SZTUCZNA INTELIGENCJA

Slides:



Advertisements
Podobne prezentacje
TRADYCYJNE METODY PLANOWANIA I ORGANIZACJI PROCESÓW PRODUKCYJNYCH
Advertisements

Ocena wartości diagnostycznej testu – obliczanie czułości, swoistości, wartości predykcyjnych testu. Krzywe ROC. Anna Sepioło gr. B III OAM.
Data Mining w e-commerce
CIĄGI.
Grażyna Mirkowska PJWSTK 15 listopad 2000
dr A Kwiatkowska Instytut Informatyki
Zadanie z dekompozycji
Eksploracja danych “Drążymy informację ale zbieramy wiedzę” - słowa Johna Naisbett’a, motto z książki “Advances in knowledge discovery and data mining”
Inteligencja Obliczeniowa Drzewa Decyzji.
Modelowanie procesów biznesowych
Badania operacyjne. Wykład 1
Badania operacyjne. Wykład 2
ALGORYTMY I STRUKTURY DANYCH
Elementy Modelowania Matematycznego
Zrównoleglanie programu sekwencyjnego
Programowanie liniowe całkowitoliczbowe
Instrumenty o charakterze własnościowym Akcje. Literatura Jajuga K., Jajuga T. Inwestycje Jajuga K., Jajuga T. Inwestycje Luenberger D.G. Teoria inwestycji.
Biblioteka do tworzenia agentów w środowisku RoboCup
Czy potrafimy obliczyć wartość wyjścia sieci znając wartości jej wejść? Tak, przy założeniu, że znamy aktualne wartości wag i progów dla poszczególnych.
Klasyfikacja Obcinanie drzewa Naiwny klasyfikator Bayes’a kNN
Klasyfikacja Sformułowanie problemu Metody klasyfikacji
Additive Models, Trees, and Related Methods
Projektowanie i programowanie obiektowe II - Wykład IV
Sieci Hopfielda.
WSTĘP DO GEOGRAFII FIZYCZNEJ SYSTEMOWY OBRAZ PRZYRODY - MODELE
Klasyfikacja dokumentów za pomocą sieci radialnych
Klasyfikacja dokumentów za pomocą sieci radialnych Paweł Rokoszny Emil Hornung Michał Ziober Tomasz Bilski.
POJĘCIE ALGORYTMU Pojęcie algorytmu Etapy rozwiązywania zadań
Element strukturalny Element strukturalny pewien element obrazu z wyróżnionym jednym punktem (tzw. Punktem centralnym)
nieformalnie: Prawie o tym jak mierzyć zawartość cukru w cukrze...
Sieci bayesowskie Wykonali: Mateusz Kaflowski Michał Grabarczyk.
Techniki eksploracji danych
ALGORYTMY ROZWIĄZYWANIA GIER C.D.
DOŚWIADCZENIA LOSOWE.
DMBO Branch and bound.
III EKSPLORACJA DANYCH
Politechniki Poznańskiej
IV EKSPLORACJA DANYCH Zadania eksploracji danych: klasyfikacja
Seminarium licencjackie Beata Kapuścińska
Studium osiągalności. Rozmiar projektu (np. w punktach funkcyjny projektu w porównaniu do rozmiaru zakładanego zespołu projektowego i czasu Dostępność.
Projektowanie obiektowe. Przykład: Punktem wyjścia w obiektowym tworzeniu systemu informacyjnego jest zawsze pewien model biznesowy. Przykład: Diagram.
Projektowanie bazy danych z użyciem diagramów UML Obiektowe projektowanie relacyjnej bazy danych Paweł Jarecki.
Autor prezentacji: Mateusz Dudek
Warstwowe sieci jednokierunkowe – perceptrony wielowarstwowe
BAZY DANYCH Microsoft Access Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej Katedra Automatyki i.
SZTUCZNA INTELIGENCJA
SZTUCZNA INTELIGENCJA
BAZY DANYCH Microsoft Access Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej Katedra Automatyki i.
SZTUCZNA INTELIGENCJA
BAZY DANYCH Microsoft Access Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej Katedra Automatyki i.
SZTUCZNA INTELIGENCJA
SZTUCZNA INTELIGENCJA
Metody Inteligencji Obliczeniowej
BAZY DANYCH Microsoft Access Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej Katedra Automatyki i.
Zarządzanie projektami
© Kazimierz Duzinkiewicz, dr hab. inż. Katedra Inżynierii Systemów Sterowania Modelowanie i podstawy identyfikacji 2015/2016 Modele neuronowe – podstawy,
ALGORYTMY I STRUKTURY DANYCH
Pojęcia podstawowe c.d. Rachunek podziałów Elementy teorii grafów
Metody Inteligencji Obliczeniowej Adrian Horzyk Adrian Horzyk Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii.
Przeprowadzenie badań niewyczerpujących, (częściowych – prowadzonych na podstawie próby losowej), nie daje podstaw do formułowania stanowczych stwierdzeń.
MICZKO KAROLINA PATEK JOANNA GR. 2B ORGANIZACJE I ICH RODZAJE.
Jak można wykorzystać swoją wiedzę z Matlaba
Zarządzanie projektami
Systemy eksperckie i sztuczna inteligencja
* PROCESÓW TECHNOLOGICZNYCH
Sztuczna Inteligencja Gry i programy oparte na szukaniu
ALGORYTMY I STRUKTURY DANYCH
POJĘCIE ALGORYTMU Wstęp do informatyki Pojęcie algorytmu
Zapis prezentacji:

SZTUCZNA INTELIGENCJA DIAGRAMY oraz DRZEWA DECYZYJNE i KLASYFIKUJĄCE Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej Katedra Automatyki i Inżynierii Biomedycznej Laboratorium Biocybernetyki 30-059 Kraków, al. Mickiewicza 30, paw. C3/205 horzyk@agh.edu.pl, Google: Adrian Horzyk Adrian Horzyk

DRZEWA DECYZYJNE DECISION TREES Wspomagają podejmowanie decyzji. Uwzględniają wyniki zdarzeń losowych, kosztów, zasobów, użyteczności itp. Umożliwiają określenie najbardziej prawdopodobnej lub korzystnej strategii osiągnięcia zaplanowanego celu. Są proste do zrozumienia oraz interpretacji wyników (biała skrzynka – white box), więc łatwe w stosowaniu. Nie wymagają wstępnej obróbki danych, normalizacji, standaryzacji ani konwersji na dane liczbowe.

Tworzenie i optymalizacja drzew decyzyjnych Przy konstrukcji drzew decyzyjnych stosujemy entropię. Entropia H to średnia ilość informacji przypadająca na znak symbolizujący zajście zdarzenia x z pewnego zbioru. Każde zdarzenie i w tym n-elementowym zbiorze ma przypisane pewne prawdopodobieństwo wystąpienia p(i):

Własności entropii Entropia H jest: Nieujemna. Maksymalna, gdy prawdopodobieństwa zajść wszystkich zdarzeń są takie same. Zerowa, gdy prawdopodobieństwa zajść zdarzeń przyjmują wartości tylko 0 lub 1. Sumą entropii, gdy zdarzenia są niezależne (zachodzi tzw. superpozycją).

Zbiór uczący „ Golf ” przykład tworzenia drzewa decyzyjnego Zbiór uczący Golf prezentuje decyzje członków klubu golfowego o obecności w klubie i podjęciu gry w golfa w zależności od pogody wyrażonej przez zachmurzenie, temperaturę, wilgotność i wietrzność:

Przykład drzewa decyzyjnego dla zbioru „ Golf ”

Tworzenie drzewa decyzyjnego z wykorzystaniem entropii dla zbioru uczącego „ Golf ” Najpierw liczymy entropię dla różnych przypadków określonych w zbiorze uczącym: Zachmurzenie = słonecznie: Zachumurzenie = deszczowo: Zachumurzenie = pochmurno: Jeśli entropia = 0, oznacza to utworzenie liścia w drzewie.

Tworzenie drzewa decyzyjnego z wykorzystaniem entropii dla zbioru uczącego „ Golf ” Następnie na podstawie określonych entropii potomków wyznaczamy wartość entropii węzła z wykorzystaniem prawdopodobieństwa LaPlace’a wystąpienia danego zdarzenia losowego:

Warunek stopu oparty o zysk informacyjny dla tworzenie drzewa decyzyjnego „ Golf ” Drzewa decyzyjne możemy budować tak długo, dopóki otrzymujemy pewien zysk informacyjny wynikający z dalszych podziałów, obliczony jako różnica pomiędzy entropią przed podziałem i po podziale:

Przycinanie drzew decyzyjnych Przycinanie drzew decyzyjnych ma na celu uzyskanie lepszej zdolności do uogólniania, szczególnie w sytuacjach, gdy dane są zaszumione lub mogą w nich występować błędy. Można też wykorzystać zbiór testowy lub walidację krzyżową w celu uzyskania optymalnej wielkości strukturę drzewa decyzyjnego. Przycinać możemy: Przez obcięcie (uniemożliwiając dalsze rozgałęzienia, zastępując węzeł liściem – etykietą klasy), jeśli węzeł reprezentuje generalnie wzorce jednej klasy. Przez zamianę (zastępowanie węzła jednym z jego potomków), jeśli potomek jest repzentatywny dla danej gałęzi drzewa.

Algorytm tworzenia drzewa decyzyjnego C4.5 Rossa Quilana Wybierz atrybut, który najbardziej różnicuje wartości wyjściowe atrybutów. Stwórz oddzielną gałąź w drzewie dla każdej wartości wybranego atrybutu. Podziel przypadki na podgrupy tak, aby odzwierciedlały wartości w wybranym węźle. Dla każdej podgrupy zakończ proces wybierania kolejnych atrybutów, jeśli: Wszystkie podgrupy mają taką samą wartość dla atrybutu wyjściowego. Podgrupa zawiera pojedynczy węzeł. Dla każdej podgrupy stworzonej w punkcie 3., która nie została określona jako liść, powtórz powyższy proces od punktu 1.

DRZEWA KLASYFIKUJĄCE CLASSIFICATION TREES Drzewa klasyfikujące to drzewa decyzyjne zastosowane do zadań klasyfikacji. W liściach drzew klasyfikujących znajdują się etykiety klas. W węzłach drzew klasyfikujących określone są reguły podziału podzbioru wzorców uczących względem jednego z atrybutów, który możliwie najbardziej różnicuje wzorce z tego podzbioru wzorców. Proces podziału drzewa klasyfikującego kończy się w momencie, gdy wzorce z podzbioru reprezentowanego przez dany węzeł reprezentują już tylko wzorce jednej klasy lub zasadniczo wzorce jednej klasy, a wtedy taki węzeł przekształcany jest na liść tego drzewa.

Wykorzystanie RapidMinera do budowy klasyfikującego drzewa decyzyjnego Wykorzystajmy teraz RapidMiner 6.5 Studio do zbudowania klasyfikującego drzewa decyzyjnego dla zbioru uczącego „ Golf ”.

Importowanie danych z Excela (*.xls) do RapidMiner 6.5 Studio:

Importowanie danych z Excela (*.xls) do RapidMiner 6.5 Studio:

Wykorzystanie RapidMinera do budowy klasyfikującego drzewa decyzyjnego Zaimportowane dane z Excela podłączamy do wyjścia res: Dane z uwzględnieniem określenia danych i identyfikacji klasy (label) możemy zapisać do lokalnego repozytorium: nadając nazwę plikowi danych w tym repozytorium.

Wykorzystanie RapidMinera do budowy klasyfikującego drzewa decyzyjnego

Wykorzystanie RapidMinera do budowy klasyfikującego drzewa decyzyjnego

Porównanie wyniku uzyskanego RapidMinera z modelowanym drzewem

Sprawdzenie poprawności zbudowanego modelu – drzewa decyzyjnego

Sprawdzenie efektywności i precyzji działania modelu – drzewa decyzyjnego W tym przypadku wszystkie dane uczące udało się poprawnie sklasyfikować, wykorzystując zbudowane drzewo decyzyjne i osiągając 100% poprawność modelu.

DIAGRAMY DECYZYJNE DECISION DIAGRAMS Diagramy decyzyjne tworzymy poprzez redukcję drzew decyzyjnych na skutek: łączenia (agregacji) liści o tych samych wartościach, następnie poprzez redukcję węzłów, których wszystkie połączenia prowadzą do tego samego następnika. W taki sposób powstaje graf, który jest diagramem decyzyjnym, oszczędniejszym niż analogiczne drzewo decyzyjne. Jeśli każdy węzeł drzewa decyzyjnego posiada dokładnie dwa następniki, wtedy w wyniku takiego przekształcenia otrzymujemy binarny diagram decyzyjny (binary decision diagram).

Tworzenie diagramu decyzyjnego z drzewa decyzyjnego

AI CZY JEST JUŻ BLISKO?