| 演 講 摘 要 |
貝氏定理(Bayesian theorem)：
這是統計學相當有名的一個定理，用來計算以某特徵（例如某種RGB的一堆點數值組合）為基礎發生某類別（例如人臉或非人臉）的機率，當我們可以正確計算出基礎於目前輸入時每一類別的發生機率，只要比較所有類別的發生機率，機率最高的類別就是答案，如果這些機率可以統計的正確,這一定是最佳解，所以在大部分樣版識別的課程中，這都是最先要學習的方法，不過困難在於我們絕大多數情況無法得知正確的機率,只能用一些方法來估計可能的機率分布。
貝氏定理公式如下：
是指（B事件）發生的狀況下 （A事件）也發生的機率 以P（A∣B）表示
P（A∣B） ＝ P（A∩B）／P（B）
意思就是先求出(A事件)(B事件)皆發生的機率，再求(B事件)發生的機率。因為(B事件)是現在的樣本空間，兩者相除就是條件機率，用貝氏定理處理。
貝氏網路（Bayesian Network）：
貝式網路則是一種利用圖形來表現的模式，此圖形每個節點會包含相關連的變數的機率值，並且由父點來決定下一個子點的相關機率值，如此可以很簡單的去合併一個新的資料到貝式網路中，並維持貝式網路的資料始終是最新的。貝式網路的用途很多，它可以用來做預測、溝通、訓練及提供更多的選擇來做更好的決策。
本篇演講為將此條件機率應用在教育及考試方法中。舉例來說，一般的考試方法為題目取項，若想要了解學生的程度，就是出題讓考生回答，想要了解這位考生有沒有具備某項知識，就出相對應的問題發問，但如此需要的題目樣本過多且也容易分配不均，答題起來更是繁複且慢長；若將貝氏網路應用至考試方法中：先將一般考生的能力標準作分析，對題目與考生的命中率做取樣以定出題目難度，再利用貝氏網路的概念來設計題目，便能利用最少的題目達到測試某考生的真實程度的目的。
貝氏網路亦可以用來推論基礎的學習行為預測機制，即可以藉由先前的學習經驗與歷程，估算出所有狀況的發生機率，讓往後的學生一開始學習，便能有效利用此Bayesian Network進行可能性的評估，達到幫助學生與老師更了解學習過程發展的可能性。
|
