Adam Meissner SZTUCZNA INTELIGENCJA. Reprezentowanie i przetwarzanie wiedzy o czasie
|
|
- Juliusz Sobolewski
- 8 lat temu
- Przeglądów:
Transkrypt
1 2015 Adam Meissner Instytut Automatyki i Inżynierii Informatycznej Politechniki Poznańskiej Adam Meissner Adam.Meissner@put.poznan.pl SZTUCZNA INTELIGENCJA Reprezentowanie i przetwarzanie wiedzy o czasie literatura [1] Allen J.F., Maintaining Knowledge about Temporal Intervals; Comm. ACM 26 (1983) [2] Kamiński J., Przegląd algorytmów utrzymywania wiarygodności, raport IPI PAN nr 639, sierpień 1988, Warszawa. [3] McDermott D.V., A Temporal Logic for Reasoning about processes and plans, Cognitive Sci. 6 (1982) [4] Puppe F., Systematic Introduction to Expert Systems, Springer-Verlag, 1993.
2 Plan wykładu 2015 Adam Meissner 1. Zagadnienia dotyczące czasu w systemach z wiedzą zależności czasowe miedzy zdarzeniami zmienność wiedzy w czasie 2. Reprezentowanie zależności czasowych między zdarzeniami [4] reprezentacja bezwzględna reprezentacje względne 3. Przetwarzanie wiedzy zmiennej w czasie wnioskowanie niemonotoniczne systemy utrzymywania wiarygodności (ang. Truth Maintenance Systems). 2
3 Zależności czasowe między zdarzeniami reprezentacja bezwzględna (czas jako oś liczbowa) zalety: prostota technik reprezentowania i przetwarzania wiedzy wady: wymóg precyzyjnego określania czasu zachodzenia zdarzeń reprezentacje względne rachunek punktów [McDermott D.V. 1982] rachunek interwałów [Allen J.F. 1983]. Reprezentacja bezwzględna zastosowania: nauki techniczne, medycyna system VM [Fagan L. 1984] sterowanie pracą respiratora na podstawie pomiarów ciśnienia krwi pacjenta, tętna i tempa oddychania reprezentacja wiedzy wzorowana na syst. MYCIN dokonywanie pomiarów 30 razy na dobę o ściśle określonych porach system MED2 [Puppe F. 1987] udoskonalenie systemu VM rejestrowanie wyników pomiarów w różnych odstępach, możliwość odnoszenia momentu pomiaru do wskazanego punktu czasowego funkcje mechanizmu wnioskującego: (1) wyznaczanie czasu, jaki upłynął między dwoma pomiarami, (2) wyznaczanie zmian wartości oraz dynamiki zmian danego parametru w okresie między pomiarami. 3
4 Rachunek punktów [McDermott D.V. 1982] REPREZENTACJA WIEDZY O ZALEŻNOŚCIACH CZASOWYCH zdarzenia są reprezentowane za pomocą punktów czasowych w przestrzeni punktów czasowych definiuje się funkcję odległości przyporządkowującą parze punktów liczbę całkowitą Dist baza wiedzy o zależnościach czasowych jest grafem: wierzchołkami grafu są punkty krawędzie oznaczają zależności między punktami; zależności te mają postać ograniczeń Elt, reprezentowanych przez wyrażenia (MinDist, MaxDist) z dowolną parą punktów połączonych ścieżką związane jest ograniczenie będące złożeniem ograniczeń przypisanych poszczególnym krawędziom ścieżki podstawowym warunkiem niesprzeczności bazy wiedzy jest wymóg, aby dla każdego ograniczenia MinDist MaxDist. Przykład 1 (baza wiedzy o zal. czasowych) p1 c1 (6, 9) p2 c2 (2, 5) c3 (3, 7) c4 (5, 8) p3 Elt(p 3, p 2 ) = (5, 7) Elt(p 1, p 2 ) = (7, 9) 4
5 REPREZENTACJA WIEDZY PRZEDMIOTOWEJ pojęcia podstawowe interwał czasowy (p 1, p 2 ) token, zachodzenie tokenu P podczas interwału (p 1, p 2 ) struktura bazy wiedzy fakty i domniemania (ang. beliefs) reguły metody wnioskowania wnioskowanie progresywne P 1... Pn => Q (t 1,1, t 1,2 ) (t n,1, t n,2 ) (t 1,1, t 1,2 )... (t n,1, t n,2 ) wada: generowanie wielu bezużytecznych wniosków automatyczna projekcja Z P 1... Pn => Q (z 1, z 2 ) (q 1, q 2 ) zalety: możliwość posługiwania się demonami systemowymi, ustalanie priorytetów zdarzeń wnioskowanie o domniemaniach posługiwanie się domyślnymi założeniami o zdarzeniach, np. że każde zdarzenie trwa począwszy do pojawienia się informacji o jego zajściu, aż do nadejścia wiadomości o jego zakończeniu wykorzystanie systemu TMS, działającemu na zabezpieczeniach (ang. protection). 5
6 Przykład 2 (weryfikacja domniemań) Dana jest baza wiedzy 14:00 - Malinowski otrzymuje wiadomość dla Kowalskiego, 18:00 - Kowalski przychodzi do Iksińśkich, 21:00 - Malinowski przychodzi do Iksińskich. Na podstawie ww. bazy wiedzy można domniemywać, że Malinowski przekazał wiadomość Kowalskiemu. Jednakże po wprowadzeniu nowego faktu 20:00 Kowalski wrócił do domu powyższe domniemanie przestaje obowiązywać. Podsumowanie: rachunek punktów dobrze nadaje się do reprezentowania zdarzeń z zależnościami opisanymi za pomocą wielkości liczbowych trudności sprawia wyrażanie relacji typowo względnych, jak np. przed czy po. 6
7 rachunek interwałów [Allen J.F. 1983] pojęcia podstawowe interwał czasowy relacja względna między parą interwałów,typy relacji względnych między interwałami relacja symbol relacji symbol relacji ilustracja graficzna odwrotnej X before Y < > X meets Y m mi X overlaps Y o oi X during Y d di X starts Y s si X finishes Y f fi X equals Y = = REPREZENTACJA WIEDZY PRZEDMIOTOWEJ baza wiedzy o zależnościach czasowych ma postać grafu: wierzchołki grafu reprezentują interwały krawędzie są etykietowane przez zbiory relacji, jakie mogą zachodzić między interwałami podstawową operacją wykonywaną na bazie wiedzy jest wprowadzenie nowej relacji między wskazanymi interwałami; w procesie tym uaktualnia się całą bazę wiedzy poprzez propagowanie ograniczeń i usuwanie relacji o charakterze przypuszczeń sprzecznych 7
8 Algorytm wprowadzania nowej relacji do bazy wiedzy Dane: baza wiedzy B w postaci grafu, nowa relacja między parą wierzchołków R(i, j). Wynik: baza wiedzy B rozszerzona o relację R(i, j). Metoda: Constraints(R1, R2) { C = ; for_each r1 in R1 do for_each r2 in R2 do C = C T(r1, r2); return(c) } Fragment tablicy T B r2 C A r1 B o d o d s 8
9 Add( R(i, j) ) { Put((i,j), ToDo); while NotEmpty(ToDo) { Get((i,j), ToDo); N(i, j) = R(i, j); for_each k do { R(k, j) = N(k, j) Constraints(N(k, i), R(i, j)); if R(k, j) N(k, j) then Put((k, j), ToDo); } for_each k do { R(i, k) = N(i, k) Constraints(R(i, j), N(j, k)); if R(i, k) N(i, k) then Put((i, k), ToDo); } } zastosowanie interwałów referencyjnych Przykład 3 życie d d d < przedszkole m nauka m praca (życie) (życie) (życie) s d f szkoła podstawowa m szkoła średnia < studia (nauka) (nauka) (nauka) < 9
10 Przetwarzanie wiedzy zmiennej w czasie zmienność wiedzy w czasie jest zjawiskiem dotyczącym większości praktycznie wykorzystywanych systemów przetwarzających wiedzę przyjmuje się, że wprowadzenie nowej wiedzy do systemu może pociągać za sobą dwojakie skutki (1) rozszerzenie zbioru konsekwencji, jakie można wywnioskować na podstawie wcześniej zgromadzonej wiedzy (2) zawężenie tego zbioru w wypadku (2) mówi się o wnioskowaniu niemonotonicznym, tzn. A A Cn(A) Cn(A ) przykładem niemonotonicznej reguły wnioskowania jest negacja przez porażkę (ang. negation as failure) stosowana w Prologu. Przykład 4 P = {}, not(q) Cn(P), P' = { q. }, not(q) Cn(P'). Do opisu wnioskowania niemonotonicznego można wykorzystać operator unless F 1 F m unless(d 1 ) unless(d n ) W wyrażenie unless(d) jest prawdziwe o ile formuła D jest fałszywa albo jej wartość logiczna nie jest znana. 10
11 Systemy utrzymywania wiarygodności system utrzymywania wiarygodności (ang. Truth Maintenance Systems) służy do wyznaczania konsekwencji rozszerzania bazy wiedzy w pewnym systemie przetwarzającym wiedzę system utrzymywania wiarygodności oraz mechanizm wnioskujący stanowią odrębne lecz współpracujące ze sobą moduły systemu przetwarzania wiedzy posługiwanie się systemem TMS z reguły wymaga reprezentowania wiedzy w postaci sieci zależności niektóre rodzaje systemów TMS: JTMS oparty na uzasadnieniach (ang. Justificationbased TMS) ATMS oparty na założeniach (ang. Assumptionbased TMS) LTMS logiczny TMS (ang. Logic-based TMS). 11
12 System JTMS [John Doyle, 1979] POJĘCIA PODSTAWOWE sieć zależności w systemie składa się z węzłów (ang. nodes) i uzasadnień (ang. justifications) węzeł ma postać pary (F, E), gdzie F jest formułą z bazy wiedzy a E jest etykietą, E {IN, OUT} uzasadnienie ma postać pary (R, L), gdzie R jest regułą a L = (L-IN, L-OUT) jest parą list złożonych z węzłów węzeł bezpośrednio wspiera uzasadnienie, o ile jest elementem listy L-IN lub listy L-OUT tego uzasadnienia uzasadnienie bezpośrednio wspiera węzeł jeżeli formuła zawarta w węźle należy do wniosków płynących z reguły reprezentowanej przez to uzasadnienie uzasadnienie jest słuszne, jeżeli każdy element listy L-IN tego uzasadnienia ma etykietę IN a każdy element listy L-OUT ma etykietę OUT węzeł nazywany jest założeniem o ile jest bezpośrednio wspierany przez co najmniej jedno uzasadnienie słuszne, a każde ze słusznych uzasadnień wspierających ma niepustą listę L-OUT sieć zależności jest poprawnie etykietowana o ile każdy węzeł wspierany przez co najmniej jedno słuszne uzasadnienie ma etykietę IN - w przeciwnym wypadku węzeł ten ma etykietę OUT każdy węzeł oznaczający sprzeczność ma etykietę OUT. 12
13 ZADANIE SYSTEMU JTMS 2015 Adam Meissner Dla danej sieci zależności skonstruować jej poprawne etykietowanie. DZIAŁANIA WYKONYWANE PRZEZ SYSTEM JTMS dodawanie węzłowi nowego uzasadnienia dodawanie nowego węzła do sieci zależności usuwanie sprzeczności. Przykład 5 (sieć zależności) ZARYS METODY DODAWANIA WĘZŁOWI NOWEGO UZASADNIENIA 1. Jeżeli nowe uzasadnienie jest słuszne a rozpatrywany węzeł ma etykietę OUT, to wykonać krok 2, w przeciwnym wypadku zakończyć działanie. 2. Zmienić węzłowi etykietę na IN a następnie wyznaczyć konsekwencje tej zmiany w całej sieci zależności. 13
14 ZARYS METODY USUWANIA SPRZECZNOŚCI (WG [2]) Wejście: węzeł N oznaczający sprzeczność z etykietą IN Wyjście: węzeł N z etykietą OUT albo sygnał fail 1. Dla każdego słusznego uzasadnienia U węzła N wykonać kroki Skonstruować zbiór S = {A 1,, A i,, A n } zawierający wszystkie bezpośrednie założenia wspierające uzasadnienie U. Jeżeli zbiór S jest pusty to zakończyć z sygnałem fail (sprzeczności nie można usunąć na poziomie TMS-u). 3. Ze zbioru S wybrać dowolne założenie A i i dla każdego uzasadnienia słusznego węzła A i wybrać pewien element D j z listy L-OUT tego uzasadnienia, postaci D 1,, D j,, D k. Następnie, dodać węzłowi D j nowe, słuszne uzasadnienie, którego lista L-IN ma postać A 1,, A i-1, A i+1,, A n a lista L-OUT jest postaci D 1,, D j-1, D j+1,, D k. Metodę usuwania sprzeczności ilustruje poniższy rysunek; nowo dodane uzasadnienie ma kolor czerwony, etykiety wierzchołków dotyczą stanu sprzed dodania tego uzasadnienia. 14
15 System ATMS [Johan de Kleer, 1986] system ATMS nie posiada takich wad systemu JTMS jak: wyznaczanie pojedynczego rozwiązania, migotanie etykiet, nadrestrykcyjne traktowanie sprzeczności, wiedzę w systemie ATMS reprezentuje zbiór węzłów postaci (F, E, U) gdzie F jest formułą z bazy wiedzy, U jest zbiorem uzasadnień, tj. formuł (implikacji) opisujących zależność formuły F od formuł zawartych w innych węzłach, zaś E jest etykietą, tj. zbiorem kontekstów, czyli zbiorów K formuł, takich że ( K E) (K U F). ZADANIE SYSTEMU ATMS Dla każdego węzła w sieci zależności skonstruować etykietę, która jest niesprzeczna, trafna, pełna i minimalna, DZIAŁANIA WYKONYWANE PRZEZ SYSTEM ATMS dodawanie uzasadnienia węzłowi i wyznaczenie etykiety oznaczanie kontekstu K jako sprzecznego (nogood(k)) generowanie nowego węzła konstruowanie nowego uzasadnienia. Przykład 6 Dany jest zbiór następujących węzłów: (a, {{A, G}}, ), (b, {{B}, {C, D}, {A, C}}, ), (c, {{}}, ) oraz wyrażenie nogood({g, C }). Po dodaniu uzasadnienia a b c system wylicza etykietę węzła z formułą c: (c, {{A, G, B}, {A, G, C, D}, {A, G, C}}, ) (e. trafna i pełna) (c, {{A, G, B}, {A, G, C}}, ) (e. trafna, pełna i minimalna) (c, {{A, G, B}}, { a b c }) (e. trafna, pełna, minimalna i niesprzeczna) 15
Adam Meissner SZTUCZNA INTELIGENCJA. Architektury systemów eksperckich
Instytut Automatyki i Inżynierii Informatycznej Politechniki Poznańskiej Adam Meissner Adam.Meissner@put.poznan.pl http://www.man.poznan.pl/~ameis SZTUCZNA INTELIGENCJA Architektury systemów eksperckich
Bardziej szczegółowoAdam Meissner.
Instytut Automatyki i Inżynierii Informatycznej Politechniki Poznańskiej Adam Meissner Adam.Meissner@put.poznan.pl http://www.man.poznan.pl/~ameis SZTUCZNA INTELIGENCJA Podstawy logiki pierwszego rzędu
Bardziej szczegółowoTEORETYCZNE PODSTAWY INFORMATYKI
1 TEORETYCZNE PODSTAWY INFORMATYKI WFAiS UJ, Informatyka Stosowana I rok studiów, I stopień Wykład 14c 2 Definicje indukcyjne Twierdzenia dowodzone przez indukcje Definicje indukcyjne Definicja drzewa
Bardziej szczegółowoJęzyk UML w modelowaniu systemów informatycznych
Język UML w modelowaniu systemów informatycznych dr hab. Bożena Woźna-Szcześniak Akademia im. Jan Długosza bwozna@gmail.com Wykład 4 Diagramy aktywności I Diagram aktywności (czynności) (ang. activity
Bardziej szczegółowoParadygmaty dowodzenia
Paradygmaty dowodzenia Sprawdzenie, czy dana formuła rachunku zdań jest tautologią polega zwykle na obliczeniu jej wartości dla 2 n różnych wartościowań, gdzie n jest liczbą zmiennych zdaniowych tej formuły.
Bardziej szczegółowoSztuczna Inteligencja Projekt
Sztuczna Inteligencja Projekt Temat: Algorytm LEM2 Liczba osób realizujących projekt: 2 1. Zaimplementować algorytm LEM 2. 2. Zaimplementować klasyfikator Classif ier. 3. Za pomocą algorytmu LEM 2 wygenerować
Bardziej szczegółowoLogika Stosowana. Wykład 1 - Logika zdaniowa. Marcin Szczuka. Instytut Informatyki UW. Wykład monograficzny, semestr letni 2016/2017
Logika Stosowana Wykład 1 - Logika zdaniowa Marcin Szczuka Instytut Informatyki UW Wykład monograficzny, semestr letni 2016/2017 Marcin Szczuka (MIMUW) Logika Stosowana 2017 1 / 30 Plan wykładu 1 Język
Bardziej szczegółowoUniwersytet Zielonogórski Wydział Elektrotechniki, Informatyki i Telekomunikacji Instytut Sterowania i Systemów Informatycznych
Uniwersytet Zielonogórski Wydział Elektrotechniki, Informatyki i Telekomunikacji Instytut Sterowania i Systemów Informatycznych ELEMENTY SZTUCZNEJ INTELIGENCJI Laboratorium nr 6 SYSTEMY ROZMYTE TYPU MAMDANIEGO
Bardziej szczegółowoB jest globalnym pokryciem zbioru {d} wtedy i tylko wtedy, gdy {d} zależy od B i nie istnieje B T takie, że {d} zależy od B ;
Algorytm LEM1 Oznaczenia i definicje: U - uniwersum, tj. zbiór obiektów; A - zbiór atrybutów warunkowych; d - atrybut decyzyjny; IND(B) = {(x, y) U U : a B a(x) = a(y)} - relacja nierozróżnialności, tj.
Bardziej szczegółowoAdam Meissner SZTUCZNA INTELIGENCJA Problem spełnialności (SAT)
Instytut Automatyki, Robotyki i Inżynierii Informatycznej Politechniki Poznańskiej Adam Meissner Adam.Meissner@put.poznan.pl http://www.man.poznan.pl/~ameis SZTUCZNA INTELIGENCJA Problem spełnialności
Bardziej szczegółowoDrzewa spinające MST dla grafów ważonych Maksymalne drzewo spinające Drzewo Steinera. Wykład 6. Drzewa cz. II
Wykład 6. Drzewa cz. II 1 / 65 drzewa spinające Drzewa spinające Zliczanie drzew spinających Drzewo T nazywamy drzewem rozpinającym (spinającym) (lub dendrytem) spójnego grafu G, jeżeli jest podgrafem
Bardziej szczegółowoLogika. Michał Lipnicki. 15 stycznia Zakład Logiki Stosowanej UAM. Michał Lipnicki () Logika 15 stycznia / 37
Logika Michał Lipnicki Zakład Logiki Stosowanej UAM 15 stycznia 2011 Michał Lipnicki () Logika 15 stycznia 2011 1 / 37 Wstęp Materiały na dzisiejsze zajęcia zostały opracowane na podstawie pomocy naukowych
Bardziej szczegółowoSortowanie topologiczne skierowanych grafów acyklicznych
Sortowanie topologiczne skierowanych grafów acyklicznych Metody boolowskie w informatyce Robert Sulkowski http://robert.brainusers.net 23 stycznia 2010 1 Definicja 1 (Cykl skierowany). Niech C = (V, A)
Bardziej szczegółowoPodstawy Sztucznej Inteligencji (PSZT)
Podstawy Sztucznej Inteligencji (PSZT) Paweł Wawrzyński Wnioskowanie logiczne i systemy eksperckie Systemy posługujące się logiką predykatów: część 3/3 Dzisiaj Uogólnienie Poprawność i pełność wnioskowania
Bardziej szczegółowoPodstawy Automatyki. Wykład 9 - Podstawy matematyczne automatyki procesów dyskretnych. dr inż. Jakub Możaryn. Instytut Automatyki i Robotyki
Wykład 9 - Podstawy matematyczne automatyki procesów dyskretnych Instytut Automatyki i Robotyki Warszawa, 2015 Kody liczb całkowitych nieujemnych Kody liczbowe dzielimy na analityczne nieanalityczne (symboliczne)
Bardziej szczegółowo1. Algorytmy przeszukiwania. Przeszukiwanie wszerz i w głąb.
1. Algorytmy przeszukiwania. Przeszukiwanie wszerz i w głąb. Algorytmy przeszukiwania w głąb i wszerz są najczęściej stosowanymi algorytmami przeszukiwania. Wykorzystuje się je do zbadania istnienia połączenie
Bardziej szczegółowoDrzewa Semantyczne w KRZ
Drzewa Semantyczne w KRZ Jerzy Pogonowski Zakład Logiki Stosowanej UAM www.logic.amu.edu.pl pogon@amu.edu.pl 7 XII 2006, 13:30 15:00 Jerzy Pogonowski (MEG) Drzewa Semantyczne w KRZ 7 XII 2006, 13:30 15:00
Bardziej szczegółowoElementy logiki. Wojciech Buszkowski Wydział Matematyki i Informatyki UAM Zakład Teorii Obliczeń
Elementy logiki Wojciech Buszkowski Wydział Matematyki i Informatyki UAM Zakład Teorii Obliczeń 1 Klasyczny Rachunek Zdań 1.1 Spójniki logiczne Zdaniem w sensie logicznym nazywamy wyrażenie, które jest
Bardziej szczegółowoNp. Olsztyn leży nad Łyną - zdanie prawdziwe, wartość logiczna 1 4 jest większe od 5 - zdanie fałszywe, wartość logiczna 0
ĆWICZENIE 1 Klasyczny Rachunek Zdań (KRZ): zdania w sensie logicznym, wartości logiczne, spójniki logiczne, zmienne zdaniowe, tabele prawdziwościowe dla spójników logicznych, formuły, wartościowanie zbioru
Bardziej szczegółowoMetoda tabel semantycznych. Dedukcja drogi Watsonie, dedukcja... Definicja logicznej konsekwencji. Logika obliczeniowa.
Plan Procedura decyzyjna Reguły α i β - algorytm Plan Procedura decyzyjna Reguły α i β - algorytm Logika obliczeniowa Instytut Informatyki 1 Procedura decyzyjna Logiczna konsekwencja Teoria aksjomatyzowalna
Bardziej szczegółowoLOGIKA Dedukcja Naturalna
LOGIKA Dedukcja Naturalna Robert Trypuz Katedra Logiki KUL 7 stycznia 2014 Robert Trypuz (Katedra Logiki) Założeniowy system klasycznego rachunku zdań 7 stycznia 2014 1 / 42 PLAN WYKŁADU 1 Przykład dowodów
Bardziej szczegółowoSystemy ekspertowe - wiedza niepewna
Instytut Informatyki Uniwersytetu Śląskiego lab 8 Rozpatrzmy następujący przykład: Miażdżyca powoduje często zwężenie tętnic wieńcowych. Prowadzi to zazwyczaj do zmniejszenia przepływu krwi w tych naczyniach,
Bardziej szczegółowoWstęp do Sztucznej Inteligencji
Wstęp do Sztucznej Inteligencji Rozwiązywanie problemów-i Joanna Kołodziej Politechnika Krakowska Wydział Fizyki, Matematyki i Informatyki Rozwiązywanie problemów Podstawowe fazy: Sformułowanie celu -
Bardziej szczegółowoAdam Meissner. SZTUCZNA INTELIGENCJA Gry dwuosobowe
Instytut Automatyki i Inżynierii Informatycznej Politechniki Poznańskiej Adam Meissner Adam.Meissner@put.poznan.pl http://www.man.poznan.pl/~ameis SZTUCZNA INTELIGENCJA Gry dwuosobowe Literatura [1] Sterling
Bardziej szczegółowoSYSTEMY UCZĄCE SIĘ WYKŁAD 4. DRZEWA REGRESYJNE, INDUKCJA REGUŁ. Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska
SYSTEMY UCZĄCE SIĘ WYKŁAD 4. DRZEWA REGRESYJNE, INDUKCJA REGUŁ Częstochowa 2014 Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska DRZEWO REGRESYJNE Sposób konstrukcji i przycinania
Bardziej szczegółowoMETODY DOWODZENIA TWIERDZEŃ I AUTOMATYZACJA ROZUMOWAŃ
METODY DOWODZENIA TWIERDZEŃ I AUTOMATYZACJA ROZUMOWAŃ KONWERSATORIUM 6: REZOLUCJA V rok kognitywistyki UAM 1 Kilka uwag terminologicznych Słuchacze zapewne pamiętają z zajęć dotyczących PROLOGu poniższą
Bardziej szczegółowoBadania operacyjne: Wykład Zastosowanie kolorowania grafów w planowaniu produkcji typu no-idle
Badania operacyjne: Wykład Zastosowanie kolorowania grafów w planowaniu produkcji typu no-idle Paweł Szołtysek 12 czerwca 2008 Streszczenie Planowanie produkcji jest jednym z problemów optymalizacji dyskretnej,
Bardziej szczegółowoLogika Temporalna i Automaty Czasowe
Modelowanie i Analiza Systemów Informatycznych Logika Temporalna i Automaty Czasowe (4) Modelowa weryfikacja systemu Paweł Głuchowski, Politechnika Wrocławska wersja 2.1 Treść wykładu Własności współbieżnych
Bardziej szczegółowoTemporalne bazy danych
Temporalne bazy danych Temporalne bazy danych wspierają powiązanie elementów temporalnych ze zdarzeniami lub stanami reprezentowanymi w bazie danych. Zastosowania: archiwa elektroniczne medyczne bazy danych
Bardziej szczegółowoDowody założeniowe w KRZ
Dowody założeniowe w KRZ Jerzy Pogonowski Zakład Logiki Stosowanej UAM www.logic.amu.edu.pl pogon@amu.edu.pl w styczniu 2007 Jerzy Pogonowski (MEG) Dowody założeniowe w KRZ w styczniu 2007 1 / 10 Dowody
Bardziej szczegółowoRachunek zdań. Materiały pomocnicze do wykładu. wykładowca: dr Magdalena Kacprzak
Rachunek zdań Materiały pomocnicze do wykładu wykładowca: dr Magdalena Kacprzak RACHUNEK ZDAŃ Zdania Definicja Zdanie jest to stwierdzenie w języku naturalnym, któremu można przypisać wartość prawdy lub
Bardziej szczegółowoRachunek zdań i predykatów
Rachunek zdań i predykatów Agnieszka Nowak 14 czerwca 2008 1 Rachunek zdań Do nauczenia :! 1. ((p q) p) q - reguła odrywania RO 2. reguła modus tollens MT: ((p q) q) p ((p q) q) p (( p q) q) p (( p q)
Bardziej szczegółowoWyrażenia regularne.
Teoretyczne podstawy informatyki Wykład : Wyrażenia regularne. Prof. dr hab. Elżbieta Richter-Wąs.2.202 Wyrażenia regularne Wyrażenia regularne (ang. regular expressions) stanowią algebraiczny sposób definiowania
Bardziej szczegółowoInżynieria oprogramowania
Inżynieria oprogramowania Wykład 8 Inżynieria wymagań: analiza przypadków użycia a diagram czynności Patrz: Stanisław Wrycza, Bartosz Marcinkowski, Krzysztof Wyrzykowski, Język UML 2.0 w modelowaniu systemów
Bardziej szczegółowoData Mining Wykład 9. Analiza skupień (grupowanie) Grupowanie hierarchiczne O-Cluster. Plan wykładu. Sformułowanie problemu
Data Mining Wykład 9 Analiza skupień (grupowanie) Grupowanie hierarchiczne O-Cluster Plan wykładu Wprowadzanie Definicja problemu Klasyfikacja metod grupowania Grupowanie hierarchiczne Sformułowanie problemu
Bardziej szczegółowoTeoretyczne podstawy informatyki
Teoretyczne podstawy informatyki Wykład 10: Opis wzorców - wyrażenia regularne. http://hibiscus.if.uj.edu.pl/~erichter/dydaktyka2010/tpi-2010 Prof. dr hab. Elżbieta Richter-Wąs 1 Wyrażenia regularne Wyrażenia
Bardziej szczegółowoWykład z Technologii Informacyjnych. Piotr Mika
Wykład z Technologii Informacyjnych Piotr Mika Uniwersalna forma graficznego zapisu algorytmów Schemat blokowy zbiór bloków, powiązanych ze sobą liniami zorientowanymi. Jest to rodzaj grafu, którego węzły
Bardziej szczegółowoLogika Stosowana. Wykład 7 - Zbiory i logiki rozmyte Część 3 Prawdziwościowa logika rozmyta. Marcin Szczuka. Instytut Informatyki UW
Logika Stosowana Wykład 7 - Zbiory i logiki rozmyte Część 3 Prawdziwościowa logika rozmyta Marcin Szczuka Instytut Informatyki UW Wykład monograficzny, semestr letni 2016/2017 Marcin Szczuka (MIMUW) Logika
Bardziej szczegółowoObliczenia na stosie. Wykład 9. Obliczenia na stosie. J. Cichoń, P. Kobylański Wstęp do Informatyki i Programowania 266 / 303
Wykład 9 J. Cichoń, P. Kobylański Wstęp do Informatyki i Programowania 266 / 303 stos i operacje na stosie odwrotna notacja polska języki oparte na ONP przykłady programów J. Cichoń, P. Kobylański Wstęp
Bardziej szczegółowoSZTUCZNA INTELIGENCJA
SZTUCZNA INTELIGENCJA SYSTEMY ROZMYTE Adrian Horzyk Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej Katedra Automatyki i Inżynierii Biomedycznej Laboratorium
Bardziej szczegółowoJEZYKOZNAWSTWO. I NAUKI O INFORMACJI, ROK I Logika Matematyczna: egzamin pisemny 18 czerwca Imię i Nazwisko:... I
JEZYKOZNAWSTWO I NAUKI O INFORMACJI, ROK I Logika Matematyczna: egzamin pisemny 18 czerwca 2013 Imię i Nazwisko:.................................................................................. I Wybierz
Bardziej szczegółowoMetody Programowania
POLITECHNIKA KRAKOWSKA - WIEiK KATEDRA AUTOMATYKI i TECHNIK INFORMACYJNYCH Metody Programowania www.pk.edu.pl/~zk/mp_hp.html Wykładowca: dr inż. Zbigniew Kokosiński zk@pk.edu.pl Wykład 8: Wyszukiwanie
Bardziej szczegółowoRozwiązywanie problemów metodą przeszukiwania
Rozwiązywanie problemów metodą przeszukiwania Dariusz Banasiak Katedra Informatyki Technicznej W4/K9 Politechnika Wrocławska Reprezentacja problemu w przestrzeni stanów Jedną z ważniejszych metod sztucznej
Bardziej szczegółowoZiemia obraca się wokół Księżyca, bo posiadając odpowiednią wiedzę można stwierdzić, czy są prawdziwe, czy fałszywe. Zdaniami nie są wypowiedzi:
1 Elementy logiki W logice zdaniem nazywamy wypowiedź oznajmującą, która (w ramach danej nauki) jest albo prawdziwa, albo fałszywa. Tak więc zdanie może mieć jedną z dwóch wartości logicznych. Prawdziwość
Bardziej szczegółowoPodstawy Automatyki. Wykład 13 - Układy bramkowe. dr inż. Jakub Możaryn. Warszawa, Instytut Automatyki i Robotyki
Wykład 13 - Układy bramkowe Instytut Automatyki i Robotyki Warszawa, 2015 Układy z elementów logicznych Bramki logiczne Elementami logicznymi (bramkami logicznymi) są urządzenia o dwustanowym sygnale wyjściowym
Bardziej szczegółowoProgramowanie deklaratywne
Programowanie deklaratywne Artur Michalski Informatyka II rok Plan wykładu Wprowadzenie do języka Prolog Budowa składniowa i interpretacja programów prologowych Listy, operatory i operacje arytmetyczne
Bardziej szczegółowo4 Klasyczny rachunek zdań
4 Klasyczny rachunek zdań Elementy Logiki i Teorii Mnogości 2015/2016 Spis najważniejszych tautologii: (a) p p prawo wyłączonego środka (b) ( p) p prawo podwójnej negacji (c) p q q p (d) p q q p prawo
Bardziej szczegółowoĆwiczenie numer 4 JESS PRZYKŁADOWY SYSTEM EKSPERTOWY.
Ćwiczenie numer 4 JESS PRZYKŁADOWY SYSTEM EKSPERTOWY. 1. Cel ćwiczenia Celem ćwiczenia jest zapoznanie się z przykładowym systemem ekspertowym napisanym w JESS. Studenci poznają strukturę systemu ekspertowego,
Bardziej szczegółowoSZTUCZNA INTELIGENCJA
SZTUCZNA INTELIGENCJA WYKŁAD 10. WNIOSKOWANIE W LOGICE ROZMYTEJ Częstochowa 2014 Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska WNIOSKOWANIE W LOGICE DWUWARTOŚCIOWEJ W logice
Bardziej szczegółowoSterowniki Programowalne (SP)
Sterowniki Programowalne (SP) Wybrane aspekty procesu tworzenia oprogramowania dla sterownika PLC Podstawy języka funkcjonalnych schematów blokowych (FBD) Politechnika Gdańska Wydział Elektrotechniki i
Bardziej szczegółowoProgramowanie liniowe
Programowanie liniowe Maciej Drwal maciej.drwal@pwr.wroc.pl 1 Problem programowania liniowego min x c T x (1) Ax b, (2) x 0. (3) gdzie A R m n, c R n, b R m. Oznaczmy przez x rozwiązanie optymalne, tzn.
Bardziej szczegółowoAlgorytm Dijkstry znajdowania najkrótszej ścieżki w grafie
Algorytm Dijkstry znajdowania najkrótszej ścieżki w grafie Używane struktury danych: V - zbiór wierzchołków grafu, V = {1,2,3...,n} E - zbiór krawędzi grafu, E = {(i,j),...}, gdzie i, j Î V i istnieje
Bardziej szczegółowoSystem hilbertowski. Plan wykładu. hilbertowskiego. Definicja systemu hilbertowskiego. Podstawowe twierdzenie systemu. Podstawowe twierdzenie systemu
Plan wykładu System hilbertowski Wykład 2 Definicja Definicja systemu Reguły y pochodne Twierdzenia dla innych operatorów Porównanie z systemem gentzenowskim Definicja systemu System H jest systemem dowodzenia
Bardziej szczegółowoINTERNETOWE BAZY DANYCH materiały pomocnicze - wykład X
Wrocław 2006 INTERNETOWE BAZY DANYCH materiały pomocnicze - wykład X Paweł Skrobanek C-3, pok. 323 e-mail: pawel.skrobanek@pwr.wroc.pl INTERNETOWE BAZY DANYCH PLAN NA DZIŚ zajęcia 1: 2. Procedury składowane
Bardziej szczegółowo1 Moduł Neuronu Analogowego SM
1 Moduł Neuronu Analogowego SM Moduł Neuronu Analogowego SM daje użytkownikowi Systemu Vision możliwość obsługi fizycznych urządzeń Neuronów Analogowych podłączonych do Sterownika Magistrali. Dzięki temu
Bardziej szczegółowoAproksymacja funkcji a regresja symboliczna
Aproksymacja funkcji a regresja symboliczna Problem aproksymacji funkcji polega na tym, że funkcję F(x), znaną lub określoną tablicą wartości, należy zastąpić inną funkcją, f(x), zwaną funkcją aproksymującą
Bardziej szczegółowoSystemy ekspertowe i ich zastosowania. Katarzyna Karp Marek Grabowski
Systemy ekspertowe i ich zastosowania Katarzyna Karp Marek Grabowski Plan prezentacji Wstęp Własności systemów ekspertowych Rodzaje baz wiedzy Metody reprezentacji wiedzy Metody wnioskowania Języki do
Bardziej szczegółowoPRZEWODNIK PO PRZEDMIOCIE
Nazwa przedmiotu: Systemy ekspertowe w zarządzaniu firmą Expert systems in enterprise management Kierunek: Zarządzanie i Inżynieria Produkcji Rodzaj przedmiotu: Rodzaj zajęć: Wyk. Ćwicz. Lab. Sem. Proj.
Bardziej szczegółowoPodstawy Automatyki. Wykład 13 - Układy bramkowe. dr inż. Jakub Możaryn. Warszawa, Instytut Automatyki i Robotyki
Wykład 13 - Układy bramkowe Instytut Automatyki i Robotyki Warszawa, 2015 Układy z elementów logicznych Bramki logiczne Elementami logicznymi (bramkami logicznymi) są urządzenia o dwustanowym sygnale wyjściowym
Bardziej szczegółowoMetody eksploracji danych. Reguły asocjacyjne
Metody eksploracji danych Reguły asocjacyjne Analiza podobieństw i koszyka sklepowego Analiza podobieństw jest badaniem atrybutów lub cech, które są powiązane ze sobą. Metody analizy podobieństw, znane
Bardziej szczegółowoPodstawowe własności grafów. Wykład 3. Własności grafów
Wykład 3. Własności grafów 1 / 87 Suma grafów Niech będą dane grafy proste G 1 = (V 1, E 1) oraz G 2 = (V 2, E 2). 2 / 87 Suma grafów Niech będą dane grafy proste G 1 = (V 1, E 1) oraz G 2 = (V 2, E 2).
Bardziej szczegółowoJEZYKOZNAWSTWO. I NAUKI O INFORMACJI, ROK I Logika Matematyczna: egzamin pisemny 11 czerwca Imię i Nazwisko:... FIGLARNE POZNANIANKI
JEZYKOZNAWSTWO I NAUKI O INFORMACJI, ROK I Logika Matematyczna: egzamin pisemny 11 czerwca 2012 Imię i Nazwisko:........................................................... FIGLARNE POZNANIANKI Wybierz
Bardziej szczegółowoLogika Temporalna i Automaty Czasowe
Modelowanie i Analiza Systemów Informatycznych Logika Temporalna i Automaty Czasowe (3) Logika CTL Paweł Głuchowski, Politechnika Wrocławska wersja 2.2 Treść wykładu Charakterystyka logiki CTL Czas w Computation
Bardziej szczegółowoIndukcja. Materiały pomocnicze do wykładu. wykładowca: dr Magdalena Kacprzak
Indukcja Materiały pomocnicze do wykładu wykładowca: dr Magdalena Kacprzak Charakteryzacja zbioru liczb naturalnych Arytmetyka liczb naturalnych Jedną z najważniejszych teorii matematycznych jest arytmetyka
Bardziej szczegółowoKonsekwencja logiczna
Konsekwencja logiczna Niech Φ 1, Φ 2,..., Φ n będa formułami logicznymi. Formuła Ψ wynika logicznie z Φ 1, Φ 2,..., Φ n jeżeli (Φ 1 Φ 2 Φ n ) Ψ jest tautologia. Formuły Φ 1, Φ 2,..., Φ n nazywamy założeniami
Bardziej szczegółowoGrafika komputerowa Wykład 8 Modelowanie obiektów graficznych cz. II
Grafika komputerowa Wykład 8 Modelowanie obiektów graficznych cz. II Instytut Informatyki i Automatyki Państwowa Wyższa Szkoła Informatyki i Przedsiębiorczości w Łomży 2 0 0 9 Spis treści Spis treści 1
Bardziej szczegółowoMetoda Tablic Semantycznych
Procedura Plan Reguły Algorytm Logika obliczeniowa Instytut Informatyki Plan Procedura Reguły 1 Procedura decyzyjna Logiczna równoważność formuł Logiczna konsekwencja Procedura decyzyjna 2 Reguły α, β,
Bardziej szczegółowoSztuczna Inteligencja Projekt
Sztuczna Inteligencja Projekt Temat: Algorytm F-LEM1 Liczba osób realizujących projekt: 2 1. Zaimplementować algorytm F LEM 1. 2. Zaimplementować klasyfikator Classif ier. 3. Za pomocą algorytmu F LEM1
Bardziej szczegółowoLekcja 3: Elementy logiki - Rachunek zdań
Lekcja 3: Elementy logiki - Rachunek zdań S. Hoa Nguyen 1 Materiał a) Zdanie proste, złożone b) Spójniki logiczne (funktory zdaniotwórcze):,,,,, (alternatywa wykluczająca - XOR). c) Tautologia, zdanie
Bardziej szczegółowoAdam Meissner SZTUCZNA INTELIGANCJA
Instytut Automatyki i Inżynierii Informatycznej Politechniki Poznańskiej Adam Meissner Adam.Meissner@put.poznan.pl http://www.man.poznan.pl/~ameis SZTUCZNA INTELIGANCJA Podstawy programowania z ograniczeniami
Bardziej szczegółowoIndukowane Reguły Decyzyjne I. Wykład 3
Indukowane Reguły Decyzyjne I Wykład 3 IRD Wykład 3 Plan Powtórka Grafy Drzewa klasyfikacyjne Testy wstęp Klasyfikacja obiektów z wykorzystaniem drzewa Reguły decyzyjne generowane przez drzewo 2 Powtórzenie
Bardziej szczegółowoProgramowanie obiektowe
Laboratorium z przedmiotu Programowanie obiektowe - zestaw 02 Cel zajęć. Celem zajęć jest zapoznanie z praktycznymi aspektami projektowania oraz implementacji klas i obiektów z wykorzystaniem dziedziczenia.
Bardziej szczegółowoxx + x = 1, to y = Jeśli x = 0, to y = 0 Przykładowy układ Funkcja przykładowego układu Metody poszukiwania testów Porównanie tabel prawdy
Testowanie układów kombinacyjnych Przykładowy układ Wykrywanie błędów: 1. Sklejenie z 0 2. Sklejenie z 1 Testem danego uszkodzenia nazywa się takie wzbudzenie funkcji (wektor wejściowy), które daje błędną
Bardziej szczegółowoLOGIKA I TEORIA ZBIORÓW
LOGIKA I TEORIA ZBIORÓW Logika Logika jest nauką zajmującą się zdaniami Z punktu widzenia logiki istotne jest, czy dane zdanie jest prawdziwe, czy nie Nie jest natomiast istotne o czym to zdanie mówi Definicja
Bardziej szczegółowoReprezentacje grafów nieskierowanych Reprezentacje grafów skierowanych. Wykład 2. Reprezentacja komputerowa grafów
Wykład 2. Reprezentacja komputerowa grafów 1 / 69 Macierz incydencji Niech graf G będzie grafem nieskierowanym bez pętli o n wierzchołkach (x 1, x 2,..., x n) i m krawędziach (e 1, e 2,..., e m). 2 / 69
Bardziej szczegółowoMatematyczne Podstawy Informatyki
Matematyczne Podstawy Informatyki dr inż. Andrzej Grosser Instytut Informatyki Teoretycznej i Stosowanej Politechnika Częstochowska Rok akademicki 03/0 Przeszukiwanie w głąb i wszerz I Przeszukiwanie metodą
Bardziej szczegółowoModelowanie hierarchicznych struktur w relacyjnych bazach danych
Modelowanie hierarchicznych struktur w relacyjnych bazach danych Wiktor Warmus (wiktorwarmus@gmail.com) Kamil Witecki (kamil@witecki.net.pl) 5 maja 2010 Motywacje Teoria relacyjnych baz danych Do czego
Bardziej szczegółowoPodstawowe operacje arytmetyczne i logiczne dla liczb binarnych
1 Podstawowe operacje arytmetyczne i logiczne dla liczb binarnych 1. Podstawowe operacje logiczne dla cyfr binarnych Jeśli cyfry 0 i 1 potraktujemy tak, jak wartości logiczne fałsz i prawda, to działanie
Bardziej szczegółowoPracownia Informatyczna Instytut Technologii Mechanicznej Wydział Inżynierii Mechanicznej i Mechatroniki. Podstawy Informatyki i algorytmizacji
Pracownia Informatyczna Instytut Technologii Mechanicznej Wydział Inżynierii Mechanicznej i Mechatroniki Podstawy Informatyki i algorytmizacji wykład 1 dr inż. Maria Lachowicz Wprowadzenie Dlaczego arkusz
Bardziej szczegółowoGraf. Definicja marca / 1
Graf 25 marca 2018 Graf Definicja 1 Graf ogólny to para G = (V, E), gdzie V jest zbiorem wierzchołków (węzłów, punktów grafu), E jest rodziną krawędzi, które mogą być wielokrotne, dokładniej jednoelementowych
Bardziej szczegółowo1 Automaty niedeterministyczne
Szymon Toruńczyk 1 Automaty niedeterministyczne Automat niedeterministyczny A jest wyznaczony przez następujące składniki: Alfabet skończony A Zbiór stanów Q Zbiór stanów początkowych Q I Zbiór stanów
Bardziej szczegółowo6. Zagadnienie parkowania ciężarówki.
6. Zagadnienie parkowania ciężarówki. Sterowniki rozmyte Aby móc sterować przebiegiem pewnych procesów lub też pracą urządzeń niezbędne jest stworzenie odpowiedniego modelu, na podstawie którego można
Bardziej szczegółowoSystemy ekspertowe. Wnioskowanie w systemach regułowych. Część piąta. Autor Roman Simiński.
Część piąta Autor Roman Simiński Kontakt siminski@us.edu.pl www.us.edu.pl/~siminski Niniejsze opracowanie zawiera skrót treści wykładu, lektura tych materiałów nie zastąpi uważnego w nim uczestnictwa.
Bardziej szczegółowoLogika intuicjonistyczna
Logika intuicjonistyczna Logika klasyczna oparta jest na pojęciu wartości logicznej zdania. Poprawnie zbudowane i jednoznaczne stwierdzenie jest w tej logice klasyfikowane jako prawdziwe lub fałszywe.
Bardziej szczegółowoInternet Semantyczny i Logika I
Internet Semantyczny i Logika I Warstwy Internetu Semantycznego Dowód Zaufanie Logika OWL, Ontologie Podpis cyfrowy RDF, schematy RDF XML, schematy XML przestrzenie nazw URI Po co nam logika? Potrzebujemy
Bardziej szczegółowoJak wnioskują maszyny?
Jak wnioskują maszyny? Andrzej Szałas informatyka + 1 Plan wykładu Plan wykładu Modelowanie wnioskowania Wyszukiwanie, a wnioskowanie Klasyczny rachunek zdań Diagramy Venna Wprowadzenie do automatycznego
Bardziej szczegółowoSpośród licznych filtrów nieliniowych najlepszymi właściwościami odznacza się filtr medianowy prosty i skuteczny.
Filtracja nieliniowa może być bardzo skuteczną metodą polepszania jakości obrazów Filtry nieliniowe Filtr medianowy Spośród licznych filtrów nieliniowych najlepszymi właściwościami odznacza się filtr medianowy
Bardziej szczegółowoInstytut Automatyki i Inżynierii Informatycznej Politechniki Poznańskiej. Adam Meissner. Elementy uczenia maszynowego
Instytut Automatyki i Inżynierii Informatycznej Politechniki Poznańskiej Adam Meissner Adam.Meissner@put.poznan.pl http://www.man.poznan.pl/~ameis Elementy uczenia maszynowego Literatura [1] Bolc L., Zaremba
Bardziej szczegółowoReprezentacja wiedzy ontologie, logiki deskrypcyjne
Reprezentacja wiedzy ontologie, logiki deskrypcyjne Agnieszka Ławrynowicz 24 listopada 2016 Plan wykładu 1 Powtórka: sieci semantyczne, RDF 2 Definicja ontologii 3 Logiki deskrypcyjne Semantyczny Internet
Bardziej szczegółowoJeśli X jest przestrzenią o nieskończonej liczbie elementów:
Logika rozmyta 2 Zbiór rozmyty może być formalnie zapisany na dwa sposoby w zależności od tego z jakim typem przestrzeni elementów mamy do czynienia: Jeśli X jest przestrzenią o skończonej liczbie elementów
Bardziej szczegółowoMetody dowodzenia twierdzeń i automatyzacja rozumowań Tabele syntetyczne: definicje i twierdzenia
Metody dowodzenia twierdzeń i automatyzacja rozumowań Tabele syntetyczne: definicje i twierdzenia Mariusz Urbański Instytut Psychologii UAM Mariusz.Urbanski@.edu.pl Metoda tabel syntetycznych (MTS) MTS
Bardziej szczegółowoElementy logiki i teorii mnogości
Elementy logiki i teorii mnogości Zdanie logiczne Zdanie logiczne jest to zdanie oznajmujące, któremu można przypisać określoną wartość logiczną. W logice klasycznej zdania dzielimy na: prawdziwe (przypisujemy
Bardziej szczegółowoStruktury formalne, czyli elementy Teorii Modeli
Struktury formalne, czyli elementy Teorii Modeli Szymon Wróbel, notatki z wykładu dra Szymona Żeberskiego semestr zimowy 2016/17 1 Język 1.1 Sygnatura językowa Sygnatura językowa: L = ({f i } i I, {P j
Bardziej szczegółowoWstęp do Techniki Cyfrowej... Algebra Boole a
Wstęp do Techniki Cyfrowej... Algebra Boole a Po co AB? Świetne narzędzie do analitycznego opisu układów logicznych. 1854r. George Boole opisuje swój system dedukcyjny. Ukoronowanie zapoczątkowanych w
Bardziej szczegółowoWstęp do Techniki Cyfrowej... Teoria automatów
Wstęp do Techniki Cyfrowej... Teoria automatów Alfabety i litery Układ logiczny opisywany jest przez wektory, których wartości reprezentowane są przez ciągi kombinacji zerojedynkowych. Zwiększenie stopnia
Bardziej szczegółowoWprowadzenie do Prologa
Wprowadzenie do Prologa Rozdział 1 Tutorial Introduction Maciej Gapiński Dominika Wałęga Spis treści 1. Podstawowe informacje 2. Obiekty i relacje 3. Reguły 4. Fakty 5. Zapytania 6. Zmienne i stałe Podstawowe
Bardziej szczegółowoINŻYNIERIA WIEDZY I SYSTEMY EKSPERTOWE
Temat: Podstawowe pojęcia z logiki rozmytej Instrukcja do ćwiczeń przedmiotu INŻYNIERIA WIEDZY I SYSTEMY EKSPERTOWE Dr inż. Barbara Mrzygłód KISiM, WIMiIP, AGH mrzyglod@ agh.edu.pl 1 Wprowadzenie Sterowanie
Bardziej szczegółowoLogika. Michał Lipnicki. 18 listopada Zakład Logiki Stosowanej UAM. Michał Lipnicki Logika 18 listopada / 1
Logika Michał Lipnicki Zakład Logiki Stosowanej UAM 18 listopada 2012 Michał Lipnicki Logika 18 listopada 2012 1 / 1 Wstęp Materiały na dzisiejsze zajęcia zostały opracowane na podstawie pomocy naukowych
Bardziej szczegółowoWstęp do programowania
Wstęp do programowania Stosy, kolejki, drzewa Paweł Daniluk Wydział Fizyki Jesień 2013 P. Daniluk(Wydział Fizyki) WP w. VII Jesień 2013 1 / 25 Listy Lista jest uporządkowanym zbiorem elementów. W Pythonie
Bardziej szczegółowow analizie wyników badań eksperymentalnych, w problemach modelowania zjawisk fizycznych, w analizie obserwacji statystycznych.
Aproksymacja funkcji a regresja symboliczna Problem aproksymacji funkcji polega na tym, że funkcję F(), znaną lub określoną tablicą wartości, należy zastąpić inną funkcją, f(), zwaną funkcją aproksymującą
Bardziej szczegółowo