AI111  Algemeen  Voorbeeld  Concept Learning (Version Space)  Bias Leeswijzer: Hoofdstuk 10.0 - 10.2 + 10.4.1 AI Kaleidoscoop College 11: Machinaal.

Slides:



Advertisements
Verwante presentaties
Hoofdstuk 11 Product- en merkstrategie
Advertisements

Negatieve getallen Klas 1 | Hoofdstuk 4
Les 2 klassediagrammen II
- Inhoud Artificial Intelligence - Inhoud Wat is AI? OorsprongReasoningLearning • Wat is Artificial Intelligence.
Opdrachttaak kennissystemen:
Hogeschool HZ Zeeland 19 augustus 2003augustus 2003 Data Structuren & Algoritmen Week 1.
BESTURINGS SYSTEMEN Vincent Naessens.
Overzicht tweede college SVR
Schatgraven in Gegevensbergen
Datastructuren Analyse van Algoritmen en O
Datastructuren Analyse van Algoritmen en O
Onderwerp Vraagstelling Theorie Methodiek verslaglegging
Blogs Annette Ficker Tim Oosterwijk Opdrachtgever: Matthieu Jonckheere
Mind De waarneming bestaat uit parallelle reeksen indrukken. Deze indrukken zijn eigenschapwaarden die uitgezet kunnen worden in meerdere dimensies. Een.
Kwadratische verbanden
1 Datastructuren Sorteren: alleen of niet alleen vergelijkingen College 5.
1 Datastructuren Sorteren: alleen of niet alleen vergelijkingen (II) College 6.
Help en Documentatie Quick reference Task-specific help Full explanation Tutorial.
Werkmodel 8 domeinen van Schalock
Inleidend probleem Data structuur (hiërarchie van classes)
Start scheikunde havo 4 .
Representatie & Zoeken
Hoofdstuk 11 Kwantitatieve gegevens analyseren Methoden en technieken van onderzoek, 5e editie, Mark Saunders, Philip Lewis, Adrian Thornhill, Marije.
Inleiding Kennistechnologie §Hoofdstuk 7: Kennisrepresentaties 1: Eigenschappen en representatievormen §Hoofdstuk 8: Kennisrepresentaties 2: Eenvoud en.
Motion planning with complete knowledge using a colored SOM Jules Vleugels, Joost N. Kok, & Mark Overmars Presentatie: Richard Jacobs.
Spatial subgroup mining
Dr. Patrick De Causmaecker, KaHo St.-Lieven, Agententechnologie Les 4: praktisch redeneren dr. Patrick De Causmaecker.
Implementing Cross-Language Text Retrieval Systems for Large-scale text Collections and the World Wide Web n Mark W. Davis and William C.Ogden n AAAI 1997.
Afstudeer Presentatie Application of the Wavelet Transform Modulus Maxima method to T-wave detection in cardiac signals Pieter Jouck 22/12/2004.
Negatieve getallen door Kees Vleeming
Datastructuren Sorteren, zoeken en tijdsanalyse
Inleiding Informatica Prof. Dr. O. De Troyer Hoofdstuk 3: Werken met numerieke gegevens.
Schoonheid is een keuze Over sociale druk Dr. Liesbeth Woertman 4 februari 2008.
Sociale perceptie.
Instructietechnologie Hans van der Meij Tim Post
Slot 4Hc.
AI Kaleidoscoop Werkcollege 1: AI Overzicht Radu Serban
Inleiding Kennistechnologie §Hoofdstuk 12: Diagnose §Hoofdstuk 13: Machinaal leren §Hoofdstuk 14: De Toekomst van KT.
Representatie & Zoeken
Neurale Netwerken Genetische Algorithmen
AI101  Historisch Perspectief Weak Methods Logic Theorist General Problem Solver  Resolution Theorem Proving Leeswijzer: Hoofdstuk 13.0, 13.1, 13.2 AI.
Het leren in BS 2 gebaseerd op de leertheorie: het behaviorisme
Computervaardigheden Hoofdstuk 4 — Databank (Basis)
Hoofdstuk 11.3 Algoritmen: Zoeken in een netwerk.
Representatie & Zoeken
MBR AtT1 College 9 Diagnose met correctmodellen. Verdieping in de formalisatie. In reader: Characterizing diagnoses and Systems J. de Kleer, A.
MBR AtT1 College 7 : covering theorie (Deel 2) model MAB-diagnose: College 6: Covering theorie College 7: Algoritme voor covering theorie werkelijk.
Allard Kamphuisen Hado van Hasselt Wilco Broeders
Inleiding  Veel negatieve publiciteit Hogere werkloosheid Lagere participatie  Helft allochtonen wel succesvol  Waarom lukt het de 1 wel en de andere.
Rekenen met negatieve en positieve getallen
Stelsels van vergelijkingen H5 deel 3 Hoofdstuk 10 Opgave 61, 62, 63.
Leeswijzer bij de bijlagen   In deze bijlagen bij het NVZ-strategiedocument Zorg voor 2020 zijn de belangrijkste grafieken en brondocumenten voor u geselecteerd.
PERSONEELSMANAGEMENT PPT 8 Onderdeel : communicatie.
Matchcare REGIE OP JE EIGEN LOOPBAAN: WORKSHOPS TER INSPIRATIE.
Nieuwe opzet onderwijs. Huidige situatie onderwijs op Commanderij College: Methode bepaalt grotendeels: Welke onderwerpen worden behandeld Op welke wijze.
Minimum Opspannende Bomen Algoritmiek. 2 Inhoud Het minimum opspannende bomen probleem Een principe om een minimum opspannende boom te laten groeien Twee.
Doorzoeken van grafen Algoritmiek. Algoritmiek: Divide & Conquer2 Vandaag Methoden om door grafen te wandelen –Depth First Search –Breadth First Search.
De definitie van een object. Een object is een verzameling van eigenschappen en bewerkingen. Veel voorkomende objecten zijn: D (display) Gui (user interface)
Bespreking testpracticum.  Javaconventies! ◦ KlasseNamen beginnen met Hoofdletter ◦ objectNamen/methodeNamen met kleine letter  Aanspreken GUI ◦ Zie.
WAT IS THERMOVORMING / VACUUMVORMING ? = VORMING VAN KUNSTOFONDERDELEN DOOR MIDDEL VAN VERWARMING ONDER DRUK VAN VACUÜM. HET VACUÜMPROCES BESTAAT UIT:
Student-centered learning Student-centered learning is het proces waar bij studenten makkelijk kunnen leren plannen, tactieken toepassen om het studeren.
Direct les 9 C-propedeuse, studiejaar , blok 1
Modelleren en Programmeren voor KI Practicumopdracht 4: SAT Solver
Negatieve getallen Klas 1 | Hoofdstuk 4
Tot de enterprisekennismanagementsoftware behoort ook de verkoop van contentmanagement- en portallicenties. Deze verkopen zijn jaarlijks met 35 procent.
College 7: Kennisrepresentatie (I)
DOCENTENWORKSHOP Wat je kunt verwachten van…
Rekenen Mevr. Koçak 13 november 2018.
Rekenen Mevr. Koçak 20 november 2018.
Transcript van de presentatie:

AI111  Algemeen  Voorbeeld  Concept Learning (Version Space)  Bias Leeswijzer: Hoofdstuk AI Kaleidoscoop College 11: Machinaal Leren

AI112 Machinaal leren: algemeen (1) Leren  betere prestaties na herhaling van zelfde of soortgelijke taak Belangrijk, want: –essentieel voor intelligent gedrag –“startbaan” voor AI Twee families lerende systemen: aanpassen van –symbolisch gerepresenteerde kennis –niet-symbolische gerepresenteerde kennis

AI113 Machinaal leren: algemeen (2) Leren  betere prestaties na herhaling van zelfde of soortgelijke taak “soortgelijke taak”: leer algemene kennis d.m.v. beperkt aantal voorbeelden:  inductie probleem verandering  verbetering:  leren kan gedrag verslechteren Leren als zoeken: zoek de te leren representatie in de ruimte van alle mogelijke representaties

AI114 Machinaal leren: algemeen (3) Twee typen leersystemen: –supervised learning (vb: concept induction) = leer goede beschrijving van een klasse d.m.v. geclassificeerde voorbeelden –unsupervised learning (vb: conceptual clustering) = ontdek nuttige klassen Kernbegrippen: –inductive learning –inductive bias –concept learning –version space learning

AI115 Raamwerk voor Machinaal Leren (1)  Welke data & goals  Welke kennis-representatie van de geleerde kennis  Operaties op de kennis-representatie tijdens leren  Zoekruimte voor de te leren representatie  Zoektechnieken om door deze ruimte te navigeren

AI116 Raamwerk voor Machinaal Leren (1)  Data & Goals Vb: concept-learning data =verzameling van pos. & neg. voorbeelden van een klasse goal =vind algemene beschrijving van een klasse die nieuwe voorbeelden korrekt classificeert als pos. of neg. Vb: explanation-based learning data =een voorbeeld + algemene domein kennis goal =als bij concept learning Vb: conceptual clustering data =verzameling ongeclassificeerde voorbeelden goal =vind een goede opdeling in groepen

AI117 Raamwerk voor Machinaal Leren (2)  Representatie van geleerde kennis –Elke kennis-representatie uit vorige college’s –sterke invloed op leer-algorithme  Operaties op de kennisrepresentatie tijdens leren –generaliseren, specialiseren, gewicht aanpassen,...  Zoekruimte voor de te leren representatie –Gedefineerd door combinatie van  &   Navigatie door zoekruimte –generaliseer vanuit meest preciese definitie –specialiseer vanuit mees algemene definitie –....

AI118 Huidig concept + Nieuw pos. vb. Voorbeeld van lerend systeem: Winston (1) + Domein kennis = Nieuw (algemener) concept

AI119 Huidig concept + Nieuw neg. vb. Voorbeeld van lerend systeem: Winston (1) = Nieuw (specifieker) concept

AI1110 Voorbeeld: conclusies Supervised learning, concept-learning Positief tegen-voorbeeld: generaliseer Negatief tegen-voorbeeld: specialiseer Data stuurt zoek-proces Voorbeelden moeten “lijken” op huidige concept (“near miss”)

AI1111 Algorithme voor supervised concept learning: Version Space Search Illustratie aan de hand van voorbeeld: Door aanbieden van pos. en neg. voorbeelden, leer het concept: “small, round, red things” small round red +,+,+ large round green -,+,- small square yellow +,-,- large square red -,-,+

AI1112 Algorithme: Version Space Search (1)  Representatie van concepten als formules. Vb: square  small  red  Operaties op concept-representatie: –Generalisatie: constante  variabele round  X verwijder conjunct square  small  square introduceer disjunct square  square  small vervang constante door algemenere square  rectangle –Specialisatie: alles omgekeerd

AI1113 Algorithme: Version Space Search (2)  Organiseer concepten in een ruimte, geordend naar algemeenheid  Navigeer door ruimte volgens de ordening: van specifiek naar algemeen van algemeen naar specifiek combinatie

AI1114 Version Space Search: specifiek  algemeen Kies S = alle laagste mogelijkheden die alle positive voorbeelden dekken, en geen van de negatieve voorbeelden Bij positief tegenvoorbeeld: generaliseer (Negatieve voorbeelden voorkomen overgeneralisatie :  S :  S + + _ _

AI1115 Version Space Search: algemeen  specifiek Kies G = alle hoogste mogelijkheden die alle positive voorbeelden dekken, en geen van de negatieve voorbeelden Bij negatief tegenvoorbeeld: specialiseer (Positieve voorbeelden voorkomen overspecialisatie :  S :  S + + _ _

AI1116 Version Space Search: combinatie Bereken zowel S als G Positief Vb: S omhoog (maar nooit boven G) Negatief Vb: G omlaag (maar nooit onder S) Ideaal: S=G  precies concept Als “boven S”  “onder G” =  dan bestaat er geen correct concept: –incorrecte data? –onvoldoende concept-taal? Vb: rode ballen of blauwe blokken: niet te beschrijven met alleen conjunctie in concept-taal

AI1117 Bias (1) Probleem: heel veel generalisaties mogelijk van voorbeelden. Vb: generalisaties van de bitstrings 1100, 1010: –evenveel 1 als 0 –begint met 1, eindigt met 0 –lengte 4 –... Schatting van aantal mogelijke concepten: –# concepten = # mogelijke deelverzamelingen = 2 (# elementen in de verzameling) = 2 2 n voor strings van lengte n –n=5  4.2 miljard concepten

AI1118 Bias (2): bias = “vooroordeel” vooropgezet criterium over –de concept-ruimte –keuzes in de concept-ruimte om aantal mogelijkheden te beperken Belangrijkste vorm van bias = language-bias Vb: concept is beschreven m.b.v. 1,  en 0: 1   0 = {1000, 1010, 1100, 1110} Dan: 3 n concepten: 3 4 = 81 –begint met 1, eindigt met 0: wel beschrijfbaar –lengte 4: wel beschrijfbaar –evenveel 1 als 0: niet beschrijfbaar

AI1119 Bias (meer voorbeelden) Vb: conceptaal bevat wel  maar niet  –blue  block  light: wel beschrijfbaar –(blue  block)  (light  block): niet beschrijfbaar Vb: conceptaal bevat conjuncties van max.lengte: –blue  block : wel beschrijfbaar –blue  block  light: niet beschrijfbaar

AI1120 Volgende keer (laatste keer....) Neurale Netwerken. Genetische Algorithmen: , 11.1