WIEDZA METODY INŻYNIERII WIEDZY KNOWLEDGE ENGINEERING AND DATA MINING. Adrian Horzyk. Akademia Górniczo-Hutnicza

Podobne dokumenty
SZTUCZNA INTELIGENCJA

Wprowadzenie do teorii systemów ekspertowych

Adrian Horzyk

WSTĘP I TAKSONOMIA METODY INŻYNIERII WIEDZY KNOWLEDGE ENGINEERING AND DATA MINING. Adrian Horzyk. Akademia Górniczo-Hutnicza

Sztuczne Systemy Skojarzeniowe. Adrian Horzyk

BIOCYBERNETYKA PROLOG

METODY INŻYNIERII WIEDZY

Adrian Horzyk

PODSTAWY BAZ DANYCH I SZTUCZNEJ INTELIGENCJI. Adrian Horzyk. Akademia Górniczo-Hutnicza

METODY INŻYNIERII WIEDZY KNOWLEDGE ENGINEERING AND DATA MINING. EKSPLORACJA DANYCH Ćwiczenia. Adrian Horzyk. Akademia Górniczo-Hutnicza

O badaniach nad SZTUCZNĄ INTELIGENCJĄ

METODY INŻYNIERII WIEDZY

O badaniach nad SZTUCZNĄ INTELIGENCJĄ

O badaniach nad SZTUCZNĄ INTELIGENCJĄ

METODY INŻYNIERII WIEDZY KNOWLEDGE ENGINEERING AND DATA MINING

PROLOG WSTĘP DO INFORMATYKI. Akademia Górniczo-Hutnicza. Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej.

Tomasz Pawlak. Zastosowania Metod Inteligencji Obliczeniowej

Systemy uczące się wykład 1

Festiwal Myśli Abstrakcyjnej, Warszawa, Czy SZTUCZNA INTELIGENCJA potrzebuje FILOZOFII?

Sztuczna inteligencja

METODY INŻYNIERII WIEDZY

Neuroasocjacyjne modele obliczeniowe w sztucznej inteligencji dla celów formowania się wiedzy i skojarzeń

BAZY DANYCH NORMALIZACJA BAZ DANYCH. Microsoft Access. Adrian Horzyk. Akademia Górniczo-Hutnicza

1. Historia 2. Podstawy neurobiologii 3. Definicje i inne kłamstwa 4. Sztuczny neuron i zasady działania SSN. Agenda

BAZY DANYCH MAKRA I PRZYCISKI. Microsoft Access. Adrian Horzyk. Akademia Górniczo-Hutnicza

TRANSFORMACJE I JAKOŚĆ DANYCH

PRZEWODNIK PO PRZEDMIOCIE

1.7. Eksploracja danych: pogłębianie, przeszukiwanie i wyławianie

KARTA MODUŁU KSZTAŁCENIA

PRZEWODNIK PO PRZEDMIOCIE

Metody i techniki sztucznej inteligencji / Leszek Rutkowski. wyd. 2, 3 dodr. Warszawa, Spis treści

Metody Sztucznej Inteligencji Methods of Artificial Intelligence. Elektrotechnika II stopień ogólno akademicki. niestacjonarne. przedmiot kierunkowy

Inteligencja. Władysław Kopaliśki, Słownik wyrazów obcych i zwrotów obcojęzycznych

BAZY DANYCH. Microsoft Access NAWIGACJA, MENU I PARAMETRY WYSZUKIWANIA. Adrian Horzyk. Akademia Górniczo-Hutnicza

KARTA PRZEDMIOTU. Dyscyplina:

Sztuczna inteligencja stan wiedzy, perspektywy rozwoju i problemy etyczne. Piotr Bilski Instytut Radioelektroniki i Technik Multimedialnych

Systemy Informatyki Przemysłowej

Informatyka w medycynie Punkt widzenia kardiologa

Adrian Horzyk

METODY INŻYNIERII WIEDZY

BAZY DANYCH NORMALIZACJA BAZ DANYCH. Microsoft Access. Adrian Horzyk. Akademia Górniczo-Hutnicza

HURTOWNIE DANYCH I BUSINESS INTELLIGENCE

BAZY DANYCH. NIERELACYJNE BAZY DANYCH NoSQL I ASOCJACYJNE STRUKTURY DANYCH. Adrian Horzyk. Akademia Górniczo-Hutnicza

PRZEWODNIK PO PRZEDMIOCIE

PRZEWODNIK PO PRZEDMIOCIE

Kierunek: Informatyka Poziom studiów: Studia I stopnia Forma i tryb studiów: Stacjonarne. Wykład Ćwiczenia

METODY INŻYNIERII WIEDZY KNOWLEDGE ENGINEERING AND DATA MINING

Plan wykładów METODY SZTUCZNEJ INTELIGENCJI W UKŁADACH STEROWANIA

Sztuczna Inteligencja i Systemy Doradcze

Sztuczna inteligencja

WSTĘP DO INFORMATYKI SIECI NEURONOWE I SZTUCZNA INTELIGENCJA wykład

data mining machine learning data science

Adrian Horzyk Web: Google: Adrian Horzyk Gabinet: paw. C3 p. 206

Sztuczna inteligencja - wprowadzenie

Metody sztucznej inteligencji w układach sterowania METODY SZTUCZNEJ INTELIGENCJI W UKŁADACH STEROWANIA

Wstęp do kognitywistyki. Wykład 3: Logiczny neuron. Rachunek sieci neuronowych

Uniwersytet Zielonogórski Wydział Elektrotechniki, Informatyki i Telekomunikacji Instytut Sterowania i Systemów Informatycznych

Uniwersytet w Białymstoku Wydział Ekonomiczno-Informatyczny w Wilnie SYLLABUS na rok akademicki 2012/2013

Systemy uczące się wykład 2

V Seminarium Naukowe "Inżynierskie zastosowania technologii informatycznych" - relacja

Zalew danych skąd się biorą dane? są generowane przez banki, ubezpieczalnie, sieci handlowe, dane eksperymentalne, Web, tekst, e_handel

Inżynieria danych I stopień Praktyczny Studia stacjonarne Wszystkie specjalności Katedra Inżynierii Produkcji Dr Małgorzata Lucińska

Podstawy Sztucznej Inteligencji (PSZT)

2.1.M.06: Modelowanie i wspomaganie komputerowe w inżynierii powierzchni

Wprowadzenie, podstawowe pojęcia i definicje. Politechnika Gdańska. Wydział Elektrotechniki i Automatyki

Kierunek: Informatyka Poziom studiów: Studia I stopnia Forma i tryb studiów: Stacjonarne. Wykład Ćwiczenia

SZTUCZNA INTELIGENCJA

SI w procesach przepływu i porządkowania informacji. Paweł Buchwald Wyższa Szkoła Biznesu

[1] [2] [3] [4] [5] [6] Wiedza

PRZEWODNIK PO PRZEDMIOCIE

PODSTAWY BAZ DANYCH. 19. Perspektywy baz danych. 2009/2010 Notatki do wykładu "Podstawy baz danych"

KARTA PRZEDMIOTU. (pieczęć wydziału)

Sztuczna inteligencja i logika. Podsumowanie przedsięwzięcia naukowego Kisielewicz Andrzej WNT 20011

Instytut Automatyki i Inżynierii Informatycznej Politechniki Poznańskiej. Adam Meissner. Elementy uczenia maszynowego

Efekt kształcenia. Wiedza

zna metody matematyczne w zakresie niezbędnym do formalnego i ilościowego opisu, zrozumienia i modelowania problemów z różnych

Wprowadzenie do technologii informacyjnej.

Efekty kształcenia dla kierunku studiów CHEMIA studia pierwszego stopnia profil ogólnoakademicki

dr inż. Olga Siedlecka-Lamch 14 listopada 2011 roku Instytut Informatyki Teoretycznej i Stosowanej Politechnika Częstochowska Eksploracja danych

Kraków, 14 marca 2013 r.

Sieci neuronowe. - wprowadzenie - Istota inteligencji. WYKŁAD Piotr Ciskowski

Sieci Neuronowe - Rok III - kierunek IS w IFAiIS UJ 2008/2009. Sieci Neuronowe. Wykład 11 Algorytmy genetyczne; Systemy rozmyte

Sylabus modułu kształcenia na studiach wyższych. Nazwa Wydziału. Nazwa jednostki prowadzącej moduł Nazwa modułu kształcenia

Kształcenie w Szkole Doktorskiej Politechniki Białostockiej realizowane będzie według następującego programu:

Sieci neuronowe i algorytmy uczenia Czyli co i jak andrzej.rusiecki.staff.iiar.pwr.wroc.pl s.

w ekonomii, finansach i towaroznawstwie

Zastosowanie metod eksploracji danych (data mining) do sterowania i diagnostyki procesów w przemyśle spożywczym

Transformacja wiedzy w budowie i eksploatacji maszyn

Systemy uczące się Lab 4

Informatyka I stopień (I stopień / II stopień) ogólno akademicki (ogólno akademicki / praktyczny) kierunkowy (podstawowy / kierunkowy / inny HES)

Stefan Sokołowski SZTUCZNAINTELIGENCJA. Inst. Informatyki UG, Gdańsk, 2009/2010

Załącznik nr 1 do uchwały Senatu PK nr 119/d/12/2017 z dnia 20 grudnia 2017 r.

mgr inż. Magdalena Deckert Poznań, r. Metody przyrostowego uczenia się ze strumieni danych.

Elementy kognitywistyki III: Modele i architektury poznawcze

ID1SII4. Informatyka I stopień (I stopień / II stopień) ogólnoakademicki (ogólno akademicki / praktyczny) stacjonarne (stacjonarne / niestacjonarne)

CZYM SĄ OBLICZENIA NAT A URALNE?

Zastosowanie sztucznych sieci neuronowych w prognozowaniu szeregów czasowych (prezentacja 2)

MODELOWANIE RZECZYWISTOŚCI

kierunkowy (podstawowy / kierunkowy / inny HES) nieobowiązkowy (obowiązkowy / nieobowiązkowy) polski drugi semestr letni (semestr zimowy / letni)

Transkrypt:

METODY INŻYNIERII WIEDZY KNOWLEDGE ENGINEERING AND DATA MINING WIEDZA Adrian Horzyk Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej Katedra Automatyki i Inżynierii Biomedycznej, Laboratorium Biocybernetyki 30-059 Kraków, al. Mickiewicza 30, paw. C3/205 horzyk@agh.edu.pl, Google: Adrian Horzyk

WIEDZA?

CZYM JEST WIEDZA? Dane bombardują nas z każdej strony! A nasze mózgi jakoś sobie z nimi radzą!

Mózg Zupełnie inny model przetwarzania danych niż obecnie stosowany w informatyce!

LUDZKA INTELIGENCJA jest w stanie błyskawicznie radzić sobie z obliczeniowo bardzo skomplikowanymi zadaniami. Dzięki pracy NEURONÓW jest również w stanie formować i pogłębiać wiedzę, uogólniać, definiować, badać alternatywne podejścia, podsumowywać i wyciągać wnioski oraz być kreatywną

MÓZG OŚRODEK NASZEJ INTELIGENCJI I SIEDLISKO NASZEJ WIEDZY

MÓZG Plastyczny i dynamicznie zmienny twór Błyskawicznie reaguje na skomplikowane sytuacje Zdolny do adaptacji i samoorganizacji Zdolność do kompensacji po uszkodzeniach elementów Zdolny do równoległego przetwarzania danych Umożliwia uczenie się, adaptację i myślenie Uogólnia obiekty, fakty i reguły Kreatywnie reaguje w nowych kontekstach Aktywnie reprezentuje wiedzę Jest siedliskiem inteligencji

CZYM JEST WIEDZA? Jest ukoronowaniem poszukiwań i odzwierciedleniem znalezisk. Jest wynikiem konsolidacji wielu informacji, które docierają do umysłu za pośrednictwem przekazywanych faktów, reguł, obserwacji obiektów w naturalnym kontekście ich występowania. Jest efektem agregacji reprezentacji podobnych obiektów tworzących ich klasy. Jest formą reprezentacji klas obiektów i występujących pomiędzy nimi relacji w świecie rzeczywistym. Utrwala reprezentację klas obiektów w różnych naturalnych kontekstach ich występowania. Stwarza możliwość kontekstowego wnioskowania dzięki agregacji reprezentacji obiektów. Jest czynnikiem pozwalającym rozwijać inteligencję.

DEFINICJA WIEDZY Wiedza jest wynikiem automatycznej agregacji (zwykle powtarzających się) wzorców danych oraz asocjacyjnej konsolidacji ich sekwencji w kontekście wcześniejszych danych, formujących reguły, metody i algorytmy przetwarzania danych. Wiedza jest ściśle powiązana z inteligencją, gdyż pozwala na wnioskowanie i rozwój inteligencji osobniczej poprzez tworzenie algorytmów/metod/reguł efektywnego postępowania, realizacji zadań i rozwiązywania problemów w kontekście znanych wzorców danych, które rozpoznaje i umie powiązać z innymi. Zagadnieniami formowania i reprezentacji wiedzy zajmuje się wiele działów nauki: informatyka, kognitywistyka, psychologia, filozofia, matematyka, fizyka i neurobiologia. Inżynieria wiedzy to obszar interdyscyplinarny.

JAK POWSTAJE WIEDZA? Na pewno powstaje w umyśle (mózgu) istot żywych! Formowanie wiedzy wymaga aktywnego systemu reagowania na napływające wzorce danych, automatyczne rozpoznawanie i wyszukiwanie ich wcześniejszych wystąpień, podobnych wzorców i ich aktywną agregację oraz łączenie w kontekście poprzednich wzorców. Próbujemy modelować ją w systemach cybernetycznych. Niestety często ograniczana jest do eksploracji wzorców w zbiorach danych i tworzenia reguł wnioskowania na ich podstawie. Eksplorację wiedzy z danych przeprowadzamy poprzez wyszukiwanie powtarzających się wzorców danych (frequent patterns), ich podzbiorów lub subsekwencji, co jest zdaniem obliczeniowo złożonym i skomplikowanym dla dużych zbiorów/baz danych, wymagającym stosowania sprytnych algorytmów poprawiających wydajność.

INSPIRACJE BIOLOGICZNE Sztuczne sieci neuronowe Algorytmy ewolucyjne Algorytmy genetyczne Metody roju Logika rozmyta i systemy rozmyte Liczby niepewne Teoria chaosu Inżynieria i reprezentacja wiedzy Kojarzenie, inteligencja i sztuczna świadomość

WIEDZA AKTYWNA NAUKA DOŚWIADCZENIE INTROSPEKCJA INTUICJA

INGELIGENCJA WIEDZA KOJARZENIE NAUKA ADAPTACJA POTRZEBY ŚRODOWISKO

INFORMATYKA LOGIKA LINGWISTYKA MATEMATYKA FIZYKA BIOLOGIA PSYCHOLOGIA NEUROFIZJOLOGIA METODY INŻYNIERII WIEDZY KOGNITYWISTYKA SZTUCZNA INTELIGENCJA FILOZOFIA

SZTUCZNA INGELIGENCJA AUTONOMICZNA ZDOLNOŚĆ FORMOWANIA WIEDZY ZDOLNOŚĆ AKTYWNEGO I PASYWNEGO UCZENIA SIĘ WBUDOWANE MECHANIZMY MOTYWACYJNE (POTRZEBY) AUTOMATYCZNE UTRWALANIE ZWIĄZKÓW MIĘDZY OBIEKTAMI AUTOMATYCZNA KONTEKSTOWA KONSOLIDACJA DANYCH AUTOMATYCZNE GRUPOWANIE DANYCH I KLASTERYZACJA AUTOMATYCZNE DEFINIOWANIE POJĘĆ I KLASYFIKACJA AUTOMATYCZNE UOGÓLNIANIE I TWORZENIE ABSTRAKCJI

SZTUCZNA INGELIGENCJA Po ponad pół wieku zmagań nad zdefiniowaniem i urealnieniem sztucznej inteligencji jeden z jej inicjatorów oraz pierwszych jej badaczy Marvin Minsky stwierdził, iż Prawdziwa sztuczna inteligencja czeka dopiero na swojego odkrywcę!

INGELIGENCJA OBLICZENIOWA SZTUCZNE SIECI NEURONOWE OBLICZENIA EWOLUCYJNE i ALGORYTMY GENETYCZNE TEORIA ZBIORÓW ROZMYTYCH i PRZYBLIŻONYCH WNIOSKOWANIE PROBABILISTYCZNE I SIECI BAYESA ROZPOZNAWANIE i KLASYFIKACJA WZORCÓW, ANALIZA SKUPISK METODY POPULACYJNE, ROJU oraz INTELIGENCJI STADNEJ LOGIKA oraz REGUŁOWE SYSTEMY WNIOSKOWANIA LINGWISTYKA MATEMATYCZNA i KOGNITYWNA TEORIA GRAMATYK GENERATYWNYCH SYSTEMY AGENTOWE i WIELOAGENTOWE MODELE REPREZENTACJI WIEDZY (regułowe, strukturalne, asocjacyjne) MODELE ASOCJACYJNE, KONEKCJONISTYCZNE i KOGNITYWNE

Podstawowe Elementy Inteligencji Obliczeniowej Wiedza o problemie przekazana w formie uporządkowanego lub nieuporządkowanego zbioru obiektów, faktów lub reguł, które są danymi uczącymi (training data) dla tych metod lub tworzą tzw. zbiór danych uczący (training data set). Na podstawie tych danych tworzony jest model, który ma za zadanie odwzorować relacje pomiędzy danymi w taki sposób, żeby był zdolny uogólnić je na przypadki nie opisane w wejściowym zbiorze danych uczących. Umiejętność uogólniania jest jedną z podstawowych cech inteligencji naturalnej o dużym znaczeniu praktycznym. W inteligencji obliczeniowej dążyć będziemy więc do możliwie jak najlepszego uogólnienia (generalizacji)!

Podstawowe Elementy Sztucznej Inteligencji Oprócz wiedzy o problemie przekazanej w formie zbioru obiektów, faktów lub reguł zbioru danych uczących potrzebujemy jeszcze określić cele na podstawie zdefiniowanego systemu motywacji (potrzeb) systemu. Niezbędny jest też autonomiczny system zdolny do kojarzenia obiektów, faktów i reguł, ich grupowej reprezentacji w postaci pewnych klas i sekwencji oraz automatycznego reagowania na nie w zależności od ich istotności i wpływie na zaspokojenie potrzeb (osiągnięcie celów) systemu sztucznej inteligencji. W otaczającym świecie istotne i zapamiętywane jest to, co się często powtarza, zaspokaja nasze potrzeby lub jest unikalne!

WIEDZA Wiedza jest więc wynikiem działania inteligentnego systemu posiadającego system motywacji i potrzeby, zdolnego dążyć do zdobywania informacji i dzięki wewnętrznym mechanizmom asocjacji reprezentować występujące w nich klasy obiektów kontekstowo względem siebie, co umożliwia ich odtwarzanie, przypominanie i generalizację, prowadząc do zwrotnego przekazu informacji wywołanych kontekstem pytania, stwierdzenia lub innego zdarzenia pobudzającego system przechowujący wiedzę. Wiedza nie jest więc dostępna bezpośrednio, lecz za pośrednictwem informacji przekazywanych poprzez różnego rodzaju fakty i reguły zrozumiałe dla odbiorcy.

MONKEY to przykład zbioru faktów opisujących małpkę: I have a monkey. My monkey is very small. It is very lovely. It likes to sit on my head. It can jump very quickly. It is also very clever. It learns quickly. My monkey is lovely. I have also a small dog. QUESTION: What is this monkey like?

CONSTRUCTION OF ASSOCIATIVE GRAFU NEURAL GRAPH DLA ANAKG-3 ZBIORU KONSTRUKCJA ASOCJACYJNEGO NEURONOWEGO SEKWENCJI UCZĄCYCH: TRAINING SEQUENCES S1 I HAVE A MONKEY S2 MY MONKEY IS VERY SMALL S3 IT IS VERY LOVELY S4 S5 IT LIKES TO SIT ON MY HEAD IT CAN JUMP VERY QUICKLY S6 IT IS ALSO VERY CLEVER S7 IT LEARNS QUICKLY S8 MY MONKEY IS LOVELY S9 I HAVE ALSO A SMALL DOG

CONSTRUCTION OF ASSOCIATIVE NEURAL GRAPH ANAKG-3 TRAINING SEQUENCES S1 I HAVE A MONKEY S2 MY MONKEY IS VERY SMALL S3 IT IS VERY LOVELY S4 S5 IT LIKES TO SIT ON MY HEAD IT CAN JUMP VERY QUICKLY S6 IT IS ALSO VERY CLEVER S7 IT LEARNS QUICKLY S8 MY MONKEY IS LOVELY S9 I HAVE ALSO A SMALL DOG

AI ROZWÓJ INTELIGENCJI ZALEŻNY JEST OD WIEDZY