K. Ciupke � 2010
2
y
ródła wiedzy
specjaliści z danej dziedziny
5. Pozyskiwanie wiedzy
przykłady uczące
1
K. Ciupke � 2010
4
Przykłady uczące
o aura temperatura wilgotność wiatr gra(o)
1 słoneczna ciepło duża słaby 0
2 słoneczna ciepło duża silny 0
Uczenie się maszyn 3 pochmurna ciepło duża słaby 1
4 deszczowa umiarkowanie duża słaby 1
5 deszczowa zimno normalna słaby 1
Czy maszyna może się uczyć?
6 deszczowa zimno normalna silny 0
7 pochmurna zimno normalna silny 1
8 słoneczna umiarkowanie duża słaby 0
9 słoneczna zimno normalna słaby 1
10 deszczowa umiarkowanie normalna słaby 1
11 słoneczna umiarkowanie normalna silny 1
12 pochmurna umiarkowanie duża silny 1
13 pochmurna ciepło normalna słaby 1
3
14 deszczowa umiarkowanie duża silny 0
K. Ciupke � 2010 K. Ciupke � 2010
5 6
Pozyskiwanie wiedzy Zastosowanie pozyskanej wiedzy
o aura temperatura wilgotność wiatr gra(o)
15 deszczowa ciepło duża słaby ?
1
{1,2,3,4,5,6,7,8,9,10,11,12,13,14}
aura aura
słon. deszcz. słon. deszcz.
pochm. pochm.
{1,2,8,9,11} {4,5,6,10,14}
{3,7,12,13}
wilgotność wiatr wilgotność wiatr
1 1
normalna duża słaby silny normalna duża słaby silny
{9,11} {1,2,8} {4,5,10} {6,14}
1 0 1 0 1 0 1 0
1
K. Ciupke � 2010 K. Ciupke � 2010
7 8
Tworzenie struktury drzewa Tworzenie struktury drzewa
y2 y2
2 2
1 1 2 1 1 2
Jeden zbiór danych wiele możliwych drzew
1 1
2 2 2 2
1 2 1 2
a1 a1
Czym należy się kierować wybierając
2 2 2 2
(tworząc) drzewo? 2 2
2 2
Główna zasada:
y1 y1
wybierz atrybut, który dzieli zbiór trenujący
a2 a3
na możliwie najbardziej  czyste podzbiory
y2 < a1 y1< a3
Kryteria wyboru atrybutu:
tak nie tak nie
" przyrost informacji
2 2
y1 < a2 y2 < a1
" wskaz
nik przyrostu informacji
" wskaz
nikiem zróżnicowania danych
tak nie tak nie
" ...
1 2 2 1
K. Ciupke � 2010 K. Ciupke � 2010
9 10
Przycinanie drzew Przycinanie drzew
Cel:
1
unikanie nadmiernego dopasowania
klasyfikatora do danych 0,8
0,6
zbiór trenujący
y2
zbiór testowy
1 0,4
1 11 2 2
1
2 2
0,2
1 2
1
2 2
0
2
2
5 20 40 60 80
2 1
liczba węzłów
y1
K. Ciupke � 2010
12
Komórki nerwowe (neurony)
Dendryty
Sztuczne sieci neuronowe
Synapsy
Ciało komórki
Jądro
Akson
Dendryty innych
neuronów
11
2
poprawno
ść
klasyfikacji
K. Ciupke � 2010 K. Ciupke � 2010
13 14
Sztuczny neuron Funkcja progowa (aktywacji)
Dendryty Akson
K. Ciupke � 2010 K. Ciupke � 2010
15 16
Funkcja progowa Modyfikacja wag
K. Ciupke � 2010 K. Ciupke � 2010
17 18
Trenowanie sieci Trenowanie sieci
Dane trenujące (przykłady)
" t1 = {x1, z1}={x1,1, x1,2, & , x1,N, z1}
" t2 = {x2, z2}={x2,1, x2,2, & , x2,N, z2}
" &
x
w y
Kryterium
" R=Ł(zi  yi)2 min
" ri = (zi  yi)2
(z  y)2 z
3
K. Ciupke � 2010 K. Ciupke � 2010
19 20
Sieć wielowarstwowa Sieć wielowarstwowa
K. Ciupke � 2010 K. Ciupke � 2010
21 22
Wsteczna propagacja błędu Testowanie sieci
K. Ciupke � 2010 K. Ciupke � 2010
23 24
Zalety i wady SSN Zastosowania SSN
Zalety Wady Rozpoznawanie wzorców
zrozumiała koncepcja zawsze istnieje
Klasyfikowanie obiektów
rozwiązanie
prostota stosowania
Prognozowanie i ocena ryzyka
trudna ocena jakości
uniwersalne
ekonomicznego
rozwiązania
zastosowania
Prognozowanie (giełdy, waluty, energia
 czarna skrzynka -
dostępne skuteczne
elektryczna)
wagi nie mają
oprogramowanie
Ocena zdolności kredytowej podmiotów
interpretacji
Diagnostyka medyczna
Prognozowanie sprzedaży
&
[http://neuralnets.eu]
4