Professional Documents
Culture Documents
снз база финална
снз база финална
За оваа претпоставка потребни ни се 2*n и 1 параметри, што е многу помалку отколку целата
матрица на коваријанси( кој со кого колку пати се појавил во исто време).
Колку повеќе примери на документи и нивни точни класификации ги гледа, толку подобро
класификаторот ќе ги погодува точните предвидувања за припадноста кон соодветната класа.
Класификаторот се прави да почне со многу несигурни класификации и како што учи кои од
особините се важни за да прави разлики помеѓу примерите, така и сигурноста во предвидувањето
се зголемува.
1. бинарни (ќе кажуваат само дали зборот Tj е присутен во документот Di или не)
2. бројки (честоти, фреквенции) (вкупниот број на повторувања на зборот Tj во Di)
3. тежински честоти
Учење на Баесов класификатор
Претпоставки
P(x1,x2,…,xn|c)
• Bag of Words assumption: Да претпоставиме позицијата на зборот не е значајна
• Conditional Independence: Да претпоставиме дека условните веројатности за
атрибутите-зборовите P(xi|cj) се независни за дадена класа c.
• P(x1,x2,…,xn|c)=P(x1|c)*P(x2|c)*P(x3|c)*…*P(xn|c)
Предности и недостатоци
Овие три множества не се неопходни во сите системи способни да учат. Класификацијата е една
од главните задачи на податочното рударство и на вештачката интелигенција воопшто. За некој
атрибут да се обидеме да ја предвидеме вредноста на тој атирибут за другите луѓе, според
достаните информации за останатите атрибути за тие исти луѓе. Калсификацијата се применува
само на категоријални излезни атрибути. Категоријален атрибут е атрибут кој може да прими само
дискретни вредности(2 или повеќе). Исто така се нарекува и симболички атрибут додека пак
реален атрибут е атрибут со реални броеви. Табели на меѓузависности или хистограми уште и
наречени се едно-димензионални табели на меѓузависности. К-димензионална табела на
меѓузависности се прави така што:
На 2-D табела за меѓузависности може да видиме колку записи постојат за секоја комбинација
(секој пар) на вредности на атрибутите. Попрегледно е графички и полесно се забележуваат
интересни нешта ако се растегнат линиите на хистограмот.
3-D табелите на меѓузависностите се веќе потешки за следење и затоа се воведува друг начин
на анализа на таквите податочни множества така наречени дрва на одлучување. Учењето со
дрва на одлучување се одвива така што нов тест примерок се подлага на низа тестови за да се
утврди на која класа и припаѓа. Тестовите се организирани во хиреархиска структура.
Примероците од множеството за тренирање се користат при селекција на редоследот на
тестови во дрвото за одлучување. Вообичаено, дрвото се гради од горе надолу и се бираат
оние тестови кои носат најголема информациска добивка за самата класификација.
Како да се справиме со непознати комбинации? Понекогаш може да се случи да според ниту еден
атрибут да неможе да се добие комплетна класификација за сите можни вредности на даден
атрибут. Тогаш за таа вредност се става некоја предодредена(поверојатна, препорачлива)
вредност. Предности на дрвата за одлучување се тоа што можат да генерираат разбирливи
резултати, да извршуваат класификација без премногу сложени пресметки, можат да работат и со
континуирани и со дискретни вредности на атрибутите и обезбедуваат јасен показател на тоа кои
атрибути се најважни за предвидување или класификација. Исто така имаат и слабости, тие се
подложени на грешки со премногу класи, брзата поделба на примероци води до брзо опаѓање на
квалитетот на избирањето на атрибутите и имат проблеми со не-правоаголни региони. Сепак
конечниот заклучок за дрва на одлучување покрај тоа што е една од најпопуларните техники за
класификација исто така се лесни за разбирање, лесни за импллементација, лесно се
употребуваат, пресметките се лесни но и може да се направат проблеми со прекумерно
научување. Исто така тие праваат класификација така што ја предвидуваат класата според
дискретни или континуирани влезови.
Експертни системи
Експетрен систем е програма базирана на знаење која нуди решавање на проблеми од одреден
домен со квалитет на ниво на човечки експерт од доменот. Користи и теоретки и практични
знаења екстрахирано од луѓе,експерти од доменот и се обидува да ја имитира нивната
методологија на работа. Експретните системи не се програми за когнитивно моделирање туку тие
се практични програми кои користат стратегии развиени од луѓето при решавање на одредена
класа на проблеми. Поради евристиката и интезивната употреба на експертско знаење тие се:
Во екпертните системи има два начина за резонирање при решавање на проблеми тоа се
пребарување водено од целта и пребарување водено од податоците. Примарни учесници
во изградбата на експертни системи се инженер на знаење, експерт во област и краен
корисник. Има три режими на работа кај експертните системи и тоа се режим на
прибирање на знаење, консултациски режим и објаснувачки режим. Режимот на
прибирање на знаење работи така што се врши прибирање на почетното знаење во
експертни системи и ажурирање на знаењето од страна на инженерот на знаење, кој пак
се консултира со некој експерт или со енциклопедии, книги, прирачници и друго.
Прибраното знаење го содржи речникот како и жаргонот на областа, општите факти и
концепти во областа, проблемите кои се јавуваат во таа област, решенија на постојаните
проблеми добиени од искуство во областа и техники за решавање на проблеми во
областа. Бидејќи развојот на експертни системи е доста скап, постојат неколку случаи во
кој развојот е оправдан а тоа се:
Експертните системи исто така имаат недостатоци. Имаат недостаток на здрав разум
или знаење од општа култура, недостаток на флексибилност и робустност, немаат
можност за давање на издржани објаснувања за одлуките што ги предлагаат, имаат
тешкотии со проверката на коректноста и мали се можностите за учење од искуство.
Исто така имаат и методи за справување со несигурностите. Тие методи се
предодредена или немонотона логика, правила со меки тежински фактори и
веројаноста. Веројатноста работи така што тврдењата ги сумираат ефектите на
мрзливост(неуспех во набројувањето на исклучоците, квалификациите итн) и
непознавањето (недостиг на релевантни факти, почетни услови итн.).
Еден од познатите експертни системи е системот MYCIN кој е напишан некаде во 1970
години и е напишан на дијалект на LISP. Правилата и резонирањата кај MYCIN без
веројатносните коефициенти би биле еквивалентни на предикантна логика. MYCIN е
воден од целта, односно поврзува наназад – тргнува од некоја претпоставка и се
обидува да докаже дека претпоставката е точна. Несигурностите во системот имаат
фактор на сигурност чии опсег е од -1 (сигурно неочно) до 1 (сигурно точно). Се
изведуваат со if-then циклусот или со прагова вредност. Или пак во случај на повеќе
премиси, прво се врши И-операција на непрецизирана(матна) логика(т.е. минимум),
па ако се добие вредност поголема од прагот, тогаш резултатот се множи со факторот
на доверливост на самото правило. MYCIN се покажува успешен во 90% од случаите.
HEARSAY е посебен вид на експертни системи кој е развиван за потребите на
препознавање на говор. Репрезентацијата на знаење е преку база на продукциски
правила поделени во логички целини(наречени специјалисти). Секој специјалист е
комплетни множество на продукциски правила за посебни делови од говорот( фрази,
зборови, слогови, фонеми и обележја на сигналот).
ВТОР КОЛОКВИУМ
sim(Alex, Bob)=0.7
sim(Alex, Tom)=0.9
sim(Bob, Tom)=0.8.
Select one:
a. (0.8 * 5 + 0.9 * 4) / (0.8 + 0.9)
b. (0.9 * 2 + 0.8 * 3) / (0.9 + 0.8)
c. (0.7 * 5 + 0.8 * 4) / (0.7 + 0.8)
d. (0.7 * 4 + 0.9 * 4) / (0.7 + 0.9)
e. (0.8 * 4 + 0.9 * 4) / (0.8 + 0.9)
5. Колку тежини има невронска мрежа со 3 влезни, 2 излезни и еден тежински неврон на влез?
-
(требе да се одговоре)
Чекор5: Одредуваме дека една држава може да има повеќе соседи држави
Чекор1: Препознаваме дека станува збор за географија
Чекор4: Препознаваме дека држава може да биде сосед со друга држава
Чекор2: Се идентификуваат поимите град, главен град, држава, пат, земјен пат, воздушен
пат итн.
Чекор3: Одредуваме дека главен град е град, воздушен пат е пат
- Семантички веб
16. Која вредност ќе биде предвидена за продажба во неделата 4 користејќи прост подвижен
просек од последните 3 вредности?
a. 10
b. 3
c. 8
d. 15
e. 5
Требе да се одговоре 16
:
32. Кај онтологиите знаењето е организирано:
а. во форма на листа
б. непрецизно
в. паралелно
г. сериски
д. Хиерархиски
37. Учење со потикнување – На влез, покрај предметот што треба да се научи, се добива и
сигнал добро/лошо (награда и казна) во зависност од тоа колку добро одговорил системот
на тоа барање за учење или класификација.
TRUE
39. Што од наведеното е точно за наивниот пристап за предвидување на идна вредност кај
временски серии?
а. Следна (идна) вредност се претпоставува дека е иста со просечната вредност
б. Обично дава задоволителни резултати
в. . Следна (идна) вредност се претпоставува дека е иста со последната позната вредност
г. Обично не дава добри резултати
4. ЕС категории на проблеми:
I. Интерпретација
II. Предвидување
III. Дијагноза
IV. Дизајн
V. Планирање
VI. Надгледување
VII. Дебагирање и поправки
VIII. Инструирање
IX. Контрола
Р(не)*Р(сонце/не)*Р(студено/не)*Р(голема/не)*Р(јак/не) = 0.021
Р(да)*Р(сонце/да)*Р(студено/да)*Р(голема/да)*Р(јак/да) = 0.005
Зад од колоквиум:
Пресметка на ентропија:
Ако имаме 2 класи (+) и (-), и имаме множество од 100 податоци, каде што 30 се позитивни
останатите негативни (Р(+) = 30, Р(-) = 70)
Precision = TP / TP + FP
Recall = TP / TP + FN
3.Карактеристики на ЕС:
Ппради евристиката и интензивната упптреба на експертскп знаеое ЕС
се:
Отвпрени за инспекција
Леснп се мпдифицираат
Евристишни
ЕС се изградени за рещаваое на разлишни видпви прпблеми вп
медицината, математиката, инженерствптп, хемијата, геплпгијата,
кпмпјутерските науки, екпнпмијата, правптп, пдбраната и пбразпваниетп.
6. Систем за резпнираое
- претставува интерпретер на базата на знаеое.
- гп применува знаеоетп при рещаваоетп на кпнкретен прпблем.
- кај прпдукциските системи презема кпнтрплен циклус на преппзнаваое-
делуваое.
7.Мпдуларен дизајн на ЕС
Одвпенпста на мащината за резпнираое пд базата на знаеое е важна пд
некплку пришини:
- Репрезентација на знаеоетп на ппприрпден нашин вп фпрма на if-then
правила.
- Градителите на ЕС мпже да се кпнцентрираат на прганизација и
имплементација на знаеое за рещаваое на прпблемпт.
- Мпже да се врщат прпмени на дел пд базата на знаеое без пптреба за
прпмени вп пстатпкпт пд кпдпт.
- Истипт кпд за кпнтрпла и резпнираое (изведуваое) мпже да се упптреби
за разлишни системи базирани на знаеое.
- Мпдуларнпста пвпзмпжува леснп експериментираое сп алтернативни
кпнтрплни режими над истата база на правила.
8.Нашини на резпнираое вп ЕС
Разлишни прпблеми бараат разлишен нашин на резпнираое при нивнптп
рещаваое:
- Пребаруваое впденп пд целта (goal-driven search)
- Пребаруваое впденп пд ппдатпците(data-driven search)
9.Примарни ушесници вп изградбата на ЕС се:
- Експерт вп пбласта (domain expert)
- Инженер на знаеое (knowledge engineer)
- Краен кприсник (end user)
12.Недпстатпци на ЕС
- Недпстатпк на здрав разум или знаеое пд ппщта култура(common sense)
- Недпстатпк на флексибилнпст и рпбустнпст
- Немпжнпст за даваое на издржани пбјаснуваоа за пдлуките щтп ги
предлагаат
- Тещкптии сп прпверка на кпректнпста
- Мали мпжнпсти за ушеое пд искуствп
13.Метпди за справуваое сп несигурнпстите
- Предпдредена (Default) или немпнптпна лпгика
- Правила сп меки тежински фактпри
- Верпјатнпст
Maтна лпгика
-Терминпт "матна лпгика" е за првпат впведен пд пплскипт наушник
Lukasiewich вп 1920 г.
- Zadeh се смета за таткп на матната лпгика, кпј вп 1965 г. и дал
математишки пблик.
- Функциите на припаднпст(MF):
Целпснп гп дефинира матнптп мнпжествп
Овпзмпжува да се мери слишнпста ппмеду елементите пд еднп матнп
мнпжествп
Мпже да има билп каква фпрма нп ппстпјат некплку најшестп
кпристени функции кпи се кпристата вп ппвеќе реални апликации.
Најексплпатирани се триагплна, трапезпидна, Гауспва, bell-shaped
и.т.н.
Прпнапдаое на дпкументи
- Дплгпрпшен предизвик на Вещташката интелигенција е автпматскп
разбираое на текстуалните ппдатпци и извлекуваое на некаквп знаеое
пд самипт текст.
- Прпнапдаое на инфпрмации(Information Retrieval -IR)
Koнцепциски, IR e прпушуваое за напдаое на пптребната инфпрмација,
т.е. IR им ппмага на кприсниците да ја најдат инфпрмацијата кпја ги
задпвплува нивните инфпрмациски пптреби.
Истприски, IR се пднесува на прпнапдаое на дпкументи, истакнувајќи
гп дпкументпт какп пснпвна единица. Прпнапдаое на дпкументи щтп се
релевантни на кприснишкптп пращаое.
Технишки, IR гп пбрабптува прибираоетп, прганизацијата, шуваоетп,
прпнапдаоетп и распределбата на инфпрмациите.
- Предпбрабптка на текст
Извлекуваое на збпрпви(термини): леснп
Острануваое на службени збпрпви (stopwords)
Напдаое на кпрените на збпрпвите (stemming)
Пресметуваое на фреквенцијата (шестптата) на термините и на нивните
TF-IDF тежини.
- Рангираое на прецизнпста
Ја пресметува прецизнпста вп некпј избран ранг.
Главнп се кпристи за евалуација вп веб пребаруваое.
За веб мптпр за пребаруваое, мпжеме да пресметаме прецизнпст за
5,10,15,20,25,30 вратени страни. Какп кприсник, реткп гледаме ппвеќе пд
30 страни.
Сеќаваоетп не е мнпгу знашајнп вп веб пребаруваоетп, бидејќи брпјпт
на релевантни дпкументи е пгрпмен и не мпже сите да се прпнајдат и
вратат какп резултат.
Системи на преппрака
- Типпви на преппрака
Перспналнп уредени (ние сме ја направиле листата)
o Листа на пмилени
o Листа на пптребни нещта
Еднпставнп пдберени/класифицирани
o Тпп 10, Најпппуларни, Скпрещни прикашуваоа
Прилагпдени на индивидуални кприсници
o Аmazon, Netflix…
-Фпрмален мпдел
X = брпј на купуваши
S = брпј на прпизвпди
R = сет на рејтинзи
Утилитарна функција u: X x S -> R
- Главни прпблеми
Прибираое на “ппзнати” рејтинзи за матрицата
o Какп да земащ ппдатпци вп утиларната матрица
Да се екстрапплираат (заклушат/дефинираат ) неппзнатите рејтинзи
пд ппзнатите
o Главнп заинтересирани за виспки неппзнати рејтинзи
o Не ги интересира щтп не не интересира, туку щтп не интересира
Прпценуваое/пценуваое на метпдите на екстрапплација
o Какп да се мери успехпт/перфпрмансите на метпдите за преппрака
-Спбираое/прибираое на рејтинзи
Експлицитнп
o Ќе пращуваме луде за да гп пценатат прпизвпдпт
o Не е тплку дпбрп вп пракса – на лудетп не мпже да ми им се преши
Имплицитнп
o Да ги дпзнаеме рејтинзите пд пднесуваоетп на кприсниците
o Пр. Купуваое на прпизвпд ппдразбира виспк рејтинг
-Хибридни метпди
Имплементирај 2 или ппвеќе преппрашуваши и кпмбинирај
предвидуваоа
Дпдадете ги метпдите за преппрака базирани врз спдржината на
кплабпративнптп филтрираое
Дрва за пдлучуваое
Критишни шекпри
Фпрмулација на дпбри лпгишки тестпви
Избпр на мерка за атрибутите
Decision-Tree-Learning (DTL):
- Цел: да се прпнајде малп дрвп кпнзистентнп сп примерпците за пбука
- Идеја: рекурзивнп избираое на најзнашајнипт атрибут какп кпрен на
(ппд)дрвп
Aлгпритам
- Акп сите примери на мнпжествптп за пбука S се сп иста вреднпст K, тпгащ
дрвптп на рещаваое за K се спстпи пд лист пзнашен сп K.
- Инаку, пдбери тест кпј ќе гп ппдели мнпжествптп за пбука S вп две или
ппвеќе ппдмнпжества Si, зависнп пд излезпт на тестпт (на пр. вреднпстите
на атрибутите). Тестпт станува кпрен на дрвптп и за секпј излез на тестпт
изгради ппддрвп, ппвикувајќи ја пваа прпцедура рекурзивнп за секпе Si.
Шум и препбушуваое
- пver-fitting (претеранп наушуваое/преушуваое)
- decision tree pruning (кастреое на дрвптп за пдлушуваое)
- statistical significance (статистишка знашајнпст)
- cross-validation (вкрстена прпверка)
- missing data (ппдатпци щтп фалат или испущтени)
- multi-valued attributes (ппвеќевреднпсни)
- continuous-valued attributes (кпнтинуиранп ценети атрибути)
- bias / variance tradeoff (кпмпрпмис ппмеду наклпнпста и разнпликпста)
Заклушпци:
Дрвата на пдлушуваое се една пд најпппуларните техники за
класификација:
- Лесни се за разбираое
- Лесни за имплементација
- Леснп се упптребуваат
- Пресметкпвнп се лесни (computationally cheap)
Неврпнски мрежи
Два ппгледи на неврпнските мрежи:
- Од кпмпјутерски аспект - вещташки неврпнски мрежи - метпд за
претстава на функции сп ппмпщ на еднпставни аритметишки пресметкпвни
елементи и нивна пбука пд примерпци
- Од биплпщки аспект - математишки мпдел на рабптата на мпзпкпт
Класификација (Ушеое)
Пoстпјат два нашина на мпдификација на врските вп неврпнската мрежа:
1. Сп кпристеое на претхпднп знаеое пд прпблемскипт дпмен се
ппставуваат тежините на врските
2. Сп тренираое на мрежата дп щаблпни, таа да си ги менува врските
сппред правилп на ушеое кпи сппредува примерпк дадени рещенија сп
влезпви/излези пд мрежата. Однпснп, вп една ппинаква синтагма
збпруваме за:
1.Supervised/self-supervised learning – Ппшетнптп знаеое дпада пд
надвпр/пд самата мрежа
Обука на перцептрпн
Ппстпи алгпритам кпј мпже да науши билп кпја линеарнп сепарабилна
функција акп му се дадат дпвплнп примерпци за пбука
1. Иницијализација на тежините на слушајни вреднпсти
2. Прпмена на пвие вреднпсти сп цел да се направат кпнзистентни сп
примерите – итеративен прпцес на мали прпмени на тежините сп кпи би
се намалила разликата ппмеду дпбиенипт и баранипт излез за даден
примерпк - кпнвергенција.
Прппагација на грещка
Алгпритам:
- Пресметај ја Δ вреднпста за излезните неврпни сппред забележата
грещка
- Ппшнувајќи пд излезнптп нивп ппвтпрувај за секпе нивп на мрежата се дп
влезнптп нивп:
Прппагирај ги Δ вреднпстите назад низ претхпднптп нивп
Измени ги тежините ппмеду двете нивпа
Хппфилдпва мрежа
- Хппфилдпва мрежа се спстпи пд N медусебнп ппврзани неврпни кпи си ги
прпменуваат нивните нивпа на активација асинхрпнп и независнп пд
другите неврпни.
- Сите неврпни се вп истп време и влезни и излезни неврпни.
- Активациската вреднпст се базира на (+1,-1)
- Системпт се стреми да стигне вп т.н. стабилна спстпјба каде ажурираоата
на врските се сппдветни за прпблематиката кпја ја рещава системпт.
- Спстпјбата на системпт се дадена на активациските вреднпсти y=(yk)
- Мрежните вреднпсти sk(t+1) на неврпнпт k вп циклуспт (t+1) e даден сп
тежинска сума:
- Прагпва функција се упптребува за да се дпбие излезпт:
Бплцманпва мащина
Бплцманпвата мащина делува сппред принциппт на врамнптеженпст.
Била нарекувана и „Хппфилдпва мрежа сп скриени слпеви“. Таа се спстпи
пд непразнп мнпжествп на видливи и мпжнп мнпжествп на скриени
единки. Бплцманпвата мащина е знашајна, заради тпа щтп е првата
неврпнска мрежа кпја реализира ушеое на скриени прпменливи.
Баеспви квасификатпри
Баеспвптп правилп мпже да се претвпри вп класификатпр
пр. Какп да се пдлуши дали пациентпт е бплен или здрав, врз пснпва на:
- Верпјатнпсен мпдел на набљудуваните ппдатпци
- Претхпднп знаеое
Услпвна независнпст:
- Дефиниција: Х е услпвна независна пд Y за даденп Z, акп верпјатнпсната
распределба сппред кпја се владее Х е независна пд вреднпстите на Y, за
таа вреднпст на Z.
Примери за примена
- За инспекција на рестпрани
- За класификација на бплести
- За класификација на текстпви (за бплести, за е-ппщта, за групи сп вести)
Параметрите
- Вп зависнпст пд метпдпт за параметризација, елементите вп матрицата
мпже да бидат:
Бинарни
Брпјки , т.е. вкупнипт брпј на ппвтпруваоа на збпрпт Tj вп Di
Тежински шестпти
Карактеристики на DSS
- Се справува сп гплеми кплишини на ппдатпци пд разлишни извпри
- Обезбедува извещтај и флексибилнпст на презентацијата
- Нуди текстуалнп и графишкп наспшенпст
- Ппддржува длабинска анализа
- Врщи слпжени, спфистицирани анализи и сппредби сп кпристеое на
напредни спфтверски пакети
- Ппддржува пптимизација, испплнуваое на минималните бараоа и
евристишни пристапи
- Врщи разлишни видпви на анализи
"What if" анализи = прави хипптетишки прпмени на прпблемпт и
забележува влијание врз резултатите
Симулација = двпјни карактеристики на реалнипт систем
Goal-seeking анализи = ги пдредува прпблематишните ппдатпци
за даден резултат
Чекпр 3
Акп резултатпт пд шекпр 2 е да се прпдплжи прпектпт, следнп се
ппдгптвува тендерската спецификација.
Треба да се дефинира тпкму пнаа рабпта щтп се бара на тендерпт да се
направи. Идеалнп, тпа треба да се дефинира за секпја рабпта кпја треба
да се направи.
Магнитудата на несигурнпст ппврзана сп пваа фаза е пришина за мпжните
варијации вп цената и времетраеоетп на прпектите.
Пред да се издаде на тендерската спецификација разумнп е да се пптврди
дека прпектпт е прифатлив за регулатпрните пргани и дека има адекватни
финансии на распплагаое.
Финансискипт директпр треба да биде убеден дека прпектпт е пстварлив,
дека предлагашпт има искуствп и сппспбнпст за изведуваое на прпект за
успещен финищ.
Чекпр 4
Првата акција е да се пдлуши дали една пд ппнудите треба да се
прифатенa.
Ппнудувашпт треба да има сппдветнп искуствп сппспбнпст и сппдветни
финансиски ресурси.
Чекпр 5
Ппд претппставка дека сите шекпри се заврщени на задпвплителнп нивп,
се превзема пдлука за ппшнуваое на прпектпт.
Дури и кпга прпектпт ќе ппшне, мпже да биде запрен акп пкплината вп кпја
рабпти се прпмени.
Карактеристики на ESS:
- Прилагпдена на индивидуалните директпри
- Лесен за кпристеое
- длабпки сппспбнпсти
- Ппддрщка на пптребата за надвпрещните ппдатпци
- Ппмпщ сп ситуации сп виспк степен на неизвеснпст
- Прпгнпзи и предвидуваоа
- Ппврзанп сп дпдадена вреднпст на бизнис прпцеси
Сппспбнпсти на ЕСС
Ппддрщка за:
- Дефинираое на целпкупната визија
- Cтратещкп планираое
- Стратещкo прганизираое и екипираое
- Стратещка кпнтрпла
- Меначираое на кризата
Меначмент
Меначментпт е дпнесуваое на пдлуки
Меначерпт е дпнесувашпт на пдлуки
Организациите се пплни сп меначери на разлишнп нивп.
Меначментпт се смета за уметнпст: талент стекнат сп гпдини преку пбиди
и грещки.
Сепак дпнесуваоетп пдлуки денес станува се ппвеќе кпмплициранп:
- Технплпгија /инфпрмации /Кпмпјутери се ппраст на ппвеќе избпри
- Структурната Кпмплекснпста / Кпнкуренција ппраст на цена на грещките
- Медунарпдните пазари / Кпнзумација е ппраст на несигурнпст за
иднината
- Прпмените, двпумеоа се ппраст на пптребата за брза пдлука
Прпблеми на меначментпт
Ппвеќетп прпблеми на меначментпт за кпи се бараат пдлуки мпже да
бидат претставени сп три стандардни елементи - цели, пдлука на
прпменливи и пгранишуваоа.
Цел
- Максимизираое на прпфитпт
- Обезбеди најбрз влез на пазарпт
- Минимизирај ја непријатнпста на врабптените
Одлука на прпменливи
- утврди кпја цена да се кпристи
- утврди ја дплжината на времетп на тестпви кпи се рабпти на нпв
прпизвпд / услуга
- Одредуваое на пдгпвпрнпсти да се дпделат на секпј рабптник
Огранишуваоа
- не мпже да се наплаќа ппд цената
- Се прават тестпви дпвплнп да се задпвплат минималните безбеднпсни
прпписи
- Обезбеди пдгпвпрнпстите да се делат најмнпгу на двајца рабптници
Типпви на прпблеми
Структурирани: ситуации каде кпга е пптребна пдлука, прпцедурите кпи
следат мпже да бидат пднапред специфицирани
- Ппвтпрувашки
- Стандардни метпди на рещенија
- Целпсна автпматизација мпже да биде пвпзмпженп
Одлуки и пдлушуваое
Гплем дел пд пдлуките сп кпи меначерите се справуваат секпј ден имаат
пдреден степен на несигурнпст и бараат не- прпграмиранп дпнесуваое на
пдлуки
- Мпже да биде тещкп да се направи
- Направени услпви за менуваое на фактпри
- инфпрмациите мпже да бидат нејасни
- мпжеби ќе треба да се справи сп кпнфликтни тпшки на гледаое
Сигурнпст, ризик, неизвеснпст, двпсмисленпст
Сигурнпст = сите инфпрмации на пдлушувашпт треба да му се целпснп на
распплагаое
Ризик
- пдлуката има јасни цели
- дпбри инфпрмации се дпстапни
- идните исхпди ппврзани сп секпја алтернатива се предмет на щанса
Несигурнпст
- Меначерите знаат кпи цели сакаат да ги ппстигнат
- Инфпрмации за алтернативите и идните настани се некпмплетни
- меначерите мпжеби ќе треба да дпјдат дп креативни пристапи кпн
алтернативи
Двпсмисленпст
- далеку најтещката пдлушувашка ситуација
- целите да се ппстигнат или прпблемпт да се рещи е нејаснп
- алтернативите тещкп се дефинираат
- инфпрмации за исхпдите се недпстапни
Базиран мпдел
Обезбедува нпсителите на пдлуки сп пристап дп разлишни мпдели и им
ппмага вп дпнесуваое на пдлуки
Мпдели:
- Финансиски мпдели
- Мпдел на статистишка анализа
- Графишки мпдели
- Прпект за управуваое сп мпдели
Преднпсти
- ппмалку скапи пд сппствени припди или реален систем.
Недпстатпци
- Претппставки за реалнпста мпже да се нетпшни
- Тпшнпст на предвидуваоата се шестп несигурни
- Бара апстрактнп мислеое
Математишки мпдел
-Идентификуваое прпменливи
-Впсппставуваое на равенки кпи ги ппищува нивните врски
-Ппеднпставуваоа преку претппставки
-Мпдел на балансираое, ппеднпставуваое и тпшна застапенпст на
реалнпста
-Мпделираое: уметнпст и наука
Квантитативни мпдели
Одлука на прпменливи:
- Опис на алтернативни мпжнпсти за акција
- Дпнесувашпт на пдлука ги кпнтрплира
Резултат на прпменливи
- Cе пдразуваат на нивп на ефикаснпст на системпт
- Зависни прпменливи
Истпријат
- Семантишки Web е за прв пат предлпжен вп 1998 гпд. пд пснпвашпт на
интернет Тим Бернерс-Лее (директпр на истражуваое на W3C)
- Eвплуцијата ппшнува сп HTML кпј спдржи минимален брпј тагпви за ппис
какп да се прикажат ппдатпците
- Ппјавата на ХМL е шекпр нанапред кпн кпнзистентна синтакса за размена
- Ппсебнп знашајна е RDF спецификацијата за кпдираое и размена на
метаппдатпци сп кпја се ппищува спдржината, квалитетпт и други
карактеристики на ппдатпците
XML
- Дефиниција на нпви тагпви за ппис на ппдатпци <author>Berners-
Lee</author>
- ХМL е збпгатен сп анптација кпја пвпзмпжува размена на структуриран
текст и инфпрмации преку интернет
- Структурата, спдржината и семантиката на ХМL се дефинирани вп
сппдветни Document Type Definition (DTD) дпкументи или вп XML Schema
Онтплпгии
- Сппред дефиницијата тпа е мнпжествп на ппими, сппдветен лексикпн,
категпризација, семантишка ппврзанпст и мал брпј на еднпставни правила
за заклушуваое
- Пптребни се технлпгии за се' и сещтп пд прпизвпдствп дп филпзпфија
- Онтплпгиите пвпзмпжуваат ппщтпприфатени и заеднишки тплкуваоа на
предени пбласти сп щтп се пвпзмпжува кпмуникација ппмеду апликации и
системи
Преднпсти на пнтплпгии
- Обезбедуваат збпгатуваое на Web спдржините сп семантишкп знашеое
- Интеграција на инфпрмации пд разлишни извпри, нејзинп структурнп
прганизираое, сп щтп се пбезбедува размена на ппдатпци, знаеое и
мпдели
- Обезбедува кпнзистентнпст и кпректнпст
- Мпжнпст за креираое универзални библиптеки сп ппвеќекратна
упптреба
Карактеристики:
- Врски ппмеду прпизвплни нещта (на пример лица, лпкации, настани..)
- Структурата е експлицитна(јасна)
Знашајнпста на предвидуваоетп
Разните пддели вп прганизацијата зависат пд предвидуваоетп за да ги
фпрмулираат и изврщуваат свпите планпви. Одделпт за финансии треба
да гп предвиди приливпт и пдливпт на пари и капиталните ппбаруваоа.
Кадрпвптп пдделение треба да ги предвиди пптребите за да се примат
нпви луде. Прпизвпдствптп треба да ги предвиди нивпата на
прпизвпдствп, рабптната сила, пптребите пд сурпвини, кплишините вп
магацинпт итн. Нарашките не се единствената прпменлива кпја треба да се
земе предвид при предвидуваоата. Прпизвпдителите предвидуваат
мпжни птсуства на рабптниците, рабптна спстпјба на мащините, трпщпци
на сурпвините, време и трпщпк за трансппрт итн.
Видпви предвидуваоа сппред временскипт хпризпнт:
- Среден рпк
Од 1 сезпна дп 2 гпдини
Збирнп планираое, планираое на капацитетите, предвидуваоеа за
прпдажбите
Мещавина на квантитативни и квалитативни метпди
- Дплг рпк
2 или преку 5 гпдини вп иднината
Истражуваое и развпј, местппплпжба на фабриката, планираое на
прпизвпди, на нпви сегменти на пазарпт
Впглавнп, сппред квалитативни метпди
Квалитативни метпди:
- Изврщна пдлука(Еxecutive Judgment) = мислеое на група пд експерти пд
виспкп нивп.
- Sales Force Composite (агенти щтп дистрибуираат) = секпј регипнален
прпдаваш пбезбедува прпценки за прпдажбата.Пптпа тие прпценки се
ревидираат за да се биде сигурен дека се реални.
- Истражуваое на пазарпт = бараое инфпрмации пд кприсниците кпи се
пднесуваат на нивните идни планпви за купуваое.Тпа вклушува и упптреба
на пращалници, пптрпщувашки панели и тестпви на нпви прпизвпди и
услуги.
- Делфи метпда = За разлика пд редпвните панели каде ппединците се
вклушени вп директна кпмуникација, вп пваа метпда се елиминира тпј
ефект на пптенцијалнп дпминираое на најгласните шленпви вп
групата.Оваа група вклушува ппединци пд внатре какп и пд надвпр пд
прганизацијата. Обишнп, прпцедурата се спстпи пд следните шекпри:
Предвидуваое вп пракса
- Технишките аналитишари се фпкусираат на цеата и пбемпт на ппдатпците
за да се утврдат трендпви пд минатптп кпищтп се пшекуваат да се прават
вп иднината
- Единственипт најважен елемент на технишката анализа е дека иднината
на девизните курсеви се базирани на сегащнипт девизен курс
- Движеоата на девизнипт курс мпжат да се ппделат на 3 перипди:
-Ден за ден
-Краткпрпшни (некплку дена дп некплку месеца)
-Дплгпрпшни
- Кплку е ппгплем временскипт перипд на предвидуваоетп, тплку е
ппверпјатнп дека предвидуваоетп ќе биде нетпшнп.
Табели на меѓузависности
Поопшто име за хистограм: едно-димензионална табела на меѓузависности
Алгоритам ID3
1. Ако сите примери на множеството за обука S се со иста вредност K, тогаш дрвото за
одлучување за K се состои од лист означен со K.
2. 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
over-fitting (претерано научување / преарнување)
decision tree pruning (кастрење на дрвото за одлучување)
statistical significance (статистичка значајност)
cross-validation (вкрстена проверка)
missing data (податоци што фалат или се испуштени)
multi-valued attributes (повеќевредносни)
continuous-valued attributes (C4.5) (континуирани)
bias / variance tradeoff (компромис помеѓу наклоноста и разноликоста)
Понекогаш може да се случи да според ниту еден атрибут не може да се добие комплетна
класификација за сите можни вредности на даден атрибут. Тогаш за таа вредност се става некоја
предодредена (поверојатна, препорачлива) вредност
Предности на дрвата на одлучување: генерираат разбирливи резултати, извршуваат
класификација без премногу сложени пресметки, работат и со континуирани и со дискретни
вредности на атрибутите, обезбедуваат јасен показател на тоа кои атрибути се најважни за
предвидување или класификација
Заклучоци
Дрвата на одлучување се една од најпопуларните техники за класификација
Лесни се за разбирање, лесни за имплементација, лесно се употребуваат, пресметковно се лесни
Но може да се направат проблеми со прекумерно научување (overfitting)
Прават класификација: ја предвидуваат класата според дискретни или континуирани влезови
НЕВРОНСКИ МРЕЖИ
Работа на неврон
Сложен електрохемиски процес Акциски потенцијал – ниво на активација
Синапси - екситациски / инхибиторниПластичност
Класификација (Учење)
1. Надгледувано учење – каде што се поврзуваат парови влез-излез од страна на надворешен
учител.
2. Ненадгледувано учење – тука системот треба да ги открие своите парови, односно излезите да
ги откријат своите влезови кои што им одговараат. Доколку ги нема, треба да ги развие.
Еквивалент на сигурност • Износот кој според тебе е еквивалентен со наоѓање во ситуација која
вклучува некаква несигурност
БАЕСОВИ. КЛАСИФИКАТОРИ.
Условна независност
Дефиниција: X е условно независна од Y за дадено Z, ако веројатносната распределба според која
се владее X е независна од вредностите на Y, за таа вредност на Z
Предност на Наивните Баесови класификатори е што бараат само мала количина на податоци за
обука за да ги проценат параметрите кои што се неопходни за класификацијата (средната вредност
и варијансите на променливите).
Додека Наивните Баесови класификатори често пати не успеваат да произведат добра проценка за
точните веројатности на класите, во многу примени тоа и не се бара.
На пример, Наивниот Баесов класификатор ќе може да прави точна класификација сè додека
точната класа е поверојатна од сите останати класи
Ова е точно независно од тоа дали веројатноста е малку или дури и многу непрецизно проценета.
На овој начин, целиот класификатор може да биде доволно робусен за да ги игнорира сериозните
недостатоци во својот наивен веројатносен модел врз кого се потпира.
СЕМАНТИЧКИ WEB
Технологии за подршка на семантички веб: XML (Extensible Markup Language), URI (Uniform
Resource Identifiers), RDF (Resource Definition Framework), Онтологии, Интелигентни агенти
ХМЛ е збогатен со анотација која овозможува размена на структуриран текст и информации преку
Интернет
Структурата, содржината и семантиката на ХМЛ се дефинирани во соодветни Доцумент Тѕпе
Дефинитион (ДТД) документи или вo XML Schema.
Онтологии
Според дефиниција тоа е множество на поими, соодветен лексикон, категоризација, семантичка
поврзаност и мал број на едноставни правила за заклучување
Потребни се технологии за сè и сешто од производство до филозофија (Дублин Цоре Метадата
Инитиативе работи на овој проблем)
Онтологиите овозможуваат општоприфатени и заеднички толкувања на одредени области со што
се овозможува комуникација помеѓу различни апликации и системи
Предности на онтологии:
Обезбедуваат збогатувње на веб содржините со семантичко значење
Интеграциј на информации од различни извори, нејзино структурно организирање, со што се
обезбедува размена на подтоци, знаење и модели
Обезбедува конзистентност и коректност
Можност за креирање универзални библиотеки си повеќекратна употреба
Google Knowledge Graph (GKG) - Изграден е врз основа на информација извлечена од многу
извори, вклучително и на: Freebase, CIA World Factbook, Wikipedia, други
Експертни системи
1.Експертен систем (ЕС) е програма базирана на знаење која нуди решавање
на проблеми од одреден домен со квалитет на ниво на човечки експерт од
доменот.
Користи знаење екстрахирано од експерти од доменот и се обидува да ја
имитира нивната методологија на работа.
Повеќето ЕС не можат да учат од сопственото искуство.
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.
- Fuzzy system (Матен систем)= Матен систем содржи: матни множества, if-
then правила, правило состав и процес на производство на мерливи
резултати.
- Дефазификацијата се користи за да се добие јасен излез од матната логика.
Онтологии
- Koга луѓето го спознаваат некој објект и резонираат околу него, ова
спознание се формира во концепт (поим). Концептот е дел од нашето
севкупно знаење и е поврзан со соодветни релации со други концепти.
- Организација на знаењето во хиерархија на класи. Механизам за
репрезентација на релацијата помеѓу објектот и неговата класа или помеѓу
класа и нејзината наткласа. Престава во форма на дрво, решетка, граф.
Придобивки од хиерархиската репрезентација на знаење:
Се избегнува непотребно дуплирање на факти заеднички за поголема
група
Лесно одржување на конзистентна база на знаење
Лесно додавање нови класи и индивидуи
- Е-релација:
Moже да поврзе: два генерички јазли("e-подмножество-од-множество"),
индивидуален со генерички јазел ("е-елемент-од-множество")
Формира природна хиерархија
Сличност со релацијата "има"
Наследување на својствата и исклучоците
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
- Профили на производи
За секој производ да се креира профил
Профил претставува сет (вектор) од карактеристки
o Кај филмовите тоа се актерот, режисерот, авторот на филмот
o Кај текстовите тоа може да претставува сет на важни зборчиња во
документот
Како да ги земеме/одбереме најважните карактеристики (зборови)
o TF-IDF (Term Frenquency * Inverse Doc Frequency)
-Колаборативно филтрирање
Нека корисникот е х
Најди сет од N корисници чии рејтинзи се слични со оние на корисникот
х
Направи пресметка на рејтинзите на х базирана на рејтинзите на
корисниците во N
Комплексност
o Скапо ќе чини ако сакаме да најдеме k најмногу слични
корисници
o Прескапо ќе биде тоа да го направиме во текот на процесот
-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
Алгоритам за Decision-Tree-Learning(DTL):
- Изградба на дрвото [BuildTree(DataSet,Output)]
- Ако сите излезни вредности се исти во DataSet, врати јазол-лист кој вели
"предвиди го единствениот излез"
- Ако сите влезни вредности се исти, врати лист јазол кој вели "да се
предвиди мнозинство излез"
- Инаку најди атрибут Х со највисока информациска добивка (Info Gain)
- Нека Х има nx различни вредности (т.е. Х има кратност nx)
Направи и врати внатрешен јазел со nx деца
i-тото дете треба да се изгради со рекурзивен повик до
BuildTree(DSi, Output) каде што DSi е изграден и ги содржи сите
записи во DataSet за кои Х=i-тата посебна вредност на Х.
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:
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
Куса историја
Академските истражувачи од многу дисциплини го проучуваа DSS приближно
50 години.
Се смета дека концептот на DSS стана област на истражување во средината
на 1970-тите, добива интезитет во текот на 1980-тите.
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
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
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.
1. Учење со потикнување е кога на влез, покрај предметот што треба да се учи, се добива и
сигнал добро/лошо(награда и казна) во зависност од тоа колку добро одговорил
системот на тоа барање за учење или класификација.
a) True
b) False
а) 17
Б) 16
в) 15
г) 20
д) 11
а) 0.66666
б) 0.333333
в)0.6
г) 0.5
д) 0.4
11. За податочното множество дадено во табелата, каде атрибутот Credit cart trustfulness е
класен атрибут, колку изнесува информациската добивка на атрибутот Debit?
Ентропијата на множеството е:
Одбери едно:
13
17. Колку тежини има невронска мрежа без bias неврони со 1 неврон во влезен слој, 3
неврони со скриен слој и 2 неврони во излезен слој?
9
18.
е
19. За кој оператор од булова логика, да се одбере соодветниот оператор од матна логика?
Прв дел:
A) AND(x,y) – min()
B) NOT(x) – 1-x
C) OR(x,y) – max()
Втор дел:
A) MIN(x,y)
B) 1 – x
C) MAX(x,y)
20.