}
\item Monte Carlo algoritmus: \\ Čím déle běžíme, tím \\ přesnější výsledek dostaneme.
\item Třída složitosti BPP: Problém \\ řešitelný na probabilistickém TS \\ v polynomiálním čase \\ s pravděpodobností chyby $\le 1/3$
\vskip 3ex
\item Obsah průniku kružnic
\item Určitý integrál (plocha pod křivkou)
\item Prvočíselné testy
\item Monte Carlo Tree Search
\end{itemize}
\end{column}
\begin{column}{4cm}
\includegraphics[width=4cm]{MC-pi.pdf}
\end{column}
\end{columns}
\end{frame}
\subsection{}
\begin{frame}{Las Vegas}
\begin{itemize}
\item Las Vegas algoritmus: {\em Očekávaná} doba běhu \\ je jiná než nejhorší
\item Třída složitosti ZPP: Problém řešitelný na \\ probabilistickém TS v očekávaném polynomiálním čase
\vskip 3ex
\item Quicksort s náhodnou volbou pivota
\vskip 3ex
\item Je Las Vegas a Monte Carlo ekvivalentní?
\end{itemize}
\end{frame}
\subsection{}
\begin{frame}{Otázky?}
\begin{center}
Příště: Míry složitosti, Savitchova věta, konstruovatelné funkce.
\end{center}
\end{frame}
\section{Datové struktury}
\subsection{}
\begin{frame}{Hashování}
\begin{itemize}
\item Hash tabulka (v paměti --- ``interní'')
\item Musíme řešit kolize $\Rightarrow$ různé metody ukládání do tabulky
\item Zajímá nás očekávaná délka řetězců $l$, počet testů při úspěšném ($t^+$) a neúspěšném ($t^-$) lookupu
\end{itemize}
\end{frame}
\subsection{}
\begin{frame}{Druhy hashování}
\begin{itemize}
\item Separované řetězce: klasický hash se spojáky
\item Uspořádané řetězce: trochu lepší $t^-$ (a co skiplisty?)
\item S přemisťováním: spoják přímo v tabulce, při kolizi přemístění
\item Se dvěma ukazateli: ukazatel na začátek řetězce
\item Srůstající hashování: řetězec po nejbližší volné políčko, triviální implementace, vkládáme na různá místa, příp. i do pomocné oblasti
\item Dvojité hashování: jako srůstající, ale skáču chaoticky
\end{itemize}
\end{frame}
\subsection{}
\begin{frame}{Perfektní a univerzální hashování}
\begin{center}
Perfektní hashování: Chceme vyrobit \\ read-only hash tabulku bez kolizí.
\vskip 6ex
Univerzální hashování: Chceme vyrobit hashovací funkci \\ odolnou k nerovnoměrnému rozdělení vstupu.
\end{center}
\end{frame}
\subsection{}
\begin{frame}{Otázky?}
\begin{center}
Příště: Univerzální a perfektní hashování. \\ A někdy doděláme ty haldy a externí hashování.
\end{center}
\end{frame}
\subsection{}
\begin{frame}{Děkuji vám}
\begin{center}
{\bf pasky@ucw.cz}
\vskip 6ex
Příště: Umělá inteligence. \\ Neuronové sítě (statistické zpracování dat). \\ Adaptivní agenti (komunikace a znalosti). Datové struktury.
\end{center}
\end{frame}
\end{document}