Oplossingsmethoden implementatie
This presentation is the property of its rightful owner.
Sponsored Links
1 / 21

Oplossingsmethoden: implementatie PowerPoint PPT Presentation


  • 118 Views
  • Uploaded on
  • Presentation posted in: General

Oplossingsmethoden: implementatie. relatie kennisniveau  symboolniveau taken: wat? modellen: welke kennis? (elke taak: 1 of meer modellen) methoden: hoe kennis gebruiken? implementatie procedureel  declaratief casusmodellen, domeinmodellen

Download Presentation

Oplossingsmethoden: implementatie

An Image/Link below is provided (as is) to download presentation

Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -

Presentation Transcript


Oplossingsmethoden implementatie

Oplossingsmethoden: implementatie

  • relatie kennisniveau  symboolniveau

    • taken: wat?

    • modellen: welke kennis? (elke taak: 1 of meer modellen)

    • methoden: hoe kennis gebruiken?

  • implementatie

    • procedureel declaratief

    • casusmodellen, domeinmodellen

    • afbeeldingsmethoden, uitbreidingsmethoden, zoekmethoden


Oplossingsmethoden implementatie 2

Oplossingsmethoden: implementatie (2)

  • Declaratieve representatie

    • expliciete representatie van de modellen

    • flexibel

    • (minder efficiënt)

    • vb. Prolog

  • Procedurele representatie

    • domeinmodellen + methodendomeinafhankelijke methode (verzameling regels)

    • efficient

    • verfijning regels m.b.v. heuristische kennis

    • vb. KAN


Afbeeldingsmethoden

Afbeeldingsmethoden

  • lineaire afbeelding

  • differentiatie

  • neerwaartse verfijning

  • weighted evidence combination

  • gelijkenis


Lineaire afbeelding

Lineaire afbeelding

  • klassen:

    • roodooramandine= {bek=rood,oor=rood,staart=bruin,keel=nb}

    • prachtvink = {bek=rood,oor=zwart,staart=bruin,keel=nb}

    • diamantvink = {bek=rood,oor=wit,staart=zwart,keel=wit}

  • werking:

    • neem één voor één alle klassen, en test de attributen

    • onbekende attributen opzoeken/vragen

  • codering:

    (define (rule vink-regels) roodooramandine (if (bek rood) (oor rood) (staart bruin) (keel nb)) (then (conclude (soort roodooramandine))))

  • Uitbreidingen: probabiliteit v/d conclusie, kost v/h testen v/d condities,...


Differentiatie

staart

bruin

zwart

oor

diamantvink

rood

zwart

roodoor-

amandine

prachtvink

Differentiatie

  • werking

    • bepaal het meest distinctieve attribuut(attribuut met grootst aantal verschillende waarden) # nog te doorzoeken klassen wordt het kleinst

    • beslissingsboom

  • Codering:

    • regel voor elk eindpunt van de tree

      (define (rule vink-regels) diamantvink

      (if (staart zwart))

      (then (conclude (soort diamantvink))))

  • efficiënter dan zuivere lineaire afbeelding


Neerwaartse verfijning

vink

bek = rood

ondersoort1

staart = bruin

keel = nb

diamantvink

staart = zwart

keel = wit

oor = wit

roodooramandine

oor = rood

prachtvink

oor = zwart

Neerwaartse verfijning

  • Gemeenschappelijke kenmerken isoleren klassehiërarchie

  • werking:

    • zoek opvolger m.b.v. differentiatie of lineaire afbeelding

  • codering:

    • aparte regelverzameling voor de subnodes van een node


Weighted evidence combination

0.8

0.6

0.5

0

0

0

0

rood zwart wit

oor

bruin zwart

staart

wit nb

keel

Weighted Evidence Combination

  • Vorige methoden: afbeelding bron  doel duidelijk

    • kenmerken zijn noodzakelijk en voldoende

  • dikwijls: onzekerheid

    • zwakke domeintheorie

    • onzekere waarneming

  • werking:

    • waarde(c,T) = w(T,i) x(i)

  • implementatie:

    • niet in KAN

    • neurale netwerken


Gelijkenis

staart

zwart

diamantvink

bruin

oor

roodooramandine

rood

zwart

wit

prachtvink

Gelijkenis

  • Bereken afstand tussen casus en doelelement

  • afstand berekend m.b.v. metriek

    • Hamming-distance: # kenmerken dat verschillend is

    • Euclidische afstand

?


Selectie van methode

Selectie van methode

  • Beperkingen van elke methode

    • modellen: onvolledig? inconsistent?

    • waarnemingen: kost? onbetrouwbaar? inconsistent?

    • andere: beperkte tijd? beperkt geheugen? complexiteit?

  • vb. lineaire afbeelding

    • modellen: binair (kenmerken noodzakelijk en voldoende);klein aantal klassen; kleine verzameling kenmerken

    • kosten gelijk voor alle attributen

    • geen onzekerheid


Uitbreidingsmethoden

Uitbreidingsmethoden

  • Verdere ontwikkeling van een casusmodel

  • voorbeeldmethode: constraint propagation

    • als constraints in regels geformuleerd zijn geen verdere vertaling nodig


Zoekmethoden

Zoekmethoden

  • Classificatie: klassen + bijbehorende kenmerken gekend  directe methode mogelijk (la, diff,...)

  • Nodig wanneer kennis niet volledig isvb. diagnose van een motor:

motor start niet

haperende vonk-

overbrenging

haperende vonk-

voortbrenging

slechte

bougie

defect

contactpunt

defecte

bougiekap


Zoekmethoden1

“Blinde”

zoekmethoden

heuristische

zoekmethoden

expliciete

sturing

Zoekmethoden

  • search space

  • blinde zoekmethoden:

    • breadth-first search

    • depth-first search

  • heuristische zoekmethoden

    • best-first search

    • beam search

    • hill-climbing (steepest descent)

  • expliciete sturing

    • object-niveau + meta-niveau


Blinde zoekmethoden

Blinde zoekmethoden

n1

n2

n3

n4

  • depth-first: n1  n2  n5  n6  n7  n3  ...

  • breadth-first: n1  n2  n3  n4  n5  ...

n5

n6

n7


Heuristische zoekmethoden

Heuristische zoekmethoden

  • blinde zoekmethoden: probeer alle mogelijke oplossingen uit tot goede gevonden

  • Efficiënter: bepaal telkens de beste vervolgstap

    • implementatie: evaluatiefunctie

  • Moeilijke problemen: beste vervolgstap bepalen niet mogelijk vuistregel

  • Varianten van blinde methoden:

    • best-first search: ontwikkel de beste oplossing tot nu toe

    • beam search: kijk telkens enkel naar de beste x mogelijkheden

    • hill climbing: kijk telkens enkel naar de beste mogelijkheid


Expliciete sturing

Expliciete sturing

  • Meest algemene methode: selectie van volgende stap is een volledig redeneerproces op zich

  • Oplossing van het probleem zelf: objectniveau

  • Oplossing van selectie: metaniveau


Kennisverwerving

Kennisverwerving

  • intelligentie: modellen gebruiken en ontwikkelen

    • aandacht richten op bepaalde aspecten

  • welke kennis is bruikbaar?ontdekken van structuur in de kennis van de expert

  • 2 aspecten:

    • kennisonttrekking

    • kennisinterpretatie


Kennisonttrekking

Kennisonttrekking

  • bij voorkeur “harde” kennis:

    • vastliggend; rechtstreeks van de expert

    • gestructureerd:

      • tabellen, diagrammen: gemakkelijk te vinden/maken

      • beslissingsbomen: dikwijls voor onderhoud

      • regels: dikwijls niet beschikbaar; vatbaar voor interpretatie

      • woordenlijsten: uniforme terminologie; uitlegfaciliteit

    • ongestructureerd:

      • gespreksprotocollen: verslagen van redeneringen v/d expert

      • tekst: geen gestructureerd overzicht v/h domein

      • vraag-en- antwoordspelletjes tussen experts

  • geen eigen interpretaties!


Kennisinterpretatie

Kennisinterpretatie

  • ontrafelen van de structuur van de verzamelde kennis( gericht over details vragen)

  • resultaat: kennisniveaubeschrijving (modellen, methoden, taakstructuur)

  • indien regels gekend: omgekeerde benadering om expert verder te kunnen ondervragen


Leren

Leren

  • leervermogen:

    • zelfstandig in staat nieuwe taken af te handelen

    • aanpassen aan veranderingen in de taakomgeving

    • oude taken op een betere manier aanpakken

  • meeste kennissystemen leren niet

  • methoden?

    • inductieve methoden

    • theorie-afhankelijke methoden

    • connectionistisch (weighted evidence combination)


Inductieve methode

Inductieve methode

  • generalisatie op basis van positieve en negatieve voorbeelden

  • Vereenvoudigde versie:

  • + {bek rood, oor rood, poten bruin}+ {bek rood, (not (oor rood)), poten bruin} {snavel rood, poten bruin}- {(not (bek rood)), oor rood, poten bruin} {snavel rood}


Theorie afhankelijke methoden

Theorie-afhankelijke methoden

  • bijv. leren van een nieuw model op basis van bestaande modellen en extra waarnemingen


  • Login