La présentation est en train de télécharger. S'il vous plaît, attendez

La présentation est en train de télécharger. S'il vous plaît, attendez

IFT 702 Planification en intelligence artificielle Reconnaissance de plans Froduald Kabanza Département dinformatique Université de Sherbrooke planiart.usherbrooke.ca/kabanza.

Présentations similaires


Présentation au sujet: "IFT 702 Planification en intelligence artificielle Reconnaissance de plans Froduald Kabanza Département dinformatique Université de Sherbrooke planiart.usherbrooke.ca/kabanza."— Transcription de la présentation:

1 IFT 702 Planification en intelligence artificielle Reconnaissance de plans Froduald Kabanza Département dinformatique Université de Sherbrooke planiart.usherbrooke.ca/kabanza Modifications par Simon Chamberland

2 F. KabanzaIFT Reconnaissance de plans2 Rappel Processus de décision de Markov Modélise un processus stochastique discret –Décision à prendre dans chaque état –Transitions non déterministes –Fonction de récompenses Propriété de Markov: probabilités des états futurs dépend uniquement de létat courant (pas de lhistorique) MDP + politique (plan) = chaîne de Markov

3 F. KabanzaIFT Reconnaissance de plans3 Rappel Réseaux bayésiens Un arc dun nœud X vers un nœud Y signifie que la variable X influence la variable Y. –Un cambriolage peut déclencher lalarme. –Un séisme aussi. –Lalarme peut inciter Jean à appeler. –Idem pour Marie à appeler. Pour chaque nœud, on a une table de probabilité conditionnelle (TPC) ou une fonction de densité de probabilité conditionnelle. Cambriolage Séisme Alarme JeanApelle MarieAppelle C S P(A|C,S) T T.95 T F.94 F T.29 F F.001 A P(J|A) T.90 F.05 A P(M|A) T.70 F.01 P(C).001 P(S).002

4 F. KabanzaIFT Reconnaissance de plans4 Rappel Réseaux bayésiens dynamiques / Chaînes cachées de Markov Contexte: Un gardien de sécurité passe un mois dans un édifice sous-terrain, sans sortir. Il samuse à prévoir le temps en observant si le patron amène un parapluie. Variables: X t = {R t } (pour « Rain ») et E t ={U t } (pour « Umbrella »). Modèle des transitions: P(R t | R t-1 ). Modèle dobservation: P(E t | R t ).

5 F. KabanzaIFT Reconnaissance de plans5 Rappel Réseaux bayésiens dynamiques / Chaînes cachées de Markov Type dinférence Estimation de létat P(X t | e 1:t ) Prédiction P(X t+k | e 1:t ) Lissage (hindsight) P(X k | e 1:t ) Découverte de la séquence la plus probable P(X 1:t | e 1:t ) Modèle des transitions: P(R t | R t-1 ). Modèle dobservation: P(E t | R t ).

6 F. KabanzaIFT Reconnaissance de plans6 D. Pynadath and M. Wellman. Accounting for Context in Plan Recognition, with Application to Traffic Monitoring. Proc. of Conference on Uncertainty in Artificial Intelligence, Approche probabiliste Par réseau bayésien

7 F. KabanzaIFT Reconnaissance de plans7 D. Pynadath and M. Wellman. Accounting for Context in Plan Recognition, with Application to Traffic Monitoring. Proc. of Conference on Uncertainty in Artificial Intelligence, Approche probabiliste Par réseau bayésien

8 F. KabanzaIFT Reconnaissance de plans8 C. Geib and R. Goldman. Plan Recognition in Intrusion Detection Systems. Conference of the Association for the Advancement of Artificial Intelligence, Approche probabiliste Plus ou moins chaînes cachées de Markov

9 F. KabanzaIFT Reconnaissance de plans9 C. Geib and R. Goldman. Plan Recognition in Intrusion Detection Systems. Conference of the Association for the Advancement of Artificial Intelligence, Approche probabiliste Plus ou moins chaînes cachées de Markov

10 F. KabanzaIFT Reconnaissance de plans10 Approche probabiliste Réseau Bayésien dynamique Kautz et al.

11 F. KabanzaIFT Reconnaissance de plans11 Approche probabiliste Réseau Bayésien dynamique Transportation mode x= GPS reading Goal Trip segment x k-1 z k-1 zkzk xkxk m k-1 mkmk t k-1 tktk g k-1 gkgk Kautz et al.

12 F. KabanzaIFT Reconnaissance de plans12 Références C. Schmidt, N. Sridharan and J. Goodson. The plan recognition problem: An intersection of psychology and artificial intelligence. Artificial Intelligence 11(1-2):1978, pages D. Pynadath and M. Wellman. Accounting for Context in Plan Recognition, with Application to Traffic Monitoring. Proc. of Conference on Uncertainty in Artificial Intelligence, R. Goldman, C. Geib and C. Miller. A new model of plan recognition. Proc. of Conference on Uncertainty in Artificial Intelligence, C. Geib and R. Goldman. Plan Recognition in Intrusion Detection Systems. Conference of the Association for the Advancement of Artificial Intelligence, N. Blaylock and J. Allen. Fast Hierarchical Goal Schema Recognition. Proc. of Conference of the Association for the Advancement of Artificial Intelligence, 2006.


Télécharger ppt "IFT 702 Planification en intelligence artificielle Reconnaissance de plans Froduald Kabanza Département dinformatique Université de Sherbrooke planiart.usherbrooke.ca/kabanza."

Présentations similaires


Annonces Google