1 / 13

Tema 5: Ekspertni sistemi, veštačke neuronske mreže i sistemi za podršku odlučivanju (VEŽBE)

Tema 5: Ekspertni sistemi, veštačke neuronske mreže i sistemi za podršku odlučivanju (VEŽBE). SISTEMI ZA PODRŠKU ODLUČIVANJU doc dr Vladislav Mi š kovic Fakultet za informatiku i menadžment 2009/2010.

palmer-duncan
Download Presentation

Tema 5: Ekspertni sistemi, veštačke neuronske mreže i sistemi za podršku odlučivanju (VEŽBE)

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. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Tema 5: Ekspertni sistemi, veštačke neuronske mreže i sistemi za podršku odlučivanju (VEŽBE) SISTEMI ZA PODRŠKU ODLUČIVANJU doc dr Vladislav Miškovic Fakultet za informatiku i menadžment 2009/2010

  2. Tema 5: Ekspertni sistemi, veštačke neuronske mreže i sistemi za podršku odlučivanju (VEŽBE) • Vežba 1: Primer malog ekspertnog sistema za podršku odlučivanju (Excel) • Vežba 2: Primer induktivnoggenerisanja baze znanja za ljusku ES (e2g, WEKA) • Vežba 3: Prikazsopstvenog sistema induktivno učenje pravila (Empiric)

  3. Vežba 3: Prikaz sopstvenog sistema za induktivno učenje pravila • Sopstveni sistem Empiric [1] namenjen je otkrivanju znanja • Osnovne funkcije sistema su: • učenje bez učitelja (grupisanje - clustering) • učenje s učiteljem (učenje pravila - rule learning) • nelinearna vizualizacija (metod triangulacije) • Prikazaće se samo induktivno učenje pravila na osnovu primera • Napomena: model primera ovog alata dozvoljava numeričke, nenumeričke i strukturne atribute, kojima se može opisati i interna struktura primera

  4. Induktivno učenje pravila • Implementirana jedna klasa metoda učenja pravila na osnovu primera (rule learning): procedureRuleInduction(S) Rules = {} foreachclass C pos = { x S | class(x) = C } neg = { x  S | class(x)  C } repeat R = BestRule( C, pos, neg, F ) pos = pos \ { x  pos | R covers x } Rules = Rules  { R } until pos={} or R=nil end

  5. Primer učenja • Upotrebiće se već korišćen adaptirani primer iz baze UCI • fajl zoologija.ls • predefinisaniformat, sufiks .ls • Empiric.exe • laboratorijska verzija softvera (nije nužna instalacija) • grafički interfejs, Open

  6. Primer učenja • Empiric.Rules - induktivno učenje pravila • dijalog Rules/Learn • izbor estimacije tačnosti Cross-validation • izbor varijante metoda Q-measure i unos parametra Minimalsupport(4)

  7. Primer učenja • Tačnost ocenjena metodom unakrsne validacije iznosi93,64%±6,9%

  8. Primer učenja • Konačan skup pravila se ipak uči na osnovu svih primera iz obučavajućeg skupa:

  9. [daje_mleko=da] -> [vrsta=sisar] [perje=da] -> [vrsta=ptica] [zivotinja=piton,haterija,kornjaca,slepic] -> [vrsta=gmizavac] [otrovna=da][peraja=ne][zubata=da][zivotinja=morska_zmija] -> [vrsta=gmizavac] [peraja=da][nosi_jaja=da] -> [vrsta=riba] [zivotinja=zaba,dazdevnjak,zaba_krastaca] -> [vrsta=vodozemac] [broj_nogu=6][vodena_zivotinja=ne] -> [vrsta=insekt] [kicmenjak=ne][leti=ne][krzno=ne][perje=ne][daje_mleko=ne][zubata=ne][peraja=ne][broj_nogu=>0] [domaca_zivotinja=ne][predator=da] -> [vrsta=beskicmenjak] [otrovna=ne] -> [vrsta=beskicmenjak] IF [daje_mleko=da] THEN [vrsta=sisar] IF [perje=da] THEN [vrsta=ptica] IF [zivotinja=piton,haterija,kornjaca,slepic] THEN [vrsta=gmizavac] IF [otrovna=da][peraja=ne][zubata=da][zivotinja=morska_zmija] THEN [vrsta=gmizavac] IF [peraja=da][nosi_jaja=da] THEN [vrsta=riba] IF [zivotinja=zaba,dazdevnjak,zaba_krastaca] THEN [vrsta=vodozemac] IF [broj_nogu=6][vodena_zivotinja=ne] THEN [vrsta=insekt] IF [kicmenjak=ne][leti=ne][krzno=ne][perje=ne][daje_mleko=ne][zubata=ne][peraja=ne][broj_nogu=>0][domaca_zivotinja=ne][predator=da] THEN [vrsta=beskicmenjak] IF [otrovna=ne] THEN [vrsta=beskicmenjak] Mala preformulacija...

  10. IF [daje_mleko]="da"THEN [vrsta ] ="sisar" IF [perje]="da"THEN [vrsta ] ="ptica" IF [zivotinja]="piton" OR[zivotinja]="haterija" OR[zivotinja]="kornjaca" OR[zivotinja]="slepic"THEN [vrsta]="gmizavac" IF [otrovna]="da" AND[peraja]="ne" AND[zubata]="da" AND[zivotinja]="morska_zmija"THEN [vrsta]="gmizavac" IF [peraja]="da" AND[nosi_jaja]="da"THEN [vrsta]="riba" IF [zivotinja]="zaba" OR[zivotinja]= "dazdevnjak" OR[zivotinja]= "zaba_krastaca"THEN [vrsta]="vodozemac" IF [broj_nogu]=6 AND[vodena_zivotinja]="ne" THEN [vrsta]="insekt" IF [kicmenjak]="ne" AND[leti]="ne" AND[krzno]="ne"AND[perje]="ne" AND[daje_mleko]="ne" AND[zubata]="ne" AND[peraja]="ne" AND[broj_nogu]=>0 AND[domaca_zivotinja]="ne" AND[predator]="da"THEN [vrsta]="beskicmenjak" IF [otrovna]="ne"THEN [vrsta]="beskicmenjak" Pravila u formatu e2g (zoolog2.kb)...

  11. Testiranje baze znanja • proba: galeb

  12. Literatura • Miškovic V., Jedna klasa algoritama za induktivno učenje, Magistarski rad, Elektrotehnički fakultet, Univerzitet u Beogradu, Beograd, 2002. • www.expertise2go.com

  13. SISTEMI ZA PODRŠKU ODLUČIVANJUTema 5: Ekspertni sistemi, veštačkeneuronske mreže i sistemi za podršku odlučivanju (VEŽBE) KRAJ

More Related