Oplossingsmethoden: implementatie

Presentatie over: "Oplossingsmethoden: implementatie"— 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: werking: codering:
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 Codering:
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 bruin zwart diamantvink oor rood 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 0.8 0.5 0.6

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 rood wit 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:
heuristische expliciete sturing 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

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

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: meeste kennissystemen leren niet methoden?
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