- Terminoloogia (A kuni D)
- AI võimekuse juhtimine
- AI Ops
- Albumid
- Varade toimivus
- Autoencoder
- Tagasipaljundamine
- Bayesi teoreem
- Big andmed
- Chatbot: juhend algajatele
- Arvutuslik mõtlemine
- Arvuti visioon
- Segadusmaatriks
- Konvolutsioonilised närvivõrgud
- Küberturvalisus
- Andmekangas
- Andmelugude jutustamine
- andmed Science
- Andmete ladustamine
- Otsustuspuu
- Sügavad võltsingud
- Sügav õppimine
- Sügav tugevdamine õppimine
- devops
- DevSecOps
- Difusioonimudelid
- Digitaalne kaksik
- Mõõtmete vähendamine
- Terminoloogia (E kuni K)
- Edge AI
- Emotsioon AI
- Ansambliõpe
- Eetiline häkkimine
- ETL
- Seletatav tehisintellekt
- Liitõpe
- FinOps
- Generatiivne AI
- Generatiivne võistlev võrk
- Generatiivne vs diskrimineeriv
- Gradiendi suurendamine
- Gradiendi laskumine
- Vähese võttega õpe
- Piltide klassifikatsioon
- IT-toimingud (ITOps)
- Juhtumite automatiseerimine
- Inseneri mõjutamine
- K-Meansi rühmitamine
- K-Lähimad naabrid
- Terminoloogia (L kuni Q)
- Terminoloogia (R kuni Z)
- Tugevdusõpe
- Vastutav AI
- RLHF
- Robotprotsesside automatiseerimine
- Struktureeritud vs struktureerimata
- Sentimentide analüüs
- Järelevalvega vs järelevalveta
- Toetage vektormasinaid
- Sünteetilised andmed
- Sünteetiline kandja
- Teksti liigitus
- TinyML
- Ülekandeõpe
- Transformaatori närvivõrgud
- Turingi test
- Vektori sarnasuse otsing
AI 101
Mis on Bayesi teoreem?
Sisukord
Kui olete õppinud tundma andmeteadust või masinõpet, on hea võimalus, et olete sellest kuulnud termin "Bayesi teoreem" enne või "Bayesi klassifikaatorit". Need mõisted võivad olla mõnevõrra segadusttekitavad, eriti kui te pole harjunud mõtlema tõenäosusele traditsioonilisest, sagedasemast statistikast lähtudes. See artikkel püüab selgitada Bayesi teoreemi põhimõtteid ja seda, kuidas seda masinõppes kasutatakse.
Mis on Bayesi teoreem?
Bayesi teoreem on meetod tingliku tõenäosuse arvutamine. Traditsiooniline tingimusliku tõenäosuse (tõenäosus, et üks sündmus toimub erineva sündmuse toimumise korral) arvutamiseks on kasutada tingimusliku tõenäosuse valemit, arvutades sündmuse esimese ja teise sündmuse samaaegse toimumise ühise tõenäosuse ja seejärel jagades selle. teise sündmuse toimumise tõenäosusega. Kuid tingimuslikku tõenäosust saab arvutada ka veidi erineval viisil, kasutades Bayesi teoreemi.
Tingimusliku tõenäosuse arvutamisel Bayesi teoreemiga kasutage järgmisi samme:
- Määrake tingimuse B tõenemise tõenäosus, eeldades, et tingimus A on tõene.
- Määrake sündmuse A tõesuse tõenäosus.
- Korrutage need kaks tõenäosust kokku.
- Jagage sündmuse B toimumise tõenäosusega.
See tähendab, et Bayesi teoreemi valemit saab väljendada järgmiselt:
P(A|B) = P(B|A)*P(A) / P(B)
Selline tingimusliku tõenäosuse arvutamine on eriti kasulik, kui vastupidise tingimusliku tõenäosuse arvutamine on lihtne või kui liittõenäosuse arvutamine oleks liiga keeruline.
Bayesi teoreemi näide
Seda võib olla lihtsam tõlgendada, kui veedame mõnda aega selle vaatamisel näide kuidas rakendada Bayesi arutluskäiku ja Bayesi teoreemi. Oletame, et mängisite lihtsat mängu, kus mitu osalejat jutustavad teile loo ja te peate kindlaks tegema, milline osalejatest teile valetab. Täidame Bayesi teoreemi võrrandi selle hüpoteetilise stsenaariumi muutujatega.
Üritame ennustada, kas mängus iga inimene valetab või räägib tõtt, nii et kui peale sinu on kolm mängijat, saab kategoorilisi muutujaid väljendada kui A1, A2 ja A3. Nende valede/tõe tõestuseks on nende käitumine. Nagu pokkerit mängides, otsiksite teatud "ütlemisi", et inimene valetab, ja kasutaksite neid teabekildudena oma oletuse andmiseks. Või kui teil lubataks neid küsitleda, oleks see tõend, et nende lugu ei sobi kokku. Me võime esitada tõendeid selle kohta, et inimene valetab, kui B.
Selguse huvides on meie eesmärk ennustada tõenäosust (A valetab/räägib tõtt, võttes arvesse nende käitumist). Selleks tahaksime välja selgitada tõenäosuse, et B annab A, või tõenäosuse, et nende käitumine juhtub, kui inimene tõesti valetab või räägib tõtt. Püüate kindlaks teha, millistel tingimustel oleks teie nähtav käitumine kõige mõttekam. Kui näete kolme käitumist, arvutaksite iga käitumise kohta. Näiteks P(B1, B2, B3 * A). Seejärel teeksite seda iga A-juhtumi korral / kõigi mängus osalejate jaoks, välja arvatud teie ise. See on see osa ülaltoodud võrrandist:
P(B1, B2, B3, |A) * P|A
Lõpuks jagame selle lihtsalt B tõenäosusega.
Kui saaksime tõendeid selle võrrandi tegelike tõenäosuste kohta, looksime oma tõenäosusmudeli uuesti, võttes arvesse uusi tõendeid. Seda nimetatakse teie eelmiste ajakohastamiseks, kuna värskendate oma eeldusi vaadeldud sündmuste toimumise eelneva tõenäosuse kohta.
Masinõppe rakendused Bayesi teoreemi jaoks
Masinõppe puhul kasutatakse Bayesi teoreemi kõige sagedamini naiivse Bayesi algoritmi kujul.
Naive Bayesi kasutatakse nii binaarsete kui ka mitmeklassiliste andmekogumite klassifitseerimiseks, Naive Bayes sai oma nime seetõttu, et tunnistajate tõenditele/atribuutidele määratud väärtused – Bs P(B1, B2, B3 * A) – eeldatakse olevat sõltumatud. üksteisest. Eeldatakse, et need atribuudid ei mõjuta üksteist, et lihtsustada mudelit ja teha arvutused võimalikuks, selle asemel, et proovida keerukat ülesannet arvutada iga atribuudi vahelisi seoseid. Vaatamata sellele lihtsustatud mudelile kipub Naive Bayes klassifitseerimisalgoritmina üsna hästi toimima, isegi kui see eeldus tõenäoliselt ei vasta tõele (mis on enamasti nii).
On ka tavaliselt kasutatavad variandid Naive Bayesi klassifikaatorist, nagu Multinomial Naive Bayes, Bernoulli Naive Bayes ja Gaussian Naive Bayes.
Multinomaalne Naive Bayes Dokumentide klassifitseerimiseks kasutatakse sageli algoritme, kuna need on tõhusad sõnade sageduse tõlgendamisel dokumendis.
Bernoulli Naive Bayes töötab sarnaselt Multinomial Naive Bayesiga, kuid algoritmi ennustused on tõeväärtuslikud. See tähendab, et klassi ennustamisel on väärtused binaarsed, ei või jah. Teksti klassifitseerimise valdkonnas määraks Bernoulli Naive Bayesi algoritm parameetritele jah või ei, lähtudes sellest, kas tekstidokumendis leidub sõna või mitte.
Kui ennustajate/tunnuste väärtus ei ole diskreetne, vaid on pidev, Gaussi naiivne Bayes saab kasutada. Eeldatakse, et pidevate tunnuste väärtused on võetud Gaussi jaotusest.
Erialadega blogija ja programmeerija Masinõpe ja Sügav õppimine teemasid. Daniel loodab aidata teistel kasutada tehisintellekti jõudu sotsiaalseks hüvanguks.
Võib meeldida
LoReFT: Representation Finetuning for Language Models
BlackMamba: Ekspertide segu osariigi-ruumi mudelite jaoks
Sketchist platvormini: Google Genie kunstiline lähenemine mängude genereerimisele
Reprodutseeritavuse ümbermõtestamine tehisintellekti uurimise uueks piiriks
Mis on pilditöötluses müra? – Aabits
Kas traditsiooniline masinõpe on endiselt asjakohane?