Professional Documents
Culture Documents
snz16 Teorija Baza
snz16 Teorija Baza
3.Карактеристики на ЕС:
Поради евристиката и интензивната употреба на експертско знаење ЕС
се:
Отворени за инспекција
Лесно се модифицираат
Евристични
ЕС се изградени за решавање на различни видови проблеми во
медицината, математиката, инженерството, хемијата, геологијата,
компјутерските науки, економијата, правото, одбраната и образованието.
6. Систем за резонирање
- претставува интерпретер на базата на знаење.
- го применува знаењето при решавањето на конкретен проблем.
- кај продукциските системи презема контролен циклус на препознавање-
делување.
7.Модуларен дизајн на ЕС
Одвоеноста на машината за резонирање од базата на знаење е важна од
неколку причини:
- Репрезентација на знаењето на поприроден начин во форма на if-then
правила.
- Градителите на ЕС може да се концентрираат на организација и
имплементација на знаење за решавање на проблемот.
- Може да се вршат промени на дел од базата на знаење без потреба за
промени во остатокот од кодот.
- Истиот код за контрола и резонирање (изведување) може да се употреби
за различни системи базирани на знаење.
- Модуларноста овозможува лесно експериментирање со алтернативни
контролни режими над истата база на правила.
8.Начини на резонирање во ЕС
Различни проблеми бараат различен начин на резонирање при нивното
решавање:
- Пребарување водено од целта (goal-driven search)
- Пребарување водено од податоците(data-driven search)
9.Примарни учесници во изградбата на ЕС се:
- Експерт во областа (domain expert)
- Инженер на знаење (knowledge engineer)
- Краен корисник (end user)
12.Недостатоци на ЕС
- Недостаток на здрав разум или знаење од општа култура(common sense)
- Недостаток на флексибилност и робустност
- Неможност за давање на издржани објаснувања за одлуките што ги
предлагаат
- Тешкотии со проверка на коректноста
- Мали можности за учење од искуство
13.Методи за справување со несигурностите
- Предодредена (Default) или немонотона логика
- Правила со меки тежински фактори
- Веројатност
Maтна логика
-Терминот "матна логика" е за првпат воведен од полскиот научник
Lukasiewich во 1920 г.
- Zadeh се смета за татко на матната логика, кој во 1965 г. и дал
математички облик.
- Функциите на припадност(MF):
Целосно го дефинира матното множество
Овозможува да се мери сличноста помеѓу елементите од едно матно
множество
Може да има било каква форма но постојат неколку најчесто
користени функции кои се користата во повеќе реални апликации.
Најексплоатирани се триаголна, трапезоидна, Гаусова, bell-shaped
и.т.н.
Пронаоѓање на документи
- Долгорочен предизвик на Вештачката интелигенција е автоматско
разбирање на текстуалните податоци и извлекување на некакво знаење
од самиот текст.
- Пронаоѓање на информации(Information Retrieval -IR)
Koнцепциски, IR e проучување за наоѓање на потребната информација,
т.е. IR им помага на корисниците да ја најдат информацијата која ги
задоволува нивните информациски потреби.
Историски, IR се однесува на пронаоѓање на документи, истакнувајќи
го документот како основна единица. Пронаоѓање на документи што се
релевантни на корисничкото прашање.
Технички, IR го обработува прибирањето, организацијата, чувањето,
пронаоѓањето и распределбата на информациите.
- Предобработка на текст
Извлекување на зборови(термини): лесно
Остранување на службени зборови (stopwords)
Наоѓање на корените на зборовите (stemming)
Пресметување на фреквенцијата (честотата) на термините и на нивните
TF-IDF тежини.
- Рангирање на прецизноста
Ја пресметува прецизноста во некој избран ранг.
Главно се користи за евалуација во веб пребарување.
За веб мотор за пребарување, можеме да пресметаме прецизност за
5,10,15,20,25,30 вратени страни. Како корисник, ретко гледаме повеќе од
30 страни.
Сеќавањето не е многу значајно во веб пребарувањето, бидејќи бројот
на релевантни документи е огромен и не може сите да се пронајдат и
вратат како резултат.
Системи на препорака
- Типови на препорака
Персонално уредени (ние сме ја направиле листата)
o Листа на омилени
o Листа на потребни нешта
Едноставно одберени/класифицирани
o Топ 10, Најпопуларни, Скорешни прикачувања
Прилагодени на индивидуални корисници
o Аmazon, Netflix…
-Формален модел
X = број на купувачи
S = број на производи
R = сет на рејтинзи
Утилитарна функција u: X x S -> R
- Главни проблеми
Прибирање на “познати” рејтинзи за матрицата
o Како да земаш податоци во утиларната матрица
Да се екстраполираат (заклучат/дефинираат ) непознатите рејтинзи
од познатите
o Главно заинтересирани за високи непознати рејтинзи
o Не ги интересира што не не интересира, туку што не интересира
Проценување/оценување на методите на екстраполација
o Како да се мери успехот/перформансите на методите за препорака
-Собирање/прибирање на рејтинзи
Експлицитно
o Ќе прашуваме луѓе за да го оценатат производот
o Не е толку добро во пракса – на луѓето не може да ми им се пречи
Имплицитно
o Да ги дознаеме рејтинзите од однесувањето на корисниците
o Пр. Купување на производ подразбира висок рејтинг
-Хибридни методи
Имплементирај 2 или повеќе препорачувачи и комбинирај
предвидувања
Додадете ги методите за препорака базирани врз содржината на
колаборативното филтрирање
Дрва за одлучување
Критични чекори
Формулација на добри логички тестови
Избор на мерка за атрибутите
Decision-Tree-Learning (DTL):
- Цел: да се пронајде мало дрво конзистентно со примероците за обука
- Идеја: рекурзивно избирање на најзначајниот атрибут како корен на
(под)дрво
Aлгоритам
- Ако сите примери на множеството за обука S се со иста вредност K, тогаш
дрвото на решавање за K се состои од лист означен со K.
- Инаку, одбери тест кој ќе го подели множеството за обука S во две или
повеќе подмножества Si, зависно од излезот на тестот (на пр. вредностите
на атрибутите). Тестот станува корен на дрвото и за секој излез на тестот
изгради поддрво, повикувајќи ја оваа процедура рекурзивно за секое Si.
Шум и преобучување
- оver-fitting (претерано научување/преучување)
- decision tree pruning (кастрење на дрвото за одлучување)
- statistical significance (статистичка значајност)
- cross-validation (вкрстена проверка)
- missing data (податоци што фалат или испуштени)
- multi-valued attributes (повеќевредносни)
- continuous-valued attributes (континуирано ценети атрибути)
- bias / variance tradeoff (компромис помеѓу наклоноста и разноликоста)
Заклучоци:
Дрвата на одлучување се една од најпопуларните техники за
класификација:
- Лесни се за разбирање
- Лесни за имплементација
- Лесно се употребуваат
- Пресметковно се лесни (computationally cheap)
Невронски мрежи
Два погледи на невронските мрежи:
- Од компјутерски аспект - вештачки невронски мрежи - метод за
претстава на функции со помош на едноставни аритметички пресметковни
елементи и нивна обука од примероци
- Од биолошки аспект - математички модел на работата на мозокот
Класификација (Учење)
Пoстојат два начина на модификација на врските во невронската мрежа:
1. Со користење на претходно знаење од проблемскиот домен се
поставуваат тежините на врските
2. Со тренирање на мрежата до шаблони, таа да си ги менува врските
според правило на учење кои споредува примерок дадени решенија со
влезови/излези од мрежата. Односно, во една поинаква синтагма
зборуваме за:
1.Supervised/self-supervised learning – Почетното знаење доаѓа од
надвор/од самата мрежа
Обука на перцептрон
Постои алгоритам кој може да научи било која линеарно сепарабилна
функција ако му се дадат доволно примероци за обука
1. Иницијализација на тежините на случајни вредности
2. Промена на овие вредности со цел да се направат конзистентни со
примерите – итеративен процес на мали промени на тежините со кои би
се намалила разликата помеѓу добиениот и бараниот излез за даден
примерок - конвергенција.
Пропагација на грешка
Алгоритам:
- Пресметај ја Δ вредноста за излезните неврони според забележата
грешка
- Почнувајќи од излезното ниво повторувај за секое ниво на мрежата се до
влезното ниво:
Пропагирај ги Δ вредностите назад низ претходното ниво
Измени ги тежините помеѓу двете нивоа
Хопфилдова мрежа
- Хопфилдова мрежа се состои од N меѓусебно поврзани неврони кои си ги
променуваат нивните нивоа на активација асинхроно и независно од
другите неврони.
- Сите неврони се во исто време и влезни и излезни неврони.
- Активациската вредност се базира на (+1,-1)
- Системот се стреми да стигне во т.н. стабилна состојба каде ажурирањата
на врските се соодветни за проблематиката која ја решава системот.
- Состојбата на системот се дадена на активациските вредности y=(yk)
- Мрежните вредности sk(t+1) на невронот k во циклусот (t+1) e даден со
тежинска сума:
- Прагова функција се употребува за да се добие излезот:
Болцманова машина
Болцмановата машина делува според принципот на врамнотеженост.
Била нарекувана и „Хопфилдова мрежа со скриени слоеви“. Таа се состои
од непразно множество на видливи и можно множество на скриени
единки. Болцмановата машина е значајна, заради тоа што е првата
невронска мрежа која реализира учење на скриени променливи.
Баесови квасификатори
Баесовото правило може да се претвори во класификатор
пр. Како да се одлучи дали пациентот е болен или здрав, врз основа на:
- Веројатносен модел на набљудуваните податоци
- Претходно знаење
Условна независност:
- Дефиниција: Х е условна независна од Y за дадено Z, ако веројатносната
распределба според која се владее Х е независна од вредностите на Y, за
таа вредност на Z.
Примери за примена
- За инспекција на ресторани
- За класификација на болести
- За класификација на текстови (за болести, за е-пошта, за групи со вести)
Параметрите
- Во зависност од методот за параметризација, елементите во матрицата
може да бидат:
Бинарни
Бројки , т.е. вкупниот број на повторувања на зборот Tj во Di
Тежински честоти
Карактеристики на DSS
- Се справува со големи количини на податоци од различни извори
- Обезбедува извештај и флексибилност на презентацијата
- Нуди текстуално и графичко насоченост
- Поддржува длабинска анализа
- Врши сложени, софистицирани анализи и споредби со користење на
напредни софтверски пакети
- Поддржува оптимизација, исполнување на минималните барања и
евристични пристапи
- Врши различни видови на анализи
"What if" анализи = прави хипотетички промени на проблемот и
забележува влијание врз резултатите
Симулација = двојни карактеристики на реалниот систем
Goal-seeking анализи = ги одредува проблематичните податоци
за даден резултат
Чекор 3
Ако резултатот од чекор 2 е да се продолжи проектот, следно се
подготвува тендерската спецификација.
Треба да се дефинира токму онаа работа што се бара на тендерот да се
направи. Идеално, тоа треба да се дефинира за секоја работа која треба
да се направи.
Магнитудата на несигурност поврзана со оваа фаза е причина за можните
варијации во цената и времетраењето на проектите.
Пред да се издаде на тендерската спецификација разумно е да се потврди
дека проектот е прифатлив за регулаторните органи и дека има адекватни
финансии на располагање.
Финансискиот директор треба да биде убеден дека проектот е остварлив,
дека предлагачот има искуство и способност за изведување на проект за
успешен финиш.
Чекор 4
Првата акција е да се одлучи дали една од понудите треба да се
прифатенa.
Понудувачот треба да има соодветно искуство способност и соодветни
финансиски ресурси.
Чекор 5
Под претпоставка дека сите чекори се завршени на задоволително ниво,
се превзема одлука за почнување на проектот.
Дури и кога проектот ќе почне, може да биде запрен ако околината во која
работи се промени.
Карактеристики на ESS:
- Прилагодена на индивидуалните директори
- Лесен за користење
- длабоки способности
- Поддршка на потребата за надворешните податоци
- Помош со ситуации со висок степен на неизвесност
- Прогнози и предвидувања
- Поврзано со додадена вредност на бизнис процеси
Способности на ЕСС
Поддршка за:
- Дефинирање на целокупната визија
- Cтратешко планирање
- Стратешкo организирање и екипирање
- Стратешка контрола
- Менаџирање на кризата
Менаџмент
Менаџментот е донесување на одлуки
Менаџерот е донесувачот на одлуки
Организациите се полни со менаџери на различно ниво.
Менаџментот се смета за уметност: талент стекнат со години преку обиди
и грешки.
Сепак донесувањето одлуки денес станува се повеќе комплицирано:
- Технологија /информации /Компјутери се пораст на повеќе избори
- Структурната Комплексноста / Конкуренција пораст на цена на грешките
- Меѓународните пазари / Конзумација е пораст на несигурност за
иднината
- Промените, двоумења се пораст на потребата за брза одлука
Проблеми на менаџментот
Повеќето проблеми на менаџментот за кои се бараат одлуки може да
бидат претставени со три стандардни елементи - цели, одлука на
променливи и ограничувања.
Цел
- Максимизирање на профитот
- Обезбеди најбрз влез на пазарот
- Минимизирај ја непријатноста на вработените
Одлука на променливи
- утврди која цена да се користи
- утврди ја должината на времето на тестови кои се работи на нов
производ / услуга
- Одредување на одговорности да се доделат на секој работник
Ограничувања
- не може да се наплаќа под цената
- Се прават тестови доволно да се задоволат минималните безбедносни
прописи
- Обезбеди одговорностите да се делат најмногу на двајца работници
Типови на проблеми
Структурирани: ситуации каде кога е потребна одлука, процедурите кои
следат може да бидат однапред специфицирани
- Повторувачки
- Стандардни методи на решенија
- Целосна автоматизација може да биде овозможено
Одлуки и одлучување
Голем дел од одлуките со кои менаџерите се справуваат секој ден имаат
одреден степен на несигурност и бараат не- програмирано донесување на
одлуки
- Може да биде тешко да се направи
- Направени услови за менување на фактори
- информациите може да бидат нејасни
- можеби ќе треба да се справи со конфликтни точки на гледање
Сигурност, ризик, неизвесност, двосмисленост
Сигурност = сите информации на одлучувачот треба да му се целосно на
располагање
Ризик
- одлуката има јасни цели
- добри информации се достапни
- идните исходи поврзани со секоја алтернатива се предмет на шанса
Несигурност
- Менаџерите знаат кои цели сакаат да ги постигнат
- Информации за алтернативите и идните настани се некомплетни
- менаџерите можеби ќе треба да дојдат до креативни пристапи кон
алтернативи
Двосмисленост
- далеку најтешката одлучувачка ситуација
- целите да се постигнат или проблемот да се реши е нејасно
- алтернативите тешко се дефинираат
- информации за исходите се недостапни
Базиран модел
Обезбедува носителите на одлуки со пристап до различни модели и им
помага во донесување на одлуки
Модели:
- Финансиски модели
- Модел на статистичка анализа
- Графички модели
- Проект за управување со модели
Предности
- помалку скапи од сопствени приоди или реален систем.
Недостатоци
- Претпоставки за реалноста може да се неточни
- Точност на предвидувањата се често несигурни
- Бара апстрактно мислење
Математички модел
-Идентификување променливи
-Воспоставување на равенки кои ги опишува нивните врски
-Поедноставувања преку претпоставки
-Модел на балансирање, поедноставување и точна застапеност на
реалноста
-Моделирање: уметност и наука
Квантитативни модели
Одлука на променливи:
- Опис на алтернативни можности за акција
- Донесувачот на одлука ги контролира
Резултат на променливи
- Cе одразуваат на ниво на ефикасност на системот
- Зависни променливи
Историјат
- Семантички Web е за прв пат предложен во 1998 год. од основачот на
интернет Тим Бернерс-Лее (директор на истражување на W3C)
- Eволуцијата почнува со HTML кој содржи минимален број тагови за опис
како да се прикажат податоците
- Појавата на ХМL е чекор нанапред кон конзистентна синтакса за размена
- Посебно значајна е RDF спецификацијата за кодирање и размена на
метаподатоци со која се опишува содржината, квалитетот и други
карактеристики на податоците
XML
- Дефиниција на нови тагови за опис на податоци <author>Berners-
Lee</author>
- ХМL е збогатен со анотација која овозможува размена на структуриран
текст и информации преку интернет
- Структурата, содржината и семантиката на ХМL се дефинирани во
соодветни Document Type Definition (DTD) документи или во XML Schema
Онтологии
- Според дефиницијата тоа е множество на поими, соодветен лексикон,
категоризација, семантичка поврзаност и мал број на едноставни правила
за заклучување
- Потребни се технлогии за се' и сешто од производство до филозофија
- Онтологиите овозможуваат општоприфатени и заеднички толкувања на
оредени области со што се овозможува комуникација помеѓу апликации и
системи
Предности на онтологии
- Обезбедуваат збогатување на Web содржините со семантичко значење
- Интеграција на информации од различни извори, нејзино структурно
организирање, со што се обезбедува размена на податоци, знаење и
модели
- Обезбедува конзистентност и коректност
- Можност за креирање универзални библиотеки со повеќекратна
употреба
Карактеристики:
- Врски помеѓу произволни нешта (на пример лица, локации, настани..)
- Структурата е експлицитна(јасна)
Значајноста на предвидувањето
Разните оддели во организацијата зависат од предвидувањето за да ги
формулираат и извршуваат своите планови. Одделот за финансии треба
да го предвиди приливот и одливот на пари и капиталните побарувања.
Кадровото одделение треба да ги предвиди потребите за да се примат
нови луѓе. Производството треба да ги предвиди нивоата на
производство, работната сила, потребите од суровини, количините во
магацинот итн. Нарачките не се единствената променлива која треба да се
земе предвид при предвидувањата. Производителите предвидуваат
можни отсуства на работниците, работна состојба на машините, трошоци
на суровините, време и трошок за транспорт итн.
Видови предвидувања според временскиот хоризонт:
- Среден рок
Од 1 сезона до 2 години
Збирно планирање, планирање на капацитетите, предвидувањеа за
продажбите
Мешавина на квантитативни и квалитативни методи
- Долг рок
2 или преку 5 години во иднината
Истражување и развој, местоположба на фабриката, планирање на
производи, на нови сегменти на пазарот
Воглавно, според квалитативни методи
Квалитативни методи:
- Извршна одлука(Еxecutive Judgment) = мислење на група од експерти од
високо ниво.
- Sales Force Composite (агенти што дистрибуираат) = секој регионален
продавач обезбедува проценки за продажбата.Потоа тие проценки се
ревидираат за да се биде сигурен дека се реални.
- Истражување на пазарот = барање информации од корисниците кои се
однесуваат на нивните идни планови за купување.Тоа вклучува и употреба
на прашалници, потрошувачки панели и тестови на нови производи и
услуги.
- Делфи метода = За разлика од редовните панели каде поединците се
вклучени во директна комуникација, во оваа метода се елиминира тој
ефект на потенцијално доминирање на најгласните членови во
групата.Оваа група вклучува поединци од внатре како и од надвор од
организацијата. Обично, процедурата се состои од следните чекори:
Предвидување во пракса
- Техничките аналитичари се фокусираат на цеата и обемот на податоците
за да се утврдат трендови од минатото коишто се очекуваат да се прават
во иднината
- Единствениот најважен елемент на техничката анализа е дека иднината
на девизните курсеви се базирани на сегашниот девизен курс
- Движењата на девизниот курс можат да се поделат на 3 периоди:
-Ден за ден
-Краткорочни (неколку дена до неколку месеца)
-Долгорочни
- Колку е поголем временскиот период на предвидувањето, толку е
поверојатно дека предвидувањето ќе биде неточно.