Koncepcja wnioskowania w hierarchicznej bazie wiedzy
|
|
- Laura Bednarska
- 5 lat temu
- Przeglądów:
Transkrypt
1 Koncepcja wnioskowania w hierarchicznej bazie wiedzy Agnieszka Nowak Alicja Wakulicz-Deja Instytut Informatyki, Uniwersytet Śląski, ul. Będzinska 39, Sosnowiec, Polska Tel (32) , Fax (32)
2 Plan referatu 1 Motywacja prowadzonych badań. 2 Analiza skupień a efektywność wnioskowania. 3 Model hierarchicznej Bazy Wiedzy. 4 Wnioskowanie klasyczne (nie hierarchiczne): Wnioskowanie sterowane danymi (ang. data-driven). Wnioskowanie sterowane celem (ang. goal-driven). 5 Wnioskowanie hierarchiczne (w złożonej BW): Wnioskowanie sterowane danymi (ang. data-driven). Wnioskowanie sterowane celem (ang. goal-driven). 6 Efektywność wnioskowania hierarchicznego. 7 Podsumowanie, wnioski. 8 Bibliografia.
3 Motywacja prowadzonych badań Systemy wspomagania decyzji stosują procesy wnioskowania do wydobywania nowej wiedzy (nowych faktów) z danych zgromadzonych w zbiorach: reguł oraz faktów. Stosowane są dwie metody wnioskowania:w przód oraz wstecz. Rozmiar Bazy Wiedzy (liczba reguł) ma ogromny wpływ na wyniki wnioskowania, gdyż w klasycznym algorytmie stosuje się przegląd zupełny całego zbioru. Jak wiele zależy od wybranej strategii sterowania wnioskowaniem? Jeśli w danej bazie wiedzy istnieje więcej niż jedna reguła pokrywająca dane (fakty lub hipotezę), wówczas przydatne jest użycie jednej z wybranych strategii sterowania wnioskowaniem: kolejności (textual order), blokowania (refractoriness), świeżości (recency), specyficzności (specificity)i przypadkowości (randomize). Theorem Pytanie: Czy efektywność wnioskowania pogorszy się jeśli będziemy przeglądać tylko pewną część całej bazy wiedzy?
4 Motywacja prowadzonych badań Cel systemów wyszukiwania informacji... Systemy wyszukujące informacje z dużych zbiorów danych skupiają się zwykle na tym, aby szybko uzyskać prawdziwą informację. Nie jest przy tym tak ważna kompletność wyniku jak jego dokładność. Duża liczba reguł we współczesnych bazach wiedzy. Większe oczekiwania co do efektywności wnioskowania. Większe możliwości obliczeniowe maszyn. Istnieje silna potrzeba wykorzystania wszelkich możliwych technik SI dla wspomagania prowadzonych badań. Uporządkowanie i hierarchia wśród reguł pozwala dodatkowo na strukturalizowanie zgromadzonej wiedzy i wyprowadzenie z tej wiedzy nowych, istotnych, dotąd nieznanych zależności. Istnieją szybkie i efektywne algorytmy przeglądania struktur hierarchicznych nie ma więc ryzyka utraty kompletności czy dokładności wyszukiwania reguł potencjalnie interesujących z punktu widzenia celu wnioskowania czy posiadanych faktów wejściowych.
5 Motywacja prowadzonych badań Teza pracy: Zastosowanie grupowania reguł do budowy hierarchicznej bazy wiedzy przyspiesza procesy wnioskowania w stosunku do klasycznych baz wiedzy Etap badań: Powstała struktura pozwala oczekiwać wysokiej efektywności proponowanego rozwiązania, gdyż: 1 Wybrano najlepszą metodę grupowania (AHC,mAHC), kosztem większej złożoności ale wysokiej dokładności. 2 Miara Gowera do łączenia reguł podobnych jest jakby stworzona do analizy danych wielowymiarowych i danych niepełnych. 3 Kryterium stopu, odcięcia pozwala na regulowanie kompletności wyszukiwania reguł relewantnych w całej hierarchii bazy wiedzy. Teraz potrzebujemy efektywnych algorytmów przeszukiwania reguł w strukturze, zanim zaczniemy na nich przeprowadzać procesy wnioskowania. Skoro nie będziemy przeszukiwać całej BW potrzebujemy też metod badania precyzji takiego przeszukiwania niepełnego.
6 Analiza skupień a efektywność wnioskowania J.Koronacki oraz J.Ćwik w pracy: Statystyczne systemy uczące się twierdzą, że analiza skupień ma na celu wykrycie w zbiorze obserwacji (reguł) skupień czyli rozłącznych podzbiorów zbioru obserwacji, wewnątrz których obserwacje są sobie w jakimś określonym sensie bliskie, natomiast różne podzbiory są od siebie - w porównaniu z elementami wewnątrz każdego pozbioru - odległe. Wybraliśmy grupowanie hierarchiczne aglomeracyjne, czego efektem jest drzewo reguł podobnych do siebie bądź to ze względu na atrybuty warunkowe bądź decyzyjne. Wiemy jednak, że własność wybranych algorytmów (AHC bądź mahc) sprawia, że jeżeli w zbiorze istnieje pewna grupa reguł relewantnych to będą one tworzyły ten sam węzeł w drzewie. Zatem jeśli mamy dotrzeć do pewnej reguły to dotrzemy jednocześnie do innych reguł, do niej relewantnych. Dodatkowo zaufanie do struktury podpieramy analizą wielu, a ostatecznym dobrem miary podobieństwa proponowanej przez Gowera - dedykowaną dla danych wielowymiarowych. Teraz - mając pewne struktury podobne (grupy, skupienia) musimy efektywnie je przeszukiwać, aby zgodnie z założonym celem szybciej wnioskować na takich zbiorach reguł.
7 Zadanie maszyny wnioskującej: Rysunek: Koncepcja wnioskowania w systemach z dziedzinowymi bazami wiedzy Do zadań maszyny wnioskującej należy: Znaleźć w zbiorze wszystkich reguł - reguły relewantne, Przeprowadzić wnioskowanie na znalezionych regułach stosując wybraną strategię doboru reguł.
8 Koncepcja wnioskowania hierarchicznego Klasyczne wnioskowanie 1 Szukaj reguł relewantnych względem podanych faktów bądź zadanej hipotezy. Wnioskowanie hierarchiczne 1 Przeszukaj skupienia reguł stosując kryterium maksymalnej relewantności, w celu znalezienia grupy reguł do uaktywnienia. 2 Wnioskuj wybraną metodą dla znalezionej w kroku 1 grupy reguł. Wstępna ocena: 1 Złożoność obliczeniowa: T (n) = O(log 2 n) + O(m) gdzie m << n. 2 Zaskakująca może się wydać nowa możliwość wnioskowania sterowanego danymi oraz podobieństwem. W klasycznym wnioskowaniu, tylko reguły w pełni relewantne są uaktywniane, przeszukiwanie struktury hierarchicznej, może pozwalać na próbę uaktywniania reguł o dużym stopniu podobieństwa. (Będzie się to wiązało jedynie z koniecznością zadania użytkownikowi dodatkowych pytań w celu weryfikacji prawdziwości przesłanek.)
9 Model hierarchicznej Bazy Wiedzy gdzie: S HC =< X, A, V, dec, F sim, Tree > X = {x 1,.., x n} zbiór reguł (klauzul Horn a), A = {a 1,.., a m} gdzie A = C D (atrybuty warunkowe i decyzyjne). V i = ai Av i zbiór wartości atrybutu a i. x i V i, dla 1 i n X = V 1 V 2... V n dec : X V dec, gdzie V dec = {d 1,.., d m} F sim : X X R [0..1] 2n 1 Tree = {w 1,.., w 2n 1} = w i i=1 w i = {d i, c i, f, i, j}, gdzie f = F sim(x i, x j ) [0..1], i, j (1, 2,.., 2n 1), d i V dec, c i = X.
10 Złożona Baza Wiedzy Theorem Własności złożonej bazy wiedzy: duża liczba reguł, różny typ danych, zagnieżdżanie reguł. Rysunek: Złożona Baza Wiedzy
11 Wnioskowanie klasyczne (nie hierarchiczne) Wnioskowanie w przód generuje nowe fakty. W przypadku dużej liczby reguł liczba nowych faktów może rosnąć lawinowo. Powoduje to dwa problemy: Merytoryczny jak interpretować nowe fakty, których jest potencjalnie dużo? Czy wszystkie nowe fakty są użyteczne? Techniczny generowanie wszystkich możliwych faktów może być czasochłonne. Rysunek: Własność wnioskowania klasycznego w przód Aby ograniczyć zachłanność algorytmu wnioskowania w przód, można wprowadzić cel wnioskowania. Jeżeli w trakcie wnioskowania wygenerowany zostanie fakt zgodny z celem, wnioskowanie jest kończone. Cel wnioskowania reprezentuje zatem informację, jaką chcemy od systemu uzyskać.
12 Wnioskowanie klasyczne (nie hierarchiczne) Modyfikacja algorytmu wnioskowania w przód
13 Wnioskowanie klasyczne (nie hierarchiczne) Modyfikacja algorytmu wnioskowania w przód
14 Wnioskowanie klasyczne w przód
15 Wnioskowanie klasyczne w przód
16 Wnioskowanie klasyczne w przód
17 Wnioskowanie klasyczne w przód
18 Wnioskowanie klasyczne w przód
19 Wnioskowanie klasyczne w przód
20 Wnioskowanie klasyczne w przód
21 Wnioskowanie klasyczne (nie hierarchiczne) Wnioskowanie sterowane celem (ang. goal-driven) Wnioskowanie wstecz ma potwierdzić prawdziwość postawionej hipotezy. Hipoteza ta staje się głównym celem wnioskowania.
22 Wnioskowanie klasyczne (nie hierarchiczne) Modyfikacja algorytmu wnioskowania wstecz
23 Wnioskowanie hierarchiczne Proces wnioskowania w przód dla hierarchicznej Bazy Wiedzy Będziemy przeglądać tylko pewną część całej Bazy Wiedzy - nie tracąc przy tym kompletności i utrzymując dokładność - jak przy przeglądzie zupełnym. Rysunek: Drzewo skupień reguł
24 Proces wnioskowania w przód dla hierarchicznej Bazy Wiedzy Rysunek: Drzewo skupień reguł
25 Proces wnioskowania w przód dla hierarchicznej Bazy Wiedzy Rysunek: Drzewo skupień reguł
26 Proces wnioskowania w przód dla hierarchicznej Bazy Wiedzy Rysunek: Drzewo skupień reguł
27 Proces wnioskowania w przód dla hierarchicznej Bazy Wiedzy Rysunek: Drzewo skupień reguł
28 Algorytmy przeszukiwania skupień reguł ang. Cluster based retrieval. zaczynamy od korzenia i na każdym poziomie wyszukiwaniem kieruje reguła decyzyjna, która oblicza podobieństwo (dopasowanie) i wybiera węzeł do dalszego przeszukiwania, konieczne jest zdefiniowanie tzw. reguły stopującej, która przerywa wyszukiwanie i wymusza przegląd wybranego węzła. 1 Metoda węzła najbardziej relewantnego, 2 Metoda minimalnej wartości progowej.
29 Algorytmy przeszukiwania skupień Metoda węzła najbardziej relewantnego Rysunek: Method: Metoda węzła najbardziej relewantnego INPUT: F =observations, n- the number of nodes, Tree[i]=i-th node; While(L,R 1){ counts1 = sim(f, Tree[L]); counts2 = sim(f, Tree[R]); If(s1 > s2) search Tree[L]; Else If (s1 < s2) search Tree[R]; Else If (s1 = s2) { search Tree[R]; search Tree[L]; } } OUTPUT: Tree[i] -skupienie reguł relewantnych
30 Algorytmy przeszukiwania skupień Metoda minimalnej wartości progowej Rysunek: Metoda: Minimalna wartość progowa np. s min = 0.7. INPUT: F =observations, n- the number of nodes, Tree[i]=i-th node; T min - threshold While (L, R T min ){ count s1 = sim(f, Tree[L]); count s2 = sim(f, Tree[R]); If (s1 T min ) search Tree[L] Else If (s2 T min ) search Tree[R] OUTPUT: Tree[i] -skupienie reguł relewantnych
31 Porównanie metod Węzeł najbardziej relewantny v. Minimalna wartość progowa Zalety Węzeł najbardziej relewantny Minimalna wartość progowa duża dokładność & duża kompletność krótszy czas O(log 2 n) O(log 2 n) wyższa kompletność Wady Węzeł najbardziej relewantny Minimalna wartość progowa możliwa utrata kompletności możliwa utrata dokładności jak ustawić threshold? zwykle dłuższy czas
32 Wnioskowanie klasyczne w przód Zadanie faktów inicjujących i pełne wnioskowanie Załóżmy, że chcemy wnioskować w przód dla zadanych dwóch faktów inincjujących. Widzimy, że pełne klasyczne wnioskowanie wiązałoby się z próbą uaktywnienia każdej kolejnej reguły.
33 Wnioskowanie hierarchiczne w przód Zadanie faktów inicjujących wnioskowanie hierarchiczne metodą węzła najbardziej relewantnego Wybierając metodę węzła najbardziej relewantnego, drzewo przeszukiwane jest możliwie najszybciej i jak się okazuje, system wyszukuje wówczas reguły - faktycznie relewantne - bo reguła nr 3 jest również uznana za relewantną gdy przeszukiwaliśmy zupełnie zbiór.
34 Wnioskowanie hierarchiczne w przód Wyniki wnioskowania hierarchicznego w przód dla zadanego progu relewantności Przy określeniu wartości progu relewantności musimy się liczyć z tym, że albo system wyszuka conajwyżej jedną regułę (wysoki próg), albo w odpowiedzi reguł do dalszego wnioskowania będzie dużo (niski próg). Po zadaniu T min = 1 - okazuje się, że w naszym systemie są 2 reguły pokrywające zadane fakty: reguła 3 i 20.
35 Wnioskowanie klasyczne w przód Fakty inicjujące i nowe fakty Widzimy wyraźnie, że prócz podanych na wejściu faktów, tzw. inicjujących, do bazy faktów dopisano nowy fakt, będący konkluzją uaktywnionej reguły.
36 Wnioskowanie klasyczne w przód Objaśnienie procesu wnioskowania w przód dla zadanych faktów inicjujących
37 Eksperymenty złożona baza wiedzy KB (dziedzina: ekonomia), 46atrybutów, 702 reguł. Im większa baza wiedzy tym lepsze wyniki końcowe. reguł węzłów analizowanych % BW efektywność BW nr BW nr BW nr BW nr węzłów % BW węzłów % BW zysk AHC AHC mahc mahc BW nr t [7] % BW nr 1 [16] % BW nr 2 [199] % BW nr 3 [480] % BW nr 4 [702] %
38 Eksperymenty 2 - krzywe ROC ROC (ang. Receiver Operating Characteristic) Często miarą trafności klasyfikacji jest budowanie macierzy pomyłek dla klasyfikacji binarnej, która powstaje przez sprowadzenie problemu wieloklasowego do problemu binarnego. oryginalne klasy pozytywne negatywne (relewantne) (nierelewantne) pozytywne TP FN (wyszukane) niegatywne FP TN (niewyszukane) gdzie: TP (ang. true positive)- liczba poprawnie sklasyfikowanych obiektów, FN (ang. false negative)- liczba błędnie sklasyfikowanych obiektów. Wówczas: wrażliwość (ang. sensitivity) = TP/(TP + FN), czułość (ang. specificity) = TN/(FP + TN).
39 Eksperymenty 2 - krzywe ROC metoda TP FP FN TN N TPF FPF a ,25 1 b ,11 1 c ,058 1 d ,05 1 a b c d a ,75 1 b , c , d ,35 1 a ,96 b , , c , , d ,75 0, gdzie: a - klasyczne, b - klasyczne pełne, c - hierarchiczne - metoda najbliższego węzła, d - hierarchiczne - metoda progowa.
40 Eksperymenty 2 - krzywe ROC Rysunek: Krzywe ROC dla analizowanych metod
41 Podsumowanie, wnioski Zalety: Wady: Koszt algorytmu to T (n) = O(m) + O(log 2 n), gdzie m << n. Metoda efektywna - gdyż tylko wiedza poszukiwana zostanie wyszukana. Metoda dokładna - gdyż własność zastosowanego algorytmu grupowania pozwala mieć nadzieję, że dokładność wyniesie 100%. Kompletność metody będzie uzależniona od spełnienia dodatkowych warunków, jakimi jest tzw. reguła stopująca, która zatrzyma algorytm na pewnym poziomie drzewa. Możliwa utrata kompletności, gdy nie stosujemy żadnej reguły stopującej drzewo skupień reguł. Naszym zdaniem, analiza skupień reguł pozwoli na znaczne zwiększenie efektywności procesów wnioskowania w złożonych, hierarchicznych bazach wiedzy, dostarczając znacznie krótszego czasu wnioskowania, utrzymując zwykle pełną dokładność wyszukiwania, oraz kompletność na poziomie wysokim, o ile zakładamy, że szukamy stosując kryterium progowej relewantności.
42 Bibliografia 1 Kaufman L., Rousseeuw P.J. (1990) Finding Groups in Data: An Introduction to Cluster Analysis. John Wiley Sons, New York. 2 Koronacki J., Ćwik J. (2005) Statystyczne systemy uczące się.wnt, Warszawa. 3 Nowak A., Wakulicz-Deja A., Bachliński S.(2006) Optimization of Speech Recognition by Clustering of Phones, Fundamenta Informaticae 72, IOS Press, pp Nowak A., Simiński R., Wakulicz-Deja A., Towards modular representation of knowledge base, Springer-Verlag Berlin Heidelberg - Advances in Soft Computing 5, 2006, pp Nowak A., Wakulicz-Deja A.,The inference processes on clustered rules, Springer-Verlag Berlin Heidelberg - Advances in Soft Computing 5, 2006, pp Reichgelt H., Knowledge Representation: An AI Perspective, Norwood N.J., Ablex Publishing Corp., Salton G., (1975), Automatic Information Organization and Retreival, McGraw-Hill, New York 8 Jardine N., van Rijsbergen C.J., The use of hierarchic clustering in information retrieval, Inforamtion Storage and Retrieval 7,
Systemy 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 szczegółowoSystemy uczące się wykład 2
Systemy uczące się wykład 2 dr Przemysław Juszczuk Katedra Inżynierii Wiedzy, Uniwersytet Ekonomiczny 19 X 2018 Podstawowe definicje Fakt; Przesłanka; Konkluzja; Reguła; Wnioskowanie. Typy wnioskowania
Bardziej szczegółowoKryteria stopu algorytmu grupowania reguł a efektywność systemu wspomagania decyzji
Kryteria stopu algorytmu grupowania reguł a efektywność systemu wspomagania decyzji Agnieszka Nowak Alicja Wakulicz-Deja Zakład Systemów Informatycznych Instytut Informatyki Uniwersytetu Śląskiego Sosnowiec,
Bardziej szczegółowoSztuczna Inteligencja w medycynie projekt (instrukcja) Bożena Kostek
Sztuczna Inteligencja w medycynie projekt (instrukcja) Bożena Kostek Cel projektu Celem projektu jest przygotowanie systemu wnioskowania, wykorzystującego wybrane algorytmy sztucznej inteligencji; Nabycie
Bardziej szczegółowoIndukowane Reguły Decyzyjne I. Wykład 8
Indukowane Reguły Decyzyjne I Wykład 8 IRD Wykład 8 Plan Powtórka Krzywa ROC = Receiver Operating Characteristic Wybór modelu Statystyka AUC ROC = pole pod krzywą ROC Wybór punktu odcięcia Reguły decyzyjne
Bardziej szczegółowoData Mining Wykład 4. Plan wykładu
Data Mining Wykład 4 Klasyfikacja danych Klasyfikacja poprzez indukcje drzew decyzyjnych Plan wykładu Sformułowanie problemu Kryteria oceny metod klasyfikacji Metody klasyfikacji Klasyfikacja poprzez indukcje
Bardziej szczegółowoMETODY WYZNACZANIA WSPÓŁCZYNNIKA NIEPEŁNOŚCI WIEDZY W SYSTEMACH Z WIEDZĄ NIEPEŁNĄ
METODY WYZNACZANIA WSPÓŁCZYNNIKA NIEPEŁNOŚCI WIEDZY W SYSTEMACH Z WIEDZĄ NIEPEŁNĄ AGNIESZKA NOWAK-BRZEZIŃSKA, TOMASZ JACH Uniwersytet Śląski, Instytut Informatyki Streszczenie W opracowaniu autorzy proponują
Bardziej szczegółowoWYSZUKIWANIE I AKTYWOWANIE REGUŁ W SYSTEMACH WSPOMAGANIA DECYZJI Z WIEDZĄ NIEPEŁNĄ TOMASZ JACH
WYSZUKIWANIE I AKTYWOWANIE REGUŁ W SYSTEMACH WSPOMAGANIA DECYZJI Z WIEDZĄ NIEPEŁNĄ TOMASZ JACH Uniwersytet Śląski, Instytut Informatyki 41 200 Sosnowiec, ul. Będzińska 39 email: tomasz.jach@us.edu.pl Streszczenie
Bardziej szczegółowo9. Praktyczna ocena jakości klasyfikacji
Algorytmy rozpoznawania obrazów 9. Praktyczna ocena jakości klasyfikacji dr inż. Urszula Libal Politechnika Wrocławska 2015 1 1. Zbiór uczacy i zbiór testowy 1. Zbiór uczacy służy do konstrukcji (treningu)
Bardziej szczegółowoMetoda list prostych Wykład II. Agnieszka Nowak - Brzezińska
Metoda list prostych Wykład II Agnieszka Nowak - Brzezińska Wprowadzenie Przykładowa KW Inna wersja KW Wyszukiwanie informacji Metoda I 1. Przeglądamy kolejne opisy obiektów i wybieramy te, które zawierają
Bardziej szczegółowoWprowadzenie do uczenia maszynowego
Wprowadzenie do uczenia maszynowego Agnieszka Ławrynowicz 12 stycznia 2017 Co to jest uczenie maszynowe? dziedzina nauki, która zajmuje się sprawianiem aby komputery mogły uczyć się bez ich zaprogramowania
Bardziej szczegółowoSystemy pomiarowo-diagnostyczne. Metody uczenia maszynowego wykład III 2016/2017
Systemy pomiarowo-diagnostyczne Metody uczenia maszynowego wykład III bogumil.konopka@pwr.edu.pl 2016/2017 Wykład III - plan Regresja logistyczna Ocena skuteczności klasyfikacji Macierze pomyłek Krzywe
Bardziej szczegółowoSystemy eksperowe. Agnieszka Nowak Brzezińska Wykład I
Systemy eksperowe Agnieszka Nowak Brzezińska Wykład I Zakres materiału: Metody wnioskowania w regułowych bazach wiedzy PC-Shell jako narzędzie do budowy szkieletowych systemów ekspertowych (Sprawozdanie
Bardziej szczegółowoStan dotychczasowy. OCENA KLASYFIKACJI w diagnostyce. Metody 6/10/2013. Weryfikacja. Testowanie skuteczności metody uczenia Weryfikacja prosta
Stan dotychczasowy OCENA KLASYFIKACJI w diagnostyce Wybraliśmy metodę uczenia maszynowego (np. sieć neuronowa lub drzewo decyzyjne), która będzie klasyfikować nieznane przypadki Na podzbiorze dostępnych
Bardziej szczegółowoAgnieszka Nowak Brzezińska Wykład III
Agnieszka Nowak Brzezińska Wykład III Naiwny klasyfikator bayesowski jest prostym probabilistycznym klasyfikatorem. Zakłada się wzajemną niezależność zmiennych niezależnych (tu naiwność) Bardziej opisowe
Bardziej szczegółowoSystemy pomiarowo-diagnostyczne. Metody uczenia maszynowego wykład II 2017/2018
Systemy pomiarowo-diagnostyczne Metody uczenia maszynowego wykład II bogumil.konopka@pwr.edu.pl 2017/2018 Określenie rzeczywistej dokładności modelu Zbiór treningowym vs zbiór testowy Zbiór treningowy
Bardziej szczegółowoAgnieszka NOWAK * 1. WSTĘP
aktualizacja bazy wiedzy, systemy wspomagania decyzji, statystyka, znaczenie informacji statystycznej. Agnieszka NOWAK * PROCES AKTUALIZACJI SYSTEMU WSPOMAGANIA DECYZJI NA PODSTAWIE INFORMACJI STATYSTYCZNYCH
Bardziej szczegółowoHierarchiczna analiza skupień
Hierarchiczna analiza skupień Cel analizy Analiza skupień ma na celu wykrycie w zbiorze obserwacji klastrów, czyli rozłącznych podzbiorów obserwacji, wewnątrz których obserwacje są sobie w jakimś określonym
Bardziej szczegółowoSystemy ekspertowe. Krzysztof Patan
Systemy ekspertowe Krzysztof Patan Wprowadzenie System ekspertowy Program komputerowy, który wykonuje złożone zadania o dużych wymaganiach intelektualnych i robi to tak dobrze jak człowiek będący ekspertem
Bardziej szczegółowoWYKŁAD 7. Testowanie jakości modeli klasyfikacyjnych metodyka i kryteria
Wrocław University of Technology WYKŁAD 7 Testowanie jakości modeli klasyfikacyjnych metodyka i kryteria autor: Maciej Zięba Politechnika Wrocławska Testowanie modeli klasyfikacyjnych Dobór odpowiedniego
Bardziej szczegółowoZeroR. Odpowiada zawsze tak samo Decyzja to klasa większościowa ze zbioru uczącego A B X 1 5 T 1 7 T 1 5 T 1 5 F 2 7 F
ZeroR Odpowiada zawsze tak samo Decyzja to klasa większościowa ze zbioru uczącego A B X 5 T 7 T 5 T 5 F 2 7 F Tutaj jest więcej obiektów klasy T, więc klasyfikator ZeroR będzie zawsze odpowiadał T niezależnie
Bardziej szczegółowoIdentyfikacja istotnych atrybutów za pomocą Baysowskich miar konfirmacji
Identyfikacja istotnych atrybutów za pomocą Baysowskich miar konfirmacji Jacek Szcześniak Jerzy Błaszczyński Roman Słowiński Poznań, 5.XI.2013r. Konspekt Wstęp Wprowadzenie Metody typu wrapper Nowe metody
Bardziej szczegółowoSystemy ekspertowe. PC-Shell. Sprawozdanie z bazy wiedzy
Wydział Informatyki i Nauki o Materiałach Uniwersytet Śląski Systemy ekspertowe PC-Shell Sprawozdanie z bazy wiedzy Zbigniew Kędzior Informatyka inżynierska Studia niestacjonarne Trzeci rok Grupa A 1.
Bardziej szczegółowo< K (2) = ( Adams, John ), P (2) = adres bloku 2 > < K (1) = ( Aaron, Ed ), P (1) = adres bloku 1 >
Typy indeksów Indeks jest zakładany na atrybucie relacji atrybucie indeksowym (ang. indexing field). Indeks zawiera wartości atrybutu indeksowego wraz ze wskaźnikami do wszystkich bloków dyskowych zawierających
Bardziej szczegółowo8. Drzewa decyzyjne, bagging, boosting i lasy losowe
Algorytmy rozpoznawania obrazów 8. Drzewa decyzyjne, bagging, boosting i lasy losowe dr inż. Urszula Libal Politechnika Wrocławska 2015 1 1. Drzewa decyzyjne Drzewa decyzyjne (ang. decision trees), zwane
Bardziej szczegółowoAlgorytmy metaheurystyczne Wykład 11. Piotr Syga
Algorytmy metaheurystyczne Wykład 11 Piotr Syga 22.05.2017 Drzewa decyzyjne Idea Cel Na podstawie przesłanek (typowo zbiory rozmyte) oraz zbioru wartości w danych testowych, w oparciu o wybrane miary,
Bardziej szczegółowoWYBRANE ASPEKTY WNIOSKOWANIA W SYSTEMACH Z WIEDZĄ NIEPEŁNĄ
STUDIA INFORMATICA 2012 Volume 33 Number 2A (105) Agnieszka NOWAK-BRZEZIŃSKA, Tomasz JACH Uniwersytet Śląski, Instytut Informatyki WYBRANE ASPEKTY WNIOSKOWANIA W SYSTEMACH Z WIEDZĄ NIEPEŁNĄ Streszczenie.
Bardziej szczegółowoWYBÓR ALGORYTMU GRUPOWANIA A EFEKTYWNOŚĆ WYSZUKIWANIA DOKUMENTÓW
STUDIA INFORMATICA 2010 Volume 31 Number 2A (89) Agnieszka NOWAK BRZEZIŃSKA, Tomasz JACH, Tomasz XIĘSKI Uniwersytet Śląski, Wydział Informatyki i Nauki o Materiałach, Instytut Informatyki WYBÓR ALGORYTMU
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 szczegółowoKonkurs z przedmiotu eksploracja i analiza danych: problem regresji i klasyfikacji
Konkurs z przedmiotu eksploracja i analiza danych: problem regresji i klasyfikacji Michał Witczak Data Mining 20 maja 2012 r. 1. Wstęp Dostarczone zostały nam 4 pliki, z których dwa stanowiły zbiory uczące
Bardziej szczegółowo1.7. Eksploracja danych: pogłębianie, przeszukiwanie i wyławianie
Wykaz tabel Wykaz rysunków Przedmowa 1. Wprowadzenie 1.1. Wprowadzenie do eksploracji danych 1.2. Natura zbiorów danych 1.3. Rodzaje struktur: modele i wzorce 1.4. Zadania eksploracji danych 1.5. Komponenty
Bardziej szczegółowoWNIOSKOWANIE W SYSTEMACH Z WIEDZĄ NIEPEŁNĄ INFERENCE PROCESSES IN DECISION SUPORT SYSTEMS WITH INCOMPLETE KNOWLEDGE
STUDIA INFORMATICA 2011 Volume 32 Number 2A (96) Agnieszka NOWAK-BRZEZIŃSKA, Tomasz JACH Uniwersytet Śląski, Instytut Informatyki WNIOSKOWANIE W SYSTEMACH Z WIEDZĄ NIEPEŁNĄ Streszczenie. Autorzy niniejszego
Bardziej szczegółowoOcena dokładności diagnozy
Ocena dokładności diagnozy Diagnoza medyczna, w wielu przypadkach może być interpretowana jako działanie polegające na podjęciu jednej z dwóch decyzji odnośnie stanu zdrowotnego pacjenta: 0 pacjent zdrowy
Bardziej szczegółowoINDUKOWANE REGUŁY DECYZYJNE ALORYTM APRIORI JAROSŁAW FIBICH
INDUKOWANE REGUŁY DECYZYJNE ALORYTM APRIORI JAROSŁAW FIBICH 1. Czym jest eksploracja danych Eksploracja danych definiowana jest jako zbiór technik odkrywania nietrywialnych zależności i schematów w dużych
Bardziej szczegółowoAlgorytmy i struktury danych. Drzewa: BST, kopce. Letnie Warsztaty Matematyczno-Informatyczne
Algorytmy i struktury danych Drzewa: BST, kopce Letnie Warsztaty Matematyczno-Informatyczne Drzewa: BST, kopce Definicja drzewa Drzewo (ang. tree) to nieskierowany, acykliczny, spójny graf. Drzewo może
Bardziej szczegółowoWNIOSKOWANIE W SYSTEMACH Z WIEDZĄ NIEPEŁNĄ INFERENCE PROCESSES IN DECISION SUPORT SYSTEMS WITH INCOMPLETE KNOWLEDGE
STUDIA INFORMATICA 2009 Volume 30 Number 1 (82) Agnieszka NOWAK-BRZEZIŃSKA, Tomasz JACH Uniwersytet Śląski, Instytut Informatyki WNIOSKOWANIE W SYSTEMACH Z WIEDZĄ NIEPEŁNĄ Autorzy prezentują nowe podejście
Bardziej szczegółowoOSTASZEWSKI Paweł (55566) PAWLICKI Piotr (55567) Algorytmy i Struktury Danych PIŁA
OSTASZEWSKI Paweł (55566) PAWLICKI Piotr (55567) 20.11.2002 Algorytmy i Struktury Danych PIŁA ZŁOŻONE STRUKTURY DANYCH C za s tw or ze nia s tr uk tur y (m s ) TWORZENIE ZŁOŻONYCH STRUKTUR DANYCH: 00 0
Bardziej szczegółowoAlgorytmy i struktury danych
Algorytmy i struktury danych ĆWICZENIE 2 - WYBRANE ZŁOŻONE STRUKTURY DANYCH - (12.3.212) Prowadząca: dr hab. inż. Małgorzata Sterna Informatyka i3, poniedziałek godz. 11:45 Adam Matuszewski, nr 1655 Oliver
Bardziej szczegółowoPrzykładowe B+ drzewo
Przykładowe B+ drzewo 3 8 1 3 7 8 12 Jak obliczyć rząd indeksu p Dane: rozmiar klucza V, rozmiar wskaźnika do bloku P, rozmiar bloku B, liczba rekordów w indeksowanym pliku danych r i liczba bloków pliku
Bardziej szczegółowoAgnieszka Nowak Brzezińska
Agnieszka Nowak Brzezińska jeden z algorytmów regresji nieparametrycznej używanych w statystyce do prognozowania wartości pewnej zmiennej losowej. Może również byd używany do klasyfikacji. - Założenia
Bardziej szczegółowoWprowadzenie do klasyfikacji
Wprowadzenie do klasyfikacji ZeroR Odpowiada zawsze tak samo Decyzja to klasa większościowa ze zbioru uczącego A B X 1 5 T 1 7 T 1 5 T 1 5 F 2 7 F Tutaj jest więcej obiektów klasy T, więc klasyfikator
Bardziej szczegółowoKlasyfikatory: k-nn oraz naiwny Bayesa. Agnieszka Nowak Brzezińska Wykład IV
Klasyfikatory: k-nn oraz naiwny Bayesa Agnieszka Nowak Brzezińska Wykład IV Naiwny klasyfikator Bayesa Naiwny klasyfikator bayesowski jest prostym probabilistycznym klasyfikatorem. Zakłada się wzajemną
Bardziej szczegółowoAgnieszka Nowak Brzezińska Wykład III
Agnieszka Nowak Brzezińska Wykład III Naiwny klasyfikator bayesowski jest prostym probabilistycznym klasyfikatorem. Zakłada się wzajemną niezależność zmiennych niezależnych (tu naiwność) Bardziej opisowe
Bardziej szczegółowoAutomatyczne wyodrębnianie reguł
Automatyczne wyodrębnianie reguł Jedną z form reprezentacji wiedzy jest jej zapis w postaci zestawu reguł. Ta forma ma szereg korzyści: daje się łatwo interpretować, można zrozumieć sposób działania zbudowanego
Bardziej szczegółowoZłożoność obliczeniowa algorytmu ilość zasobów komputera jakiej potrzebuje dany algorytm. Pojęcie to
Złożoność obliczeniowa algorytmu ilość zasobów komputera jakiej potrzebuje dany algorytm. Pojęcie to wprowadzili J. Hartmanis i R. Stearns. Najczęściej przez zasób rozumie się czas oraz pamięć dlatego
Bardziej szczegółowoWstęp do programowania
Wstęp do programowania Złożoność obliczeniowa, poprawność programów Paweł Daniluk Wydział Fizyki Jesień 2013 P. Daniluk(Wydział Fizyki) WP w. XII Jesień 2013 1 / 20 Złożoność obliczeniowa Problem Ile czasu
Bardziej szczegółowoWysokość drzewa Głębokość węzła
Drzewa Drzewa Drzewo (ang. tree) zbiór węzłów powiązanych wskaźnikami, spójny i bez cykli. Drzewo posiada wyróżniony węzeł początkowy nazywany korzeniem (ang. root). Drzewo ukorzenione jest strukturą hierarchiczną.
Bardziej szczegółowoKompresja danych Streszczenie Studia Dzienne Wykład 10,
1 Kwantyzacja wektorowa Kompresja danych Streszczenie Studia Dzienne Wykład 10, 28.04.2006 Kwantyzacja wektorowa: dane dzielone na bloki (wektory), każdy blok kwantyzowany jako jeden element danych. Ogólny
Bardziej szczegółowoALGORYTM RANDOM FOREST
SKRYPT PRZYGOTOWANY NA ZAJĘCIA INDUKOWANYCH REGUŁ DECYZYJNYCH PROWADZONYCH PRZEZ PANA PAWŁA WOJTKIEWICZA ALGORYTM RANDOM FOREST Katarzyna Graboś 56397 Aleksandra Mańko 56699 2015-01-26, Warszawa ALGORYTM
Bardziej szczegółowoAlgorytmy i. Wykład 5: Drzewa. Dr inż. Paweł Kasprowski
Algorytmy i struktury danych Wykład 5: Drzewa Dr inż. Paweł Kasprowski pawel@kasprowski.pl Drzewa Struktury przechowywania danych podobne do list ale z innymi zasadami wskazywania następników Szczególny
Bardziej szczegółowoWyszukiwanie informacji w internecie. Nguyen Hung Son
Wyszukiwanie informacji w internecie Nguyen Hung Son Jak znaleźć informację w internecie? Wyszukiwarki internetowe: Potężne machiny wykorzystujące najnowsze metody z różnych dziedzin Architektura: trzy
Bardziej szczegółowoAlgorytmy rozpoznawania obrazów. 11. Analiza skupień. dr inż. Urszula Libal. Politechnika Wrocławska
Algorytmy rozpoznawania obrazów 11. Analiza skupień dr inż. Urszula Libal Politechnika Wrocławska 2015 1 1. Analiza skupień Określenia: analiza skupień (cluster analysis), klasteryzacja (clustering), klasyfikacja
Bardziej szczegółowoDrzewo. Drzewo uporządkowane ma ponumerowanych (oznaczonych) następników. Drzewo uporządkowane składa się z węzłów, które zawierają następujące pola:
Drzewa Drzewa Drzewo (ang. tree) zbiór węzłów powiązanych wskaźnikami, spójny i bez cykli. Drzewo posiada wyróżniony węzeł początkowy nazywany korzeniem (ang. root). Drzewo ukorzenione jest strukturą hierarchiczną.
Bardziej szczegółowoGrupowanie stron WWW. Funkcje oceniające.
Eksploracja zasobów internetowych Wykład 6 Grupowanie stron WWW. Funkcje oceniające. mgr inż. Maciej Kopczyński Białystok 2015 Wstęp Rolą algorytmów grupujących jest pogrupowanie dokumentów na bazie ich
Bardziej szczegółowoTadeusz Pankowski www.put.poznan.pl/~tadeusz.pankowski
: idea Indeksowanie: Drzewo decyzyjne, przeszukiwania binarnego: F = {5, 7, 10, 12, 13, 15, 17, 30, 34, 35, 37, 40, 45, 50, 60} 30 12 40 7 15 35 50 Tadeusz Pankowski www.put.poznan.pl/~tadeusz.pankowski
Bardziej szczegółowoAlgorytm do rozpoznawania człowieka na podstawie dynamiki użycia klawiatury. Paweł Kobojek, prof. dr hab. inż. Khalid Saeed
Algorytm do rozpoznawania człowieka na podstawie dynamiki użycia klawiatury Paweł Kobojek, prof. dr hab. inż. Khalid Saeed Zakres pracy Przegląd stanu wiedzy w dziedzinie biometrii, ze szczególnym naciskiem
Bardziej szczegółowoMetody selekcji cech
Metody selekcji cech A po co to Często mamy do dyspozycji dane w postaci zbioru cech lecz nie wiemy które z tych cech będą dla nas istotne. W zbiorze cech mogą wystąpić cechy redundantne niosące identyczną
Bardziej szczegółowooperacje porównania, a jeśli jest to konieczne ze względu na złe uporządkowanie porównywanych liczb zmieniamy ich kolejność, czyli przestawiamy je.
Problem porządkowania zwanego również sortowaniem jest jednym z najważniejszych i najpopularniejszych zagadnień informatycznych. Dane: Liczba naturalna n i ciąg n liczb x 1, x 2,, x n. Wynik: Uporządkowanie
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 9 PRZESZUKIWANIE GRAFÓW Z
Bardziej szczegółowoSystemy ekspertowe : program PCShell
Instytut Informatyki Uniwersytetu Śląskiego lab 1 Opis sytemu ekspertowego Metody wnioskowania System PcShell Projekt System ekspertowy - system ekspertowy to system komputerowy zawierający w sobie wyspecjalizowaną
Bardziej szczegółowoPodstawy Informatyki. Metody dostępu do danych
Podstawy Informatyki c.d. alina.momot@polsl.pl http://zti.polsl.pl/amomot/pi Plan wykładu 1 Bazy danych Struktury danych Średni czas odszukania rekordu Drzewa binarne w pamięci dyskowej 2 Sformułowanie
Bardziej szczegółowoObliczenia inspirowane Naturą
Obliczenia inspirowane Naturą Wykład 01 Modele obliczeń Jarosław Miszczak IITiS PAN Gliwice 05/10/2016 1 / 33 1 2 3 4 5 6 2 / 33 Co to znaczy obliczać? Co to znaczy obliczać? Deterministyczna maszyna Turinga
Bardziej szczegółowoDrzewa decyzyjne i lasy losowe
Drzewa decyzyjne i lasy losowe Im dalej w las tym więcej drzew! ML Gdańsk http://www.mlgdansk.pl/ Marcin Zadroga https://www.linkedin.com/in/mzadroga/ 20 Czerwca 2017 WPROWADZENIE DO MACHINE LEARNING CZYM
Bardziej szczegółowoIndeksy w bazach danych. Motywacje. Techniki indeksowania w eksploracji danych. Plan prezentacji. Dotychczasowe prace badawcze skupiały się na
Techniki indeksowania w eksploracji danych Maciej Zakrzewicz Instytut Informatyki Politechnika Poznańska Plan prezentacji Zastosowania indeksów w systemach baz danych Wprowadzenie do metod eksploracji
Bardziej szczegółowoAlgorytm indukcji klasyfikatora za pomocą EA z automatycznym przełączaniem ukierunkowań
Algorytm indukcji klasyfikatora za pomocą EA z automatycznym przełączaniem ukierunkowań Anna Manerowska, Michal Kozakiewicz 2.12.2009 1 Wstęp Jako projekt na przedmiot MEUM (Metody Ewolucyjne Uczenia Maszyn)
Bardziej szczegółowoSystemy ekspertowe i sztuczna inteligencja. dr Agnieszka Nowak Brzezioska
Systemy ekspertowe i sztuczna inteligencja dr Agnieszka Nowak Brzezioska Email: agnieszka.nowak@us.edu.pl Architektura SE Pojęcia z dziedziny systemów ekspertowych Inżynieria wiedzy - dziedzina sztucznej
Bardziej szczegółowoPodstawy Informatyki Metody dostępu do danych
Podstawy Informatyki Metody dostępu do danych alina.momot@polsl.pl http://zti.polsl.pl/amomot/pi Plan wykładu 1 Wprowadzenie Czym zajmuje się informatyka 2 Wprowadzenie Podstawowe problemy baz danych Struktury
Bardziej szczegółowoRILL - przyrostowy klasyfikator regułowy uczący się ze zmiennych środowisk
Wprowadzenie RILL - przyrostowy klasyfikator regułowy uczący się ze zmiennych środowisk Magdalena Deckert Politechnika Poznańska, Instytut Informatyki Seminarium ISWD, 21.05.2013 M. Deckert Przyrostowy
Bardziej szczegółowoMetoda List Łańcuchowych
Metoda List Łańcuchowych mgr Tomasz Xięski, Instytut Informatyki, Uniwersytet Śląski Sosnowiec, 2010 Celem metody jest utrzymanie zalet MLI (dobre czasy wyszukiwania), ale wyeliminowanie jej wad (wysoka
Bardziej szczegółowoTransformacja wiedzy w budowie i eksploatacji maszyn
Uniwersytet Technologiczno Przyrodniczy im. Jana i Jędrzeja Śniadeckich w Bydgoszczy Wydział Mechaniczny Transformacja wiedzy w budowie i eksploatacji maszyn Bogdan ŻÓŁTOWSKI W pracy przedstawiono proces
Bardziej szczegółowoTeoria obliczeń i złożoność obliczeniowa
Teoria obliczeń i złożoność obliczeniowa Kontakt: dr hab. inż. Adam Kasperski, prof. PWr. pokój 509 B4 adam.kasperski@pwr.wroc.pl materiały + informacje na stronie www. Zaliczenie: Egzamin Literatura Problemy
Bardziej szczegółowoDrzewa decyzyjne. 1. Wprowadzenie.
Drzewa decyzyjne. 1. Wprowadzenie. Drzewa decyzyjne są graficzną metodą wspomagania procesu decyzyjnego. Jest to jedna z najczęściej wykorzystywanych technik analizy danych. Drzewo składają się z korzenia
Bardziej szczegółowoAlgorytmy klasyfikacji
Algorytmy klasyfikacji Konrad Miziński Instytut Informatyki Politechnika Warszawska 6 maja 2015 1 Wnioskowanie 2 Klasyfikacja Zastosowania 3 Drzewa decyzyjne Budowa Ocena jakości Przycinanie 4 Lasy losowe
Bardziej szczegółowoprowadzący dr ADRIAN HORZYK /~horzyk e-mail: horzyk@agh tel.: 012-617 Konsultacje paw. D-13/325
PODSTAWY INFORMATYKI WYKŁAD 8. prowadzący dr ADRIAN HORZYK http://home home.agh.edu.pl/~ /~horzyk e-mail: horzyk@agh agh.edu.pl tel.: 012-617 617-4319 Konsultacje paw. D-13/325 DRZEWA Drzewa to rodzaj
Bardziej szczegółowoZadanie 1 Przygotuj algorytm programu - sortowanie przez wstawianie.
Sortowanie Dane wejściowe: ciąg n-liczb (kluczy) (a 1, a 2, a 3,..., a n 1, a n ) Dane wyjściowe: permutacja ciągu wejściowego (a 1, a 2, a 3,..., a n 1, a n) taka, że a 1 a 2 a 3... a n 1 a n. Będziemy
Bardziej szczegółowoAlicja Marszałek Różne rodzaje baz danych
Alicja Marszałek Różne rodzaje baz danych Rodzaje baz danych Bazy danych można podzielić wg struktur organizacji danych, których używają. Można podzielić je na: Bazy proste Bazy złożone Bazy proste Bazy
Bardziej szczegółowoReguły i fakty zapisz za pomocą perceptów. Metodą wnioskowania w tył, sprawdzić czy mój komputer jest wyposażony w procesor PII.
Reguły i fakty zapisz za pomocą perceptów. Metodą wnioskowania w tył, sprawdzić czy mój komputer jest wyposażony w procesor PII. 1. (cena:komputer:x1,drogi) (cecha:komputer:x1,uniwersalny) ) (obudowa:komputer:x1,duża)
Bardziej szczegółowoSAS wybrane elementy. DATA MINING Część III. Seweryn Kowalski 2006
SAS wybrane elementy DATA MINING Część III Seweryn Kowalski 2006 Algorytmy eksploracji danych Algorytm eksploracji danych jest dobrze zdefiniowaną procedurą, która na wejściu otrzymuje dane, a na wyjściu
Bardziej szczegółowoA Zadanie
where a, b, and c are binary (boolean) attributes. A Zadanie 1 2 3 4 5 6 7 8 9 10 Punkty a (maks) (2) (2) (2) (2) (4) F(6) (8) T (8) (12) (12) (40) Nazwisko i Imiȩ: c Uwaga: ta część zostanie wypełniona
Bardziej szczegółowoMetody Optymalizacji: Przeszukiwanie z listą tabu
Metody Optymalizacji: Przeszukiwanie z listą tabu Wojciech Kotłowski Instytut Informatyki Politechniki Poznańskiej email: imię.nazwisko@cs.put.poznan.pl pok. 2 (CW) tel. (61)665-2936 konsultacje: wtorek
Bardziej szczegółowoPoprawność semantyczna
Poprawność składniowa Poprawność semantyczna Poprawność algorytmu Wypisywanie zdań z języka poprawnych składniowo Poprawne wartościowanie zdań języka, np. w języku programowania skutki wystąpienia wyróżnionych
Bardziej szczegółowoEksploracja danych. KLASYFIKACJA I REGRESJA cz. 2. Wojciech Waloszek. Teresa Zawadzka.
Eksploracja danych KLASYFIKACJA I REGRESJA cz. 2 Wojciech Waloszek wowal@eti.pg.gda.pl Teresa Zawadzka tegra@eti.pg.gda.pl Katedra Inżynierii Oprogramowania Wydział Elektroniki, Telekomunikacji i Informatyki
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 szczegółowo9.9 Algorytmy przeglądu
14 9. PODSTAWOWE PROBLEMY JEDNOMASZYNOWE 9.9 Algorytmy przeglądu Metody przeglądu dla problemu 1 r j,q j C max były analizowane między innymi w pracach 25, 51, 129, 238. Jak dotychczas najbardziej elegancka
Bardziej szczegółowoPodstawy Informatyki. Sprawność algorytmów
Podstawy Informatyki Sprawność algorytmów Sprawność algorytmów Kryteria oceny oszczędności Miara złożoności rozmiaru pamięci (złożoność pamięciowa): Liczba zmiennych + liczba i rozmiar struktur danych
Bardziej szczegółowoWYKŁAD 6. Reguły decyzyjne
Wrocław University of Technology WYKŁAD 6 Reguły decyzyjne autor: Maciej Zięba Politechnika Wrocławska Reprezentacje wiedzy Wiedza w postaci reguł decyzyjnych Wiedza reprezentowania jest w postaci reguł
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 szczegółowoInżynieria biomedyczna
Inżynieria biomedyczna Projekt Przygotowanie i realizacja kierunku inżynieria biomedyczna studia międzywydziałowe współfinansowany ze środków Unii Europejskiej w ramach Europejskiego Funduszu Społecznego.
Bardziej szczegółowoSTUDIA INFORMATICA 2011 Volume 32 Number 2A (96)
STUDIA INFORMATICA 2011 Volume 32 Number 2A (96) Agnieszka NOWAK-BRZEZIŃSKA, Tomasz XIĘSKI Uniwersytet Śląski, Instytut Informatyki GRUPOWANIE DANYCH ZŁOŻONYCH Streszczenie. Artykuł stanowi wprowadzenie
Bardziej szczegółowoSummary in Polish. Fatimah Mohammed Furaiji. Application of Multi-Agent Based Simulation in Consumer Behaviour Modeling
Summary in Polish Fatimah Mohammed Furaiji Application of Multi-Agent Based Simulation in Consumer Behaviour Modeling Zastosowanie symulacji wieloagentowej w modelowaniu zachowania konsumentów Streszczenie
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 szczegółowoZalew danych skąd się biorą dane? są generowane przez banki, ubezpieczalnie, sieci handlowe, dane eksperymentalne, Web, tekst, e_handel
według przewidywań internetowego magazynu ZDNET News z 8 lutego 2001 roku eksploracja danych (ang. data mining ) będzie jednym z najbardziej rewolucyjnych osiągnięć następnej dekady. Rzeczywiście MIT Technology
Bardziej szczegółowoWykład 2. Poprawność algorytmów
Wykład 2 Poprawność algorytmów 1 Przegląd Ø Poprawność algorytmów Ø Podstawy matematyczne: Przyrost funkcji i notacje asymptotyczne Sumowanie szeregów Indukcja matematyczna 2 Poprawność algorytmów Ø Algorytm
Bardziej szczegółowoAiSD zadanie trzecie
AiSD zadanie trzecie Gliwiński Jarosław Marek Kruczyński Konrad Marek Grupa dziekańska I5 5 czerwca 2008 1 Wstęp Celem postawionym przez zadanie trzecie było tzw. sortowanie topologiczne. Jest to typ sortowania
Bardziej szczegółowoAnaliza algorytmów zadania podstawowe
Analiza algorytmów zadania podstawowe Zadanie 1 Zliczanie Zliczaj(n) 1 r 0 2 for i 1 to n 1 3 do for j i + 1 to n 4 do for k 1 to j 5 do r r + 1 6 return r 0 Jaka wartość zostanie zwrócona przez powyższą
Bardziej szczegółowoWPŁYW INFORMACJI STATYSTYCZNEJ NA EFEKTYWNOŚĆ SYSTEMÓW WSPOMAGANIA DECYZJI
systemy wspomagania decyzji, statystyka, znaczenie informacji statystycznej. Agnieszka NOWAK * WPŁYW INFORMACJI STATYSTYCZNEJ NA EFEKTYWNOŚĆ SYSTEMÓW WSPOMAGANIA DECYZJI Praca przedstawia koncepcję wykorzystania
Bardziej szczegółowoWprowadzenie do technologii informacyjnej.
Wprowadzenie do technologii informacyjnej. Data mining i jego biznesowe zastosowania dr Tomasz Jach Definicje Eksploracja danych polega na torturowaniu danych tak długo, aż zaczną zeznawać. Eksploracja
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 szczegółowoInżynieria wiedzy Wnioskowanie oparte na wiedzy niepewnej Opracowane na podstawie materiałów dra Michała Berety
mgr Adam Marszałek Zakład Inteligencji Obliczeniowej Instytut Informatyki PK Inżynieria wiedzy Wnioskowanie oparte na wiedzy niepewnej Opracowane na podstawie materiałów dra Michała Berety Wstępnie na
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 szczegółowo