Unit 3 7 Bayes RuleYouTube↗  IA↗(long shot)
Howto & Style  17.5K views 35 likes 4 dislikes   08 Oct 2011
knowitvideos 11.8K subscribers N/A YouTube↗


Please select the problem
You must specify your email and describe the problem in detail
Describe your problem in detail if it's not obvious

Click to Play Video Click to Play Video
Bizim için bu derste muhtemelen matematiğin en önemli kısmını,
Právě jsme se dozvěděli to, co je pro tento kurz
istatistikteki Bayes Kuralını az önce öğrendik.
asi nejdůležitější částí statistiky, a to je Bayesova věta.
İngiliz matematikçi ve presbyterian başkanı Thomas Bayes tarafından
Byla objevena reverendem Thomasem Bayesem, což byl britský matematik
18. yüzyılda keşfedildi.
a presbyteriánský ministr žijící v 18. století.
Bayes Kuralı genellikle şöyle ifade edilir: A değişken (variable) ve B gerçekleşmiş (evidence) olmak üzere, A verildiği zaman
Bayesova věta se běžně uvádí následně: Pravděpodobnost A za předpokladu, že platí B, kde B je důkaz (evidence)
B'nin P'si ile B verildiği zaman A'nın P'sini bulmak için; A çarpı A'nın Psi bölü B'nin P'si.
a A je proměnná o kterou se zajímáme. Je to pravděpodobnost B za předpokladu, že platí A, krát P(A) lomeno P(B).
Bu ifadeye ihtimaliyet (likelihood) denir.
Tento výraz se nazývá věrohodnost.
Buna önsel (prior) olasılık, buna marjinal ihtimaliyet denir.
Toto se nazývá apriorní pravděpodobnost, a toto marginální věrohodnost.
Bu ifadeye koşullu olasılık (posterior) denir.
Tento výraz se nazývá posteriorní pravděpodobnost.
Burada ilginç olan şey ise olasılıkların farklı şekillerle ifade edilişidir.
Zajímavé je, jakým způsobem jsou zde pravděpodobnosti vyjádřeny.
Diyelimki B'nin gerçekleştiğini biliyoruz.
Řekněme že máme důkaz B.
B hakkında bilgimiz var ama bizi asıl ilgilendiren A değişkeni.
Víme o B, ale opravdu nás zajímá proměnná A.
O zaman, örnek olarak, B bir test sonucudur.
B je například výsledek testu.
Ama test sonucu bizi kanser olup olmadığımız gerçeğinin kendisi
Nezajímá nás ani tak výsledek testu, jako spíše fakt,
kadar ilgilendirmiyor.
zda rakovinu máme nebo ne.
Bu gerçeklerden (evidence) sebeplere (cause) doğru giderek, teşhis çıkarımı (diagnostic reasoning)
Toto diagnosticé uvažování -které vede od důkazu k jeho příčině-
işlemi Bayes Kuralı ile tam tersine, sebeplerden (cause) gerçeklere (evidence)
je převráceno Bayesovou větou na příčinné uvažování,
doğru gitmeye, sebep çıkarımına dönüşür. (causal reasoning)
což znamená: Kdybychom znali příčinu,
Eğer sebebi biliyorsak, gözlemlediğimiz gerçekleşenin (evidence) olasılığı nedir.
jaká by byla pravděpodobnost důkazu, který jsme právě pozorovali?
Bu tersini alma işlemini ispatlamak için; sebebin (cause) önsel olasılığını
Ale kvůli kompenzaci tohoto převrácení musíme násobit
vak'amız olması için çarpmamız gerek. Bu durumda vak'a
apriorní pravděpodobností příčiny,
kanser olup olmamak.
v tomto případě existence rakoviny,
Ve onu gerçekleşen'in (evidence) olasılığına, P(B), bölmeliyiz.
a dělit pravděpodobností důkazu, P(B),
P(B) toplam olasılık teoremi kullanılarak şu şekilde genişletilebilir.
která je často rozepsána pomocí následující věty o celkové pravděpodobnosti.
B'nin olasılığı, B'nin A şartı ile olan tüm koşullu olasılıklarının toplamı,
Pravděpodobnost děje B je sumou všech pravděpodobností dějů B
çarpı A'nın olma olasılığına eşittir.
za předpokladu že A se rovná malému a, krát pravděpodobnost že A se rovná malému a.
Bu daha önce karşılaştığımız toplam olasılık.
Toto je celková pravděpodobnost, se kterou jsme se již setkali.
O zaman hadi bunu kanser vak'asına uygulayalım
Takže ji použijme na případ s rakovinou
ve diyelimki bir gerçekten kanser olup olmadığınızla ilgileniyoruz,
a řekněmě, že nás opravdu zajímá zda máte rakovinu,
bu bizim sebep'imiz ve gerçekleşmiş (evidence) olan -bu durumda gizli sebep,
což je naše příčina, závislá na důkazu,
testin pozitif sonuçlanması- ile koşullanmış.
kterým je výsledek této skryté příčiny, v tomto případě pozitivní výsledek testu.
Sadece sayıları yerlerine yerleştirelim.
Dosaďme čísla.
İhtimaliyetimiz (likelihood), kanser iken pozitif test sunucu alma olasılığımız
Naše věrohodnost je pravděpodobnost, že dostaneme pozitivní výsledek testu
çarpı önsel (prior) kanser olma olasılığımız olasılığımız bölü
za předpokladu že máte rakovinu, vynásobeno apriorní pravděpodobností
önsel (prior) pozitif test sonucu alma olasılığımız.
toho, že máte rakovinu, lomeno pravděpodobností pozitivního výsledku testu,
Ve buda -daha önce baktığımız tablolara göre-
a to je -podle tabulek, na které jsme se předtím dívali-
0.9 çarpı önsel 0.01
0.9 krát apriorní pravděpodobnost 0.01 lomeno-
-şimdi bunuda toplam olasılığa göre şuraya genişleteceğiz
teď to tady rozepíšeme podle věty o celkové pravděpodobnosti,
oda bize 0.9 çarpı 0.01 verir.
což nám dává 0,9 krát 0,01.
Bu kanser isek pozitif test sonucu alma olasılığımız.
To je pravděpodobnost pozitivního výsledku za předpokladu, že rakovinu máme.
Sonuç olarak kanser değil iken pozitif test sonucu alma olasılığımız 0.2
Takže pravděpodobnost pozitivního výsledku za předpokladu, že rakovinu nemáme, je 0,2,
ama buradaki önsel (prior) olasılık 0.99.
ale apriorní pravděpodobnost je zde 0,99.
Yani, bildiğimiz sayıları yerlerine yerleştirirsek, 0.009 elde ederiz.
Takže když dosadíme čísla která známe, dostaneme 0,009
bölü 0.009 + 0.198.
lomeno 0,009 + 0,198.
Bu yaklaşık olarak 0.0434 ederki bu da daha önce karşılaştığımız değer.
To je přibližně 0,0434, což je číslo, které jsme už viděli.
Similar videos:

WeeklyIdol with SuperJunior مترجم عربي
usir96
45.7K views 187 likes 16 dislikes 15 Sep 2012100% match

Unit 2, Topic 28, Optimistic Heuristics

17.7K views 26 likes 3 dislikes 05 Oct 2011100% match



Unit 2, Topic 29, State Spaces

16.9K views 4 likes 1 dislikes 05 Oct 2011100% match



Unit 2, Topic 14, Uniform Cost Search

62.2K views 42 likes 24 dislikes 05 Oct 2011100% match




CEOS Chatter
Fernando Garcia
1.3K views 2 likes 1 dislikes 14 Mar 2012100% match

SD Gundam Mk I: Episodio 1 (subtitulado al castellano)
daniborr
107.6K views 377 likes 14 dislikes 12 Jul 2012100% match

La véritable clé du bien être
Selim Aïssel
12.5K views 71 likes 3 dislikes 31 Jan 2013100% match

Mr. Peabody & Sherman
TheCaptionedInternet
43.6K views 74 likes 9 dislikes 03 Mar 2014100% match

Unit 3 13b D-Separation Example

11.3K views 4 likes 1 dislikes 08 Oct 2011100% match

Instrucciones para llorar, de Julio Cortázar
Inés Andrés
5.9K views 10 likes 0 dislikes 10 Jan 2012100% match

Homework 3 2a Naive Bayes Laplacian Smoothing ANSWER

19.9K views 29 likes 14 dislikes 01 Nov 2011100% match

Unit 3 9d Absolute vs Conditional Independence

13.5K views 4 likes 2 dislikes 08 Oct 2011100% match


Unit 2, Topic 26, A-Star Fourth Question

28.6K views 17 likes 7 dislikes 05 Oct 2011100% match
0 views 0 likes 0 dislikes 08 Jun 2026100% match

Unit 3 9 Conditional Independence

19.7K views 30 likes 1 dislikes 08 Oct 2011100% match



Recomendación kuentalibros - pizarra digital y niños con discapacidad auditiva
anitamc20
933 views 1 likes 0 dislikes 21 Dec 2012100% match

(ENG/CHI SUB) 140216 SM True Thailand Facebook EXO
Baby Xiumin
783 views 10 likes 0 dislikes 16 Feb 2014100% match

Unit 3 10 Different Type of Bayes Network

23.2K views 24 likes 4 dislikes 08 Oct 2011100% match


Anonymní laskavost se šíří internetem (A stranger's act of kindness goes viral)
Michal Skala
21.7K views 4 likes 0 dislikes 20 Dec 2013100% match

Unit 6 8 Supervised vs Unsupervised Learning

20.7K views 42 likes 4 dislikes 22 Oct 2011100% match

Unit 2, Topic 2, Route Finding Question

22.6K views 45 likes 1 dislikes 05 Oct 2011100% match





Unit 6 5j EM Algorithm

13.8K views 28 likes 5 dislikes 22 Oct 2011100% match

Unit 3 3 Dependence

17.3K views 9 likes 13 dislikes 08 Oct 2011100% match



TED & TEDx explained
Kyo young Chu
1.1K views 7 likes 0 dislikes 02 Apr 2012100% match

Unit 5 48 Perceptron

49.1K views 139 likes 6 dislikes 17 Oct 2011100% match

Unit 1w, 10 AI and Uncertainty

26.3K views 42 likes 2 dislikes 05 Oct 2011100% match






Unit 3 7a Bayes Rule Graphically

18K views 14 likes 4 dislikes 08 Oct 201183% match



01_Bayes_Rule
Udacity
3.4K views 1 likes 0 dislikes 23 Feb 201567% match

Unit 3 12 General Bayes Networks

76.7K views 279 likes 19 dislikes 08 Oct 201157% match


Unit 1w, 4 Terminology

75.1K views 114 likes 4 dislikes 05 Oct 201150% match








Settings Privacy About Contact Donate