Приложения теоремы Байеса

Как теорема Байеса используется в искусственном интеллекте и машинном обучении? Будучи старшеклассником, я напишу эссе об этом и хочу объяснить теорему Байеса, ее общее использование и то, как она используется в ИИ или МЛ.

Теорема Байеса утверждает, что вероятность какого-либо события B может произойти при условии предварительного знания другого события (событий) A, учитывая, что B зависит от события A (даже частично).
Примером реального применения будет прогноз погоды. Наивный Байес - это мощный алгоритм прогнозного моделирования прогноза погоды. Температура места зависит от давления в этом месте, процента влажности, скорости и направления ветра, предыдущих записей о температуре, турбулентности в различных слоях атмосферы и многих других. Поэтому, когда у вас есть определенный тип данных, вы обрабатываете их определенным типом алгоритмов, чтобы предсказать один конкретный результат (или будущее). Используемые алгоритмы сильно зависят от байесовской сети и теоремы.

Данный параграф представляет собой введение в байесовские сети, приведенные в книге «Искусственный интеллект - современный подход»:

Байесовский сетевой формализм был изобретен для эффективного представления и строгих рассуждений с неопределенными знаниями. Этот подход в значительной степени преодолевает многие проблемы вероятностных систем рассуждений до 1960-х и 70-х годов; сейчас он доминирует в исследованиях ИИ по неопределенным рассуждениям и экспертным системам. Подход позволяет учиться на опыте и сочетает в себе лучшее из классического ИИ и нейронных сетей.

Есть много других приложений, особенно в медицинской науке. Как и прогнозирование конкретного заболевания на основе симптомов и физического состояния пациента. В настоящее время используется много алгоритмов, основанных на этой теореме, таких как бинарный и мультиклассовый классификатор, например фильтры спама в электронной почте. В этой теме есть много вещей. Ниже я добавил несколько ссылок, которые могут помочь, и дайте мне знать, если вам нужна какая-либо другая помощь.

Полезные ссылки
1. Первая
2. Вторая

Это помогает в повышении эффективности в решении реальных проблем. Когда в 2009 году самолет Air France исчез в Атлантическом океане, ученые разработали байесовскую модель для прогнозирования местоположения самолета. Модель учитывала такие факторы, как ожидаемый план полета, погода, океанские течения и другие внешние факторы. Затем модель отобразила вероятность в радиусе 50 миль вокруг ожидаемой зоны крушения. Каждой точке в 50-мильном круге была назначена вероятность того, что самолет находится там. В модели он использовал большой набор данных, который постоянно обновлялся, когда поисковая команда вводила результаты каждый день после поиска в определенном месте. В течение нескольких дней после внедрения этой модели самолет был найден. Это показывает, как статистические модели и теория могут помочь повысить эффективность решения реальных проблем. Ссылка на статью

Поскольку вы учитесь в старшей школе, я постараюсь выразить это проще. Для машины проблема заключается в том, чтобы принять решение, если вы не предоставили ему эту информацию раньше. Вы должны думать о каждом случае во время программирования. Но иногда может быть так много случаев, здесь Data Mining, Neural Networks, Fuzzy Logic и т. Д. Используются с AI. Это экономит ваше время, и система изучает себя с достаточным количеством примеров, приведенных в начале, и решает сама.

Здесь, в этой ссылке, вы можете найти статью о Байесовском обучении. Пример на стр.33 - это то, что вам нужно, я думаю.