De presentatie wordt gedownload. Even geduld aub

De presentatie wordt gedownload. Even geduld aub

Oplossingsmethoden: implementatie relatie kennisniveau  symboolniveau –taken: wat? –modellen: welke kennis? (elke taak: 1 of meer modellen) –methoden:

Verwante presentaties


Presentatie over: "Oplossingsmethoden: implementatie relatie kennisniveau  symboolniveau –taken: wat? –modellen: welke kennis? (elke taak: 1 of meer modellen) –methoden:"— Transcript van de presentatie:

1 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

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

3 Afbeeldingsmethoden lineaire afbeelding differentiatie neerwaartse verfijning weighted evidence combination gelijkenis

4 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,...

5 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 staart bruinzwart diamantvinkoor roodzwart roodoor- amandine prachtvink

6 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 vink bek = rood ondersoort1 staart = bruin keel = nb roodooramandine oor = rood prachtvink oor = zwart diamantvink staart = zwart keel = wit oor = wit

7 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 rood zwart wit oor bruin zwart staart wit nb keel

8 Gelijkenis Bereken afstand tussen casus en doelelement afstand berekend m.b.v. metriek –Hamming-distance: # kenmerken dat verschillend is –Euclidische afstand oor staart zwart bruin roodzwartwit diamantvink prachtvink roodooramandine ?

9 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

10 Uitbreidingsmethoden Verdere ontwikkeling van een casusmodel voorbeeldmethode: constraint propagation –als constraints in regels geformuleerd zijn  geen verdere vertaling nodig

11 Zoekmethoden Classificatie: klassen + bijbehorende kenmerken gekend  directe methode mogelijk (la, diff,...) Nodig wanneer kennis niet volledig is vb. diagnose van een motor: motor start niet haperende vonk- overbrenging haperende vonk- voortbrenging slechte bougie defect contactpunt defecte bougiekap

12 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 heuristische zoekmethoden expliciete sturing

13 Blinde zoekmethoden depth-first: n1  n2  n5  n6  n7  n3 ... breadth-first: n1  n2  n3  n4  n5 ... n1 n2n3n4 n5n6n7

14 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

15 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

16 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

17 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!

18 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

19 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)

20 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}

21 Theorie-afhankelijke methoden bijv. leren van een nieuw model op basis van bestaande modellen en extra waarnemingen


Download ppt "Oplossingsmethoden: implementatie relatie kennisniveau  symboolniveau –taken: wat? –modellen: welke kennis? (elke taak: 1 of meer modellen) –methoden:"

Verwante presentaties


Ads door Google