Podstawy Sztucznej Intelignecji

background image

1. Zadanie wnioskowania, reprezentacja wiedzy, rodzaje i cele wnioskowania.

1 Rodzaje i cele wnioskowania

Wnioskowanie jest to przetwarzanie formuł, także z pewnego zbioru znanych formuł

(bazy wiedzy) wyprowadzanie nowych formuł. Wnioskowanie

dzielimy na dwa główne rodzaje:

wnioskowanie formalne - stwierdzenia tutaj zapisane są w ustalonym,

precyzyjnym języku, a wyprowadzenie nowych stwierdzeń rządzi sie

precyzyjnie ustalonymi regułami

wnioskowanie nieformalne - stwierdzenia tutaj są w języku naturalnym, a

wyprowadzenie nowych stwierdzeń odbywa sie ze znacznym udziałem intuicji

Język użyty do wnioskowania jest to sposób zapisu i interpretacji formuł

reprezentujących wiedzę. Wyprowadzanie formuł odbywa sie zgodnie z

regułami wnioskowania, które określają jak z formuły określonej postaci uzyskać

nową. Celem wnioskowanie jest wykazanie pewnej formuły

docelowej na podstawie zestawu znanych formuł. Wykazanie to nosi nazwę

przeprowadzenie dowodu wnioskowania. Dowód to ciąg formuł z

których każda kolejna albo pochodzi z początkowej bazy wiedzy, albo jest wynikiem

zastosowania pewnej reguły wnioskowania do formuł

wcześniejszych. Ostatnia formuła dowodu jest formuła docelowa. Od systemów

wnioskujących oczekuje sie także uzasadnienia poprawności

dowodu, czyli uzyskanie zastosowanych do jego skonstruowania reguł wnioskowania.

System ekspertowy – program, który ma naśladować eksperta, rozwiązywać jego

problemy. Za cechy eksperta uważa się wiedzę dziedzinowa oraz

umiejętność wnioskowania. Elementami składowymi systemu eskertowego są:

baza wiedzy - wiedza dziedzinowa, istotna dla pojemowania racjonalnych

decyzji

system wnioskujący - system podejmujący decyzje na podstawie bazy wiedzy

edytor bazy wiedzy - umożliwia edycję, aktualizacje i usuwanie bazy wiedzy

interfejs uzytkownika - komunikacja systemu z użytkownikiem

dynamiczna baza wiedzy - służąca do przechowywania odpowiedzi

użytkownika i wyników wnioskowania

2 Reprezentacja wiedzy

Do opisania pewnej dziedziny wiedzy niezbędne są reguły. Ogólna postać reguły to:

IF przesłanka THEN konkluzja/działanie

Przesłanka może zawierać pewną liczbę stwierdzeń połączonych funktorami

logicznymi. Wyróżniamy dwa rodzaje reguł: proste (mające postać

wniosków pośrednich) oraz złożone (umożliwiające bezpośrednie wyznaczenie

wniosków przez system).

Klauzule Horna

Fakt – może być uważany za wniosek reguły, której warunki są zawsze prawdziwe.

Fakty zapisujemy jako A, B, C itd.

Twierdzenie

Dowolne zagadnienie dające się wyrazić w języku logiki można wyrazić za pomocą

Klauzul Horna

Jeżeli z tych samych warunków mogą wynikać dwa wnioski to zapisujemy w postaci

dwóch Klauzul Horna:

A, B, C – wniosek 1; A, B, C – wniosek

2. Jeżeli ten sam wniosek uzyskujemy z wyniku spełnienia dwóch różnych zbiorów

warunków to zapisujemy:

A, B, C – wniosek; D, E, F – wniosek

- zapis w postaci faktów: (nr_reguły, wniosek[wniosek 1,..., wniosek n]) reguła

background image

- zapis reguły przybliżonej, niepewnej; warunki i wnioski takich reguł są przybliżone

współczynnikom pewności CF co zapisujemy:

A, B, C -> CF -> X gdzie CF=[-1,1] wsp. pew. reguł

- dla warunków niepewnych współczynnik pewności CF_W zapisujemy jako: W(CF_W)

Warunki dopytywane – nie będące wnioskami innych reguł (wyprowadza

użytkownik)

Warunki niedopytywalne – wnioski innych reguł (wyprowadza system)

Wnioskowanie elementarne dokładne

W przód

Celem jest wyznaczenie wszystkich faktów wynikających z elementarnej dokładnej

bazy reguł, z bany ograniczeń i ze zbioru tych warunków

dopytywanych, które zostały uznane za fakty przez użytkownika. Wnioskowanie na

drodze wielokrotnego testowania wszystkich reguł w kolejności

ich występowania w bazie wiedzy. Testowanie polega na wyznaczeniu wartości

logicznej wniosku reguły na podstawie znajomości wartości

logicznych warunków i aktualizacje dynamicznej bazy wiedzy.

Działanie

Testowanie reguły może dać następujące wyniki:

• Jeżeli reguła ma wniosek niedopytywalny o nieokreślonej wartości logicznej to

jest pomijana

• Jeżeli wszystkie warunki reguły są faktami to reguła jest spełniona i jej wniosek

jest faktem – dodawanym do dynamicznej bazy danych

• Jeżeli jeden z warunków nie jest faktem, to reguła jest niespełniona i jej wniosek

nie jest faktem, czego nie piszemy bo:

◦ to co nie wynika z bazy reguł nie jest faktem

◦ elementarna baza dokładna nie ma reguł z zanegowanymi warunkami

niedopytywalnymi

• Jeżeli kilka reguł ma ten sam wniosek to spełnienie co najmniej jednej z nich

czyni wniosek faktem

• Jeżeli reguła została już testowana i jej wniosek uznano za fakt zostaje pomijana

w następnym cyklu testowania

Wstecz

Przy wnioskowaniu w przód użytkownik deklaruje pewne fakty otrzymując na wyjściu

nowe fakty, wynikające z bazy wiedzy bez ograniczeń.

Użytkownik nie musi być zainteresowany znalezieniem wszystkich faktów o jedynie

stwierdzeniem prawdziwości jednego z nich – nazywamy go

hipotezą. Wynikiem wnioskowania wstecz może być:

weryfikacja hipotezy – potwierdzenie

falsyfikacja hipotezy – zanegowanie

Dla zweryfikowania hipotezy musi ona być wnioskiem co najmniej jednej z reguł. W

przypadku gdy nie jest wnioskiem żadnej z reguły jest

falsyfikowana (założenie zamkniętego świata)

Działanie

• Wnioskowanie zaczyna sie od testowania reguły, której wnioskiem jest hipoteza

• Wartość logiczna warunków dopytywanych testowanej reguły określa użytkownik

• Jeżeli warunki dopytywane testowanej reguły są faktami a reguła ma warunki

niedopytywane staja sie one hipotezami pomocniczymi, dla których testuje sie

kolejno odpowiadające im reguły aż do wyczerpania sie hipotez pomocniczych

lub pojawienia sie warunków dopytywanych nie będących faktami

• Hipoteza główna zostaje zweryfikowana gdy odpowiadające jej warunki

doptywalne są faktami a hipotezy pomocnicze zostaną zweryfikowane

Wnioskowanie rozwinięte dokładne

background image

Rozwinięta baza reguł – baza w której występują zanegowane warunki niedopytywane

np. NW dla W będącego wnioskiem reguły.

Istota wnioskowani w BRD – w trakcie wnioskowania nie tylko zwracamy uwagę na

wniosek.

Celem jest wyznaczenie wszystkich faktów wynikających z bazy wiedzy, bazy

ograniczeń i zbioru warunków dopytywanych uznanych przez

użytkownika za fakty. Sposób testowania odbywa się na drodze wielokrotnego

testowania wszystkich reguł w kolejności ich występowania.

Działanie

Testowanie rozwinięte dokładnie to wyznaczenie wartości logicznej wniosku zapisane w

dynamicznej bazie danych wyniki wraz z numerem reguły z

której został otrzymany.

W przód

• Jeżeli reguła ma warunek niedopytywany o nieokreślonej wartości to jest

pomijana i testowana jest następna

• Jeżeli wszystkie warunki reguły są faktami to jest ona spełniona i jej wniosek jest

faktem oraz zostaje dodana wraz z nr reguły, który go wygenerował do

dynamicznej bazy danych oraz:

◦ gdy jej zanegowany odpowiednik jest juz w bazie danych jest z nie

usuwany

◦ dodawanie odbywa sie także, gdy fakt juz został wygenerowany przez

inna regułę co umożliwia śledzenie wszystkich reguł generujących ten

fakt

• Jeżeli jeden z warunków reguły nie jest faktem lub jest faktem zanegowanym to

reguła jest niespełniona ale jej wniosek musi zostać zapisany w bazie danych

wraz z numerem reguły niespełnionej przy czym:

◦ zaistnienie faktu nX gdy w bazie jest już fakt X lub nX generowany przez

inna regułę nie powoduje dopisania zanegowanego faktu do bazy

◦ zaistnienie faktu nX gdy w bazie jest juz fakt X wygenerowany przez ta

sama regułę oraz nie ma faktów X wygenerowanych przez inne reguły,

wówczas nX dodawany jest wraz z numerem reguły do bazy a fakt X z

tym numerem jest usuwany

◦ zaistnienie faktu nX gdy w bazie jest juz fakt X generowany przez

dokładnie tą samą regułę oraz sa fakty X generowane przez inne reguły

wówczas następuje tylko usuniecie faktu X generowanego przez tę regułę

co nX

Wstecz

• Hipoteza może być nie tylko jednym z wniosków rozwiniętej dokładnej bazy

danych ale także jego negacją

• Cel wnioskowania wstecz:

◦ weryfikacja hipotezy – wskazanie że jest prawdziwa

◦ falsyfikacja hipotezy – wskazanie że negacja jest prawdziwa

• Gdy hipoteza nie jest wnioskiem żadnej z reguł uznawana jest za fałszywą na

mocy załóżenia zamkniętego świata

Weryfikacja hipotezy

• Jeżeli wszystkie warunki dopytywane reguły odpowiadające hipotezie głównej są

faktami, a reguła ma warunki niedopytywane staja sie one hipotezami

pomocniczymi, Hipoteza jest zweryfikowana gdy warunki dopytywane są faktami

a wszystkie jej hipotezy pomocnicze zostały zweryfikowane

• Jeżeli choć jeden z warunków dopytywanych nie jest faktem bądź jedna z hipotez

pomocniczych nie została zweryfikowana, a nie ma innej reguły, której hipoteza

jest wnioskiem to hipoteza główna nie jest zweryfikowana

background image

• Jeżeli choć jeden warunek dopytywany nie jest faktem albo choć jedna z hipotez

pomocniczych nie jest zweryfikowana, a w bazie reguł jest dotychczas nie

testowana inna reguła, której wnioskiem jest hipoteza główna to jest ona

testowana

• Do weryfikacji hipotezy wystarczy weryfikacja jednej hipotezy, której wnioskiem

jest hipoteza główna

Falsyfikowanie hipotezy – weryfikacja hipotezy będącej negacją wniosku

falsyfikowanej reguły

• Jeżeli choć jeden warunek dopytywany wymienionej reguły nie jest faktem, a w

bazie reguł nie ma innych reguł których wniosek będąc hipoteza główna nie

został sfalsyfikowany, to hipoteza ta nie jest prawdziwa, a więc została

pomyślnie sfalsyfikowana. Gdy taka reguła jest przystępujemy do falsyfikowania

jej wniosku

• Jeżeli choć jeden warunek dopytywany nie jest faktem albo choć jedna z hipotez

pomocniczych nie jest zweryfikowana a w bazie reguł jest dotychczas nie

testowana inna reguła, której wnioskiem jest hipoteza główna to jest ona

testowana

Do weryfikacji hipotez wystarczy weryfikacja jednej hipotezy, której wnioskiem jest

hipoteza główna

Sprzeczność w elementarnej baza reguł

Typu SED 1

• Źródłem tylko baza reguł - sprzeczność generowana w obrębie jednej bazy

• Mogą być tylko typu zewnętrznego

◦ Zewnętrznie SED 1 samosprzeczna – jednym z warunków jest wniosek:

M, N, X -> X

◦ Zewnętrzne bezpośrednio SED 1 sprzeczna – wniosek jednej z reguł jest

wśród warunków drugiej i na odwrót: M, N Y -> X; P, Q, X -> Y

• Zastąpienie wniosku jednej z reguł warunkami drugiej daje regułę SED 1

samosprzeczną

◦ Zewnętrznie pośrednio SED 1 sprzeczna – gdy podstawienie wniosku

jednej z reguł do kolejnej, tej do jeszcze następnej doprowadza do

reguły SED 1 samosprzecznej: K, B -> H; C, D, X -> K; H, A -> X

Typu SED 2

• Źródłem sprzeczności jest interakcja z bazą reguł i bazą ograniczeń.

Sprzecznością SED 2 jest wystepowanie reguł o warunkach wykluczających się:

A, B, C -> W przy ograniczeniu A, C

Nadmiarowość

Typu NED 1

• Źródłem nadmiarowości tylko baza reguł

◦ NED 1.1 – występowanie reguło jednakowych warunkach i wnioskach: A,

B, G -> Y; C, D -> A; E, F -> B; C, D, E, F, G -> Z

◦ NED 1.2 – występowanie reguł subsumowanych: A, B, C, D -> W; A, B -

> W

Typu NED 2 – interakcja BED z bazą ograniczeń: A, B, C -> W; A, B, D -> W; A, B ,E

-> W Z lista warunków wykluczających sie: C, D, E

2. Reprezentacja bazy wiedzy w języku Prolog, przykłady reguł prologowych.

(Czy budowa bazy wiedzy też?)

1 Reprezentacja bazy wiedzy

Prolog - deklarowany język programowania, nie implementuje się algorytmu tylko

dostarcza receptur i fakty. Jest językiem programowania w

background image

logice. Pisząc program w prologu skupiamy się na definicjach obiektu a związkach

między nimi, a nie na sposobie wykonania danego zadania.

Nacisk kładziemy na to Co obliczyć a nie JAK to obliczyć.

Język prolog to kompilatory wyposażony w system wnioskowania (sam rozstrzyga

prawdziwość podanego calu dla podanych reguł i faktów). Dzięki

w/w cechom umożliwia łatwe projektowanie systemów ekspertowych, które mogą być

realizowane w innym języku. Baza wiedzy składa się z reguł i

faktów. Program w Prologu składa się z faktów, relacji, reguł i zapytań. Reguły to

wiedza dziedzinowa o charakterze ogólnym, natomiast fakty to

wiedza dziedzinowa o charakterze szczegółowym.

Reprezentacja faktów:

Fakty przedstawia się za pomocą predykatów (

symbol_predykatu(ob_1,ob_2,...,ob_n). )

mezczyzna(jarek)

Jarek jest mężczyzną.

Reprezentacja reguł:

( B:-A1,A2,...,An ) gdzie A1,...,An są predykatami. Ponieważ reguły odnoszą się do

relacji pomiędzy pewnymi zbiorami obiektów, jako

argumenty mogą wystąpić zmienne.

rodzic(anna, jarek)

Anna jest rodzicem Jarka.

Cel:

Mając bazę faktów i reguł można zadawać pytania czyli stawiać cele do

rozwiązania. Cel to pojedynczy predykat lub koniunkcja predykatów.

Przykład reguły

"Jeżeli student X otrzymał wszystkie zaliczenia w terminie i student X zdał wszystkie

egzaminy to zaliczył wszystko"

Przykład faktu

"Student X otrzymał zaliczenia ze wszystkiego w terminie"

Bazę wiedzy w postaci klauzul Prologu zapisujemy w pliku tekstowym. Fakty to

klauzule o pustym ciele. Pytania to klauzule posiadające tylko ciało. Reguły to klauzule,

które maja niepuste zarówno nagłowek jak i ciało.

2 Przykładowe reguły

Sprawdzenie parzystości:

parzysta(X):-Y is X mod 2, Y =0.

Silnia:

silnia(N,F):-N>0, N1 is N-1, silnia(N1,F1), F is N*F1.

silnia(0,1).

Ciąg Fibonacciego:

f(0,1).

f(1,1).

f(N,F):-N>1, N1 is N-1, N2 is N-2, f(N1,F1), f(N2,F2), F is F1 + F2.

NWD

nwd(X,X,X).

nwd(X,Y,Z):-X>Y, X1 is X-Y, nwd(X1,Y,Z).

nwd(X,Y,Z):-X<Y, Y1 is Y-X, nwd(X,Y1,Z).

Względnie pierwsze

wp(X,Y):-nwd(X,Y,1).

background image

NWW

nww(X,Y,Z):-nwd(X,Y,Z1), Z is X*Y/Z1.

Wieża Hanoi

wh(1,X,Y,_):- write(X), write('->')write(Y), nl.

wh(N,X,Y,Z):- N>1, M is N-1, wh(M,X,Z,Y), wh(1,X,Y,_),wh(M,Z,X,Y).

3. Przeszukiwanie przestrzeni stanów, grafowa reprezentacja problemu

przeszukiwania, przeszukiwanie w głąb i wszerz.

1 Przeszukiwanie przestrzeni stanów

Przeszukiwanie to staranne rozważanie wielu możliwości prowadzące do wybory tej,

która wydaje się być optymalna. Jest ono elementem

wszystkich metod sztucznej inteligencji. przeszukiwaniami są miedzy innymi uczenie

czy wnioskowanie.

Przeszukiwanie przestrzeni stanów - reprezentacja

Opis przestrzeni stanów

iloczyn kartezjański (para, trójka,...)

dziedzina parametrów opisu przestrzeni

Przestrzeń stanów może być skończona bądź nieskończona

skończoność czy nieskończoność przestrzeni nie musi determinować

trudności problemu

w przestrzeni stanów mogą istnieć stany nieosiągalne

• Stan początkowy – jest to stan jawny

• Stan końcowy – jest on jawny; niejawny – w tym przypadku dysponujemy

warunkami osiągnięcia stanu końcowego, funkcją oceny stanu

• Operator zmiany stanu – warunki zastosowania stanu, efekty działania; opis

może być parametryczny ( np. ruch w labiryncie )

Schemat algorytmu przeszukiwania stanów

Algorytm GT (Generate and test)

Rozpocznij od stanu początkowego

Dopóki niespełniony warunek celu

wybierz operator stosowany w stanie Stan

zastosuj wybrany operator przechodząc w nowy stan

Algorytm ten sugeruje, że wybiera pierwszy możliwy do zastosowania w aktualnym

stanie operator. Wywiera on wypływ na wybór operatora

poprzez odpowiednie ich posortowanie. W praktyce stosowanie operatorów wyznacza

kolejka. Kluczowym elementem jest wybór odpowiedniej

strategii przeszukiwania.

Rodzaje strategii przeszukiwania

Ślepa

Możliwa do zastosowania we wszystkich przypadkach. Zakłada stosowanie

operatorów zgodnie z kolejnością występowania w

kolejce, np. strategia prawej ręki w przeszukiwaniu labiryntu.

Poinformowana

Wykonuje informacje specyficzne dla problemu. Informacja taka może być dostępna

w ogólnym przypadku, np. przeszukiwanie labiryntu w którym

z miejsca wyjścia dochodzą głosy.

background image

Odwracalna

Mamy z nią do czynienia, gdy istnieje wgląd w całą przeszukiwana przestrzeń,

istnieje możliwość symulowania ruchu lub jego cofnięcia. W

praktyce pomimo możliwości symulowania wielkość przestrzeni uniemożliwia jej

pełne przeszukanie.

2 Grafowa reprezentacja problemu przeszukiwania

3 Przeszukiwanie w głąb i wszerz

Przeszukiwanie wszerz

• Zbadaj wszystkie stany w odległości d od stanu początkowego przed zbadaniem

jakiegokolwiek stanu w odległości d-1

• Jest wersja algorytmu przeszukiwania z nawracaniem z kolejką FIFO, tzn nowe

stany umieszczone są na końcu

• Własności:

◦ Zawsze gwarantuje znalezienie rozwiązania gdy istnieje

◦ Złożoność wykładnicza

Przeszukiwanie w głąb

• Zbadaj wszystkie nowe stany ( potomki ) danego stanu s przed powrotem do

badania sąsiadów stanu s

• Jest wersja algorytmu przeszukiwania z nawracaniem z kolejką LIFO, tzn nowe

stany umieszczane na początku

• Własności:

◦ Nie gwarantuje znalezienia rozwiązania gdy istnieje

◦ Może nie znaleźć rozwiązania optymalnego w sensie długości drogi

dojścia do niego

◦ Złożoność wykładnicza

• Dla przestrzeni nieskończonych użyteczne jest ograniczenie głębokości

4. Przeszukiwanie w grach dwuosobowych, drzewo gry, algorytm min-max.

1 Przeszukiwanie w grach dwuosobowych

• W grze bierze udział dwóch graczy którzy na przemian wykonują ruch

• W każdym momencie gry wykonać można tylko skończoną liczbą ruchów

• Wynikiem w grze może być:

◦ wygrana pierwszego lub drugiego gracza bądź remis

• Przeszukiwanie przestrzeni stanów dla gier dwuosobowych nie może być

stosowane bezpośrednio ze względu na to że nie są znane ruchy przeciwnika

• Rozwiązaniem jest schemat uwzględniający wszystkie możliwe ruchy przeciwnika

• W pewnych przypadkach pełna wiedza o stanie w ogóle nie jest dostępna dla

obydwu graczy

2 Drzewo gry dwuosobowej

• Partię gry można opisać w pełni przez ciąg naprzemiennych ruchów obu graczy,

od początkowego ustawienia do rozstrzygnięcia

• W celu wyboru optymalnego ruchu na pewnym poziomie rozważyć można

wszystkie możliwe scenariusze rozpoczynające sie możliwymi ruchami tego

gracza po każdym z których może nastąpić każdy możliwy ruch drugiego gracza

itd.

background image

• Scenariusz gry reprezentujemy w postaci drzewa, którego kolejne poziomy

reprezentują na przemian ruchy graczy, a każdy węzeł obrazuje aktualny stan

gry

• Korzeń drzewa – reprezentuje początkowy stan gry, kolejny poziom stan gry po

pierwszym ruchu itd.

• Gałęzie – reprezentują wszystkie możliwe do wykonania ruchy gracza który

aktualnie wykonuje ruch

• Każda gałąź prowadzi do węzła reprezentującego stan gry po ruchu

• Liście – reprezentują sytuacje, w których partia gry jest rozstrzygnięta

3 Algorytm min-max

Może być stosowany dla gier deterministycznych z pełną informacja, polega na

obliczaniu wartości węzła startowego poprzez propozycje wartości

końcowych w górę drzewa.

• Ruchów przeciwnika nie można przewidzieć ani opisać dlatego przyjmujemy, że

przeciwnik również dąży do wygranej

• Zakładając, że węzłom drzewa gry przypisujemy wartości liczbowe będące ocena

szans wygranej gracza, to na poziomie ruchu gracza należy zakładać wybór

maxujący tą ocenę a na poziomie przeciwnika min

• Algorytm ten działa wg schematu i może być stosowany do gier

deterministycznych z pełną informacją, polega na obliczeniu wartości węzła

startowego poprzez propagację wartości końcowych w gore drzewa

• Poziom drzewa odpowiada ruchom graczy MAX-a i MIN-a. Zakładamy, że MAX

wykonuje pierwszy ruch

• Stanom końcowym reprezentowanym przez liście przypisujemy wartości

wygranej ( przegrana – liczba ujemna )

• Węzłom drzewa powyżej liści przypisujemy stopniowo wartości: maksymalna ze

wszystkich gałęzi, jeśli węzeł odpowiada ruchowi MAX-a minimalna gdy MIN-a

• Najwyższa gałąź z największą wartością wskazuje optymalny ruch MAX-a.

5. Zadanie uczenia pod nadzorem i uczenia nienadzorowanego. Przykłady

algorytmów.

5.1 Uczenie pod nadzorem – w przypadku gdy zbiór uczący składa sie z

wektorów cech oraz wektorów odpowiedzi:

- wektor wejściowy – wektor cech

- wektor wyjściowy – wektor zmiennych opisywanych

- cel uczenia – nauczenie systemu odpowiedzi na wektory wejściowe

- przykład – zadanie klasyfikacji, wyjściem etykieta klasy

W trybie uczenia z nauczycielem (nazywanym również uczeniem pod nadzorem)

oprócz danych wejściowych posiadamy również sygnały wyjściowe, jakie chcemy

uzyskać. Dobór wag musi być przeprowadzony w taki sposób, aby aktualny

sygnał wyjściowy y był najbliższy wartości zadanej d.

5.2 Uczenie nienadzorowane – zbiór uczący składa sie z wektora cech.

- cel uczenia - opisanie i objasnienie zbioru dnaych wejściowych tylko na

podstawie ich samych, wykrycie wewnętrznej struktury danych, wykrycie

współzależności.

- przykład - zadanie grupowania danych w rozłączne klasy (klasyfikacja

nienadzorowana)

Uczenie maszynowe albo uczenie się maszyn

background image

( ang. machine learning) jest dziedziną sztucznej inteligencji której przedmiotem

zainteresowania

metody

umożliwiające

uczenie

się

programom

komputerowym. Program uczy się, jeśli potrafi modyfikować jakiś aspekt samego

siebie (swój stan) i dzięki temu działać coraz lepiej lub wydajniej. Uczenie

maszynowe

(nienadzorowane)

znajduje

zastosowanie

na

przykład

w

rozwiązywaniu problemów, dla których ze względu na ich złożoność niemożliwe

jest podanie gotowego programu rozwiązującego dany problem w racjonalnym

czasie.

6. Zadanie uczenia klasyfikacji, ocena klasyfikatora.

6.1. Zadanie uczenia klasyfikacji.

Zbiór obserwacji próbek (próbek) nazywamy zbiorem wektorów uczących -

oznaczamy symbolem V.

Każdy element zbioru V opisywany jest przez zestaw atrybutów (cech)

a

1

,...,a

p

ze zbioru A oraz przez klasę, którą reprezentuje

Atrybuty tworzą tak zwaną przestrzeń cech.

...

Algorytmem klasyfikacji (regułą decyzyjną) nazywamy funkcję odwzorowującą

przestrzeń cech w zbiór numerów klas, tzn (przy przyjętych założeniach)
funkcję:

taką, że

, gdy wektor x jest elementem

klasy i.

Każda próbka może należeć tylko i wyłączenie do jednej klasy.

...

6.2. Ocena klasyfikatora.

Walidacja klasyfikatora – sprawdzenie sprawnośći (prawdopodobieństwa

poprawnje klasyfikacji) klasyfikatora na podstawie niezależnej od zbioru

uczącego próby, zwanej próba walidacyjną.

Testowanie – ostateczna ocena sprawności kklasyfikatora.

7. Podstawowe architektury sieci neuronowych, reguła uczenia perceptronu,

perceptron wielowarstwowy. Reguła propagacji wstecznej błędu.

7.1.Podstawy architektury sieci neuronowych.

Neuron

- W oryginale - komórka nerwowa. W sieci neuronowej -

podstawowy jej składnik.

Jądro - "centrum obliczeniowe" neuronu. To tutaj zachodzą procesy

kluczowe dla funkcjonowania neuronu.

Akson - "wyjście" neuronu. Za jego pośrednictwem neuron powiadamia

świat zewnętrzny o swojej reakcji na dane wejściowe. Neuron ma tylko

jeden akson.

background image

Wzgórek aksonu - stąd wysyłany jest sygnał wyjściowy, który wędruje

dalej poprzez akson.

Dendryt - "wejście" neuronu. Tędy trafiają do jądra sygnały mające

być w nim później poddane obróbce. Dendrytów może być wiele -

biologiczne neurony mają ich tysiące.

Synapsa - jeśli dendryt jest wejściem neuronu, to synapsa jest jego

furtką. Może ona zmienić moc sygnału napływającego poprzez dendryt.

Wejścia to dendryty,

lub

ściślej: sygnały przez

nie

nadchodzące. Wagi to

cyfrowe

odpowiedniki

modyfikacji

dokonywanych

na

sygnałach

przez synapsy. Blok sumujący to

odpowiednik jądra, blok aktywacji to wzgórek aksonu, a wyjście -

to akson. Zaznaczam, że fakt, iż na rysunku są trzy dendryty, jest

czysto przypadkowy. Liczba ich jest dowolna, (zaś na moich rysunkach

wynosi trzy jedynie ze względów estetycznych.)

7.2. Reguła uczenia perceptronu.

7.3.Perceptron wielowarstwowy.

Perceptron wielowarstwowy jest aproksymatorem nieliniowym. Węzeł grafu sieci

odpowiada pojedynczemu neuronowi. Krawędź odpowiada połączeniu między

neuronami (tzw. połączenie synaptyczne) – jest skierowana od wyjścia jednego

do wejścia drugiego neuronu, co odpowiada jednokierunkowemu przepływowi

danych.

Neuron działa w taki sposób, że dokonuje się ważonego sumowania wartości

wejść, obliczając wartość, zwaną pobudzeniem :

7.4. Reguła propagacji wstecznej błędu

Podanie na wejście wektora uczącego x i obliczenie aktualnego wyjścia y.

Obliczanie błędów w warstwie ostatniej na podstawie różnicy otrzymanych

wartości wektora y oraz wzorcowych y. Adaptacja wag od warstwy wejściowej

do wyjściowej. Obliczenie błędów dla neuronów we wszystkich warstwach

wcześniejszych po kolei. Powtarzamy procedurę do momentu kiedy sygnał

wyjściowy sieci będzie dostatecznie blisko.


Wyszukiwarka

Podobne podstrony:
Podstawy Sztucznej Intelignecji
Podstawy sztucznej inteligencji (2)
Pytania Podstawy sztucznej inteligencji
Podstawy Sztucznej Inteligencji
26 Podstawy filozoficzne sztucznej inteligencji
Projektowanie SI - podstawowe zagadnienia (2), dokumenty, Sztuczna inteligencja
Elementy Sztucznej Inteligencji
MSI-program-stacjonarne-15h-2011, logistyka, semestr IV, sieci neuronowe w log (metody sztucznej int
Ściąga ze sztucznej inteligencji(1), uczenie maszynowe, AI
wprowadzenie do sztucznej inteligencji-wyk łady (10 str), Administracja, Administracja, Administracj
system ekspercki i sztuczna inteligencja word 07
NARZĘDZIA SZTUCZNEJ INTELIGENCJI
Indukcja drzew decyzyjnych, Robotyka, Metody sztucznej inteligencji
MSI oprac, Mechatronika, Metody Sztucznej Inteligencji, msi materiały
Roboty będą posiadały własną sieć internetową RoboEarth, SZTUCZNA INTELIGENCJA, ROBOTYKA, ROBOTYKA
msi2, Automatyka i Robotyka, Semestr 4, Metody sztucznej inteligencji
PODWALINY SZTUCZNEJ INTELIGENCJI W ASPEKCIE KONTAKTU WIZUALNO GŁOSOWEGO
Projekt I Sztuczna Inteligencja, Sprawozdanie, Techniczne zastosowanie sieci neuronowych

więcej podobnych podstron