Ödev Nasıl Yapılır? – Ödev Yaptırma – Ödev Yaptırma Ücretleri – Tez Yaptırma – Ödev Yaptırma Fiyatları – Ücretli Ödev Yaptırma – Tez Yaptırma Ücretleri – Sunum Hazırlığı Yaptırma – Dergi Makalesi Yaptırma – Dergi Makalesi Yazdırma
Temel Uzantılar
Temel Bayes mantığı programlama çerçevesini tanımladık ve Bayes mantığı programlarının semantiğini tanımladık. Çeşitli yararlı uzantılar ve değişiklikler mümkündür. Bu bölümde, grafiksel bir temsil sunacağız ve küme fonksiyonlarını ve mantıksal atomların verimli bir şekilde ele alınmasını tartışacağız. Aynı zamanda, gizli Markov modelleri ve olasılık gramerleri gibi Bayes mantığı programlarının başka örneklerini de sunacağız.
Grafik Gösterim
Bayes mantığı programları şimdiye kadar bir mantık programlama sözdiziminin bir uyarlaması kullanılarak tanıtılmıştır. Ancak Bayes ağları aynı zamanda grafik modellerdir ve popülaritelerinin en azından bir kısmını sezgisel olarak çekici grafik gösterimlerine borçludurlar. Bayes ağlarından esinlenerek, bu bölümde Bayes mantık programları için bir grafik gösterim geliştiriyoruz.
Bayes mantık programları için grafiksel bir temsil geliştirmek amacıyla, önce Bayes ağları için daha gereksiz bir temsili ele alalım: gösterildiği gibi artırılmış iki parçalı (yönlendirilmiş asiklik) grafiklerdir.
İki parçalı bir grafikte, düğümler kümesi, aynı küme içindeki iki düğüm bitişik olmayacak şekilde iki ayrık kümeden oluşur. İki tür düğüm vardır, yani (1) rasgele değişkenleri gösteren gradyan gri ovaller ve (2) yerel olasılık modellerini gösteren kara kutular. Bayes ağında her Fa(xi) ailesi için bir kutu vardır. Gelen kenarlar ebeveynlere Pa(xi) atıfta bulunur; tek giden kenar Xi’yi gösterir. Her kutu, koşullu olasılık dağılımı P(xi |Pa(xi ))’yi belirten bir Bayes ağ parçasıyla zenginleştirilir.
Örnek : R9 ile ilişkili parçada, koşullu olasılık dağılımını belirtir. Bunu bir önermesel Bayes mantığı programı olarak yorumlayarak, grafik, veritabanı teorisinden bilinen bir kural grafiği olarak görüntülenebilir. Ovaller Bayesci yüklemleri temsil eder ve kutular Bayesci yan tümceleri gösterir. Daha kesin olarak, Ri ≡ hi |bi1 , . . . , bim , Ri’den hi’ye ve bij’den Ri’ye kenarlar vardır .
Ayrıca, her bir Bayes yan tümcesi düğümüne karşılık gelen Bayes yan tümcesini bir Bayes ağ parçası olarak ilişkilendiririz. Aslında, grafik model önermesel Bayes mantığı programını temsil eder.
Birinci dereceden Bayes mantık programlarını grafiksel olarak temsil etmek için, Bayes atomlarını ve bunların değişken bağlarını ilişkili yerel olasılık modellerinde kodlamamız gerekir. Gerçekten de, mantıksal terimler doğal olarak ağaçlar olarak gösterilebilir.
X gibi mantıksal değişkenler beyaz ovaller olarak kodlanır. 1, 2, s ve t gibi sabitler ve işlevciler beyaz kutular olarak temsil edilir. Bayes atomları, pc gibi yüklem adını içeren gradyan gri ovaller olarak temsil edilir. Atomların bağımsız değişkenleri, terimler için yer tutucular olarak ele alınır.
Ovallerin sınırında (soldan sağa sıralanmış) beyaz daireler olarak temsil edilirler. Bağımsız değişkende görünen terim, bağımsız değişkeni temsil eden beyaz oval ile terimi kodlayan ağacın ‘kökü’ arasında yönsüz bir kenarla temsil edilir (argümanda başlar ve değişkenlere ulaşana kadar ağacı takip ederiz).
Dosya uzantıları Nelerdir
Dosya Uzantıları
dosya uzantıları
Dosya uzantıları örnekleri
Dosya uzantıları Nedir
Dosya Türleri ve uzantıları
En çok kullanılan dosya uzantıları
Dosya Uzantıları ve Anlamları
Bayes mantığı programını düşünün. Kan grubu alanını modeller. Grafik temsil, Bayes yan tümcesi R7’nin anlamını taşır: bir P kişisinin babaya ait genetik bilgisi pc(P), anneye ait mc(F) ve P’nin babası F’ye ait babaya ait pc(F) genetik bilgisinden etkilenir.
Başka bir örnek olarak, dinamik olasılık modellerini temsil etmek için işlevcilerin kullanımını gösteren düşünün. Daha doğrusu gizli bir Markov modelini (HMM) gösterir. HMM’ler sıralı verileri analiz etmek için son derece popülerdir. Uygulama alanları arasında hesaplamalı biyoloji, kullanıcı modelleme, konuşma tanıma, ampirik doğal dil işleme ve robotik yer alır.
Her Zamanda, sistem gizli bir durumdadır (Zaman). Herhangi bir durumda olmanın apriori olasılığı, R1 hidden(0) Bayes olgusu ile ölçülür.
Sistemin TimePoint’te bir durumda olduğu göz önüne alındığında, sonraki(Zaman) zamanında bir durumda olmanın zamandan bağımsız olasılığı, Bayes yan tümcesinde yakalanır R2 hidden(next(Time)) | gizli(Zaman) . Burada bir sonraki zaman noktası functor next/1 olarak temsil edilir. Ancak HMM’lerde gizli durumlara (Zaman) doğrudan erişimimiz yoktur.
Bunun yerine, durumların bazı özelliklerini obs(Zaman) ölçüyoruz. Ölçüm, Bayes yan tümcesinde ölçülür R3 obs(Time) | gizli(zaman) . Bayes mantık programının bağımlılık grafiği, HMM’lerin iyi bilinen Bayes ağ yapısını doğrudan kodlar.
Mantıksal Atomlar
Kan grubu Bayes mantık programını yeniden gözden geçirin. Anne/2 ve baba/2 ilişkileri gerçekte rasgele değişkenler değil, mantıksal değişkenlerdir, çünkü bunlar her zaman aynı durumdadır, yani 1 olasılıkla doğrudur ve yalnızca diğer mantıksal atomlara bağlı olabilir. Bu yüklemler bir tür mantıksal arka plan teorisi oluşturur.
Bu nedenle, yüklemler mantıksal olarak bildirildiğinde, bunların koşullu olasılık dağılımlarında temsil edilmesi gerekmez. Kan grubu Bayes mantığı programını düşünün. Burada anne/2 ve baba/2 mantıksal olarak bildirilir.
Sonuç olarak, örneğin pc/1 tanımıyla ilişkili koşullu olasılık dağılımı yalnızca pc(Baba) ve mc(Baba)’yı hesaba katar, f(Baba, Kişi)’yi hesaba katmaz. Yalnızca f(Baba, Kişi)’nin doğru olduğu ikamelere, yani en az Herbrand modeline uygulanır.
Bu, herhangi bir Prolog motoru kullanılarak verimli bir şekilde kontrol edilebilir. Ayrıca, bu mantıksal atomlar indüklenmiş destek ağından çıkarılabilir. Daha da önemlisi, mantıksal yüklemler kullanıcıya Prolog’un tüm gücünü sağlar. Mantıksal arka plan bilgisinin kan grubu Bayes mantığı programında, kurucu/1 ilişkisi şu şekilde tanımlanır.
Burada \+, olumsuzlamayı belirtir, sembol, her karşılaşıldığında yeni, farklı bir değişken olarak ele alınan anonim bir değişkeni temsil eder ve noktalı virgül bir ayrışmayı belirtir. Uzatma bölümünde pc(ann), mc(ann), pc(brian), mc(brian) öğelerini açıkça listelemek yerine, pc(P)|founder(P) ve mc(P)|founder(P) öğelerine sahibiz.
Prolog’un tüm gücü, dinamik olasılık modellerini zarif bir şekilde kodlamak için de kullanışlıdır. Ayrık zamanın artık standart Prolog kullanılarak mantıksal arka plan teorisinde next/2 olarak kodlandığı bir HMM’nin genel yapısını gösterir.
“odev.yaptırma.com.tr“ ailesi olarak size her konuda destek sunabiliriz. Tek yapmanız gereken iletişim adreslerimizden bizlere ulaşmak!
Tüm alanlara özgü, literatür taraması yaptırma, simülasyon yaptırma, analiz yaptırma, çeviri yaptırma, makale ödevi yaptırma, dergi makalesi yaptırma, sunum ödevi yaptırma ve model oluşturma çalışmaları yapmaktayız.
