SVEUILITE/UNIVERZITET VITEZ VITEZ

FAKULTET POSLOVNE INFORMATIKE

STUDIJ I CIKLUSA; GODINA STUDIJA: I CIKLUS: III GODINA
SMIJER: POSLOVNA INFORMATIKA

PRIMJENE NEURONSKIH
MREA
SEMINARSKI RAD

Travnik, Maj.2012. godine

SVEUILITE/UNIVERZITET VITEZ VITEZ

FAKULTET POSLOVNE INFORMATIKE
STUDIJ I CIKLUSA; GODINA STUDIJA: I CIKLUS: III GODINA
SMIJER: POSLOVNA INFORMATIKA

PRIMJENE NEURONSKIH MREA

SEMINARSKI RAD

IZJAVA: Ja Emir Ibri student Sveuilita/Univerziteta Vitez Vitez,

Indeks broj: 0262-11/VPI odgovorno i uz moralnu i akademsku odgovornost
izjavljujem da sam ovaj rad izradio potpuno samostalno uz koritenje citirane literature
i pomo profesora odnosno asistenata.
Potpis studenta:

STUDENT: Emir Ibri

PREDMET: Ekspertni sistemi
PROFESOR: Prof.dr Branko Latinovi
ASISTENT: Mr. Hadib Salki

SADRAJ
1. UVOD..................................................................................................................................1
1.1. PROBLEM, PREDMET I OBJEKT ISTRAIVANJA............................................. 1
1.2. SVRHA I CILJEVI ISTRAIVANJA........................................................................2
1.3. RADNA HIPOTEZA I POMONE HIPOTEZE....................................................... 2
1.4. ZNANSTVENE METODE.........................................................................................2
1.5. STRUKTURA RADA.................................................................................................3
2. OPENITO O NEURONSKIM MREAMA......................................................4
2.1. KRATAK HISTORIJAT NEURONSKIH MREA.................................................. 4
2.2. VRSTE NEURONSKI MREA.................................................................................6
2.3. SLINOST I RAZLIKE BIOLOKE I UMJETNE NEURONSKE MREE............7
3. PRIMJENE NEURONSKIH MREA....................................................................9
3.1. OSNOVNE PRIMJENE NEURONSKIH MREA....................................................9
4. PRIMJENA NEURONSKIH MREA U OBRAZOVANJU........................11
4.1. MODEL INTELIGENTNOG SISTEMA ZA POLAGANJE ISPITA
ZASNOVANOG NA NEURONSKIM MREAMA...............................................11
4.2. IDENTIFIKACIJA STUDENTA.............................................................................. 12
4.3. PRIJAVA ISPITA......................................................................................................14
4.4. IZBOR PITANJA ZA TEST..................................................................................... 16
4.5. PRAENJE STUDENTSKOG PONAANJA.........................................................18
4.6. MJERE ZATITE I SANKCINISANJE...................................................................20
5. ZAKLJUAK................................................................................................................21
6. LITERATURA...............................................................................................................22

1. UVOD
1.1.

PROBLEM, PREDMET I OBJEKT ISTRAIVANJA

Pojavom raunara kakvih danas imamo, dolazi i do pojave umjetne inteligencije, a

naroito u posljednjih etrdeset godina, gdje dolazi do njene nagle ekspanzije, primjene i
istraivanja. Posmatramo li npr. industriju, uoit emo da su inteligentni sistemi postali
neizostavni dio, koji obavljaju zahtjevne i sloene zadatke, ali isto tako donose odluke na
osnovu prethodno steenog znanja.
Prema tome, umjetnu inteligenciju moemo posmatrati kao sistem (mainu) koja se
ponaa inteligentno, ba kao to to ljudi ine, to znai da stepen inteligencije neke maine
moemo mjeriti kroz njeno ponaanje i samostalnost. Ako ve elimo da napravimo
inteligentan sistem koji e biti samostalan, takav sistem mora i samostalno da donosi odluke
na osnovu prethodno steenog znanja, ali isto tako mora biti u mogunosti da prepozna,
obradi i pohrani novo znanje i to sve s ciljem da u budunosti donosi bolje i kvalitetnije
odluke. Primjena neuronskih mrea je raznolika i vrlo esto ih koristimo za predvianje,
klasifikaciju i asocijaciju pri rjeavanju razliitih vrsta problema. Rije je o jednom robusnom
alatu namjenjenom za rad sa ogromnim koliinama podataka, bilo da je rije o fluktuirajuim
ili podacima sa smetnjama, tako da smo u ovom sluaju neuronske mree odluili testirati u
obrazovanju.
Predmet seminarskog rada je da se istrai mogunost primjene neuronskih mrea u
obrazovanju.
U radu se mogu uoiti sljedei objekti istraivanja: neuronske mree, inteligentni
sistemi, umjetna inteligencija, itd.

1.2.

SVRHA I CILJEVI ISTRAIVANJA

Osnovni cilj seminarskog rada a time i istraivanja je izraditi inteligntni sistem koji e
samostalno i postepeno sakupljati novo znanje te na osnovu istog donositi odluke.
Napomena; u daljnjem tekstu od 10 20 reenica student treba obrazloiti svrhu i
ciljeve istraivanja vezano za temu seminarskog rada.
1.3.

RADNA HIPOTEZA I POMONE HIPOTEZE

Na temelju problema i predmeta istraivanja postavlja se glavna (radna) hipoteza:

Primjenom neuronskih mrea mogue je kreirati inteligentni sistem koji e doprinijeti

kvalitetnijem i savremenijem obrazovanju.
Polazei od svrhe i ciljeva istraivanja postavljaju se sljedee tri pomone hipoteze:
1. PH.

1.4.

2. PH.

student samostalno formulira tri pomone hipoteze a koje su povezane sa

3. PH.

temom seminarskog rada i postavljenom glavnom (radnom) hipotezom.

ZNANSTVENE METODE

U ovom seminarskom radu koristit emo slijedee znanstvene (strune) metode:

-

Metoda analize i sinteze.

Metoda klasifikacije,

Statistika metoda,

Matematika metoda, i

Metoda modeliranja.

1.5.

STRUKTURA RADA
Struktura seminarskog rada je usklaena sa Uputstvom za pisanje seminarskog rada na

prvom ciklusu studija kao i temi seminarskog rada. On sadri pet poglavlja.
Prvo poglavlje, Uvod, sadri pet podpoglavlja:
-

Problem, predmet i objekt istraivanja,

Svrha i ciljevi istraivanja,

Radna hipoteza i pomone hipoteze,

Znanstvene metode,

Struktura rada.

Drugo poglavlje, Openito o neuronskim mreama obrauje historijat njegovog

razvoja kao i vrste neuronskih mrea.
Tree poglavlje, Primjena neuronskih mrea, tretira osnovne primjene ovih mrea.
etvrto poglavlje, Primjena neuronskih mrea u obrazovanju obrauje praenje
rezultata studenta od prijave ispita, polaganja, rezultata ispita i sl.
Peto poglavlje, Zakljuak, daje generalnu ocjenu o primjeni i neuphodnosti neuronskih
mrea kao i odgovor na prihvatanje radne i pomonih hipoteza.

2. OPENITO O NEURONSKIM MREAMA

Neuronskim mreama se mogu smatrati raunarski modeli koji se koriste za obradu
informacija. One funkcioniu poput ljudskog mozga ili poput neke druge bioloke neuronske
mree. Sastoje se od velikog broja jednostavnih procesora ili nelinearnih signalnih procesora
koji se jo nazivaju i neuroni ili jedinice, pri emu svaki od njih moe da posjeduje malu
lokalnu memoriju.
Najbitniji element ovog modela jeste struktura sistema za obradu podataka. Sastoji se
od velikog broja elemenata ili neurona koji su meusobno povezani, odnosno koji rade u
skladu, a ija je osnovna svrha to bolje rjeavanje nekog konkretnog problema. Tako npr.
umjetne neuronske mree imaju sposobnost uenja na primjerima ili skupovima podataka i
ponaaju se poput ljud, te na taj nain vrlo brzo izlaze na kraj s novonastalim problemima koji
se teko rjeavaju tradicionalnim pristupom. Svaka mrea se obino konfigurira da bude
namjenjena za neku odreenu primjenu. Tako npr. postoje neuronske mree za prepoznavanje
uzorka, govora ili podataka, zatim klasifikacije kroz proces uenja itd. Govorimo li o uenju u
biolokim sistemima onda moemo rei da je to proces prilagoavanja na sinaptikim vezama
koje postoje meu neuronima, a to pravilo vrijedi i za umjetne neuronske mree.

2.1.

KRATAK HISTORIJAT NEURONSKIH MREA

Neuronske mree odnosno njihova primjena u raunarstvu profilirala se kao jedna od

grana umjetne inteligencije pedesetih godina ovog stoljea ili tanije na konferenciji
Dartmouth Summer Research Project on Artificial Intelligence koja je najavila ostvarivanje
vizije raunarskog modela koji e u nekim temeljnim principima oponaati funkcioniranje
ljudskog mozga.
Pojavljuju se kao alternativa Von Neumann-ovim raunarima i nastoje simulirati ili
ostvariti paralelnu obradu informacija koju koristi ljudski mozak dok razmilja, sjea se i

rjeava novonastale probleme. Razvoju neuronskih mrea prethodilo je nekoliko bitnih

dogaaja pa emo nabrojati neke od njih :
-

1943 - McCullock i Pitts postavljaju temelje za razvoj neuronskih mrea tako to prvi
dokazuju da neuroni mogu imati dva stanja pobuujue i umirujue i da njihova
aktivnost ovisi o nekom pragu vrijednosti.

1949 - Hebb je prvi predloio pravilo kojim se opisuje proces uenja Hebb-ovo pravilo

1956 - Dartmouth Summer Conference na kojoj su Rochester i skupina autora

predstavili prvu simulaciju Hebb-ovog modela koja je prijetea modela neuronskih
mrea.

1958 - Rosenblatt razvio prvu neuronsku mreu perceptron, koja je dvoslojna i nije
mogla rjeavati probleme klasifikacije koji nisu linearno djeljivi npr. XOR problem.

1974 je razvijena vieslojna perceptron mrea - MLP (Paul Werbos), kao prijetea
Backpropagation mree, koja prevladava nedostatak perceptrona uvoenjem uenja u
skrivenom sloju.

1986 - Backpropagation mreu usavruju Rumelhart, Hinton i Williams, ona vraa

ugled neuronskim mreama, jer omoguuje aproksimiranje gotovo svih funkcija i
1

rjeavanje praktinih problema.

Od tada pa sve do danas sve vie raste nauni i komercijalni interes za neuronske
mree. Razvijeni su brojni algoritmi za neuronske mree. Meutim, najveu komercijalnu
upotrebu do danas ima mrea "irenje unatrag" ili eng. Backpropagation. Dakle, teorijsko
ishodite i inspiracija neuronskog raunarstva je upravo u ljudskom mozgu.
Osnovni cilj joj je spojiti sposobnost ljudi da dobro prepoznaju oblike, lica, glasove i
sposobnost raunara da izvrava brojevne proraune kao i to da radi s ogromnim koliinama
podataka.

Izvor : http://eris.foi.hr/11neuronske/nn-predavanje1.html (7.5.2012)

Slika 1 Mozak (lijevo) / Neuroni (desno)

Izvor: http://eris.foi.hr/11neuronske/nn-predavanje1.html (7.5.2012.)

Nain simuliranja rad a m oz ga od stran e neuronsko g r auna rstva :

Ljudski mozak se sastoji od nekoliko milijardi neurona meusobno povezanih u jednu
cjelovitu mreu koji mogu paralelno obraivati informacije. Neuronom se smatra osnovna
jedinica ivanog sistema. On prima informacije od strane drugih neurona putem dendrita,
obrauje ih, i na kraju alje impuls putem aksona i sinapsi drugim neuronima u mrei, dok se
uenje odvija mijenjanjem jaine sinaptikih veza, odnosno teina u mrei.

2.2.

VRSTE NEURONSKIH MREA

Neuronske mree moemo podijeliti na dvije vrste:

Biloloke neuronske mree i

Umjetne neuronske mree

Bioloke neuronske mree su graene od stvarnih biolokih neurona koji su fiziki

ili funkcionalno povezani u jedan jedinstven periferni ivani sistem ili sredinji ivani
sistem. Oni se esto se identificiraju kao grupe neurona koje izvode specifinu fizioloku
funkciju.
Umjetne neuronske mree - su graene od meusobno povezanih umjetnih neurona,
odnosno programskih konstrukata sa svojstvima biolokih neurona. Umjetne neuronske mree
se mogu koristiti dvojako:
1.) za razumijevanje biolokih neuronskih mrea i
2.) za rjeavanje problema za koji je potrebna umjetna inteligencija, bez potrebe stvaranja
modela stvarnog biolokog sistema.
Ako govorimo o stvarnom biolokom nervnom sistemu, vidjet emo da je izuzetno
sloen i da ukljuuje neka svojstva koja mogu biti redundantna za shvaanje rada umjetnih
neuronskih mrea.

2.3.

SLINOSTI I RAZLIKE BIOLOKE I UMJETNE NEURONSKE MREE

Kao to smo ve ranije napomenuli bioloka neuronska mrea je jako sloena. Sastoji
se od tijela, aksona, sinapse i mnotva dendrita koji okruuju tijelo neurona.
Akson - je tanka cjevica koja s jedne strane sadri tijelo neurona, a s druge se strane
dijeli na niz grana. Na krajevima tih grana nalaze se zadebljanja koja dodiruju dendrite, a
ponekad i tijelo drugog neurona.
Sinapsa - je razmak izmeu zavretka aksona prethodnog neurona i dendrita ili tijela
sljededeg neurona.
Dendriti - su produeci staninog tijela, vrlo su tanki u odnosu na veliinu tijela
stanice i funkcija im je prikupljanje informacija.

Bioloke neuronske mree sastavni su dio ovjeka iji se mozak sastoji od 100
milijardi neurona, a zaslune su za izvoenje vrlo vanih funkcija kao to su razmiljanje,
uenje, emocije, precepcija, motorika itd. Iako se funkcije neuronskih mrea istrauju ve
dugi niz godina, brojni procesi, kao i njihov nain rada, ljudskom umu jo uvijek nisu u
potpunosti razumljivi.
Umjetne neuronske mree dizajnirane su tako da oponaaju osnovne funkcije
biolokih neuronskih mrea. Tijelo biolokog neurona zamjenjuje se sumatorom, dok ulogu
dendrita preuzimaju ulazi u sumator, izlaz iz sumatora, a uloga praga osjetljivosti biolokih
neurona preslikava se iz tzv. aktivacijske funkcije. Veza umjetnog neurona s okolinom
ostvaruje se pomou funkcijske sinaptike veze biolokog neurona. Teinski faktori mogu biti
pozitivan ili negativan broj, a imaju istu funkciju kao i sinapse kod biolokog neurona:
povezuju izlaze iz okoline neurona tj. izlaze drugih neurona aksone s ulazima sumatora
dendriti. Intenzitet te veze ovisi o iznosu, a vrsta veze o predznaku teinskog faktora.
Aktivacijske funckije dijele se na: linearne i nelinearne.
-

Linearne aktivacijske funkcije izlaz sumatora mnoi se s nekim faktorom i tako

dobiva izlaz neurona.

Nelinearne aktivacijske funkcije mogu poprimiti razliite oblike, a najpoznatije su :

funkcije praga osjetljivosti, sigmoidne, hiperboline i harmonike funkcije. Nelinearne
aktivacijske funkcije prevode izlaz sumatora na izlaz neurona preko nelinearnog
pojaanja. Na taj nain funkcija praga osjetljivosti daje na izlazu neurona 1, ako je
izlaz sumatora vedi od zadanog broja, to odgovara ispaljivanju impulsa kod
biolokog neurona. Ukoliko neuron nije aktivan, onda je na izlazu neurona 0.
Iz priloenog se vidi da umjetni neuron funkcionira slino kao bioloki neuron. Izlazi

iz drugih neurona u okruenja promatranog neurona, koji se upuuju promatranom neuronu

mnoe se teinskim faktorima i dovode do sumatora. U sumatoru se dobiveni produkti
sumiraju, a njihova suma se odvodi na ulaz aktivacijske funkcije, koja e na svom ulazu dati
izlaz neurona.

3. PRIMJENE NEURONSKIH MREA

Neuronskem mree se najee primjenjuju za rjeavanje komplikovanih problema i
zadataka. Najznaajnija im je primjena rjeavanja problema ija rjeenja nisu u potpunosti
odreena ili drugim rijeima gdje je neophodno da rjeenja budu ispravna u 100% sluajeva.
Iako neuronske mree ne daju rjeenja sa sto postotnom sigurnou, odnosno sa velikom
pouzdanou, ipak se iroko primjenjuju u mnogim podruijima ljudske aktivnosti.

3.1.

OSNOVNE PRIMJENE NEURONSKE MREE

Za kompresiju slike pomou neuronskih mrea moemo kompresovati i

dekompresovati slike u realnom vremenu. To znai da se na taj nain vri svoenje zapisa o
slici na manje podataka ime e neuronska mrea izvriti rekonstrukciju ostalih podataka.
Ipak, prilikom rekonstrukcije se javljaju gubici, tako da se ovoj primjeni i ne posveuje neka
naroita panja, tako da se ee koriste standardni naini kompresije slika.
Za kontrolu procesa za ovo podruije postoji veliki interes. U ovom sluaju
prednost neuronskih mrea je njihova fleksibilnost, odnosno mogunost

pronalaenja

adekvatnih rjeenja na osnovu nepotpunih podataka. Mree se uvjebavaju tako to im se

omogui da posmatraju rad sistema. Jednom uvjebana mrea moe uspjeno kontrolisati
sistem ak i u uvjetima kada postoje odreeni problemi. Ovu vrstu primjene neuronske mree
moemo pronai u naftnoj industriji, distribuciji elektrine energije, a ak se testira i za
kontrolu aviona.
Za obradu signala ova metoda je pogodna za smanjenje uma u izoblienim
elektrinim signalima, kao i za razdvajanje signala iz viesignalnog prenosa, zatim za
uklanjanje uma u telefonskim linijama, za otkrivanje neuspjelog paljenja motora i to na
temelju uma itd.

Za obradu govora koriste za obradu prirodnog govora, zatim za prevoenje teksta u

govor, davanje uputa raunarima pomou glasovnih naredbi, zatim za automatsko prevoenje,
sigurnosne sisteme sa glasovnom identifikacijom, za pomo gluhim osobama i osobama koje
su fiziki nepokretne itd. Problem koji se ovdje javlja je taj to veina neuronskih mrea moe
adekvatno prepoznavati govor samo one osobe koja ju je uvjebavala, a i tada je koliina
rijei koju moe prepoznati ograniena.
Za optimizaciju procesa ovaj nain upotrebljavamo da omoguimo promatranje
rada nekog sistema. Nakon toga, mrei zadajemo eljeno zavrno stanje, te ona optimizira
odvijanje procesa kako bi se postiglo eljeno stanje. Primjer je optimizacija rada motora kod
automobila kako bi se utedilo na potronji goriva.
Za poslovne primjene najee se ovakav nain koristi za financijske institucije, a
takoe se moe koristiti i u marketinke svrhe. Financijske ustanove poput banaka ili kartinih
kua, koriste neuronske mree za procjenu rizika pruanja usluga svojim klijentima, dok se u
marketinke svrhe najee koriste za procjenu u koje doba dana treba zvati koje brojeve
telefona kako bi se najbolje mogao izreklamirati neki proizvod i naravno kako bi se isti
najbolje prodao.
Za prepoznavanje uzoraka najee se primjenjuje u vojne svrhe kako bi se
prepoznale mete, te u medicinske svrhe za analizu razmaza, zatim za procjenjivanje rijetkih
novia, kontrole kvalitete, detekcije eksplozivnih naprava u prtljazi islino, a sve se to odvija
primjenom procesiranja slike dobijene putem senzora.
Za

prepoznavanje

znakova

ovo

podruje

primjene

je

ve

uveliko

komercijalizirano. U praksi se pokazalo da ovakve mree rade na visokoj razini ispravnosti u

pogledu prepoznavanja znakova ak i onih znakova koji nisu sluili kao primjeri za
uvjebavanje. Ova metoda se najee primjenjuje kod prepoznavanja istonjakih pisama.
Za primjenu u medicini najee se primjenjuje za modeliranje dijelova ljudskog
tijela, npr. za modeliranje ljudskog kardiovaskularnog, nervnog, miinog ili nekog drugog
sistema. Model se izrauje prema pojedincu, tako da se na osnovu njega moe odrediti tok
razvoja i nastanka bolesti. Moe se koristiti i za detekciju bolesti na osnovu analize rezultata
1
0

dobivenih pomou raznih biomedicinskih senzora, zatim za uspostavljanje dijagnoze na

osnovu simptoma, a jo jedna od vrlo zanimljivih primjena je i razvoj elektronikog nosa koji
se koristi u telemedicini, tj. pomou koga se detektiraju mirisi za vrijeme operacije, a podaci o
mirisu se zatim alju strunjacima koji telekomunikacijskim putem uestvuju u operaciji.

4. PRIMJENA NEURONSKIH MREA U OBRAZOVANJU

Neuronske mree, kao to smo vidjeli u prethodnom izlaganju, se mogu koristiti za
razliite svrhe i namjenje od prepoznavanja znakova, uzoraka itd. pa sve do poslovnih
primjena, zatim primjena u medicini itd.
U ovom poglavlju emo objasniti i prikazati ideju za realizaciju i koritenje neuronske
mree u obrazovanju, odnosno kreirat emo jedan model (inteligentni sistem) kojim emo
pokazati da se obrazovanje moe dovesti na jedan vii i kvalitetniji nivo. Cilj nam je izraditi
inteligentni sistem koji e samostalno i postepeno sakupljati novo znanje te na osnovu istog
donositi odluke.

4.1.

MODEL INTELIGENTNOG SISTEMA ZA POLAGANJE ISPITA

ZASNOVANOG NA NEURONSKOJ MREI

Ovakav jedan sistem bi bio prvenstveno namijenjen za visokokolske ustanove,

odnosno fakultete. Rije je o inteligentnom sistemu namjenjenom za polaganje ispita koji bi
bio od koristi kako studentima tako i profesorima, jer bi umnogome olakao posao i jednima i
drugima.
Ono to je neophodno za realizaciju ovakvog jednog projekta jeste hardverski dio,
odnosno personalni raunar sa standardnim ulaznim jedinicama: tastatura, mi i web kamera
kao i serverski raunar. to se tie softverskog dijela tu su ukljueni klijentski softver na
strani studenta i serverski softver koji bi koristio bazu podataka i bazu znanja kao to je

1
1

prikazano na slici 2. Dakle, projektni zadatak je zamiljen da bude realizovan na principu

klijent server tehnologije.

Slika 2 Klijentski i serverski softver

Izvor : Vlastiti izvor

4.2.

IDENTIFIKACIJA STUDENTA
Da bi student mogao pristupiti ispitu potrebno je da ispuni odgovarajue uslove vezane

za identifikaciju. Kod klasinog polaganja ispita profesor ili asistent identifikuju studenta na
osnovu line (osobne) karte ili uz pomo indeksa. Oba dokumenta predstavljaju jedinstvene
identifikacione elemente.
Na slian nain se moe realizovati i identifikacija koritenjem inteligentnog sistema.
Identifikacija bi se vrila na dva naina:
1.) skeniranjem profila studenta
2.) skeniranjem line karte

Ve smo spomenuli da emo kao ulazne jedinice koristiti tastaturu, mi i web kameru.
Skeniranje profila studenta i line karte bi se vrilo koritenjem web kamere. Sistem bi
posjedovao integriran MultiScanner ija je osnovna namjena skeniranje i slanje podataka
serveru, a imao bi dvije opcije: skeniranje slike i skeniranje dokumenta. Nakon to skenira
sliku (profil studenta) i dokument (linu kartu studenta) softver uporeuje dobijene podatke sa
podacima smjetenim na serveru.
Ukoliko se podaci poklapaju student moe da pristupi polaganju ispita. Pored
MultiScanner-a u sistem je integrisan i PictureMatch koji vri poreenje slike dobijene
skeniranjem profila studenta sa slikom smjetenom u bazi znanja.
Postavlja se pitanje: ta ako je student promjenio izgled npr. kraa ili dua kosa? U
tom sluaju PictureMatch automatski pronalazi rjeenje, odnosno pokree aplikaciju za prikaz
svih moguih stanja izgleda studenta. Ukoliko je slinost npr. 90%, sistem automatski
odluuje da je rije o istom studentu i pohranjuje sliku u bazu znanja da bi ubudue znao kako
student izgleda u stvarnosti sa duom ili kraom kosom.

Slika 3 Poreenje podataka (lina karta - podaci na serveru)

Izvor : Vlastiti izvor

Slika 4 Prepoznavanje studenta na osnovu PictureMatch-a

Izvor : Vlastiti izvor

U ovom sluaju smo koristili metodu za prepoznavanje uzoraka koju smo detaljnije objasnili
u poglavlju 3.

4.3.

PRIJAVA STUDENTA
Inteligentni sistem nakon skeniranja i preuzimanja podataka vezanih za studenta

provjerava da li je student prijavio ispit koji trenutno eli polagati. Ako jeste, student moe da
nastavi sa rjeavanjem i odgovaranjam na pitanja ponuenih na testu, a ako nije sistem
automatski izvrava sljedee korake:
-

korsiti korisniko ime i ifru studenta

povezuje se na korisniki profil studenta

otvara mjesto predvieno za prijavu ispita

nudi studentu da prijavi ispit

slika 5 Prijava ispita

Izvor : Vlastiti izvor

Sa slike 5 se moe jasno uoiti da inteligentni sistem automatski prati slijed dogaaja, a
samim tim i sve dosadanje aktivnosti, odnosno obiljeava ispit koji bi student trenutno trebao
da polae i eka potvrdu od strane studenta. Nakon to student prijavi ispit, inteligentni sistem
zatvara mjesto za prijavu ispita i postavlja pred studenta test sa pitanjima.

4.4.

IZBOR PITANJA ZA TEST

Inteligentni sistem je zamiljen tako da posjeduje bazu podataka u koju e profesor,

odnosno asistent unositi materijale vezane za neki od testova. Uzet emo za primjer da student
treba da polae test 1.
U bazu podataka unesen je kompletan materijal (slajdovi, knjige i skripte u elektronskoj formi
itd.) koji je prezentovan studentima od strane profesora ili asistenta za vrijeme predavanja.
Pored toga, sistem posjeduje bazu u koju su automatski unsesena i pitanja vezana za test 1.
Poto je rije o inteligentnom sistemu, takav sistem moe birati pitanja na 3 naina:
1.) moe odabrati neko od ve postojeih pitanja
2.) moe samostalno formulisati pitanja sa slajdova ili iz knjige, odnsono skripte
3.) moe postavljati trik pitanja
Prvi nain je sasvim jasan. Sistem bira neko od pitanja smjetenih u bazi podataka i servira
ga studentu.
Dru gi nain je neto sloeniji. Sistem bira neki od dokumenata u elektronskoj forimi
npr. knjigu, koja je takoe smjetena u bazi podataka, te na osnovu poznatih pojmova
postavlja pitanja npr.:

Pasus 1

Ekspertni sistemi su sofistini raunarski programi koji primjenjuju ljudsko zn

specifinim oblastima ekspertize da bi se rijeili teki problemi. esto se predstavljaju kao
sistemi sastavljeni iz tri fundamentalna dijela: interfejsa, baze znanja i inferentne maine.
Prednosti i nedostaci [uredi]
Prednosti ekspertnih sistema su:
Prua dosljedne odgovore za ponavljajue odluke, procese i zadatke
Sadri i odrava znaajan nivo informacija

Ohrabruje organizacije da razjasne logiku njihovog naina

odluivanja

Uvijek postavlja pitanja, koja bi ovjek mogao i zaboraviti

Moe raditi neprekidno (bez ljudi)

Korisnik se moe njime esto sluiti
Viekorisnisniki ekspertni sistem moe posluivati vie korisnika istovremeno

Posmatramo li pasus 1 vidjet emo da je sistem naiao na njemu ve poznate pojmove

(Ekspertni sistemi i Prednosti ekspertnih sistema). Prema tome inteligentni sistem bira
jedan ili oba pojma i postavlja pitanja na osnovu istih, poput:

1.) Ekspertni sistemi su

(dopuni)

2.) Prednosti ekspertnih sistema su: (navedi bar 4)

Trei nain su takozvana trik pitanja. Sistem postavlja ovakva pitanja s namjerom da
procijeni da li student s razumijevanjem proita i izanalizira pitanje. Npr. pitanje smjeteno u
bazi podataka glasi:
1.) Glavne osobine ekspertnih sistema su: (oznaiti)
Integracija znanja

Poveavanje
dostupnosti

Nivo

subjektivnosti
Smanjenje cijena

Trik pitanje bi bilo formulisano na sljedei nain:

1.) Glavne osobine ekspertnih sistema nisu: (oznaiti)
Integracija znanja
Poveavanje
dostupnosti

Nivo

subjektivnosti
Smanjenje cijena
Napomena: ako ispitu pristupi vei broj studenata, svaki student dobiva zasebna pitanja i ne
moe se desiti npr. da dva studenta dobiju identian ili slian test, tako da vrijedi pravilo 1
student, 1 grupa, odnosno Student X = Grupa A ili Student Y = Grupa B itd.

4.5.

PRAENJE STUDENTSKOG PONAANJA

Pored navedenog sistem bi imao mogunost praenja studentovog ponaanja za

vrijeme ispita pomou animiranog tutora. Animirani tutor bi oponaao studenta, odnosno sve
promjene koje bi se deavale na licu studenta bi bile prenesene na animiranog tutora.
ta to ustvari znai? Ukoliko bi student prilikom itanja i rjeavanja nekog od
postavljenih pitanja na testu, pokazao odreene promjene na licu, takve promjene bi
rezultirale facijalnom ekspresijom odreene emocije poput promjene visine obrva, irine
oiju, zakrivljenosti usana i slino i bile bi prenesene na animiranog tutora kao to je
prikazano na sljedeim slikama.
slika 6 Ponaanje studenta za vrijeme testa

Izvor : Vlastiti izvor

slika 7 Animirani tutor (oponaanje studenta)

Izvor : Vlastiti izvor

Prikupljanje podataka bi se vrilo pomou web kamere, a zatim bi inteligentni sistem

na osnovu prikupljenih podataka i rezultata sa testa, dobio jasniju sliku o studentu. Na taj
nain sistem ui i spoznaje studenta. Drugim rijeima, sistem bi pamtio pojedina stanja izraza
lica studenta, te na osnovu njih bi ubudue mogao procijeniti da li e student dati taan ili
pogrean odgovor na postavljeno pitanje. Od sistema zavisi kakvu e vrstu pitanja postaviti
studentu na sljedeem testu.
Ako student ostvari loe rezultate (bodove) na prvom testu, inteligentni sistem e na
sljedeem testu postaviti studentu pitanja formulisana na slian nain kao na prvom testu na
koja je student veinom davao tane odgovore, jer je inteligentni sistem napravljen tako da
radi u korist studenta.

4.6.

MJERE ZATITE I SANKCIONISANJA

Ovdje je rije o mjerama zatite i sankcijama koje sistem poduzima ukoliko doe do

primjene neovlatenih radnji. To znai da sistem prati cjelokupnu situaciju od trenutka kada je
test poeo, pa sve do trenutka njegovog zavretka.
Npr. ako student pokua da koristi knjigu prilikom ispita inteligentni sistem
automatski reaguje i upozorava studenta, oduzima mu bod, te pohranjuje novi podatak o
studentu. Tako sistem ubudue zna na koju neovlatenu radnju je spreman student. Nastavi li
student i dalje sa primjenom neovlatenih radnji sistem ponovo koristi mjere zatite, drugi put
upozorava studenta, oduzima mu dva boda i pohranjuje novi podatak o studentu. Ako student
po trei put nastavi sa primjenom neovlatenih radnji sistem ponitava test i sankcionie
studenta.

2
0

5. ZAKLJUAK
Neuronska mrea predstavlja jedan kompleksni matematiki sistem kojim je na
pojednostavljen nain modeliran ljudski mozak. Poto je rije o prilagodljivom sistemu, nala
je primjenu u mnogim podrujima.
Prilagodljivost se oituje u mogunosti prepoznavanja i onih primjera na osnovu kojih
mrea nije uvjebana, kao i u sluaju nesupervizornih mrea, u mogunosti konstantnog
uenja za vrijeme rada mree. Osnovni nedostatak koritenja i upotrebe neuronskih mrea lei
injenici to je pronalaenje adekvatne strukture mree i adekvatnih primjera za uvjebavanje
doista sloen i komplikovan posao. Bez obzira to su mnogi autori dali itav niz praktinih
savjeta kako je mogue strukturirati mree za primjenu na odreenom podruju, optimalni
parametri mree se mogu ustanoviti iskljuivo koritenjem niza testova.
Bez obzira na njihove nedostatke, neuronske su mree su nale svoju iroku primjenu
na razliitim podrujima ljudske djelatnosti poevi od mree Madaline koja je poznata po
tome to uklanja um u telefonskim linijama, preko analize govora, pa sve do upotrebe u
medicini, financijskim ustanovama, obrazovanju itd.
One su meusobno povezane i sa konstruktivistikom teorijom uenja. Uenje
neuronske mree se moe posmatrati kao aktivno konstruiranje reprezentacija na osnovu
ulaznih podataka. U skladu da navedenom teorijom uenja, na osnovu koje i ljudi ue na isti
nain, neuronske se mree mogu primijeniti u pokuaju razumijevanja naina na koji ljudi
ue, odnosno aktivno grade svoje reprezentacije.
Prema tome, ovaj rad predstavlja teorijske osnove koje je potrebno usvojiti da bi se
mogli upustiti u primjenu neuronskih mrea. Iznesena je jedna ideja i nain na koji bismo
mogli pristupiti realizaciji jednog inteligentnog sistema baziranog na neuronskim mreama.
Budui da je nain primjene neuronske mree potrebno dobro osmisliti, razliite ideje su
uvijek dobrodole.
Radna hipoteza: Primjenom neuronskih mrea mogue je kreirati inteligentni sistem
koji e doprinijeti kvalitetnijem savremenijem obrazovanju, u ovom seminarskom radu je u
cijelosti potvrena i dokazana. Takoer i tri pomone hipoteze su dokazane i potvrene.

2
1

6. LITERATURA
Knjige :
1.)Jaroslav E. Poliuk, Ekspertni sistemi, ETF Podgorica
2.)Latinovi B., Ekspertni sistemi, Panevropski univerzitet Apeiron Banja Luka, 2006g.
3.)Kompendium izvora iz predmeta, Ekspertni sistemi, Fakultet poslovne ekonomije, Banja
Luka, 2006g.
4.)Bonjak K. i Latinovi B. Informatika Narodna i Univerzitetska biblioteka RS, Banja
Luka, 2004g.
Tekstovi s interneta :
1.) http://eris.foi.hr/11neuronske/nn-primjena1.html
2.) http://titan.fsb.hr/~tfiletin/pdf/neuro_matest97.pdf
3.) http://www.fer.unizg.hr/_download/repository/13-Primjene-1s.pdf
4.) http://www.phy.pmf.unizg.hr/~planinic/diplomski/Kenan_Mackic.pdf
5.) http://bib.irb.hr/datoteka/426225.Diplomski_rad_-_Edin_Mangi_-_0036408241.pdf
6.)http://translate.google.ba/translate?hl=hr&langpair=en%7Chr&u=http://citeseerx.ist.psu.ed
u/viewdoc/download%3Fdoi%3D10.1.1.33.9351%26rep%3Drep1%26type%3Dpdf
7.)http://translate.google.ba/translate?hl=hr&langpair=en%7Chr&u=http://www.doc.ic.ac.uk/
~nd/surprise_96/journal/vol4/cs11/report.html 8.)http://translate.google.ba/translate?
hl=hr&langpair=en%7Chr&u=http://www.ccs.neu.edu/h ome/feneric/charrecnn.html