『人工知能概論』より

前章では事象や確率の概念に加えて、乗法定理や周辺化、ベイズの定理などの基礎的な定理を導入した。 これによりホイールダック２号が結果として前進していた際にホイールダック２号がどのような命令を出していたのかに関して確率的な推論ができたり、条件付き期待値に基づいて行動決定ができたりするようになった。 さまざまな確率変数が具体的にどのように影響を与え合いながらその値を決めていくのかを具体的に表現するのが確率的生成モデルであり、それを図式化したのがグラフィカルモデルである。 さまざまな確率変数とその関係性に基づいて対象を表現するモデルを確率モデルと呼ぶ。

Im vorherigen Kapitel haben wir zusätzlich zu den Konzepten von Ereignissen und Wahrscheinlichkeiten grundlegende Theoreme wie den Multiplikationssatz, die Marginalisierung und den Bayes-Satz eingeführt. Dies ermöglicht es, probabilistische Rückschlüsse darauf zu ziehen, welche Art von Befehl Wheelduck 2 ausgegeben hat, als Wheelduck 2 als Ergebnis vorwärts ging, und Handlungsentscheidungen auf der Grundlage bedingter Erwartungen zu treffen. Es war so. Das stochastische generative Modell ist ein konkreter Ausdruck dafür, wie verschiedene Zufallsvariablen sich gegenseitig beeinflussen und ihre Werte bestimmen, und das grafische Modell ist ein Diagramm davon. Ein Modell, das ein Objekt basierend auf verschiedenen Zufallsvariablen und deren Beziehungen ausdrückt, wird als Zufallsmodell bezeichnet.

Dirでの方法 確率モデル 確率分布 計算機シミュレーションの世界と実世界の違いはなんだろうか。 確率システムとして状況空間を構成し、最適解を探索するだけでは不十分なのだ。 この不確実性への対応を行うことが必須である。 この不確実性への対応。 まず確立の基礎について学習しよう 同時確率 また、事象Aと事象Bの両方が生じるという事象を「積事象」と呼びABと表現する。積集合。条件つき確率。事後確率。 周辺化 事象Aの確率 ベイズの定理 。
環境に不確実性が存在する場合や、アルゴリズム自体に確率的な要素がある場合、様々な局面で確率変数の期待値を計算することがある。
ここで期待値の導入をしておく。

Methode in Dir Probabilistisches Modell Wahrscheinlichkeitsverteilung Was ist der Unterschied zwischen der Welt der Computersimulation und der realen Welt? Es reicht nicht aus, einen Situationsraum als stochastisches System zu konstruieren und nach der optimalen Lösung zu suchen. Es ist wichtig, mit dieser Unsicherheit umzugehen. Umgang mit dieser Unsicherheit. Lassen Sie uns zuerst die Grundlagen des Establishments lernen Gleichzeitige Wahrscheinlichkeit Außerdem wird ein Ereignis, bei dem sowohl Ereignis A als auch Ereignis B auftreten, als “Produktereignis” bezeichnet und als AB ausgedrückt. Überschneidung. Bedingte Wahrscheinlichkeit. Hintere Wahrscheinlichkeit. Peripherisierung Wahrscheinlichkeit des Ereignisses A. Satz von Bayes.

Wenn in der Umgebung Unsicherheit besteht oder wenn der Algorithmus selbst ein stochastisches Element aufweist, kann der erwartete Wert einer Zufallsvariablen unter verschiedenen Gesichtspunkten berechnet werden.
Hier wird der erwartete Wert eingeführt.