Project assigned as a final examination method for the course B003725 Intelligenza Artificiale (2019/20), taught by professor Frasconi Paolo at Università degli studi di Firenze.
More details about this project can be found in the file Biagini_assignment.pdf

Nella cartella code/models/huginExpert sono presenti file contenenti dei modelli di reti Bayesiane, utilizzabili col programma Hugin Expert e trovati nella cartella samples dell'installazione.

Questi modelli sono stati usati per verificare il corretto funzionamento del programma.

Tutto il codice necessario ad eseguire questo progetto è nella cartella code. Per lavorare manualmente su modelli è sufficiente installare la libreria numpy. Per utilizzare la modalità guidata è necessario installare anche le seguenti librerie :

• console-menu
• networkx
• matplotlib

E' possibile installarle direttamente attraverso il file requirements.txt

pip install -r requirements.txt

E' possibile eseguire il programma in modalità guidata, eseguendo il file main.py.
Ciò non consente la creazione di nuovi modelli, ma rende possibile il caricamento dei modelli già presenti nella cartella models.
Una volta caricato uno di essi è possibile inserire evidenza in nodi inseriti dall'utente, propagare l'evidenza e infine consultare le probabilità di qualsiasi variabile nel modello.
Inoltre è possibile visualizzare il grafo della rete bayesiana e del junction tree. Dopo ogni inserimento di evidenza è necessario propagarla manualmente.

Per poter creare un nuovo modello è necessario importare i file bayes_nets.py e tables.py.
E' possibile creare una variabile nel seguente modo:

var = Variable("Nome", "Descrizione", ["valore1", "valore2", ...])

Specificando un nome identificativo, una descrizione e i valori che tale variabile può assumere(alfanumerici o numerici, ma non entrambi per una stessa variabile).

A partire da una o più variabili è possibile creare una tabella di probabilità:

table = BeliefTable([varA, varB, ...])

Ed impostare le probabilità delle variabili nella tabella:

table.set_probability_dict({'Nome': 'valore1'}, 0.01)

Per creare un modello di rete Bayesiana i passi sono:

• Crea l'oggetto BayesianNet

net = BayesianNet()

• Aggiungi delle variabili alla rete

net.add_variable(var)

• Inserisci un arco tra variabili

net.add_dependence(padre, figlio)

• Inserisci la tabella BeliefTable relativa a una certa variabile(consistente con la struttura della rete)

net.add_prob_table(var, table)

Successivamente è necessario costruire manualmente il junction tree della rete bayesiana, i passi sono:

• Costruisci il JunctionTree con le variabili volute

jtree = JunctionTree([var1, var2, ...])

• Aggiungi delle cricche al JunctionTree

jtree.add_clique([var1, var2, ...])

• Aggiungi collegamenti tra cricche

jtree.connect_cliques([var1, var2, ...], [var3, var4, ...])

Fatto questo il modello è pronto per essere usato.
E' possibile salvarlo su file con la funzione serialize_model(net, jtree, filename), disponibile importando il file util.py.

Nella cartella code/models sono presenti alcuni modelli già costruiti. E' possibile caricarli nel seguente modo:

net, jtree = util.load_model(model_path)

Prima di tutto è necessario inizializzare il JunctionTree ai valori inseriti nella BayesianNet

jtree.initialize_tables(net)

A questo punto è possibile inserire evidenza su variabili:

jtree.add_evidence('Nome', 'valore1')

Propagare tale evidenza nel JunctionTree:

jtree.sum_propagate()

E infine consultare le nuove probabilità delle variabili:

jtree.calculate_variable_probability('Nome')