人工智能——实验大纲31

实验大纲31主要聚焦于人工智能领域的一个重要概念——不确定性推理，特别是通过贝叶斯网络来实现这一过程。贝叶斯网络是一种概率图形模型，它利用概率理论和有向无环图（Directed Acyclic Graph, DAG）来表示变量间的条件依赖关系。在这个实验中，学生需要理解和应用贝叶斯公式来解决特定的推理问题。 实验内容要求学生参照课程第五部分关于贝叶斯网络的讲解，理解并构建一个给定事件及其相互关系的贝叶斯网络。每个事件都有一个条件概率表（CPT），这个表存储了在给定父节点状态下的子节点发生的概率。CPT是贝叶斯网络的核心，因为它定义了每个随机变量的条件概率分布。 输入文件格式清晰地定义了贝叶斯网络的结构。其中，`N`是网络中随机事件的数量，`rv`是事件的名称。接着的01矩阵表示了DAG的邻接矩阵，描述了事件之间的因果关系。最后的`mat`数组是CPT表，包含了从父节点到子节点的条件概率。 对于CPT的构造，每个节点的CPT表的行数取决于其父节点的数量。如果有`N`个父节点，那么会有`2^N`行，每行对应父节点所有可能的状态组合。例如，一个节点如果有两个父节点，其CPT表将有4行，分别对应父节点全为真、全为假、一个为真另一个为假的两种情况的组合。 实验的查询部分要求学生编写程序，以特定的格式输入查询，如`P(rvQ |rvE1=val, rvE2=val, ...)`，这表示在给定条件`rvE1`、`rvE2`等取值的情况下，查询`rvQ`的发生概率。程序应返回`rvQ`在这些条件下的真值概率和假值概率。 输出格式是两个数据，分别表示`QueryVar`在给定条件下为真和为假的概率。例如，输出`0.8720.128`意味着在给定条件下，`QueryVar`为真的概率是0.872，为假的概率是0.128。 通过这个实验，学生不仅可以深入理解贝叶斯网络的基本原理，还能锻炼编程实现推理的能力，从而能够在不确定性的环境中进行有效的决策和预测。这在许多现实世界的应用中都是至关重要的，如医学诊断、风险评估、自然语言处理等。