Inżynieria wiedzy Wnioskowanie oparte na wiedzy niepewnej Opracowane na podstawie materiałów dra Michała Berety
|
|
- Arkadiusz Stefański
- 6 lat temu
- Przeglądów:
Transkrypt
1 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 temat wnioskowania: Wnioskowanie oparte o reguły Jeżeli - to (Production Rules) Jeżeli warunek to konkluzja, Jeżeli warunek1 i warunek2 to konkluzja, Jeżeli warunek1 lub warunek2 to konkluzja. Tradycyjne wnioskowanie oparte jest na klasycznej logice dwuwartościowej, wnioskowanie przeprowadzamy korzystając z tzw. reguły modus ponens (reguła odrywania) postaci: A B, A. B Oznacza to, że jeżeli z A wynika B oraz wiemy, że zaszło zdarzenie A (A jest prawdziwe), to wnioskujemy, że również B jest prawdziwe. Wnioskowanie w przód: Idea wnioskowania w przód jest niezwykle prosta. Na podstawie dostępnych reguł i faktów należy generować nowe fakty tak długo, aż wśród wygenerowanych faktów znajdzie się postawiony cel (hipoteza). Podstawową cechą tego sposobu wnioskowania, która w pewnych sytuacjach może być jego wadą, jest możliwość zwiększania się bazy faktów. Postępowanie takie umożliwia, szczególnie w przypadku baz wiedzy o niewielkiej liczbie faktów, zwiększenie ich liczby, a co za tym idzie, przyspieszenie procesu sprawdzania postawionej hipotezy. Jednocześnie, z innego punktu widzenia, tworzenie nowych faktów, w pewnych szczególnych sytuacjach może być zjawiskiem niepożądanym, gdyż zajmują one niepotrzebnie pamięć operacyjną komputera, co może doprowadzić do jej całkowitego zapełnienia. Wnioskowanie w tył: Wnioskowanie wstecz przebiega w odwrotną stronę niż wnioskowanie w przód. Ogólnie polega ono na wykazaniu prawdziwości hipotezy głównej na postawie prawdziwości przesłanek. Jeśli nie wiemy, czy jakaś przesłanka jest prawdziwa, to traktujemy tę przesłankę jako nową hipotezę i próbujemy ją wykazać. Jeżeli w wyniku takiego postępowania zostanie wreszcie znaleziona reguła, której wszystkie przesłanki są prawdziwe, to konkluzja tej reguły jest prawdziwa. Na podstawie tej konkluzji 1
2 dowodzi się następną regułę, której przesłanka nie była poprzednio znana itd. Postawiona hipoteza jest prawdziwa, jeśli wszystkie rozważane przesłanki dadzą się wykazać. Zasadniczą cechą, która odróżnia wnioskowanie wstecz od wnioskowania w przód jest mniejsza liczba generowanych nowych faktów oraz niemożność równoczesnego dowodzenia kilku hipotez. Ogólnie w typowych zastosowaniach wnioskowanie wstecz jest efektywniejsze i bardziej rozpowszechnione. Należy również podkreślić, że przy wnioskowaniu wstecz czas oczekiwania na osiągnięcie rozwiązania postawionej hipotezy jest w wielu przypadkach dużo krótszy niż przy wnioskowaniu w przód. Więcej na ten temat oraz przykłady implementacji w języku PROLOG dostępne w materiałach do Wstępu do sztucznej inteligencji. Wnioskowanie w przód można zastąpić wnioskowaniem w tył poprzez wyprowadzanie każdej z hipotez po kolei. Przykład prognozy pogody - Wnioskowanie.rar. Wnioskowanie w przypadku wiedzy niepewnej. Wiedza niepewna: Wiedza pochodząca od człowieka może być niedoskonała. Stosując do takiej wiedzy metody zakładające doskonałą wiedzę jesteśmy narażeni na uzyskiwanie wniosków, które nie muszą być prawdziwe i o których prawdziwości nie potrafimy nic powiedzieć (np. przykład prognozy pogody). Celowe jest w związku z tym wyposażanie systemów wnioskujących na podstawie niedoskonałej wiedzy w specjalne mechanizmy jej przetwarzania, dzięki którym będzie możliwe charakteryzowanie rodzaju i stopnia niedoskonałości wiedzy pochodzącej od człowieka, a także nowej wiedzy wyprowadzonej na jej podstawie przez system wnioskujący. Wnikając głębiej w naturę niedoskonałości ludzkiej wiedzy można wskazać przynajmniej jej trzy podstawowe rodzaje: niepewność: prawdziwość niektórych stwierdzeń nie jest pewna, niepełność: niektóre prawdziwe stwierdzenia nie są znane, lecz nie można z tego powodu zakładać ich nieprawdziwości, niedokładność: przynależność do niektórych relacji, odpowiadających predykatom występującym w stwierdzeniach, nie jest znana dokładnie. W przypadku wiedzy niepewnej mamy do czynienia ze stwierdzeniami, o których w ogólnym przypadku nie można powiedzieć z pewnością, że są prawdziwe albo fałszywe. Potrzebne są w tym celu jakieś metody charakteryzowania stopnia przekonania o prawdziwości stwierdzeń - zarówno należących do początkowej bazy wiedzy, jak i uzyskiwanych w wyniku głosowania. Niepełność wiedzy oznacza, że status prawdziwości pewnych stwierdzeń potrzebnych do wnioskowania nie jest znany. Może to wymagać założenia ich prawdziwości w celu przeprowadzenia wnioskowania, lecz z pozostawieniem możliwości rewizji tego wnioskowania, gdyby następnie pojawiła się wiedza zaprzeczająca temu założeniu. Niedokładność polega na niemożliwości precyzyjnego odróżnienia w dziedzinie, na temat której zapisujemy wiedzę, obiektów należących do pewnej relacji od obiektów do niej nienależących. Istnieje wiele technik przetwarzania wiedzy obarczonej różnymi rodzajami niedoskonałości w taki sposób, aby prowadzone na jej podstawie wnioskowanie prowadziło do wniosków, któ- 2
3 rych jakość można w pewien sposób scharakteryzować, czyli odpowiedzieć na pytanie, jak bardzo doskonałe bądź niedoskonałe wnioski można wyciągnąć na podstawie niedoskonałej wiedzy. Do najbardziej znanych metod należą: Wnioskowanie probabilistyczne: Wnioskowanie probabilistyczne nazywamy także wnioskowaniem bayesowskim, ze względu na kluczową rolę, jaką w nim pełni wzór Bayesa. Jest to metoda przetwarzania wiedzy niepewnej oparta na bezpośrednim wykorzystaniu rachunku prawdopodobieństwa, w której poszczególnym stwierdzeniom przypisuje się prawdopodobieństwo ich prawdziwości. Wzór na prawdopodobieństwo warunkowe: P (A B) = P (A B) P (B) z = P (A)P (B), P (B) gdzie równość z = zachodzi przy założeniu niezależności zdarzeń A i B. Wzór Bayesa opisuje następującą zależność prawdopodobieństw warunkowych: P (A B) = P (B A)P (A). P (B) Zastosowanie we wnioskowaniu: Załóżmy, że bierzemy pod uwagę skończoną liczbę hipotez H 1,..., H n parami niezależnych i wyczerpujących wszystkie możliwości. Oraz dysponujemy skończoną liczbą przesłanek E 1,..., E m, o których wiemy, że zaszły. Wówczas z wzoru Bayesa przez zastosowanie wzoru na prawdopodobieństwo całkowite można wyprowadzić następujący wzór ogólny: P (H i E 1,..., E m ) = P (E 1,..., E m H i )P (H i ) n. P (E 1,..., E m H j )P (H j ) j=1 Oznacza to, że znając prawdopodobieństwa a priori hipotez P (H i ) oraz prawdopodobieństwa warunkowe P (E j H i ) możemy wyznaczyć prawdopodobieństwa a posteriori hipotez P (H i E j ). Hipotezy: H 1 pogoda jutro będzie deszczowa, H 2 pogoda jutro będzie słoneczna. Zaobserwowane przesłanki: E 1 pogoda dziś słoneczna, E 2 opady dziś niskie, E 3 temperatura dziś wysoka, E 4 niebo dziś bezchmurne. Przykład prognozy pogody - Wnioskowanie Bayes.rar. 3
4 Prawdopodobieństwa a priori: P (H 1 ) = P (H 2 ) = 0.5, P (E 1 H 1 ) = 0.2, P (E 1 H 2 ) = 0.33, P (E 2 H 1 ) = 0.032, P (E 2 H 2 ) = 0.8, P (E 3 H 1 ) = 0.75, P (E 3 H 2 ) = 0.225, P (E 4 H 1 ) = 0.765, P (E 4 H 2 ) = 0.85, Prawdopodobieństwa a posteriori: P (H 1 E 1, E 2, E 3, E 4 ) = = P (H 2 E 1, E 2, E 3, E 4 ) = = Współczynniki wystarczalności i konieczności: Omówimy teraz pewną metodę przetwarzania wiedzy niepewnej, w której poszczególnym regułą przypisuje się mary przekonania, że jeżeli wystąpiła przesłanka reguły, to również wystąpi jej wniosek. Współczynnik wystarczalności (likelihood of sufficiency - LS), jest to miara przekonania eksperta, że hipoteza H wystąpi, jeśli wystąpi przesłanka E. Współczynnik konieczności (likelihood of necessity - LN), jest to miara przekonania eksperta na ile przesłanka E jest konieczna do wystąpienia hipotezy H. Miary te mogą zostać podane przez eksperta lub otrzymane z prawdopodobieństw warunkowych według wzorów: LS = P (E H) P (E H), P ( E H) LN = P ( E H), gdzie oznacza negację. Wysokie wartości LS (LS >> 1) wskazują na to, że reguła mocno wspiera hipotezę H jeśli zaobserwowano E. Małe wartości LN (0 < LN < 1) wskazują na to, że reguła mocno zaprzecza hipotezie H w przypadku braku E. Uwaga: LS nie może być otrzymany z LN ani LN z LS. 4
5 Przebieg rozumowania z wykorzystaniem współczynników LS i LN: W pierwszym kroku prawdopodobieństwa a priori P (H) są przekształcane w szanse a priori (ang. prior odds). O(H) = P (H) 1 P (H) Prawdopodobieństwa a priori są używane jedynie za pierwszym razem. W celu uzyskania szans a posteriori (ang. posterior odds) szanse a priori są uaktualniane za pomocą LS jeśli przesłanka reguły jest spełniona, lub za pomocą LN jeśli przesłanka nie jest spełniona. O(H E) = LS O(H), O(H E) = LN O(H). Prawdopodobieństwa a posteriori są uzyskiwane z szans a posteriori. P (H E) = O(H E) O(H E), P (H E) = 1 + O(H E) 1 + O(H E). Przykład prognozy pogody - Wnioskowanie LNLS.rar Baza reguł: R1: Jeżeli dziś deszcz, to jutro deszcz (a priori 0.5, LS=2.5, LN=0.6), R2: Jeżeli dziś słońce, to jutro słońce (a priori 0.5, LS=1.6, LN=0.4), R3: Jeżeli dziś deszcz i opady niskie, to jutro słońce (a priori 0.5, LS=10, LN=1), R4: Jeżeli dziś deszcz i opady niskie i temp. niska, to jutro słońce (a priori 0.5, LS=1.5, LN=1), R5: Jeżeli dziś słońce i temp. wysoka, to jutro deszcz (a priori 0.5, LS=2, LN=0.9), R6: Jeżeli dziś słońce i temp. wysoka i niebo zachmurzone, to jutro deszcz (a priori 0.5, LS=5, LN=1). Hipotezy: H 1 pogoda jutro będzie deszczowa, H 2 pogoda jutro będzie słoneczna. Zaobserwowane przesłanki: E 1 pogoda dziś deszczowa, E 2 opady dziś niskie, E 3 temperatura dziś niska, E 4 niebo dziś bezchmurne. Przebieg rozumowania: Reguła 1: (wnioskuje hipotezę H 1 ) O(H 1 ) = P (H 1) 1 P (H 1 ) = = 1, O(H 1 E 1 ) = LS O(H 1 ) = = 2.5, P (H 1 E 1 ) = O(H 1 E 1 ) 1 + O(H 1 E 1 ) = = , 5
6 Reguła 2: (wnioskuje hipotezę H 2 ) O(H 2 ) = P (H 2) 1 P (H 2 ) = = 1, O(H 2 E 1 ) = LN O(H 2 ) = = 0.4, P (H 2 E 1 ) = O(H 2 E 1 ) 1 + O(H 2 E 1 ) = = , Reguła 3: (wnioskuje hipotezę H 2 - jako prawd. a priori przyjmujemy P (H 2 E 1 )) O(H 2 ) = P (H 2 E 1 ) 1 P (H 2 E 1 ) = = 0.4, O(H 2 E 1, E 2 ) = LS O(H 2 ) = = 4, P (H 2 E 1, E 2 ) = O(H 2 E 1, E 2 ) 1 + O(H 2 E 1, E 2 ) = = 0.8, Reguła 4: (wnioskuje hipotezę H 2 - jako prawd. a priori przyjmujemy P (H 2 E 1, E 2 )) O(H 2 ) = P (H 2 E 1, E 2 ) 1 P (H 2 E 1, E 2 ) = = 4, O(H 2 E 1, E 2, E 3 ) = LS O(H 2 ) = = 6, P (H 2 E 1, E 2, E 3 ) = O(H 2 E 1, E 2, E 3 ) 1 + O(H 2 E 1, E 2, E 3 ) = = , Reguła 5: (wnioskuje hipotezę H 1 - jako prawd. a priori przyjmujemy P (H 1 E 1 )) O(H 1 ) = P (H 1 E 1 ) 1 P (H 1 E 1 ) = = 2.5, O(H 1 E 1, E 2 ) = LN O(H 2 ) = = 2.25, P (H 1 E 1, E 2 ) = O(H 1 E 1, E 2 ) 1 + O(H 1 E 1, E 2 ) = = , Reguła 6: nie zmienia prognozy, bo LN = 1. Ostatecznie otrzymaliśmy prawdopodobieństwa a posteriori: P (H 1 E 1, E 2, E 2, E 4 ) = , P (H 2 E 1, E 2, E 3, E 4 ) = Współczynniki pewności: Współczynniki pewności(certainty Factors CF) są metodą przetwarzania wiedzy niepewnej, w której poszczególnym stwierdzeniom przypisuje się liczbowe stopnie pewności wyrażające subiektywne przekonanie człowieka o ich prawdziwości. Wartość CF należąca do zbioru [ 1, 1] określa wiarę, że jeśli zaszła przesłanka, to zaszedł również wniosek. CF = 1.0 : całkowita wiara w daną regułę. CF = -1.0 : całkowita niewiara w daną regułę. Wartość CF jest oparta na dwóch funkcjach: 6
7 MB(H, E) miara wiary (Measure of Belief) stopień wiary w H, za którym przemawia wystąpienie E. MD(H, E) miara niewiary (Measure of Disbelief) stopień niewiary w H, za którym przemawia wystąpienie E. Funkcje M B(H, E) oraz M D(H, E) mogą być zdefiniowane za pomocą prawdopodobieństw a priori oraz warunkowych: 1, gdy P (H) = 1, MB(H, E) = max[p (H E), P (H)] P (H), max[1, 0] P (H) w p.p. MD(H, E) = 1, gdy P (H) = 0, min[p (H E), P (H)] P (H), min[1, 0] P (H) w p.p. Funkcje MB oraz MD przyjmują wartości z przedziału [0, 1] Wartość CF wówczas można obliczyć jako: CF = MB(H E) MD(H E) 1 min[mb(h E), MD(H E)]. Współczynnik CF nie wyraża wartości procentowych, nie jest również wartością statystyczną. Jest on natomiast odzwierciedleniem wiary eksperta w daną regułę. Użycie współczynników CF w procesie wnioskowania: Należy określić CF dla wniosku danej reguły, znając CF samej reguły oraz stopień pewności przesłanki. CF (H, E) = CF (E) CF. W przypadku wielu przesłanek, mamy: CF (H, E 1... E n ) = min[cf (E 1 ),..., CF (E n )] CF, CF (H, E 1... E n ) = max[cf (E 1 ),..., CF (E n )] CF. W przypadku, gdy dwie (lub więcej) reguł wnioskują o tej samej hipotezie, obliczamy ich wspólny CF korzystając ze wzoru: CF 1 + CF 2 (1 CF 1 ), gdy CF 1 > 0 oraz CF 2 > 0, CF CF (CF 1, CF 2 ) = 1 +CF 2 1 min[ CF, gdy CF 1, CF 2 ] 1 CF 2 < 0, CF 1 + CF 2 (1 + CF 1 ), gdy CF 1 < 0 oraz CF 2 < 0. 7
8 Przykład prognozy pogody - Wnioskowanie CF.rar Baza reguł: R1: Jeżeli dziś deszcz, to jutro deszcz (CF R1 = 0.5), R2: Jeżeli dziś słońce, to jutro słońce (CF R2 = 0.5), R3: Jeżeli dziś deszcz i opady niskie, to jutro słońce (CF R3 = 0.6) R4: Jeżeli dziś deszcz i opady niskie i temp. niska, to jutro słońce (CF R4 = 0.7), R5: Jeżeli dziś słońce i temp. wysoka, to jutro deszcz (CF R5 = 0.65), R6: Jeżeli dziś słońce i temp. wysoka i niebo zachmurzone, to jutro deszcz (CF R6 = 0.55). Hipotezy: H 1 pogoda jutro będzie deszczowa, H 2 pogoda jutro będzie słoneczna. Zaobserwowane przesłanki: E 1 pogoda dziś deszczowa w stopniu CF (E 1 ) = 1, E 2 opady dziś niskie w stopniu CF (E 2 ) = 0.8, E 3 temperatura dziś niska w stopniu CF (E 3 ) = 0.9, E 4 niebo dziś bezchmurne w stopniu CF (E 4 ) = 1. Przebieg rozumowania: Reguła 1: (wnioskuje hipotezę H 1 ) CF (H 1, E 1 ) = CF (E 1 ) CF R1 = = 0.5. Reguła 2: nie jest odpalana, bo nie zaszła jej przesłanka. Reguła 3: (wnioskuje hipotezę H 2 ) CF (H 2, E 1 E 2 ) = min[cf (E 1 ), CF (E 2 )] CF R3 = min[1, 0.8] 0.6 = Reguła 4: (wnioskuje hipotezę H 2 ) CF (H 2, E 1 E 2 E 3 ) = min[cf (E 1 ), CF (E 2 ), CF (E 3 ] CF R4 = min[1, 0.8, 0.9] 0.7 = Reguła 5: nie jest odpalana, bo nie zaszły jej przesłanki. Reguła 6: nie jest odpalana, bo nie zaszły jej przesłanki. Reguły 3 i 4 wnioskują tą samą hipotezę, zatem: CF (CF (H 2, E 1 E 2 ), CF (H 2, E 1 E 2 E 3 )) = (1 0.48) = Ostatecznie otrzymaliśmy prognozy: CF (H 1, E 1 E 2 E 2 E 4 ) = 0.5, CF (H 2, E 1 E 2 E 3 E 4 ) =
Inżynieria Wiedzy i Systemy Ekspertowe. Niepewność wiedzy. dr inż. Michał Bereta Politechnika Krakowska
Inżynieria Wiedzy i Systemy Ekspertowe Niepewność wiedzy dr inż. Michał Bereta Politechnika Krakowska http://torus.uck.pk.edu.pl/~beretam/ beretam@torus.uck.pk.edu.pl 1 Współczynniki pewności (ang. Certainty
Bardziej szczegółowoMetody wnioskowania. Wnioskowanie w przód (ang. forward chaining) Wnioskowanie w tył (ang. Backward chaining) Od przesłanki do konkluzji Np..
Systemy regułowe Metody wnioskowania Wnioskowanie w przód (ang. forward chaining) Od przesłanki do konkluzji Np.. CLIPS Wnioskowanie w tył (ang. Backward chaining) Czyli od konkluzji do przesłanki Np..
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 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 szczegółowoSystemy ekspertowe. Reprezentacja wiedzy niepewnej i wnioskowanie w warunkach niepewności. Model współczynników pewności.
Część siódma Reprezentacja wiedzy niepewnej i wnioskowanie w warunkach niepewności Autor Roman Simiński Model współczynników pewności Kontakt siminski@us.edu.pl www.us.edu.pl/~siminski Niniejsze opracowanie
Bardziej szczegółowoWnioskowanie statystyczne i oparte na współczynnikach wiarygodności. Wprowadzenie teoretyczne Wnioskowanie probabilistyczne Przykłady
Zarządzanie wiedzą Wnioskowanie statystyczne i oparte na współczynnikach wiarygodności 1 Plan wykładu Niepewność Wnioskowanie statystyczne: Wprowadzenie teoretyczne Wnioskowanie probabilistyczne Przykłady
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 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 szczegółowoMyślenie w celu zdobycia wiedzy = poznawanie. Myślenie z udziałem rozumu = myślenie racjonalne. Myślenie racjonalne logiczne statystyczne
Literatura: podstawowa: C. Radhakrishna Rao, Statystyka i prawda, 1994. G. Wieczorkowska-Wierzbińska, J. Wierzbiński, Statystyka. Od teorii do praktyki, 2013. A. Aczel, Statystyka w zarządzaniu, 2002.
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 szczegółowoAlgorytmy stochastyczne, wykład 08 Sieci bayesowskie
Algorytmy stochastyczne, wykład 08 Jarosław Piersa Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika 2014-04-10 Prawdopodobieństwo Prawdopodobieństwo Prawdopodobieństwo warunkowe Zmienne
Bardziej szczegółowoWnioskowanie bayesowskie
Wnioskowanie bayesowskie W podejściu klasycznym wnioskowanie statystyczne oparte jest wyłącznie na podstawie pobranej próby losowej. Możemy np. estymować punktowo lub przedziałowo nieznane parametry rozkładów,
Bardziej szczegółowoWnioskowanie statystyczne i oparte na współczynnikach wiarygodności
Systemy ekspertowe Wnioskowanie statystyczne i oparte na współczynnikach wiarygodności 1 Plan wykładu Niepewność Wnioskowanie statystyczne: Wprowadzenie teoretyczne Wnioskowanie probabilistyczne Przykłady
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 szczegółowoSztuczna inteligencja wprowadzenie
Sztuczna inteligencja wprowadzenie Sławomir Samolej Slajdy zostały przygotowane na podstawie materiałów opublikowanych na (http://wazniak.mimuw.edu.pl/ Literatura Leszek Rutkowski Metody i techniki sztucznej
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 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 szczegółowoWstęp do Metod Systemowych i Decyzyjnych Opracowanie: Jakub Tomczak
Wstęp do Metod Systemowych i Decyzyjnych Opracowanie: Jakub Tomczak 1 Wprowadzenie. Zmienne losowe Podczas kursu interesować nas będzie wnioskowanie o rozpatrywanym zjawisku. Poprzez wnioskowanie rozumiemy
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 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 szczegółowoMetody systemowe i decyzyjne w informatyce
Metody systemowe i decyzyjne w informatyce Laboratorium JAVA Zadanie nr 2 Rozpoznawanie liter autorzy: A. Gonczarek, J.M. Tomczak Cel zadania Celem zadania jest zapoznanie się z problemem klasyfikacji
Bardziej szczegółowoLogika Stosowana. Wykład 2 - Logika modalna Część 2. Marcin Szczuka. Instytut Informatyki UW. Wykład monograficzny, semestr letni 2016/2017
Logika Stosowana Wykład 2 - Logika modalna Część 2 Marcin Szczuka Instytut Informatyki UW Wykład monograficzny, semestr letni 2016/2017 Marcin Szczuka (MIMUW) Logika Stosowana 2017 1 / 27 Plan wykładu
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 szczegółowoWnioskowanie statystyczne i oparte na współczynnikach wiarygodności
Wnioskowanie statystyczne i oparte na współczynnikach wiarygodności 1 Niepewność Wnioskowanie statystyczne: Wprowadzenie teoretyczne Wnioskowanie probabilistyczne Przykłady Wnioskowanie ze współczynnikami
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 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 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 szczegółowoLogika stosowana. Ćwiczenia Wnioskowanie przez abdukcję. Marcin Szczuka. Instytut Matematyki, Uniwersytet Warszawski
Logika stosowana Ćwiczenia Wnioskowanie przez abdukcję Marcin Szczuka Instytut Matematyki, Uniwersytet Warszawski Wykład fakultatywny w semestrze zimowym 2013/2014 Marcin Szczuka (MIMUW) Logika stosowana
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 szczegółowoPODSTAWY BAZ DANYCH. 19. Perspektywy baz danych. 2009/2010 Notatki do wykładu "Podstawy baz danych"
PODSTAWY BAZ DANYCH 19. Perspektywy baz danych 1 Perspektywy baz danych Temporalna baza danych Temporalna baza danych - baza danych posiadająca informację o czasie wprowadzenia lub czasie ważności zawartych
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 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 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 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 szczegółowoSTANDARDOWE FUNKCJE PRZYNALEŻNOŚCI. METODY HEURYSTYCZNE wykład 6. (alternatywa dla s) (zdef. poprzez klasę s) GAUSSOWSKA F.
METODY HEURYSTYCZNE wykład 6 STANDARDOWE FUNKCJE PRZYNALEŻNOŚCI 2 GAUSSOWSKA F. PRZYNALEŻNOŚCI F. PRZYNALEŻNOŚCI KLASY s środek; a określa szerokość krzywej 3 4 F. PRZYNALEŻNOŚCI KLASY π F. PRZYNALEŻNOŚCI
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 szczegółowo166 Wstęp do statystyki matematycznej
166 Wstęp do statystyki matematycznej Etap trzeci realizacji procesu analizy danych statystycznych w zasadzie powinien rozwiązać nasz zasadniczy problem związany z identyfikacją cechy populacji generalnej
Bardziej szczegółowoROZWIĄZYWANIE RÓWNAŃ NIELINIOWYCH
Transport, studia I stopnia Instytut L-5, Wydział Inżynierii Lądowej, Politechnika Krakowska Ewa Pabisek Adam Wosatko Postać ogólna równania nieliniowego Często występującym, ważnym problemem obliczeniowym
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 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 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 szczegółowoWeryfikacja hipotez statystycznych, parametryczne testy istotności w populacji
Weryfikacja hipotez statystycznych, parametryczne testy istotności w populacji Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych Wydział Informatyki Politechniki
Bardziej szczegółowoWymagania edukacyjne z matematyki klasa IV technikum
Wymagania edukacyjne z matematyki klasa IV technikum Poziom rozszerzony Obowiązują wymagania z zakresu podstawowego oraz dodatkowo: FUNKCJE TRYGONOMETRYCZNE zaznacza kąt w układzie współrzędnych, wskazuje
Bardziej szczegółowoKlasyfikacja metodą Bayesa
Klasyfikacja metodą Bayesa Tadeusz Pankowski www.put.poznan.pl/~tadeusz.pankowski warunkowe i bezwarunkowe 1. Klasyfikacja Bayesowska jest klasyfikacją statystyczną. Pozwala przewidzieć prawdopodobieństwo
Bardziej szczegółowoInżynieria Wiedzy i Systemy Ekspertowe. Niepewność wiedzy. dr inż. Michał Bereta Politechnika Krakowska
Inżynieria Wiedzy i Systemy Ekspertowe Niepewność wiedzy dr inż. Michał Bereta Politechnika Krakowska http://torus.uck.pk.edu.pl/~beretam/ beretam@torus.uck.pk.edu.pl 1 Logika Rozmyta (Fuzzy Logic) Mimo
Bardziej szczegółowoWeryfikacja hipotez statystycznych. KG (CC) Statystyka 26 V / 1
Weryfikacja hipotez statystycznych KG (CC) Statystyka 26 V 2009 1 / 1 Sformułowanie problemu Weryfikacja hipotez statystycznych jest drugą (po estymacji) metodą uogólniania wyników uzyskanych w próbie
Bardziej szczegółowoMATeMAtyka 3. Przedmiotowy system oceniania wraz z określeniem wymagań edukacyjnych. Zakres podstawowy i rozszerzony. Zakres podstawowy i rozszerzony
MATeMAtyka 3 Przedmiotowy system oceniania wraz z określeniem wymagań edukacyjnych Zakres podstawowy i rozszerzony Zakres podstawowy i rozszerzony Wyróżnione zostały następujące wymagania programowe: konieczne
Bardziej szczegółowoPrawdopodobieństwo czerwonych = = 0.33
Temat zajęć: Naiwny klasyfikator Bayesa a algorytm KNN Część I: Naiwny klasyfikator Bayesa Naiwny klasyfikator bayerowski jest prostym probabilistycznym klasyfikatorem. Naiwne klasyfikatory bayesowskie
Bardziej szczegółowoTautologia (wyrażenie uniwersalnie prawdziwe - prawo logiczne)
Tautologia (wyrażenie uniwersalnie prawdziwe - prawo logiczne) Definicja 1: Tautologia jest to takie wyrażenie, którego wartość logiczna jest prawdą przy wszystkich możliwych wartościowaniach zmiennych
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 szczegółowoSpacery losowe generowanie realizacji procesu losowego
Spacery losowe generowanie realizacji procesu losowego Michał Krzemiński Streszczenie Omówimy metodę generowania trajektorii spacerów losowych (błądzenia losowego), tj. szczególnych procesów Markowa z
Bardziej szczegółowoWykład 6. Reguły inferencyjne systemu aksjomatycznego Klasycznego Rachunku Zdań
Andrzej Wiśniewski Logika I Materiały do wykładu dla studentów kognitywistyki Wykład 6. Reguły inferencyjne systemu aksjomatycznego Klasycznego Rachunku Zdań System aksjomatyczny logiki Budując logikę
Bardziej szczegółowoWstęp do logiki. Klasyczny Rachunek Zdań III
Wstęp do logiki Klasyczny Rachunek Zdań III Przypomnijmy: Logika: = Teoria form (schematów, reguł) poprawnych wnioskowań. Wnioskowaniem nazywamy jakąkolwiek skończoną co najmniej dwuwyrazową sekwencję
Bardziej szczegółowoSieci Bayesa mgr Tomasz Xięski, Instytut Informatyki, Uniwersytet Śląski Sosnowiec, 2011
Sieci Bayesa mgr Tomasz Xięski, Instytut Informatyki, Uniwersytet Śląski Sosnowiec, 2011 Sieć Bayesowska służy do przedstawiania zależności pomiędzy zdarzeniami bazując na rachunku prawdopodobieństwa.
Bardziej szczegółowoPODSTAWY SZTUCZNEJ INTELIGENCJI
Katedra Informatyki Stosowanej Politechnika Łódzka PODSTAWY SZTUCZNEJ INTELIGENCJI Laboratorium PROGRAMOWANIE SYSTEMÓW EKSPERTOWYCH Opracowanie: Dr hab. inŝ. Jacek Kucharski Dr inŝ. Piotr Urbanek Cel ćwiczenia
Bardziej szczegółowoAnaliza matematyczna - pochodna funkcji 5.8 POCHODNE WYŻSZYCH RZĘDÓW
5.8 POCHODNE WYŻSZYCH RZĘDÓW Drugą pochodną nazywamy pochodną funkcji pochodnej f () i zapisujemy f () = [f ()] W ten sposób możemy też obliczać pochodne n-tego rzędu. Obliczmy wszystkie pochodne wielomianu
Bardziej szczegółowoIndukcja matematyczna
Indukcja matematyczna 1 Zasada indukcji Rozpatrzmy najpierw następujący przykład. Przykład 1 Oblicz sumę 1 + + 5 +... + (n 1). Dyskusja. Widzimy że dla n = 1 ostatnim składnikiem powyższej sumy jest n
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 szczegółowoZadania o numerze 4 z zestawów licencjat 2014.
Zadania o numerze 4 z zestawów licencjat 2014. W nawiasie przy zadaniu jego występowanie w numerze zestawu Spis treści (Z1, Z22, Z43) Definicja granicy ciągu. Obliczyć granicę:... 3 Definicja granicy ciągu...
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 szczegółowoLogika dla socjologów
Logika dla socjologów Część 6: Modele rozumowań. Pojęcie wynikania Rafał Gruszczyński Katedra Logiki Uniwersytet Mikołaja Kopernika 2011/2012 Spis treści 1 Modele rozumowań 2 Wynikanie 3 Rozumowania poprawne
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 szczegółowoŁukasz OGRYZEK Politechnika Śląska w Gliwicach, Polska. Systemy ekspertowe wykorzystywane jako inteligentne platformy e-learningowe etapy uczenia
Łukasz OGRYZEK Politechnika Śląska w Gliwicach, Polska Systemy ekspertowe wykorzystywane jako inteligentne platformy e-learningowe etapy uczenia Wiedzę wciąż trzeba pogłębiać. Niewiedza pogłębia się sama.
Bardziej szczegółowoLiczby pierwsze. Kacper Żurek, uczeń w Gimnazjum nr 1 im. Jana Pawła II w Giżycku.
Liczby pierwsze Kacper Żurek, uczeń w Gimnazjum nr 1 im. Jana Pawła II w Giżycku. Liczbą pierwszą nazywany każdą taką liczbę naturalną, która posiada dokładnie dwa dzielniki naturalne, czyli jest podzielna
Bardziej szczegółowoMetody dowodzenia twierdzeń i automatyzacja rozumowań Systemy aksjomatyczne I
Metody dowodzenia twierdzeń i automatyzacja rozumowań Systemy aksjomatyczne I Mariusz Urbański Instytut Psychologii UAM Mariusz.Urbanski@.edu.pl OSTRZEŻENIE Niniejszy plik nie zawiera wykładu z Metod dowodzenia...
Bardziej szczegółowoTemat: Systemy Ekspertowe i ich zastosowania
Temat: Systemy Ekspertowe i ich zastosowania Opracował: mgr inż. Jacek Habel 1. Wprowadzenie do systemów ekspertowych ogólne definicje. System ekspertowy jest pojęciem, które jest przypisywane do pewnej
Bardziej szczegółowoZasada rozszerzania. A U A jest zbiorem rozmytym, B jest obrazem zbioru A Przeniesienie rozmytości A w odwzorowaniu f na zbiór B. sup.
Zasada rozszerzania f U V U jest zbiorem rozmytym V = f( ), jest obrazem zbioru Przeniesienie rozmytości w odwzorowaniu f na zbiór v) = ( v)? ( f ( ) = sup ( u) gdy ( v) 0 1 = 1 u f ( v) f( ) ( v) 1 0
Bardziej szczegółowoElementy logiki matematycznej
Elementy logiki matematycznej Przedmiotem logiki matematycznej jest badanie tzw. wyrażeń logicznych oraz metod rozumowania i sposobów dowodzenia używanych w matematyce, a także w innych dziedzinach, w
Bardziej szczegółowoStatystyka matematyczna i ekonometria
Statystyka matematyczna i ekonometria Wykład 5 dr inż. Anna Skowrońska-Szmer zima 2017/2018 Hipotezy 2 Hipoteza zerowa (H 0 )- hipoteza o wartości jednego (lub wielu) parametru populacji. Traktujemy ją
Bardziej szczegółowoMetody numeryczne Wykład 4
Metody numeryczne Wykład 4 Dr inż. Michał Łanczont Instytut Elektrotechniki i Elektrotechnologii E419, tel. 4293, m.lanczont@pollub.pl, http://m.lanczont.pollub.pl Zakres wykładu Metody skończone rozwiązywania
Bardziej szczegółowoAndrzej Wiśniewski Logika I Materiały do wykładu dla studentów kognitywistyki. Wykład 9. Koniunkcyjne postacie normalne i rezolucja w KRZ
Andrzej Wiśniewski Logika I Materiały do wykładu dla studentów kognitywistyki Wykład 9. Koniunkcyjne postacie normalne i rezolucja w KRZ 1 Inferencyjna równoważność formuł Definicja 9.1. Formuła A jest
Bardziej szczegółowoUczeń: -podaje przykłady ciągów liczbowych skończonych i nieskończonych oraz rysuje wykresy ciągów
Wymagania edukacyjne PRZEDMIOT: Matematyka KLASA: III Th ZAKRES: zakres podstawowy Poziom wymagań Lp. Dział programu Konieczny-K Podstawowy-P Rozszerzający-R Dopełniający-D Uczeń: 1. Ciągi liczbowe. -zna
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 szczegółowoKilka ciekawostek czyli licznik. Metodologia badania naukowego. Mianownik czyli wiedza ogółem. Globalny naukowy dorobek podwaja się co lat
UNIWERSYTET IM. ADAMA MICKIEWICZA W POZNANIU Wydział Nauk Społecznych Instytut Psychologii Kilka ciekawostek czyli licznik Publikacje naukowe powstają od ponad 350 lat 2019, Dr Paweł Kleka Metodologia
Bardziej szczegółowoWymagania kl. 3. Zakres podstawowy i rozszerzony
Wymagania kl. 3 Zakres podstawowy i rozszerzony Temat lekcji Zakres treści Osiągnięcia ucznia 1. RACHUNEK PRAWDOPODOBIEŃSTWA 1. Reguła mnożenia reguła mnożenia ilustracja zbioru wyników doświadczenia za
Bardziej szczegółowoPODSTAWY WNIOSKOWANIA STATYSTYCZNEGO czȩść II
PODSTAWY WNIOSKOWANIA STATYSTYCZNEGO czȩść II Szkic wykładu 1 Wprowadzenie 2 3 4 5 Weryfikacja hipotez statystycznych Obok estymacji drugim działem wnioskowania statystycznego jest weryfikacja hipotez
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 szczegółowoDana jest baza: kobieta(katarzyna). kobieta(anna). kobieta(maria). kobieta(marianna). kobieta(marta). Zdefiniujemy predykat kobiety/0 następująco:
STEROWANIE PROCESEM WNIOSKOWANIA. Predykat true/0 fail/0 cut/0 lub! not( W) lub \+W repeat/0 Objaśnienie zawsze spełniony, deterministyczny zawsze zawodzi, deterministyczny odcięcie; zawsze spełniony spełniony,
Bardziej szczegółowoNiepewność Belief Networks SE. Zarządzanie wiedzą. Wykład 9 Reprezentacja niepewności w systemach inteligentnych Probabilistyka. Joanna Kołodziejczyk
Zarządzanie wiedzą Wykład 9 Reprezentacja niepewności w systemach inteligentnych Probabilistyka Joanna Kołodziejczyk 13 maj 2011 Plan wykładu 1 Niepewność 2 Belief Networks 3 SE Pochodzenie niepewności
Bardziej szczegółowoĆwiczenia do rozdziału 2, zestaw A: z książki Alfreda Tarskiego Wprowadzenie do logiki
0 1 Ćwiczenia do rozdziału 2, zestaw A: z książki Alfreda Tarskiego Wprowadzenie do logiki 2. W następujących dwóch prawach wyróżnić wyrażenia specyficznie matematyczne i wyrażenia z zakresu logiki (do
Bardziej szczegółowoTestowanie hipotez statystycznych
Agenda Instytut Matematyki Politechniki Łódzkiej 2 stycznia 2012 Agenda Agenda 1 Wprowadzenie Agenda 2 Hipoteza oraz błędy I i II rodzaju Hipoteza alternatywna Statystyka testowa Zbiór krytyczny Poziom
Bardziej szczegółowoPrawdopodobieństwo i rozkład normalny cd.
# # Prawdopodobieństwo i rozkład normalny cd. Michał Daszykowski, Ivana Stanimirova Instytut Chemii Uniwersytet Śląski w Katowicach Ul. Szkolna 9 40-006 Katowice E-mail: www: mdaszyk@us.edu.pl istanimi@us.edu.pl
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 szczegółowoKultura logiczna Wnioskowania dedukcyjne
Kultura logiczna Wnioskowania dedukcyjne Bartosz Gostkowski bgostkowski@gmail.com Kraków 25 IV 2010 Plan wykładu: Intuicje dotyczące poprawności wnioskowania Wnioskowanie dedukcyjne Reguły niezawodne a
Bardziej szczegółowoPrawdopodobieństwo warunkowe Twierdzenie o prawdopodobieństwie całkowitym
Edward Stachowski Prawdopodobieństwo warunkowe Twierdzenie o prawdopodobieństwie całkowitym W podstawie programowej obowiązującej na egzaminie maturalnym od 05r pojawiły się nowe treści programowe Wśród
Bardziej szczegółowoModele DSGE. Jerzy Mycielski. Maj Jerzy Mycielski () Modele DSGE Maj / 11
Modele DSGE Jerzy Mycielski Maj 2008 Jerzy Mycielski () Modele DSGE Maj 2008 1 / 11 Modele DSGE DSGE - Dynamiczne, stochastyczne modele równowagi ogólnej (Dynamic Stochastic General Equilibrium Model)
Bardziej szczegółowo5. OKREŚLANIE WARTOŚCI LOGICZNEJ ZDAŃ ZŁOŻONYCH
5. OKREŚLANIE WARTOŚCI LOGICZNEJ ZDAŃ ZŁOŻONYCH Temat, którym mamy się tu zająć, jest nudny i żmudny będziemy się uczyć techniki obliczania wartości logicznej zdań dowolnie złożonych. Po co? możecie zapytać.
Bardziej szczegółowoTestowanie hipotez statystycznych
Testowanie hipotez statystycznych Przypuśdmy, że mamy do czynienia z następującą sytuacją: nieznany jest rozkład F rządzący pewnym zjawiskiem losowym. Dysponujemy konkretną próbą losową ( x1, x2,..., xn
Bardziej szczegółowoRozdział 2: Metoda największej wiarygodności i nieliniowa metoda najmniejszych kwadratów
Rozdział : Metoda największej wiarygodności i nieliniowa metoda najmniejszych kwadratów W tym rozdziale omówione zostaną dwie najpopularniejsze metody estymacji parametrów w ekonometrycznych modelach nieliniowych,
Bardziej szczegółowoLaboratorium 5 Przybliżone metody rozwiązywania równań nieliniowych
Uniwersytet Zielonogórski Wydział Informatyki, Elektrotechniki i Telekomunikacji Instytut Sterowania i Systemów Informatycznych Elektrotechnika niestacjonarne-zaoczne pierwszego stopnia z tyt. inżyniera
Bardziej szczegółowoFuzja sygnałów i filtry bayesowskie
Fuzja sygnałów i filtry bayesowskie Roboty Manipulacyjne i Mobilne dr inż. Janusz Jakubiak Katedra Cybernetyki i Robotyki Wydział Elektroniki, Politechnika Wrocławska Wrocław, 10.03.2015 Dlaczego potrzebna
Bardziej szczegółowoInteligencja obliczeniowa
Ćwiczenie nr 3 Zbiory rozmyte logika rozmyta Sterowniki wielowejściowe i wielowyjściowe, relacje rozmyte, sposoby zapisu reguł, aproksymacja funkcji przy użyciu reguł rozmytych, charakterystyki przejściowe
Bardziej szczegółowoMATeMAtyka 3. Propozycja przedmiotowego systemu oceniania wraz z określeniem wymagań edukacyjnych. Zakres podstawowy i rozszerzony
Agnieszka Kamińska, Dorota Ponczek MATeMAtyka 3 Propozycja przedmiotowego systemu oceniania wraz z określeniem wymagań edukacyjnych Zakres podstawowy i rozszerzony Wyróżnione zostały następujące wymagania
Bardziej szczegółowoAdam Kirpsza Zastosowanie regresji logistycznej w studiach nad Unią Europejska. Anna Stankiewicz Izabela Słomska
Adam Kirpsza Zastosowanie regresji logistycznej w studiach nad Unią Europejska Anna Stankiewicz Izabela Słomska Wstęp- statystyka w politologii Rzadkie stosowanie narzędzi statystycznych Pisma Karla Poppera
Bardziej szczegółowoNotacja. - operator implikacji, - operator koniunkcji v operator alternatywy - operator równoważności ~ operator negacji Duża litera (np.
Systemy ekspertowe Notacja - operator implikacji, - operator koniunkcji v operator alternatywy - operator równoważności ~ operator negacji Duża litera (np. A) - fakt Klauzula Horna Klauzula Horna mówi,
Bardziej szczegółowoEksploracja Danych. wykład 4. Sebastian Zając. 10 maja 2017 WMP.SNŚ UKSW. Sebastian Zając (WMP.SNŚ UKSW) Eksploracja Danych 10 maja / 18
Eksploracja Danych wykład 4 Sebastian Zając WMP.SNŚ UKSW 10 maja 2017 Sebastian Zając (WMP.SNŚ UKSW) Eksploracja Danych 10 maja 2017 1 / 18 Klasyfikacja danych Klasyfikacja Najczęściej stosowana (najstarsza)
Bardziej szczegółowo2a. Przeciętna stopa zwrotu
2a. Przeciętna stopa zwrotu Grzegorz Kosiorowski Uniwersytet Ekonomiczny w Krakowie Matematyka finansowa rzegorz Kosiorowski (Uniwersytet Ekonomiczny w Krakowie) 2a. Przeciętna stopa zwrotu Matematyka
Bardziej szczegółowoSID Wykład 7 Zbiory rozmyte
SID Wykład 7 Zbiory rozmyte Wydział Matematyki, Informatyki i Mechaniki UW slezak@mimuw.edu.pl Wstęp Language Ontological Commitment Epistemological Commitment (What exists in the world) (What an agent
Bardziej szczegółowoKlasyfikator. ˆp(k x) = 1 K. I(ρ(x,x i ) ρ(x,x (K) ))I(y i =k),k =1,...,L,
Klasyfikator Jedną z najistotniejszych nieparametrycznych metod klasyfikacji jest metoda K-najbliższych sąsiadów, oznaczana przez K-NN. W metodzie tej zaliczamy rozpoznawany obiekt do tej klasy, do której
Bardziej szczegółowoCel projektu: Wymogi dotyczące sprawozdania:
W ramach zajęć proszę wykonać sprawozdanie z logiki rozmytej. Sprawozdanie powinno realizować zadanie wnioskowania rozmytego. Cel projektu: Student projektuje bazę wiedzy wnioskowania rozmytego (kilka,
Bardziej szczegółowo