Úvod do expertních systémů
|
|
- Milada Bednářová
- před 5 lety
- Počet zobrazení:
Transkript
1 Úvod do expertních systémů
2 Expertní systém Definice ES (Feigenbaum): expertní systémy jsou počítačové programy, simulující rozhodovací činnost experta při řešení složitých úloh a využívající vhodně zakódovaných, explicitně vyjádřených znalostí, převzatých od experta, s cílem dosáhnout ve zvolené problémové oblasti kvality rozhodování na úrovni experta. Charakteristické rysy ES: oddělení znalostí a mechanismu jejich využívání, rozhodování za neurčitosti, schopnost vysvětlování.
3 Expertní systémy a znalostní systémy Znalostní systém (knowledge-based system) je podle staršího pojetí obecnější pojem než expertní systém. Expertní systémy tedy lze chápat jako zvláštní typ znalostních systémů, který se vyznačuje používáním expertních znalostí a některými dalšími rysy, jako je např. vysvětlovací mechanismus. V poslední době dochází ke stírání rozdílů mezi těmito pojmy.
4 Základní složky ES báze znalostí, inferenční mechanismus, I/O rozhraní (uživatelské, vývojové, vazby na jiné systémy), vysvětlovací modul, modul pro udržování znalostí.
5 Architektura ES Báze znalostí Znalostní inženýr, expert Prázdný ES Vysvětlovací modul Inferenční mechanismus Modul udržování znalostí Uživatelské rozhraní Rozhraní k jiným systémům Uživatel DBS, programy, měřicí přístroje,
6 Báze znalostí a báze faktů Báze znalostí obsahuje znalosti z určitého oboru a specifické znalosti o řešení problémů v tomto oboru. Báze faktů se vytváří v průběhu řešení konkrétního problému a obsahuje data k řešenému problému. Prostředky reprezentace znalostí: matematická logika, pravidla (rules), sémantické sítě (semantic nets), rámce a scénáře (frames and scripts), objekty (objects).
7 Inferenční mechanismus Inferenční mechanismus obsahuje obecné (oborově nezávislé) algoritmy schopné řešit problémy na základě manipulace se znalostmi z báze znalostí. Typický inferenční mechanismus je založen na inferenčním pravidle pro odvozování nových poznatků z existujících znalostí, strategii prohledávání báze znalostí.
8 Metody inference Dedukce odvozování závěrů z předpokladů. Indukce postup od specifického případu k obecnému. Heuristiky pravidla zdravého rozumu založená na zkušenostech. Generování a testování metoda pokusů a omylů. Analogie odvozování závěru na základě podobnosti s jinou situací. Defaultní inference usuzování z obecných znalostí při absenci znalostí specifických. Nemonotonní inference je možná korekce resp. ústup od dosavadních znalostí. Intuice obtížně vysvětlitelný způsob usuzování, zatím nebyl v ES implementován.
9 Neurčitost v expertních systémech Neurčitost se může vyskytovat jednak v bázi znalostí a jednak v bázi faktů. Zdroje neurčitosti: nepřesnost, nekompletnost, nekonzistence dat, vágní pojmy, nejisté znalosti. Prostředky pro zpracování neurčitosti: Bayesovský přístup, Bayesovské sítě fuzzy logika.
10 Typy ES: Problémově orientovaný ES: báze znalostí obsahuje znalosti z určitého oboru. Prázdný ES (shell): báze znalostí je prázdná. Diagnostický ES: jeho úkolem je určit, která z hypotéza z předem definované konečné množiny cílových hypotéz nejlépe koresponduje s daty týkajícími se daného konkrétního případu. Plánovací ES: obvykle řeší takové úlohy, kdy je znám cíl řešení a počáteční stav a je třeba s využitím dat o konkrétním řešeném případu nalézt posloupnost kroků, kterými lze cíle dosáhnout.
11 Tvorba ES zahrnuje procesy: Tvorba ES získání a reprezentace znalostí, návrh uživatelského rozhraní, výběr hardwaru a softwaru, implementace, validace a verifikace. Vytvářením ES se zabývá znalostní inženýrství (knowledge engineering). V procesu tvorby ES představuje úzké místo akvizice znalostí (knowledge acqusition bottleneck). Toto úzké místo pomáhají překonat metody strojového učení (machine learning).
12 Nástroje pro tvorbu expertních systémů Prázdné expertní systémy: EXSYS, FLEX, G2, HUGIN, M4,... Speciální programová prostředí: CLIPS, OPS5, Lisp, Prolog,... Obecná programová prostředí: Pascal, Delphi, C, C++Builder,...
13 Aplikace ES Aby mělo smysl použít expertní systém pro řešení nějakého problému, musejí být splněny dvě podmínky: 1. Musí se jednat o problém složitý rozsahem nebo neurčitostí vztahů, pro nějž exaktní metoda řešení buď není k dispozici, nebo není schopna poskytnout řešení v požadované době. 2. Efekty plynoucí z použití expertního systému musejí převyšovat vynaložené náklady. To znamená, že by mělo jít o problém s opakovanou potřebou řešení a značnými finančními dopady, pro nějž lidští experti jsou drazí nebo omezeně dostupní.
14 Typické kategorie způsobů použití ES Konfigurace sestavení vhodných komponent systému vhodným způsobem. Diagnostika zjištění příčin nesprávného fungování systému na základě výsledků pozorování. Interpretace vysvětlení pozorovaných dat. Monitorování posouzení chování systému na základě porovnání pozorovaných dat s očekávanými. Plánování stanovení posloupnosti činností pro dosažení požadovaného výsledku. Prognózování předpovídání pravděpodobných důsledků zadaných situací. Ladění sestavení předpisu pro odstranění poruch systému. Řízení regulace procesů (může zahrnovat interpretaci, diagnostiku, monitorování, plánování, prognózování a ladění). Učení inteligentní výuka při níž studenti mohou klást otázky např. typu proč, jak, co kdyby.
15 Výhody ES: Výhody a nevýhody ES schopnost řešit složité problémy, dostupnost expertíz a snížené náklady na jejich provedení, trvalost a opakovatelnost expertízy, trénovací nástroj pro začátečníky, uchování znalostí odborníků odcházejících z organizace. Nevýhody ES: nebezpečí selhání ve změněných podmínkách, neschopnost poznat meze své použitelnosti.
16 Historie vývoje ES Poté, co při řešení praktických problémů selhaly obecné metody řešení, byla pochopena nutnost využívat specifické (expertní) znalosti z příslušné problémové domény. Etapy vývoje: počáteční fáze (Dendral) výzkumné prototypy (MYCIN, PROSPECTOR, HEARSAY II) experimentální nasazování komerčně dostupné systémy
17 1.generace ES Charakteristické rysy 1.generace ES: jeden způsob reprezentace znalostí, malé schopnosti vysvětlování, znalosti pouze od expertů.
18 2.generace ES Charakteristické rysy 2.generace ES: modulární a víceúrovňová báze znalostí, hybridní reprezentace znalostí, zlepšení vysvětlovacího mechanismu, prostředky pro automatizované získávání znalostí. V rámci 2.generace ES se také objevují hybridní systémy, v nichž se klasické paradigma expertních systémů kombinuje s dalšími přístupy, jako jsou neuronové sítě a evoluční metody.
19 Rozdělení expertních systémů dle úrovně jejich využívání poradce - pomůcka experta na potvrzení či zpochybnění svých profesionálních názorů. Má hlavně kontrolní funkci rovnocenný partner - ES navrhuje řešení, konečné rozhodnutí však dělá uživatel expert - pracuje úplně autonomně na úkolech, které uživatel není schopen sám vyřešit. Systém má konečné slovo v rozhodování a svá rozhodnutí často také ihned provádí. Uživatel obvykle není ani schopen kontrolovat správnost těchto rozhodnutí. VŠB - TU Ostrava,
20 Produkční (pravidlové) systémy Poskytují vhodnou strukturu na opis a provádění procesu prohledávání. Tři základní složky produkčních systémů: báze dat (reprezentace faktů) báze (produkčních) pravidel inferenční mechanizmus (interpreter) VŠB - TU Ostrava,
21 Produkční pravidlo předpoklady důsledek (akce) předpokladová část důsledková (akční) část VŠB - TU Ostrava,
22 Inferenční mechanizmus Inferenční mechanizmus určuje, jak a v jakém pořadí aplikovat pravidla na bázi dat. Principiálně lze rozlišit: přímé (dopřední) řetězení, kdy při aplikaci produkčních pravidel postupujeme ve směru od počátečního stavu k některému ze stavů cílových (strategie řízená daty) zpětné řetězení, kdy se vychází od cíle ve směru počátečních stavů (strategie řízená cílem) VŠB - TU Ostrava,
23 Příklad a) A (Je zamračeno.) & B (Je podzim.) E (Bude pršet.) b) C (Zmoknu.) & D (Jsem mimo domova.) G (Dostanu chřipku.) c) E (Bude pršet.) H (Nateče mi do bot.) d) B (Je podzim.) & G (Dostanu chřipku.) I (Dostanu zápal plic.) e) E (Bude pršet.) & H (Nateče mi do bot.) C (Zmoknu.) f) G (Dostanu chřipku.) & E (Bude pršet.) F (Budu dlouho nemocná/ý.) g) I (Dostanu zápal plic.) & K (Nebudu se léčit.) F (Budu dlouho nemocná/ý.) Báze dat ať obsahuje data B, D a E, cílový údaj ať je symbol G. VŠB - TU Ostrava,
24 Přímé řeťezení Báze dat: B (Je podzim) D (Jsem mimo domova) E (Bude pršet) Cíl: G (Dostanu chřipku) Řešení: c) E (Bude pršet) H (Nateče mi do bot) e) E (Bude pršet) & H (Nateče mi do bot) C(Zmoknu) b) C (Zmoknu) & D (Jsem mimo domova) G (Dostanu chřipku) VŠB - TU Ostrava,
25 Zpětné řeťezení Cíl: G (Dostanu chřipku) Báze dat: B (Je podzim) D (Jsem mimo domova) E (Bude pršet) Řešení: b) C (Zmoknu) & D (Jsem mimo domova) G (Dostanu chřipku) e) E (Bude pršet) & H (Nateče mi do bot) C(Zmoknu) c) E (Bude pršet) H (Nateče mi do bot) VŠB - TU Ostrava,
1. Znalostní systémy a znalostní inženýrství - úvod. Znalostní systémy. úvodní úvahy a předpoklady. 26. září 2017
Znalostní systémy úvodní úvahy a předpoklady 26. září 2017 1-1 Znalostní systém Definice ZS (Feigenbaum): Znalostní (původně expertní) systémy jsou počítačové programy simulující rozhodovací činnost experta
VíceExpertní systémy. 1. Úvod k expertním systémům. Cíl kapitoly:
Expertní systémy Cíl kapitoly: Úkolem této kapitoly je pochopení významu expertních systémů, umět rozpoznat expertní systémy od klasicky naprogramovaných systémů a naučit se jejich tvorbu a základní vlastnosti.
VíceReprezentace znalostí - úvod
Reprezentace znalostí - úvod Úvod do znalostního inženýrství, ZS 2015/16 6-1 Co je to znalost? Pojem znalost zahrnuje nejen teoretické vědomosti člověka z dané domény, ale také jeho dlouhodobé zkušenosti
VícePravidlové znalostní systémy
Pravidlové znalostní systémy 31. října 2017 2-1 Tvary pravidel Pravidla (rules) mohou mít například takovéto tvary: IF předpoklad THEN závěr IF situace THEN akce IF podmínka THEN závěr AND akce IF podmínka
VíceExpertní systémy T3: principy expertních systémů P. Berka, /19
P. Berka, 2012 1/19 Expertní systém počítačový program simulující rozhodovací činnost lidského experta při řešení složitých úloh a využívající vhodně zakódovaných speciálních znalostí převzatých od experta
VíceUsuzování za neurčitosti
Usuzování za neurčitosti 25.11.2014 8-1 Usuzování za neurčitosti Hypotetické usuzování a zpětná indukce Míry postačitelnosti a nezbytnosti Kombinace důkazů Šíření pravděpodobnosti v inferenčních sítích
VíceNepravidlové a hybridní znalostní systémy
Nepravidlové a hybridní znalostní systémy 7. 14. listopadu 2017 _ 3-1 Nepravidlové reprezentace znalostí K nepravidlovým reprezentačním technikám patří: rozhodovací stromy rámce sémantické sítě Petriho
VíceZpracování neurčitosti
Zpracování neurčitosti Úvod do znalostního inženýrství, ZS 2015/16 7-1 Usuzování za neurčitosti Neurčitost: Při vytváření ZS obvykle nejsou všechny informace naprosto korektní mohou být víceznačné, vágní,
Více7. Inferenční metody. Inferenční metody Václav Matoušek, Josef Strolený Úvod do znalostního inženýrství, ZS 2014/
Inferenční metody 18.11.2014 7-1 Inferenční metody Rezoluční systémy Dopředné a zpětné řetězení Výběr dotazu Nemonotónní usuzování 7-2 a) Česká Literatura Dvořák J.: Expertní systémy. Skriptum VUT Brno,
VíceMATEMATICKÁ TEORIE ROZHODOVÁNÍ
MATEMATICKÁ metodický list č. 1 Řešení úloh Cílem tohoto tematického celku je vysvětlení vybraných pojmů z oblasti řešení úloh. Tématický celek je rozdělen do těchto dílčích témat: 1. Řešení úloh ve stavovém
VíceMATEMATICKÁ TEORIE ROZHODOVÁNÍ
MATEMATICKÁ TEORIE ROZHODOVÁNÍ Metodický list č. 1 Název tématického celku: Řešení úloh Cílem tohoto tematického celku je vysvětlení vybraných pojmů z oblasti řešení úloh. Tématický celek je rozdělen do
VíceExpertní systémy. Typy úloh: Klasifikační Diagnostické Plánovací Hybridní Prázdné. Feingenbaum a kol., 1988
Expertní systémy Počítačové programy, simulující rozhodovací činnost experta při řešení složitých úloh a využívající vhodně kvality rozhodování na úrovni experta. Typy úloh: Klasifikační Diagnostické Plánovací
VíceSystémy pro podporu rozhodování. Hlubší pohled 2
Systémy pro podporu rozhodování Hlubší pohled 2 1 Připomenutí obsahu minulé přednášky Motivační příklad Konfigurace DSS Co to je DSS? definice Charakterizace a možnosti DSS Komponenty DSS Subsystém datového
VíceZÁKLADY PROGRAMOVÁNÍ. Mgr. Vladislav BEDNÁŘ 2014 7.1 7.3 12/14
ZÁKLADY PROGRAMOVÁNÍ Mgr. Vladislav BEDNÁŘ 2014 7.1 7.3 12/14 Co je vhodné vědět, než si vybereme programovací jazyk a začneme programovat roboty. 1 / 18 0:40 Umělá inteligence Umělá inteligence (UI) vlastně
Více1 Expertní systémy. 1.1 Základní informace. 1.2 Výstupy z učení. 1.3 Expertní systém (ES) 1.4 Komponenty expertních systémů
Obsah 1 Expertní systémy... 2 1.1 Základní informace... 2 1.2 Výstupy z učení... 2 1.3 Expertní systém (ES)... 2 1.4 Části ES... 2 1.5 Pravidlové ES... 3 1.5.1 Reprezentace znalostí... 3 1.5.2... 3 1.5.3
Více14 Porovnání přístupů
14 Porovnání přístupů Komplexní řešení jakékoliv úlohy, jakéhokoliv problému - ať již člověkem či technickým systémem (řešitelem) - má-li se jevit jako inteligentní, se musí nutně skládat ze dvou částí
VíceTéma 48 (dříve 47) Martin Staviař, staviarm@centrum.cz. 16. srpna 2006
Téma 48 (dříve 47) Martin Staviař, staviarm@centrum.cz 16. srpna 2006 Rozpoznávání a vnímání. Statistický (příznakový) a strukturní přístup. Klasifikátory a jejich učení. Cíle umělé inteligence. Reprezentace
VíceÚvod. Programovací paradigmata
.. Úvod. Programovací paradigmata Programovací techniky doc. Ing. Jiří Rybička, Dr. ústav informatiky PEF MENDELU v Brně rybicka@mendelu.cz Cíl: programování efektivně a bezpečně Programovací techniky
VíceExpe xp rtn t í n í sys s t ys é t my m PSY 481
Expertní systémy PSY 481 Stavové pole Expertní systémy (produkční systémy) mohou být přirovnány k nástrojům používaným při řešení problémů (problem solving). Konkrétněji na technikách založených na hledání
VíceSOFTWAROVÉ INŽENÝRSTVÍ 1
Metodický list č. 1 Název tématického celku: Úvod do softwarového inženýrství Základním cílem tohoto tematického celku je vysvětlení smyslu discipliny nazývané softwarové inženýrství. Tematický celek zahrnuje
VíceSystémy pro podporu. rozhodování. 2. Úvod do problematiky systémů pro podporu. rozhodování
1 Systémy pro podporu rozhodování 2. Úvod do problematiky systémů pro podporu rozhodování 2 Připomenutí obsahu minulé přednášky Rozhodování a jeho počítačová podpora Manažeři a rozhodování K čemu počítačová
VícePokročilé operace s obrazem
Získávání a analýza obrazové informace Pokročilé operace s obrazem Biofyzikální ústav Lékařské fakulty Masarykovy univerzity Brno prezentace je součástí projektu FRVŠ č.2487/2011 (BFÚ LF MU) Získávání
VíceMORAVSKÁ VYSOKÁ ŠKOLA OLOMOUC TEORIE SYSTÉMŮ
MORAVSKÁ VYSOKÁ ŠKOLA OLOMOUC TEORIE SYSTÉMŮ 2 Znalostní a expertní systémy Miroslav POKORNÝ Zdeňka KRIŠOVÁ Olomouc 20 20, Prof. Dr. Ing. Miroslav Pokorný PhDr. Mgr. Zdeňka Krišová, Ph.D. ISBN 978-80-7455-064-5
VícePOČÍTAČOVÁ FORMALIZACE MENTÁLNÍCH MODELŮ METODAMI PRAVDĚPODOBNOSTNÍHO JAZYKOVÉHO MODELOVÁNÍ
POČÍTAČOVÁ FORMALIZACE MENTÁLNÍCH MODELŮ METODAMI PRAVDĚPODOBNOSTNÍHO JAZYKOVÉHO MODELOVÁNÍ ON MENTAL MODELS FORMALIZATION THROUGH THE METHODS OF PROBABILISTIC LINGUISTIC MODELLING Zdeňka Krišová, Miroslav
Vícepseudopravděpodobnostní Prospector, Fel-Expert
Práce s neurčitostí trojhodnotová logika Nexpert Object, KappaPC pseudopravděpodobnostní Prospector, Fel-Expert (pravděpodobnostní) bayesovské sítě míry důvěry Mycin algebraická teorie Equant fuzzy logika
VíceMěření výsledků výuky a vzdělávací standardy
Měření výsledků výuky a vzdělávací standardy Erika Mechlová Ostravská univerzita v Ostravě Obsah Úvod 1. Měření výsledků výuky 2. Taxonomie učebních úloh 3. Standardy vzdělávání Závěry Úvod Měření výsledků
VíceMYCIN, Prospector. Pseudodefinice [Expertní systémy, Feigenbaum a kol. 1988] oblasti kvality rozhodování na úrovni experta.
Expertní systémy MYCIN, Prospector Pseudodefinice [Expertní systémy, Feigenbaum a kol. 1988] Expertní systémy jsou počítačové programy, simulující rozhodovací činnosti experta při řešení složitých úloh
VíceZískávání a reprezentace znalostí
Získávání a reprezentace znalostí 11.11.2014 6-1 Reprezentace znalostí Produkční pravidla Sémantické sítě Získávání znalostí 6-2 a) Česká 6. Reprezentace znalostí v ZS Literatura Berka P.: Tvorba znalostních
VíceSpojení OntoUML a GLIKREM ve znalostním rozhodování
1 Formalizace biomedicínských znalostí Spojení OntoUML a GLIKREM ve znalostním rozhodování Ing. David Buchtela, Ph.D. 16. června 2014, Faustův dům, Praha Skupina mezioborových dovedností Fakulta informačních
VícePetr Křemen. Katedra kybernetiky, FEL ČVUT. Petr Křemen (Katedra kybernetiky, FEL ČVUT) Sémantické sítě a rámce 1 / 112
Sémantické sítě a rámce Petr Křemen Katedra kybernetiky, FEL ČVUT Petr Křemen (Katedra kybernetiky, FEL ČVUT) Sémantické sítě a rámce 1 / 112 Co nás čeká 1 Úvod do reprezentace znalostí 2 Sémantické sítě
VíceVYSOKÉ UČENÍ TECHNICKÉ V BRNĚ
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA ELEKTROTECHNIKY A KOMUNIKAČNÍCH TECHNOLOGIÍ ÚSTAV TELEKOMUNIKACÍ FACULTY OF ELECTRICAL ENGINEERING AND COMMUNICATION DEPARTMENT OF TELECOMMUNICATIONS
Vícerole expertního systému
Expertní systém počítačový program simulující rozhodovací činnost lidského experta při řešení složitých úloh a využívající vhodně zakódovaných speciálních znalostí převzatých od experta s cílem dosáhnout
VíceDIAGNOSTIKA PROBLÉMU POMOCÍ EXPERTNÍHO SYSTÉMU
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA ELEKTROTECHNIKY A KOMUNIKAČNÍCH TECHNOLOGIÍ ÚSTAV TELEKOMUNIKACÍ FACULTY OF ELECTRICAL ENGINEERING AND COMMUNICATION DEPARTMENT OF TELECOMMUNICATIONS
VíceVYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY
1 VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA ELEKTROTECHNIKY A KOMUNIKAČNÍCH TECHNOLOGIÍ ÚSTAV AUTOMATIZACE A MĚŘÍCÍ TECHNIKY FACULTY OF ELECTRICAL ENGINEERING AND COMMUNICATION
Více1 Úvod 1.1 Vlastnosti programového vybavení (SW)
1 Úvod 1.1 Vlastnosti programového vybavení (SW) - dávkové zpracování - omezená distribuce - zakázkový SW - distribuované systémy - vestavěná inteligence - laciný HW - vliv zákazníka 1950 1960 1970 1980
VícePřipomenutí. Diagnóza. Prognóza. úspory z diagnostiky > náklady na diagnostiku. na diagnostické přístroje. Odhalení nesprávně nastavené hodnoty
Připomenutí úspory z diagnostiky > náklady na diagnostiku Odhalení nesprávně nastavené hodnoty přímé snížení nákladů na provoz zpomalení procesu opotřebení Odhalení procesu směřujícího k havarijní poruše
VíceJESTLIŽE Poruchy druhu p j Vykazují v období záruky odchylku S > P resp. S < P POTOM Potenciální příčinou poruch je závada Z s vahou w
Volba aplikační oblasti 1. dvoukriteriální schéma založené na odhadu vágnosti a komplexnosti Důvody aplikace: Faktory úspěchu expert odchází a je třeba zaškolit nástupce snaha pro standardizaci způsobu
Více2. Mechatronický výrobek 17
Předmluva 1 Úvod 3 Ing. Gunnar Künzel 1. Úvod do mechatroniky 5 1.1 Vznik, vývoj a definice mechatroniky 5 1.2 Mechatronická soustava a její komponenty 9 1.3 Mechatronický systém a jeho struktura 11 1.4
VíceZnalostní technologie proč a jak?
Znalostní technologie proč a jak? Peter Mikulecký Kamila Olševičová Daniela Ponce Univerzita Hradec Králové Motivace 1993 vznik Fakulty řízení a informační technologie na Vysoké škole pedagogické v Hradci
VíceEvropský sociální fond Praha & EU: Investujeme do vaší budoucnosti
Evropský sociální fond Praha & EU: Investujeme do vaší budoucnosti MI-SOC: 11 METODY VERIFIKACE SYSTÉMŮ NA ČIPU Hana Kubátov vá doc. Ing. Hana Kubátová, CSc. Katedra číslicového návrhu Fakulta 1 informačních
VíceTestování Java EE aplikací Petr Adámek
Testování Java EE aplikací Petr Adámek Testování aplikací Testování aplikací Ověřuje soulad implementace se specifikací a s očekáváním zákazníka. Je důležitou součástí procesu řízení kvality vývoje software
VíceDobývání znalostí. Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze
Dobývání znalostí Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze Dobývání znalostí Bayesovské modely Doc. RNDr. Iveta Mrázová, CSc.
Více10. Techniky formální verifikace a validace
Fakulta informačních technologií MI-NFA, zimní semestr 2011/2012 Jan Schmidt EVROPSKÝ SOCIÁLNÍ FOND PRAHA & EU: INVESTUJENE DO VAŠÍ BUDOUCNOSTI 10. Techniky formální verifikace a validace 1 Simulace není
VíceInformační média a služby
Informační média a služby Výuka informatiky má na Fakultě informatiky a statistiky VŠE v Praze dlouholetou tradici. Ke dvěma již zavedeným oborům ( Aplikovaná informatika a Multimédia v ekonomické praxi
VíceProblémové domény a jejich charakteristiky
Milan Mišovič (ČVUT FIT) Pokročilé informační systémy MI-PIS, 2011, Přednáška 02 1/16 Problémové domény a jejich charakteristiky Prof. RNDr. Milan Mišovič, CSc. Katedra softwarového inženýrství Fakulta
VíceProjektově orientované studium Základní principy a filozofie PBL Co a co není PBL Co je to projekt. CIIV červenec 2013 odpovědný manažer: Petr Hynek
Základní principy a filozofie PBL Co a co není PBL Co je to projekt Projektově orientované studium není nic nového Po celou historii je stále a znova voláno po praktické výuce Fantazie je důležitější než
VíceProgramování II. Modularita 2017/18
Programování II Modularita 2017/18 Modul? Osnova přednášky Vývoj programování Modularita Příklad Vývoj programování Paradigmata programování Jak a proč se jazyky vyvíjejí? V čem se OOP liší od předchozích
VíceNávrh softwarových systémů - architektura softwarových systémů
Návrh softwarových systémů - architektura softwarových systémů Martin Tomášek, Jiří Šebek Návrh softwarových systémů (B6B36NSS) Převzato z přednášky X36AAS M. Molhanec Co je to architektura Využívá se
VíceVYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA ELEKTROTECHNIKY A KOMUNIKAČNÍCH TECHNOLOGIÍ ÚSTAV AUTOMATIZACE A MĚŘICÍ TECHNIKY FACULTY OF ELECTRICAL ENGINEERING AND COMMUNICATION
VíceModely a sémantika. Petr Šaloun VŠB-Technická univerzita Ostrava FEI, katedra informatiky
Modely a sémantika Petr Šaloun VŠB-Technická univerzita Ostrava FEI, katedra informatiky Úvod Existující problémy Prudký nárůst množství informací na webu Kognitivní přetížení Ztráta v informačním prostoru
VíceVYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA STROJNÍHO INŽENÝRSTVÍ ÚSTAV AUTOMATIZACE A INFORMATIKY FACULTY OF MECHANICAL ENGINEERING INSTITUTE OF AUTOMATION AND COMPUTER SCIENCE
VíceVybrané přístupy řešení neurčitosti
Vybrané přístupy řešení neurčitosti Úvod do znalostního inženýrství, ZS 2015/16 8-1 Faktory jistoty Jedná se o přístup založený na ad hoc modelech Hlavním důvodem vzniku tohoto přístupu je omezení slabin
VíceLogika a logické programování
Logika a logické programování témata ke zkoušce Poslední aktualizace: 16. prosince 2009 Zkouška je písemná, skládá se obvykle ze sedmi otázek (může být více nebo méně, podle náročnosti otázek), z toho
VíceZáklady umělé inteligence
Základy umělé inteligence Úvod Základy umělé inteligence - úvod. Vlasta Radová, ZČU, katedra kybernetiky 1 Zavedení pojmu umělá inteligence Inteligence je schopnost získávat a aplikovat vědomosti a tedy
VíceNebojte se přiznat, že potřebujete SQA
Nebojte se přiznat, že potřebujete SQA Internet a technologie 16 Václav Klimeš vaclav.klimes@nic.cz 1. 6. 2016 Osnova Kvalita Koncept kvality Co je a není SQA (Software Quality Assurance) Proč se zajímat
VíceTým Týmová práce. Šimon Kovář Katedra textilních a jednoúčelových strojů
Tým Týmová práce Šimon Kovář Katedra textilních a jednoúčelových strojů Co rozumíte pod pojmem tvůrčí tým? Nikdo z nás není tak chytrý jako my všichni dohromady Tvůrčí tým Tvůrčí tým je úkolově a cílově
VíceUniverzita Karlova v Praze. Aplikace a vývojové trendy expertních systémů v medicíně
Univerzita Karlova v Praze Filozofická fakulta Ústav informačních studií a knihovnictví Studijní program: informační studia a knihovnictví Studijní obor: informační studia a knihovnictví Mgr. Zdeněk Rybář
VíceInformační systémy 2008/2009. Radim Farana. Obsah. Nástroje business modelování. Business modelling, základní nástroje a metody business modelování.
3 Vysoká škola báňská Technická univerzita Ostrava Fakulta strojní, Katedra automatizační techniky a řízení 2008/2009 Radim Farana 1 Obsah Business modelling, základní nástroje a metody business modelování.
VíceUniverzita Karlova v Praze. Filozofická fakulta. Ústav informačních studií a knihovnictví DIPLOMOVÁ PRÁCE. Ladislav Stahl
Univerzita Karlova v Praze Filozofická fakulta Ústav informačních studií a knihovnictví DIPLOMOVÁ PRÁCE Ladislav Stahl Expertní systémy ve vojenství Expert systems in the military Praha 2012 Vedoucí práce:
VíceCobiT. Control Objectives for Information and related Technology. Teplá u Mariánských Lázní, 6. října 2004
CobiT Control Objectives for Information and related Technology Teplá u Mariánských Lázní, 6. října 2004 Agenda Základy CobiT Pojem CobiT Domény CobiT Hodnocení a metriky dle CobiT IT Governance Řízení
VíceAutomatická detekce anomálií při geofyzikálním průzkumu. Lenka Kosková Třísková NTI TUL Doktorandský seminář, 8. 6. 2011
Automatická detekce anomálií při geofyzikálním průzkumu Lenka Kosková Třísková NTI TUL Doktorandský seminář, 8. 6. 2011 Cíle doktorandské práce Seminář 10. 11. 2010 Najít, implementovat, ověřit a do praxe
VíceARCHITEKTURA INFORMAČNÍCH SYSTÉMŮ PODLE ÚROVNĚ ŘÍZENÍ
ARCHITEKTURA INFORMAČNÍCH SYSTÉMŮ PODLE ÚROVNĚ ŘÍZENÍ Podle toho, zda informační systém funguje na operativní, taktické nebo strategické řídicí úrovni, můžeme systémy rozdělit do skupin. Tuto pyramidu
VíceReprezentace znalostí. Katedra kybernetiky, ČVUT v Praze.
Reprezentace znalostí Vladimír Mařík Katedra kybernetiky, ČVUT v Praze http://cyber.felk.cvut.cz/ preprezentace znalostí V paměti počítače požadavky na modularitu (M) asociativnost (A) Čtyři základní formalizmy:
VíceOntologie. Otakar Trunda
Ontologie Otakar Trunda Definice Mnoho různých definic: Formální specifikace sdílené konceptualizace Hierarchicky strukturovaná množina termínů popisujících určitou věcnou oblast Strukturovaná slovní zásoba
VíceE-learningový systém pro podporu výuky algoritmů
Úvod E-learningový systém pro podporu výuky algoritmů řešitel: Roman Hocke vedoucí práce: Mgr. Petr Matyáš 1 implementace e-learningového řešení Cíle práce přizpůsobení k výuce Teoretické informatiky a
VíceServisně orientovaná architektura Základ budování NGII
Servisně orientovaná architektura Základ budování NGII Jan Růžička Institute of geoinformatics VSB-TU Ostrava 17.listopadu, 70833 Ostrava-Poruba Poruba, jan.ruzicka@vsb.cz NGII NGII složitý propletenec,
VíceSystem for individual learning of mathematics. Agnieszka HEBA, Ph.D. Doc. RNDr. Jana KAPOUNOVÁ, CSc. dr hab. prof. UŚ Eugenia SMYRNOVA-TRYBULSKA
System for individual learning of mathematics Agnieszka HEBA, Ph.D. Doc. RNDr. Jana KAPOUNOVÁ, CSc. dr hab. prof. UŚ Eugenia SMYRNOVA-TRYBULSKA Obsah prezentace Výzkumný problém Teoretická východiska Hlavní
VíceUmělá inteligence a rozpoznávání
Václav Matoušek KIV e-mail: matousek@kiv.zcu.cz 0-1 Sylabus předmětu: Datum Náplň přednášky 11. 2. Úvod, historie a vývoj UI, základní problémové oblasti a typy úloh, aplikace UI, příklady inteligentních
VíceZápadočeská univerzita v Plzni Fakulta aplikovaných věd Katedra informatiky a výpočetní techniky. programu pro výuku
Západočeská univerzita v Plzni Fakulta aplikovaných věd Katedra informatiky a výpočetní techniky Bakalářská práce Vytvoření výukového programu pro výuku předmětu UZI Plzeň, 2015 Josef Strolený Prohlášení
VíceZáklady umělé inteligence
Základy umělé inteligence Automatické řešení úloh Základy umělé inteligence - prohledávání. Vlasta Radová, ZČU, katedra kybernetiky 1 Formalizace úlohy UI chápe řešení úloh jako proces hledání řešení v
VíceRenáta Bednárová, Petr Sládek. Pedagogická fakulta MU Brno, Univerzita obrany Brno
Renáta Bednárová, Petr Sládek Pedagogická fakulta MU Brno, Univerzita obrany Brno Cíle Úvod Cíle projektu Charakteristika e-kurzu Několik poznámek k pedagogickému šetření Využití e-kurzu v praxi Možnosti
VíceManažerská ekonomika
PODNIKOVÝ MANAGEMENT (zkouška č. 12) Cíl předmětu Získat znalosti zákonitostí úspěšného řízení organizace a přehled o současné teorii a praxi managementu. Seznámit se s moderními manažerskými metodami
VíceTéma dizertační práce - Strategie ŠKODA AUTO pro čínský trh
Téma dizertační práce - Strategie ŠKODA AUTO pro čínský trh - Spolupráce při stanovování dlouhodobé strategie ŠKODA AUTO pro čínský trh se zaměřením na produktový management - Analýza současné pozice ŠKODA
VíceÚstav automatizace a měřicí techniky.
www.feec.vutbr.cz Specializace studijního oboru Automatizační a Měřicí Technika: Řídicí technika Moderní algoritmy řízení, teorie řízení Modelování a identifikace parametrů řízených systémů Pokročilé metody
VíceVÝVOJ ŘÍDICÍCH ALGORITMŮ HYDRAULICKÝCH POHONŮ S VYUŽITÍM SIGNÁLOVÉHO PROCESORU DSPACE
VÝVOJ ŘÍDICÍCH ALGORITMŮ HYDRAULICKÝCH POHONŮ S VYUŽITÍM SIGNÁLOVÉHO PROCESORU DSPACE Přednáška na semináři CAHP v Praze 4.9.2013 Prof. Ing. Petr Noskievič, CSc. Ing. Miroslav Mahdal, Ph.D. Katedra automatizační
VíceCASE. Jaroslav Žáček
CASE Jaroslav Žáček jaroslav.zacek@osu.cz http://www1.osu.cz/~zacek/ Co znamená CASE? Definice dle SEI A CASE tool is a computer-based product aimed at supporting one or more software engineering activities
Více0,7 0,6 0,5 0,4 0,3 0,2 0,1
VÝVOJ PROSTŘEDKŮ VÝPOČTOVÉ INTELIGENCE PRO MONITOROVÁNÍ A ŘÍZENÍ OCELÁŘSKÝCH VÝROBNÍCH PROCESŮ Miroslav Pokorný¹ Václav Kafka² Zdeněk Bůžek³ 1) VŠB TU Ostrava, FEI, 17. listopadu 15, 708 33 Ostrava, ČR,
VíceVývoj informačních systémů. Obecně o IS
Vývoj informačních systémů Obecně o IS Informační systém Informační systém je propojení informačních technologií a lidských aktivit směřující k zajištění podpory procesů v organizaci. V širším slova smyslu
VíceÚvod... 1 Otázky k zamyšlení... 4
Obsah Předmluva.................................................... XIII Seznam obrázků.............................................. XXIII Seznam tabulek................................................
Více2 Životní cyklus programového díla
2 Životní cyklus programového díla Typické etapy: 1. Specifikace požadavků - specifikace problému - analýza požadavků 2. Vývoj programu - návrh - kódování (programování) 3. Verifikace a validace 4. Provoz
VíceDeterministický chaos principy a aplikace Popis deterministického chaosu Turbulence Atraktory Motýlí efekt Řízení deterministického chaosu Fraktály
Průvodka dokumentem Umělá inteligence: - nadpisy tří úrovní (pomocí stylů Nadpis 1 2), před nimi je znak - na začátku dokumentu je automatický obsah ( Obsah) - tabulky jsou v textu pouze symetrické, vloženy
VíceMetody odvozování. matematická východiska: logika, Prolog
Metody odvozování matematická východiska: logika, Prolog psychologická východiska: rámce biologická východiska: konekcionismus, neuronové sítě statistická východiska: kauzální (bayesovské) sítě ekonomická
VíceAutomatizační a měřicí technika (B-AMT)
Ústav automatizace a měřicí techniky Bakalářský studijní program Automatizační a měřicí technika () Specializace oboru Řídicí technika Měřicí technika Průmyslová automatizace Robotika a umělá inteligence
VíceKatedra kybernetiky laboratoř Inteligentní Datové Analýzy (IDA) Katedra počítačů, Computational Intelligence Group
Vytěžování dat Miroslav Čepek, Filip Železný Katedra kybernetiky laboratoř Inteligentní Datové Analýzy (IDA) Katedra počítačů, Computational Intelligence Group Evropský sociální fond Praha & EU: Investujeme
VíceVývojové trendy 1. Dnešní téma. Vývojové trendy 2. Vývojové trendy ve zpracování informací a znalostí
Dnešní téma Vývojové trendy 1 Vývojové trendy ve zpracování informací a znalostí Znalostní management Využití umělé inteligence Sémantický web Zpracování přirozeného jazyka 1 Hnacím motorem vývoje v současnosti
VícePARAMETRY EFEKTIVITY UČENÍ SE ŽÁKA V PROSTŘEDÍ E-LEARNINGU SE ZAMĚŘENÍM NA ADAPTIVNÍ VÝUKOVÉ MATERIÁLY
PARAMETRY EFEKTIVITY UČENÍ SE ŽÁKA V PROSTŘEDÍ E-LEARNINGU SE ZAMĚŘENÍM NA ADAPTIVNÍ VÝUKOVÉ MATERIÁLY Kateřina Kostolányová Ostravská univerzita v Ostravě 1 Podpořeno projektem ESF OP VK CZ.1.07/2.3.00/09.0019
VíceEXPERIMENTÁLNÍ METODY I. 1. Základy měření
FSI VUT v Brně, Energetický ústav Odbor termomechaniky a techniky prostředí prof. Ing. Milan Pavelek, CSc. EXPERIMENTÁLNÍ METODY I OSNOVA 1. KAPITOLY 1. Základy měření Úvod do problematiky experimentální
VíceVáclav Matoušek KIV. Umělá inteligence a rozpoznávání. Václav Matoušek / KIV
Umělá inteligence a rozpoznávání Václav Matoušek KIV e-mail: matousek@kiv.zcu.cz 0-1 Sylabus předmětu: Datum Náplň přednášky 16. 2. (3h) 2. 3. (4h) 17. 3. (5h) 14. 4. (3h) Úvod, historie a vývoj UI, základní
VíceInformační a znalostní systémy jako podpora rozhodování
Informační systémy a technologie Informační a znalostní systémy jako podpora rozhodování Petr Moos - ČVUT VŠL Přerov listopad 2015 Analýza a syntéza systému Definici systému můžeme zapsat ve tvaru: S =
VíceAplikace s odvozováním nad ontologiemi
Aplikace s odvozováním nad ontologiemi Doc. Ing. Vojtěch Svátek, Dr. Zimní semestr 2012 http://nb.vse.cz/~svatek/rzzw.html Přehled Odvozování v medicíně Odvozování ve stavebnictví Odvozování v Linked Data
VíceZPRÁVA Z PRŮMYSLOVÉ PRAXE
ZPRÁVA Z PRŮMYSLOVÉ PRAXE Číslo projektu: Název projektu: Jméno a adresa firmy: Jméno a příjmení, tituly studenta: Modul projektu: CZ.1.07/2.4.00/31.0170 Vytváření nových sítí a posílení vzájemné spolupráce
VíceZáklady fuzzy řízení a regulace
Ing. Ondřej Andrš Obsah Úvod do problematiky měkkého programování Základy fuzzy množin a lingvistické proměnné Fuzzyfikace Základní operace s fuzzy množinami Vyhodnocování rozhodovacích pravidel inferenční
VíceModerní systémy pro získávání znalostí z informací a dat
Moderní systémy pro získávání znalostí z informací a dat Jan Žižka IBA Institut biostatistiky a analýz PřF & LF, Masarykova universita Kamenice 126/3, 625 00 Brno Email: zizka@iba.muni.cz Bioinformatika:
VíceTVORBA BÁZE ZNALOSTÍ V EXPERTNÍM SYSTÉMU NEST PRO POSOUZENÍ MÍRY ŠTÍHLOSTI VÝROBY
TVORBA BÁZE ZNALOSTÍ V EXPERTNÍM SYSTÉMU NEST PRO POSOUZENÍ MÍRY ŠTÍHLOSTI VÝROBY Radim Dolák Klíčová slova: expertní systémy, NEST, reprezentace znalostí, tvorba báze znalostí, štíhlá výroba Key words:
VíceAlgoritmy a struktury neuropočítačů ASN - P10. Aplikace UNS v biomedicíně
Aplikace UNS v biomedicíně aplikace v medicíně postup při zpracování úloh Aplikace UNS v medicíně Důvod: nalezení exaktnějších, levnějších a snadnějších metod určování diagnóz pro lékaře nalezení šetrnějších
VíceČESKÁ ZEMĚDĚLSKÁ UNIVERZITA
ČESKÁ ZEMĚDĚLSKÁ UNIVERZITA Provozně ekonomická fakulta Katedra informačního inženýrství MODELOVÁNÍ ZNALOSTÍ V INTELIGENTNÍCH SYSTÉMECH Disertační práce Autor: Školitel: Obor: Ing. David BUCHTELA Doc.
VíceVyužití metod strojového učení v bioinformatice David Hoksza
Využití metod strojového učení v bioinformatice David Hoksza SIRET Research Group Katedra softwarového inženýrství, Matematicko-fyzikální fakulta Karlova Univerzita v Praze Bioinformatika Biologické inspirace
VíceObecné schéma řízení rizik, stanovení rozsahu a cíle analýzy rizik, metody sběru a interpretace vstupních dat
Obecné schéma řízení rizik, stanovení rozsahu a cíle analýzy rizik, metody sběru a interpretace vstupních dat doc. Ing. Alena Oulehlová, Ph.D. Univerzita obrany Fakulta vojenského leadershipu Katedra krizového
VíceStruktura e-learningových výukových programù a možnosti jejího využití
Struktura e-learningových výukových programù a možnosti jejího využití Jana Šarmanová Klíčová slova: e-learning, programovaná výuka, režimy učení Abstrakt: Autorská tvorba výukových studijních opor je
VícePřipojení přístroje A4101 k aplikaci DDS2000
" Uživatelský manuál Připojení přístroje A4101 k aplikaci DDS2000 Aplikace :! Přenos a archivace dat naměřených přístrojem A4101! Přenos pochůzky vytvořené v aplikaci DDS2000 do přístroje A4101 Vlastnosti
Více