luận văn trí tuệ nhân tạo

Trí tuệ con người chính là khối lượng kiến thức mà con người thu nhận được từ thế giới khách quan, từ kho tri thức của nhân loại. Cho nên "trí tuệ giàu lên nhờ cái nó nhận được": con người càng thu nhận, tích lũy được nhiều kiến thức thì trí tuệ càng giàu Nguyễn Thị Thanh Thúy. Võ Thành Nhân. 2015. NT. A34. Mối liên quan giữa chất chỉ dấu sinh học chu chuyển xương và mật độ xương ở nam giới trên 50 tuổi. Trần Hồng Thụy. Nguyễn Văn Trí. Theo lời kể từ ông N, trước khi gia đình giao đứa con bị chậm phát triển trí tuệ cho ông L.M.Q chữa bệnh, người này đã tạo vỏ bọc rất tinh vi, khoe có trình độ kiến thức về chuyên ngành Tật học được đào tạo từ Anh quốc, thường ở khách sạn hạng sang mỗi lần về Huế, khoe tài sản có cả trăm tỷ Hồ Chí Minh có phong cách tư duy sáng tạo. Sáng tạo, sáng tạo và sáng tạo là tư duy của Người trong cuộc sống. Từ rất sớm, Hồ Chí Minh đã khẳng định: cách mạng Việt Nam là một bộ phận khăng khít của cách mạng thế giới. Người cho rằng: "Lý luận do kinh nghiệm cách Trí tuệ nhân tạo cũng có thể viết theo nhiều cách khá hấp dẫn và đưa ra nhiều cốt truyện, cùng nhiều thứ khác nữa khá thú vị." Quả thực, trên phương diện liên quan đến kĩ thuật như về thuật toán chẳng hạn, để trả lời cho câu hỏi "Máy móc có thể sáng tác văn chương hay không?" là khá rõ ràng. Quel Est Le Site De Rencontre Le Plus Fiable. Liên hệ Cơ quan chỉ đạo Bộ Khoa học và Công nghệ 113 Trần Duy Hưng, Trung Hòa, Cầu Giấy, Hà Nội Đơn vị thực hiện Báo Điện tử VnExpress Tầng 4 - Tòa nhà FPT - số 17 Duy Tân, Dịch Vọng Hậu, Cầu Giấy, Hà Nội TRƯỜNG ĐẠI HỌC KHOA HỌCKHOA CÔNG NGHỆ THÔNG TINNGUYỄN ĐÌNH ĐỨC19TXÂY DỰNG MÔ HÌNH PHÂN LỚP CHO BÀITOÁN DỰ ĐOÁN BỆNH TIM BẰNG PHƯƠNGPHÁP NAÏVE BAYESNHẬP MÔN TRÍ TUỆ NHÂN TẠO – TINGIẢNG VIÊN HƯỚNG DẪN ĐOÀN THỊ HỒNG PHƯỚCHUẾ, THÁNG 5 NĂM 2022I. Mở đầu..................................................................................................... II. Trình bày thuật toán................................................................................... Định lý Bayes............................................................................................... Công thức Bayes tổng quát................................................................................ Phân lớp Naive Bayes................................................................................... Ví dụ 1......................................................................................................................... Ví dụ 2......................................................................................................................... Khắc phục vấn đề xác suất điều kiện bằng zero.................................................. Ưu điểm...................................................................................................... Nhược điểm................................................................................................ Ứng dụng................................................................................................... Phân lớp văn bản document classification................................................................ Lọc spam Spam filtering............................................................................................ III. Phần ứng dụng dữ liệu............................................................................... Mô tả dữ liệu................................................................................................... Trình bày kết quả thực nghiệm........................................................................... Phân tích kết quả thực nghiệm.......................................................................... IV. Kết luận.................................................................................................. I. Mở đầuTừ xa xưa con người chúng ta đã biết sử dụng những công cụ, máy móc để giảm tải sức lao động của con người, và giúp năng suất lao động được cải tiến. Và đến thời đại hiện nay, với sự bùng nổ của các thiết bị di động thì con người ngày càng sử dụng các thiết bị di động nhiều hơn dẫn tới khối lượng thông tin mà chúng ta cần xử lý để phục vụ nhu cầu đó ngày càng lớn. Do vậy mà ngành Trí tuệ nhân tạoAI ra đời để giải quyết những vấn đề này. Trí tuệ nhân tạo hay trí thông minh nhân tạo Artificial intelligence – viết tắt là AI là một ngành thuộc lĩnh vực khoa học máy tính Computer science. Là trí tuệ do con người lập trình tạo nên với mục tiêu giúp máy tính có thể tự động hóa các hành vi thông minh như con người.● Công thức Bayes tổng quátTrong đó ta gọi A là một chứng cứ evidence trong bài toán phân lớp A sẽ là một phần tử dữ liệu, B là một giả thiết nào để cho A thuộc về một lớp C nào đó. Trong bài toán phân lớp chúng ta muốn xác định giá trị PB/A là xác suất để giả thiết B là đúng với chứng cứ A thuộc vào lớp C với điều kiện ra đã biết các thông tin mô tả A. PBA là mộtxác suất hậu nghiệm posterior probability hay posteriori probability của B với điều kiện A. Giả sử tập dữ liệu liệu khách hàng của chúng ta được mô tả bởi các thuộc tính tuổi và thu nhập, và một khách hàng X có tuổi là 25 và thu nhập là 2000$. Giả sử H là giả thiết khách hàng đó sẽ mua máy tính, thì PHX phản ánh xác suất người dùng X sẽ mua máy tính với điều kiện ta biết tuổi và thu nhập của người đó. Ngược lại PH là xác suất tiền nghiệm prior probability hay priori probability của H. Trong ví dụ trên, nó là xác suất một khách hàng sẽ mua máy tính mà không cần biết các thông tin về tuổi hay thu nhập của họ. Hay nói cách khác, xác suất này không phụ thuộc vào yếu tố X. Tương tự, PXH là xác suất của X với điều kiện H likelihood, nó là một xác suất hậu nghiệm. VÍ dụ, nó là xác suất người dùng X có tuổi là 25 và thu nhập là $200 sẽ mua máy tính với điều kiện ta đã biết người đó sẽ mua máy tính. Cuối cùng PX là xác suất tiền nghiệm của X. Trong ví dụ trên, nó sẽ là xác suất một người trong tập dữ liệu sẽ có tuổi 25 và thu nhập $2000. Posterior = Likelihood * Prior / Evidence2. Phân lớp Naive BayesBộ phân lớp Naive bayes hay bộ phân lớp Bayes simple bayesian classifier hoạt động như sau Gọi D là tập dữ liệu huấn luyện, trong đó mỗi phần tử dữ liệu X được biểu diễn bằng một vector chứa n giá trị thuộc tính A1, A2,...,An = {x1,x2,...,xn} Giả sử có m lớp C1, C2,..,Cm. Cho một phần tử dữ liệu X, bộ phân lớp sẽ gán nhãn cho X là lớp có xác suất hậu nghiệm lớn nhất. Cụ thể, bộ phân lớp Bayes sẽ dự đoán X thuộc vào lớp Ci nếu và chỉ nếu PCiX > PCjX 1<= i, j <=m, i != j Giá trị này sẽ tính dựa trên định lý Bayes. Để tìm xác suất lớn nhất, ta nhận thấy các giá trị PX là giống nhau với mọi lớp nên không cần tính. Do đó ta chỉ cần tìm giá trị lớn nhất của PXCi * PCi. Chú ý rằng PCi được ước lượng bằng Di/D, trong đó Di là tập các phần tử dữ liệu thuộc lớp Ci. Nếu xác suất tiền nghiệm PCi cũng không xác định được thì ta coi 5 senior low yes fair yes6 senior low yes excellent no7 middl elow yes excellent yes8 youth medium no fair yes9 youth low yes fair yes10 senior medium yes fair yes11 youth medium yes excellent yes12 middl emedium no excellent yes13 middl ehigh yes fair yes14 senior medium no excellent no3. Khắc phục vấn đề xác suất điều kiện bằng zero● Nếu trong dữ liệu huấn luyện không có đối tượng X nào có thuộc tính lớp Ck có thuộc tính Fi nhận một giá trị cụ thể vij, xác suất điều kiện PFi = xij Ck sẽ bằng 0. ● Khi phân lớp, nếu có một đối tượng nào mang thuộc tính này thì xác suất phân vào lớp Ck luôn bằng 0. ● Khắc phục bằng cách ước lượng theo công thức sau4. Ưu điểm Giả định độc lập hoạt động tốt cho nhiều bài toán/miền dữ liệu và ứng dụng. Đơn giản nhưng đủ tốt để giải quyết nhiều bài toán như phân lớp văn bản, lọc spam,.. Cho phép kết hợp tri thức tiên nghiệm priori knowledge và dữ liệu quan sát được observed data. Tốt khi có sự chênh lệch số lượng giữa các lớp phân loại. Huấn luyện mô hình ước lượng tham số dễ và nhanh. 5. Nhược điểm Giả định độc lập ưu điểm cũng chính là nhược điểm hầu hết các trường hợp thực tế trong đó có các thuộc tính trong các đối tượng thường phụ thuộc lẫn nhau. Vấn đề zero đã nêu cách giải quyết ở phía trên Mô hình không được huấn luyện bằng phương pháp tối ưu mạnh và chặt chẽ. Tham số của mô hình là các ước lượng xác suất điều kiện đơn lẻ. Không tính đến sự tương tác giữa các ước lượng này. 6. Ứng dụngKết quả thực nghiệm về độ tuổiKết quả thực nghiệm về các loại tổn thương ngựcchest_pain_typeKết quả thực nghiệm về giới tínhSexKết quả thực nghiệm về chỉ số huyết ápBPEKG_resultsMax_HRExcercise_anginaST_depressionThalliumKết quả thực nghiệm số người bị bệnh tim trong 270 ngườiC. Phân tích kết quả thực nghiệmIV. Kết luận Việc sử dụng các thuật toán như thuật toán phân lớp Bayes để ứng dụng vào việc chẩn đoán bệnh tim sẽ giúp cho công việc của các bác sĩ tim mạch dễ dàng biết khả năng bị tim của các bệnh nhân. Nhờ vậy, sẽ có thể phát hiện sớm, và có phác đồ điều trị hợp lý cho bệnh liệu tham khảoTiếng Việt[1] viblo/p/thuat-toan-phan-lop-naive-bayes-924lJWPm5PM

luận văn trí tuệ nhân tạo