Petr Křemen. Katedra kybernetiky, FEL ČVUT. Petr Křemen (Katedra kybernetiky, FEL ČVUT) Sémantické sítě a rámce 1 / 112
|
|
- Petra Musilová
- před 5 lety
- Počet zobrazení:
Transkript
1 Sémantické sítě a rámce Petr Křemen Katedra kybernetiky, FEL ČVUT Petr Křemen (Katedra kybernetiky, FEL ČVUT) Sémantické sítě a rámce 1 / 112
2 Co nás čeká 1 Úvod do reprezentace znalostí 2 Sémantické sítě 3 Rámce Petr Křemen (Katedra kybernetiky, FEL ČVUT) Sémantické sítě a rámce 2 / 112
3 Úvod do reprezentace znalostí Motivace Proč se budeme zabývat reprezentací znalostí na obecné bázi? lidé potřebují rychle a efektivně vyhledávat relevantní informace. Je mnoho způsobů, jak reprezentovat danou doménu např. na léku bude něco jiného zajímat lékaře, něco jiného lékarníky, apod. etr Křemen (Katedra kybernetiky, FEL ČVUT) Sémantické sítě a rámce 3 / 112
4 Úvod do reprezentace znalostí Motivace Proč se budeme zabývat reprezentací znalostí na obecné bázi? lidé potřebují rychle a efektivně vyhledávat relevantní informace. Je mnoho způsobů, jak reprezentovat danou doménu např. na léku bude něco jiného zajímat lékaře, něco jiného lékarníky, apod. obtížné je vytvořit reprezentaci dané znalosti využitelnou pro více úloh. etr Křemen (Katedra kybernetiky, FEL ČVUT) Sémantické sítě a rámce 3 / 112
5 Úvod do reprezentace znalostí Motivace Proč se budeme zabývat reprezentací znalostí na obecné bázi? lidé potřebují rychle a efektivně vyhledávat relevantní informace. Je mnoho způsobů, jak reprezentovat danou doménu např. na léku bude něco jiného zajímat lékaře, něco jiného lékarníky, apod. obtížné je vytvořit reprezentaci dané znalosti využitelnou pro více úloh. efektivní reprezentace znalostí představuje základ pro strojové zpracování dat inferenční mechanismy. Petr Křemen (Katedra kybernetiky, FEL ČVUT) Sémantické sítě a rámce 3 / 112
6 Úvod do reprezentace znalostí Motivace (2) My se budeme zabývat možnostmi deklarativní reprezentace znalostí: databáze vyhledávání (K čemu slouží indexy v relačních databázích?, K čemu pohledy (views)?) etr Křemen (Katedra kybernetiky, FEL ČVUT) Sémantické sítě a rámce 4 / 112
7 Úvod do reprezentace znalostí Motivace (2) My se budeme zabývat možnostmi deklarativní reprezentace znalostí: databáze vyhledávání (K čemu slouží indexy v relačních databázích?, K čemu pohledy (views)?) sémantické servery, sémantický web vyhledávání etr Křemen (Katedra kybernetiky, FEL ČVUT) Sémantické sítě a rámce 4 / 112
8 Úvod do reprezentace znalostí Motivace (2) My se budeme zabývat možnostmi deklarativní reprezentace znalostí: databáze vyhledávání (K čemu slouží indexy v relačních databázích?, K čemu pohledy (views)?) sémantické servery, sémantický web vyhledávání multiagentní technologie komunikační obsah etr Křemen (Katedra kybernetiky, FEL ČVUT) Sémantické sítě a rámce 4 / 112
9 Úvod do reprezentace znalostí Motivace (2) My se budeme zabývat možnostmi deklarativní reprezentace znalostí: databáze vyhledávání (K čemu slouží indexy v relačních databázích?, K čemu pohledy (views)?) sémantické servery, sémantický web vyhledávání multiagentní technologie komunikační obsah strojové učení jazykový bias etr Křemen (Katedra kybernetiky, FEL ČVUT) Sémantické sítě a rámce 4 / 112
10 Úvod do reprezentace znalostí Motivace (2) My se budeme zabývat možnostmi deklarativní reprezentace znalostí: databáze vyhledávání (K čemu slouží indexy v relačních databázích?, K čemu pohledy (views)?) sémantické servery, sémantický web vyhledávání multiagentní technologie komunikační obsah strojové učení jazykový bias Volba vhodné reprezentace znalostí je jednou z nejdůležitějších otázek při strojovém řešení téměř všech problémů AI. etr Křemen (Katedra kybernetiky, FEL ČVUT) Sémantické sítě a rámce 4 / 112
11 Úvod do reprezentace znalostí Motivace (2) My se budeme zabývat možnostmi deklarativní reprezentace znalostí: databáze vyhledávání (K čemu slouží indexy v relačních databázích?, K čemu pohledy (views)?) sémantické servery, sémantický web vyhledávání multiagentní technologie komunikační obsah strojové učení jazykový bias Volba vhodné reprezentace znalostí je jednou z nejdůležitějších otázek při strojovém řešení téměř všech problémů AI. Nyní se budeme zabývat reprezentací znalostí bez neurčitosti. etr Křemen (Katedra kybernetiky, FEL ČVUT) Sémantické sítě a rámce 4 / 112
12 Úvod do reprezentace znalostí Jak reprezentovat znalosti v umělé inteligenci. Vše začalo snahou lidí strukturovat si své znalosti a snažit se formalizovat lidské uvažování. Logika, Prolog Petr Křemen (Katedra kybernetiky, FEL ČVUT) Sémantické sítě a rámce 5 / 112
13 Úvod do reprezentace znalostí Jak reprezentovat znalosti v umělé inteligenci. Vše začalo snahou lidí strukturovat si své znalosti a snažit se formalizovat lidské uvažování. Logika, Prolog Sémantické sítě (Semantic Networks) - Quillian, Petr Křemen (Katedra kybernetiky, FEL ČVUT) Sémantické sítě a rámce 5 / 112
14 Úvod do reprezentace znalostí Jak reprezentovat znalosti v umělé inteligenci. Vše začalo snahou lidí strukturovat si své znalosti a snažit se formalizovat lidské uvažování. Logika, Prolog Sémantické sítě (Semantic Networks) - Quillian, Rámce (Frames) - Minsky, Petr Křemen (Katedra kybernetiky, FEL ČVUT) Sémantické sítě a rámce 5 / 112
15 Úvod do reprezentace znalostí Jak reprezentovat znalosti v umělé inteligenci. Vše začalo snahou lidí strukturovat si své znalosti a snažit se formalizovat lidské uvažování. Logika, Prolog Sémantické sítě (Semantic Networks) - Quillian, Rámce (Frames) - Minsky, Relační databáze Petr Křemen (Katedra kybernetiky, FEL ČVUT) Sémantické sítě a rámce 5 / 112
16 Úvod do reprezentace znalostí Jak reprezentovat znalosti v umělé inteligenci. Vše začalo snahou lidí strukturovat si své znalosti a snažit se formalizovat lidské uvažování. Logika, Prolog Sémantické sítě (Semantic Networks) - Quillian, Rámce (Frames) - Minsky, Relační databáze Objektově-orientované programovací jazyky Petr Křemen (Katedra kybernetiky, FEL ČVUT) Sémantické sítě a rámce 5 / 112
17 Úvod do reprezentace znalostí Jak reprezentovat znalosti v umělé inteligenci. Vše začalo snahou lidí strukturovat si své znalosti a snažit se formalizovat lidské uvažování. Logika, Prolog Sémantické sítě (Semantic Networks) - Quillian, Rámce (Frames) - Minsky, Relační databáze Objektově-orientované programovací jazyky Deskripční logiky a sémantický web (RDF, RDFS, OIL, DAML+OIL, OWL) Petr Křemen (Katedra kybernetiky, FEL ČVUT) Sémantické sítě a rámce 5 / 112
18 Produkční systémy Úvod do reprezentace znalostí Báze dat obsahuje model světa Petr Křemen (Katedra kybernetiky, FEL ČVUT) Sémantické sítě a rámce 6 / 112
19 Úvod do reprezentace znalostí Produkční systémy Báze dat obsahuje model světa Produkční pravidla pravidla ve tvaru Petr Křemen (Katedra kybernetiky, FEL ČVUT) Sémantické sítě a rámce 6 / 112
20 Úvod do reprezentace znalostí Produkční systémy Báze dat obsahuje model světa Produkční pravidla pravidla ve tvaru Inferenční stroj Vybírá (jak?) pravidla, provádí akce,... Petr Křemen (Katedra kybernetiky, FEL ČVUT) Sémantické sítě a rámce 6 / 112
21 Sémantické sítě Sémantické sítě ( c wikipedia.org) Petr Křemen (Katedra kybernetiky, FEL ČVUT) Sémantické sítě a rámce 7 / 112
22 Sémantické sítě Sémantické sítě Uzly jsou tvořeny entitami (instance, třídy), hrany reprezentují binární relace. ( c wikipedia.org) Petr Křemen (Katedra kybernetiky, FEL ČVUT) Sémantické sítě a rámce 7 / 112
23 Sémantické sítě Sémantické sítě Uzly jsou tvořeny entitami (instance, třídy), hrany reprezentují binární relace. Jediná inference je dědění pomocí is a relace. ( c wikipedia.org) Příklad Each Cat has a Vertebrate, since each Cat is a Mammal. Petr Křemen (Katedra kybernetiky, FEL ČVUT) Sémantické sítě a rámce 7 / 112
24 Sémantické sítě (2) Sémantické sítě Tento způsob však nerozlišuje instance a třídy a odpovídá tak logice vyššího řádu. Řešením je zavést nový typ relace ako a používat ji pro dědičnost, zatímco is a používat pro instanciování. Ani zavedení relace ako neřeší zcela tento problém. etr Křemen (Katedra kybernetiky, FEL ČVUT) Sémantické sítě a rámce 8 / 112
25 Sémantické sítě (3) Sémantické sítě jsou velmi jednoduché - z logického pohledu se jedná o jednoduchou binární relační strukturu vyjma relací has a a is a. Sémantiku těchto relací lze vyjádřit pravidlem has a(?x,?y), is a(?z,?x) has a(?z,?y).. etr Křemen (Katedra kybernetiky, FEL ČVUT) Sémantické sítě a rámce 9 / 112
26 Sémantické sítě Sémantické sítě (3) jsou velmi jednoduché - z logického pohledu se jedná o jednoduchou binární relační strukturu vyjma relací has a a is a. Sémantiku těchto relací lze vyjádřit pravidlem has a(?x,?y), is a(?z,?x) has a(?z,?y).. neumožňují vyjádřit nemonotónní znalosti (podobně jako FOL). etr Křemen (Katedra kybernetiky, FEL ČVUT) Sémantické sítě a rámce 9 / 112
27 Sémantické sítě Sémantické sítě (3) jsou velmi jednoduché - z logického pohledu se jedná o jednoduchou binární relační strukturu vyjma relací has a a is a. Sémantiku těchto relací lze vyjádřit pravidlem has a(?x,?y), is a(?z,?x) has a(?z,?y).. neumožňují vyjádřit nemonotónní znalosti (podobně jako FOL). neumožňují vyjádřit n-ární relace. Ty je nutné nejprve reifikovat. etr Křemen (Katedra kybernetiky, FEL ČVUT) Sémantické sítě a rámce 9 / 112
28 Sémantické sítě Sémantické sítě (3) jsou velmi jednoduché - z logického pohledu se jedná o jednoduchou binární relační strukturu vyjma relací has a a is a. Sémantiku těchto relací lze vyjádřit pravidlem has a(?x,?y), is a(?z,?x) has a(?z,?y).. neumožňují vyjádřit nemonotónní znalosti (podobně jako FOL). neumožňují vyjádřit n-ární relace. Ty je nutné nejprve reifikovat. neumožňují vyjádřit složitější konstrukty, jako kardinality: Každý člověk má nejvýše dvě nohy., dědení vlastností každý otec je i rodičem, aj. etr Křemen (Katedra kybernetiky, FEL ČVUT) Sémantické sítě a rámce 9 / 112
29 Sémantické sítě Sémantické sítě (3) jsou velmi jednoduché - z logického pohledu se jedná o jednoduchou binární relační strukturu vyjma relací has a a is a. Sémantiku těchto relací lze vyjádřit pravidlem has a(?x,?y), is a(?z,?x) has a(?z,?y).. neumožňují vyjádřit nemonotónní znalosti (podobně jako FOL). neumožňují vyjádřit n-ární relace. Ty je nutné nejprve reifikovat. neumožňují vyjádřit složitější konstrukty, jako kardinality: Každý člověk má nejvýše dvě nohy., dědení vlastností každý otec je i rodičem, aj. Wordnet, sémantické wiki, aj. Petr Křemen (Katedra kybernetiky, FEL ČVUT) Sémantické sítě a rámce 9 / 112
30 Sémantické sítě Sémantické sítě Wordnet hyponyma, hypernyma odpovídají is-a relaci (příp. ako relaci). Petr Křemen (Katedra kybernetiky, FEL ČVUT) Sémantické sítě a rámce 10 / 112
31 Sémantické sítě Sémantické sítě Wordnet hyponyma, hypernyma odpovídají is-a relaci (příp. ako relaci). meronyma, holonyma odpovídají has-a relaci Petr Křemen (Katedra kybernetiky, FEL ČVUT) Sémantické sítě a rámce 10 / 112
32 Sémantické sítě Sémantické sítě Wordnet hyponyma, hypernyma odpovídají is-a relaci (příp. ako relaci). meronyma, holonyma odpovídají has-a relaci synonyma, antonyma? Petr Křemen (Katedra kybernetiky, FEL ČVUT) Sémantické sítě a rámce 10 / 112
33 Sémantické sítě Sémantické sítě Wordnet hyponyma, hypernyma odpovídají is-a relaci (příp. ako relaci). meronyma, holonyma odpovídají has-a relaci synonyma, antonyma? Petr Křemen (Katedra kybernetiky, FEL ČVUT) Sémantické sítě a rámce 10 / 112
34 Sémantické sítě Sémantické sítě Petr Křemen (Katedra kybernetiky, FEL ČVUT) Sémantické sítě a rámce 11 / 112
35 Rámce Rámce frame: Škoda Favorit slots: is a: osobní auto ma motor: čtyřdobý benzínový ma prevodovku: manuální ma karburator: hodnota: Jikov předpoklad: Pierburg c strukturovanější než SN ([MvL93]) etr Křemen (Katedra kybernetiky, FEL ČVUT) Sémantické sítě a rámce 12 / 112
36 Rámce Rámce frame: Škoda Favorit slots: is a: osobní auto ma motor: čtyřdobý benzínový ma prevodovku: manuální ma karburator: hodnota: Jikov předpoklad: Pierburg c strukturovanější než SN formuláře, které obsahují sloty (binární relace). ([MvL93]) etr Křemen (Katedra kybernetiky, FEL ČVUT) Sémantické sítě a rámce 12 / 112
37 Rámce Rámce frame: Škoda Favorit slots: is a: osobní auto ma motor: čtyřdobý benzínový ma prevodovku: manuální ma karburator: hodnota: Jikov předpoklad: Pierburg c Každý slot může mít několik facetů (omezení na používání slotu), např. kardinalitu, defaultní hodnotu, apod. strukturovanější než SN formuláře, které obsahují sloty (binární relace). ([MvL93]) etr Křemen (Katedra kybernetiky, FEL ČVUT) Sémantické sítě a rámce 12 / 112
38 Rámce Rámce frame: Škoda Favorit slots: is a: osobní auto ma motor: čtyřdobý benzínový ma prevodovku: manuální ma karburator: hodnota: Jikov předpoklad: Pierburg c Každý slot může mít několik facetů (omezení na používání slotu), např. kardinalitu, defaultní hodnotu, apod. Facety nám umožňují nemonotónní odvozování. strukturovanější než SN formuláře, které obsahují sloty (binární relace). ([MvL93]) etr Křemen (Katedra kybernetiky, FEL ČVUT) Sémantické sítě a rámce 12 / 112
39 Rámce Rámce frame: Škoda Favorit slots: is a: osobní auto ma motor: čtyřdobý benzínový ma prevodovku: manuální ma karburator: hodnota: Jikov předpoklad: Pierburg c strukturovanější než SN formuláře, které obsahují sloty (binární relace). ([MvL93]) Každý slot může mít několik facetů (omezení na používání slotu), např. kardinalitu, defaultní hodnotu, apod. Facety nám umožňují nemonotónní odvozování. Lze definovat démony triggery pro akce prováděné na facetech (čtení, změna, smazání). Lze je použít např. pro ověřování konzistence. etr Křemen (Katedra kybernetiky, FEL ČVUT) Sémantické sítě a rámce 12 / 112
40 Rámce Rámce (2) Příklad Škoda Favorit typicky má karburátor typu Pierburg, tento Škoda Favorit však má karburátor typu Jikov. rámce lze sdružovat do scénářů. Ty představují typické situace, např. návštěva restaurace, apod. [MvL93] Petr Křemen (Katedra kybernetiky, FEL ČVUT) Sémantické sítě a rámce 13 / 112
41 Rámce Rámce (2) Příklad Škoda Favorit typicky má karburátor typu Pierburg, tento Škoda Favorit však má karburátor typu Jikov. rámce lze sdružovat do scénářů. Ty představují typické situace, např. návštěva restaurace, apod. [MvL93] OKBC - okbc Petr Křemen (Katedra kybernetiky, FEL ČVUT) Sémantické sítě a rámce 13 / 112
42 Rámce Rámce (2) Příklad Škoda Favorit typicky má karburátor typu Pierburg, tento Škoda Favorit však má karburátor typu Jikov. rámce lze sdružovat do scénářů. Ty představují typické situace, např. návštěva restaurace, apod. [MvL93] OKBC - okbc Protégé - Petr Křemen (Katedra kybernetiky, FEL ČVUT) Sémantické sítě a rámce 13 / 112
43 Rámce Rámce (2) Příklad Škoda Favorit typicky má karburátor typu Pierburg, tento Škoda Favorit však má karburátor typu Jikov. rámce lze sdružovat do scénářů. Ty představují typické situace, např. návštěva restaurace, apod. [MvL93] OKBC - okbc Protégé - Apollo - Petr Křemen (Katedra kybernetiky, FEL ČVUT) Sémantické sítě a rámce 13 / 112
44 Rámce Rámce (2) Příklad Škoda Favorit typicky má karburátor typu Pierburg, tento Škoda Favorit však má karburátor typu Jikov. rámce lze sdružovat do scénářů. Ty představují typické situace, např. návštěva restaurace, apod. [MvL93] OKBC - okbc Protégé - Apollo - Apollo CH - falc/apollo Petr Křemen (Katedra kybernetiky, FEL ČVUT) Sémantické sítě a rámce 13 / 112
45 Rámce (3) - Apollo CH Rámce Petr Křemen (Katedra kybernetiky, FEL ČVUT) Sémantické sítě a rámce 14 / 112
46 Rámce (4) - Protégé Rámce Petr Křemen (Katedra kybernetiky, FEL ČVUT) Sémantické sítě a rámce 15 / 112
47 Rámce Rámce a sémantické sítě - shrnutí velmi jednoduché struktury pro reprezentaci znalostí, Petr Křemen (Katedra kybernetiky, FEL ČVUT) Sémantické sítě a rámce 16 / 112
48 Rámce Rámce a sémantické sítě - shrnutí velmi jednoduché struktury pro reprezentaci znalostí, nemonotónní odvozování, Petr Křemen (Katedra kybernetiky, FEL ČVUT) Sémantické sítě a rámce 16 / 112
49 Rámce Rámce a sémantické sítě - shrnutí velmi jednoduché struktury pro reprezentaci znalostí, nemonotónní odvozování, ad-hoc odvozovací procedury, překlad do FOL není jednoduchý, a tedy ani jednoznačný, Petr Křemen (Katedra kybernetiky, FEL ČVUT) Sémantické sítě a rámce 16 / 112
50 Rámce Rámce a sémantické sítě - shrnutí velmi jednoduché struktury pro reprezentaci znalostí, nemonotónní odvozování, ad-hoc odvozovací procedury, překlad do FOL není jednoduchý, a tedy ani jednoznačný, problémy dotazovací jazyk, debugging. Petr Křemen (Katedra kybernetiky, FEL ČVUT) Sémantické sítě a rámce 16 / 112
Petr Křemen FEL ČVUT. Petr Křemen (FEL ČVUT) Od sémantických sítí k logickým formalismům 1 / 161
Od sémantických sítí k logickým formalismům Petr Křemen FEL ČVUT Petr Křemen (FEL ČVUT) Od sémantických sítí k logickým formalismům 1 / 161 Co nás čeká 1 Informace o předmětu 2 Co je to reprezentace znalostí?
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
VíceLogika pro sémantický web
ZVYŠOVÁNÍ ODBORNÝCH KOMPETENCÍ AKADEMICKÝCH PRACOVNÍKŮ OSTRAVSKÉ UNIVERZITY V OSTRAVĚ A SLEZSKÉ UNIVERZITY V OPAVĚ Logika pro sémantický web Martin Žáček PROČ BALÍČEK? 1. balíček Formální logické systémy
VíceDeskripční logika. Petr Křemen FEL ČVUT. Petr Křemen (FEL ČVUT) Deskripční logika 37 / 157
Deskripční logika Petr Křemen FEL ČVUT Petr Křemen (FEL ČVUT) Deskripční logika 37 / 157 Co nás čeká 1 Základy deskripční logiky 2 Jazyk ALC Syntax a sémantika 3 Cyklické a acyklické TBOXy Petr Křemen
VíceDBS Konceptuální modelování
DBS Konceptuální modelování Michal Valenta Katedra softwarového inženýrství FIT České vysoké učení technické v Praze Michal.Valenta@fit.cvut.cz c Michal Valenta, 2010 BIVŠ DBS I, ZS 2010/11 https://users.fit.cvut.cz/
VíceInference v deskripčních logikách
Inference v deskripčních logikách Petr Křemen FEL ČVUT Petr Křemen (FEL ČVUT) Inference v deskripčních logikách 53 / 157 Co nás čeká 1 Základy deskripční logiky 2 Jazyk ALC Syntax a sémantika 3 Cyklické
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
VíceObjektově orientované databáze. Miroslav Beneš
Objektově orientované databáze Miroslav Beneš Obsah přednášky Motivace Vlastnosti databázových systémů Logické datové modely Nevýhody modelů založených na záznamech Co potřebujeme modelovat? Identifikace
VíceOd relačních databází k technologiím sémantickému webu
www.mondis.cz Od relačních databází k technologiím sémantickému webu Petr Křemen petr.kremen@fel.cvut.cz Data v informačních systémech Data Informace Stoupající úroveň abstrakce Znalost www.mondis.cz (C)
Více1. 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
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
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
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
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
VíceMetody tvorby ontologií a sémantický web. Martin Malčík, Rostislav Miarka
Metody tvorby ontologií a sémantický web Martin Malčík, Rostislav Miarka Obsah Reprezentace znalostí Ontologie a sémantický web Tvorba ontologií Hierarchie znalostí (D.R.Tobin) Data jakékoliv znakové řetězce
VíceUmělá inteligence I. Roman Barták, KTIML.
Umělá inteligence I Roman Barták, KTIML roman.bartak@mff.cuni.cz http://ktiml.mff.cuni.cz/~bartak Už umíme používat výrokovou logiku pro reprezentaci znalostí a odvozování důsledků. Dnes Dnes zopakujeme
VíceModely datové. Další úrovní je logická úroveň Databázové modely Relační, Síťový, Hierarchický. Na fyzické úrovni se jedná o množinu souborů.
Modely datové Existují různé úrovně pohledu na data. Nejvyšší úroveň je úroveň, která zachycuje pouze vztahy a struktury dat samotných. Konceptuální model - E-R model. Další úrovní je logická úroveň Databázové
VíceÚvod do expertních systémů
Úvod do expertních systémů Expertní systém Definice ES (Feigenbaum): expertní systémy jsou počítačové programy, simulující rozhodovací činnost experta při řešení složitých úloh a využívající vhodně zakódovaných,
VíceModelování a odvozování v RDFS
Modelování a odvozování v RDFS Doc. Ing. Vojtěch Svátek, Dr. Zimní semestr 2012 http://nb.vse.cz/~svatek/rzzw.html Modelování v RDFS Základní konstrukce slovníku jsou Třídy Individua (jen význačná doménová
VíceREPREZENTACE ZNALOSTÍ
REPREZENTACE ZNALOSTÍ URČENO PRO VZDĚLÁVÁNÍ V AKREDITOVANÝCH STUDIJNÍCH PROGRAMECH MARTIN ŽÁČEK ČÍSLO OPERAČNÍHO PROGRAMU: CZ.1.07 NÁZEV OPERAČNÍHO PROGRAMU: VZDĚLÁVÁNÍ PRO KONKURENCESCHOPNOST OPATŘENÍ:
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
VíceDatabázové systémy. Ing. Radek Holý
Databázové systémy Ing. Radek Holý holy@cvut.cz Literatura: Skripta: Jeřábek, Kaliková, Krčál, Krčálová, Kalika: Databázové systémy pro dopravní aplikace Vydavatelství ČVUT, 09/2010 Co je relační databáze?
Více8.2 Používání a tvorba databází
8.2 Používání a tvorba databází Slide 1 8.2.1 Základní pojmy z oblasti relačních databází Slide 2 Databáze ~ Evidence lidí peněz věcí... výběry, výpisy, početní úkony Slide 3 Pojmy tabulka, pole, záznam
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
VíceSoustředí se na reprezentaci konceptů a vztahů (relací) mezi nimi. Používají grafickou reprezentaci, koncepty jsou uzly grafu, relace
Sémantické sítě Soustředí se na reprezentaci konceptů a vztahů (relací) mezi nimi. Používají grafickou reprezentaci, koncepty jsou uzly grafu, relace jsou hrany (většinou se uvažují pouze binární relace).
VícePrimární klíč (Primary Key - PK) Je právě jedna množina atributů patřící jednomu z kandidátů primárního klíče.
Primární a cizí klíč Kandidát primárního klíče (KPK) Je taková množina atributů, která splňuje podmínky: Unikátnosti Minimálnosti (neredukovatelnosti) Primární klíč (Primary Key - PK) Je právě jedna množina
VíceZÁKLADY PROGRAMOVÁNÍ. Mgr. Vladislav BEDNÁŘ 2014 7.4 13/14
ZÁKLADY PROGRAMOVÁNÍ Mgr. Vladislav BEDNÁŘ 2014 7.4 13/14 Co je vhodné vědět, než si vybereme programovací jazyk a začneme programovat roboty. 1 / 13 0:40 Implementace Umělá inteligence (UI) Umělá inteligence
VíceGISON: ontologická integrace urbanistických datových sad IPR
GISON: ontologická integrace urbanistických datových sad IPR Jiří Čtyroký 1, Petr Křemen 2 1 IPR Praha, 2 FEL ČVUT Slovníky a ontologie Měli bychom co nejvíce používat třídy a vlastnosti definované existujícími
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
Vícevyvozování znalostí (reasoning) zpracovává znalosti uložené v bázi znalostí (knowledge base, KB) a odpovědi na dotazy
Úvod do umělé inteligence Reprezentace a vyvozování znalostí Reprezentace a vyvozování znalostí REPREZENTACE A VYVOZOVÁNÍ ZNALOSTÍ otázka: E-mail: hales@fi.muni.cz Jak zapíšeme znalosti o problému/doméně?
VíceA5M33IZS Informační a znalostní systémy. O čem předmět bude? Úvod do problematiky databázových systémů
A5M33IZS Informační a znalostní systémy O čem předmět bude? Úvod do problematiky databázových systémů Co se dozvíte? Návrh datových struktur (modelování relačních dat) Relační modelování úlohy z oblasti
VíceDatabáze 2013/2014. Konceptuální model DB. RNDr. David Hoksza, Ph.D.
Databáze 2013/2014 Konceptuální model DB RNDr. David Hoksza, Ph.D. http://siret.cz/hoksza Osnova Organizace Stručný úvod do DB a DB modelování Konceptuální modelování Cvičení - ER modelování Náplň přednášky
VíceObsah přednášky. Databázové systémy RDBMS. Fáze návrhu RDBMS. Coddových 12 pravidel. Coddových 12 pravidel
Obsah přednášky Databázové systémy Konceptuální model databáze Codd a návrh relační databáze fáze návrhu pojem konceptuální model základní pojmy entity, relace, atributy, IO kardinalita, 2 historie: RDBMS
VícePLIN021 Sémantická analýza v praxi
PLIN021 Sémantická analýza v praxi OP VK Mezi bohemistikou a informatikou www.projekt-inova.cz Zuzana Nevěřilová xpopelk@fi.muni.cz Centrum zpracování přirozeného jazyka, B203 Fakulta informatiky, Masarykova
VíceDATABÁZOVÉ SYSTÉMY. Metodický list č. 1
Metodický list č. 1 Cíl: Cílem předmětu je získat přehled o možnostech a principech databázového zpracování, získat v tomto směru znalosti potřebné pro informačního manažera. Databázové systémy, databázové
VíceDatabase engine (databázový stroj, databázový motor, databázové jádro) Systém řízení báze dat SŘBD. Typy SŘBD podle způsobu práce s daty
Systém řízení báze dat SŘBD programový systém umožňující vytvoření, údržbu a použití báze dat databáze program Database engine (databázový stroj, databázový motor, databázové jádro) funkce: přenos (načítání)
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 =
VíceKapitola 1: Úvod. Systém pro správu databáze (Database Management Systém DBMS) Účel databázových systémů
- 1.1 - Kapitola 1: Úvod Účel databázových systémů Pohled na data Modely dat Jazyk pro definici dat (Data Definition Language; DDL) Jazyk pro manipulaci s daty (Data Manipulation Language; DML) Správa
VíceTeorie systémů TES 5. Znalostní systémy KMS
Evropský sociální fond. Praha & EU: Investujeme do vaší budoucnosti. Teorie systémů TES 5. Znalostní systémy KMS ZS 2011/2012 prof. Ing. Petr Moos, CSc. Ústav informatiky a telekomunikací Fakulta dopravní
VíceBig data ukážou mapu, TOVEK řekne kudy jít
Řešení pro Competitive Intelligence Big data ukážou mapu, TOVEK řekne kudy jít Tomáš Vejlupek President Tovek 6.11.2015, VŠE Praha TOVEK, spol. s r.o. Výsledek zpracování BIG DATA Jaké cesty k cíli mohu
VíceMetody ukládání ontologií
České vysoké učení technické v Praze Fakulta elektrotechnická Katedra kybernetiky Metody ukládání ontologií Diplomová práce květen 2004 Michal Burian Prohlášení Prohlašuji, že jsem svou diplomovou práci
VíceDatabázové systémy. Přednáška 1
Databázové systémy Přednáška 1 Vyučující Ing. Martin Šrotýř, Ph.D. K614 Místnost: K311 E-mail: srotyr@fd.cvut.cz Telefon: 2 2435 9532 Konzultační hodiny: Dle domluvy Databázové systémy 14DATS 3. semestr
VíceProlog PROgramming in LOGic část predikátové logiky prvního řádu rozvoj začíná po roce 1970 Robert Kowalski teoretické základy Alain Colmerauer, David
Úvod do Prologu Prolog PROgramming in LOGic část predikátové logiky prvního řádu rozvoj začíná po roce 1970 Robert Kowalski teoretické základy Alain Colmerauer, David Warren (Warren Abstract Machine) implementace
VíceUMĚLÁ INTELIGENCE ARTIFICIAL INTELLIGENCE (AI)
UMĚLÁ INTELIGENCE ARTIFICIAL INTELLIGENCE (AI) Motto: Přirozená inteligence bude zřejmě brzy překonána inteligencí umělou, avšak přirozenou blbost umělá nikdy překonat nedokáže. Jára da Cimrman 1 ÚVOD
VíceH. Dreyfuss: What computers can t do, 1972 What computers still can t do, J. Weizenbaum. Computer power and human reason, 1976
Klasická AI připomenutí Meze klasické umělé inteligence Modelování mysli na logicko-symbolické úrovni. Modelování shora dolů. Reprezentacionalizmus Churchova teze: Použitelnost počítačů je omezena na ty
VíceOntologie. Přednáška z předmětu Socioekonomická geografie pro geomatiku (KMA/SGG) Otakar Čerba Západočeská univerzita
Ontologie Přednáška z předmětu Socioekonomická geografie pro geomatiku (KMA/SGG) Otakar Čerba Západočeská univerzita Datum vytvoření: 24.3. 2010 Poslední aktualizace: 15. 5. 2013 Ontologie... Proč ontologie
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
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
VíceReprezentace a vyvozování znalostí
Reprezentace a vyvozování znalostí Aleš Horák E-mail: hales@fi.muni.cz http://nlp.fi.muni.cz/uui/ Obsah: Reprezentace a vyvozování znalostí Logika rezoluční pravidlo Extralogické informace Pravidlové systémy
VíceTEORIE ZPRACOVÁNÍ DAT
Vysoká škola báňská - Technická univerzita Ostrava Fakulta elektrotechniky a informatiky TEORIE ZPRACOVÁNÍ DAT pro kombinované a distanční studium Jana Šarmanová Ostrava 2003 Jana Šarmanová, 2003 Fakulta
Více4. Moudrost. Znalosti
Znalosti a jejich reprezentace Znalost je lidský odhad uložený v mysli, získaný pomocí zkušeností a interakcí s okolním prostředím. Znalost je fyzický, mentální nebo elektronický záznam o vztazích, o kterých
VícePřehled znalostních systémů
Přehled znalostních systémů Kamil Matoušek, Ph.D. Informační a znalostní systémy Znalostní systémy Data -> Informace -> Znalosti (-> Moudrost ->???) Angl.: Knowledge-Based Systems (KBS) Programy k rozšiřování
VíceOntologie jako součást sémantického webu
Ústav informačních studií a knihovnictví Filozofická fakulta Univerzity Karlovy Ontologie jako součást sémantického webu Seminární práce na předmět Matematické a informatické modely v ontologii ZS 2003/2004
VíceRELAČNÍ DATABÁZE. Cíl:
Cíl: Cílem tohoto předmětu je získat praktické znalosti a dovednosti v oblasti relačních databází, jakož i seznámit se s novými trendy v objektově relačních a objektových databázích. Podstatná část je
VíceExpertní Systémy. Data a znalosti. lze je získat automaticky nebo od úředníka;
Data a znalosti Vzdělání Zkušenost Data Znalosti Informace Rozhodování Data lze je získat automaticky nebo od úředníka; správnost dat vzhledem k reálnému světu může být objektivně verifikována Znalosti
VíceInformační systémy 2008/2009. Radim Farana. Obsah. Obsah předmětu. Požadavky kreditového systému. Relační datový model, Architektury databází
1 Vysoká škola báňská Technická univerzita Ostrava Fakulta strojní, Katedra automatizační techniky a řízení 2008/2009 Radim Farana 1 Obsah Požadavky kreditového systému. Relační datový model, relace, atributy,
VíceOkruhy z odborných předmětů
VYŠŠÍ ODBORNÁ ŠKOLA INFORMAČNÍCH STUDIÍ A STŘEDNÍ ŠKOLA ELEKTROTECHNIKY, MULTIMÉDIÍ A INFORMATIKY Novovysočanská 280/48, 190 00 Praha 9 Pracoviště VOŠ: Pacovská 350/4, 140 00 Praha 4 Okruhy z odborných
VíceÚvod do databázových systémů. Lekce 1
Úvod do databázových systémů Lekce 1 Sylabus Základní pojmy DBS Životní cyklus DB, normalizace dat Modelování DBS, ER diagram Logická úroveň modelu, relační model Relační algebra a relační kalkul Funkční
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
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
VíceDatabázové systémy trocha teorie
Databázové systémy trocha teorie Základní pojmy Historie vývoje zpracování dat: 50. Léta vše v programu nevýhody poměrně jasné Aplikace1 alg.1 Aplikace2 alg.2 typy1 data1 typy2 data2 vytvoření systémů
VícePouž ití konžolové č á sti áplikáčé XRéásonér
Použ ití konžolové č á sti áplikáčé XRéásonér Marek Vajgl (marek.vajgl@osu.cz) Katedra informatiky a počítačů Přírodovědecká fakulta Ostravská univerzita v Ostravě Obsah Úvodní popis... 1 Instalace aplikace...
VíceInovace tohoto kurzu byla spolufinancována z Evropského sociálního fondu a státního rozpočtu České republiky.
Inovace tohoto kurzu byla spolufinancována z Evropského sociálního fondu a státního rozpočtu České republiky. Projekt ESF OP VK reg.č. CZ.1.07/2.2.00/28.0209 Elektronické opory a e-learning pro obory výpočtového
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
VíceRDF a RDF Query. Jakub Nerad 1. prosince Nerad () RDF a RDF Query 1. prosince / 16
RDF a RDF Query Jakub Nerad jakubnerad@gmail.com 1. prosince 2009 Nerad () RDF a RDF Query 1. prosince 2009 1 / 16 Součastnost Součastnost množství informací zpracování pomocí statistické analýzy problém
VíceDatabáze. Logický model DB. David Hoksza
Databáze Logický model DB David Hoksza http://siret.cz/hoksza Osnova Relační model dat Převod konceptuálního schématu do logického Funkční závislosti Normalizace schématu Cvičení převod do relačního modelu
VíceMATURITNÍ OTÁZKY ELEKTROTECHNIKA - POČÍTAČOVÉ SYSTÉMY 2003/2004 PROGRAMOVÉ VYBAVENÍ POČÍTAČŮ
MATURITNÍ OTÁZKY ELEKTROTECHNIKA - POČÍTAČOVÉ SYSTÉMY 2003/2004 PROGRAMOVÉ VYBAVENÍ POČÍTAČŮ 1) PROGRAM, ZDROJOVÝ KÓD, PŘEKLAD PROGRAMU 3 2) HISTORIE TVORBY PROGRAMŮ 3 3) SYNTAXE A SÉMANTIKA 3 4) SPECIFIKACE
VíceAnalýza dat a modelování. Přednáška 2
Analýza dat a modelování Přednáška 2 E-R model jiné notace většina současných modelovacích nástrojů case používá jinou grafickou notaci než původní Chenovu nástroj SQL Developer Data Modeler: entity obdélník
VíceMatematická logika. Miroslav Kolařík
Matematická logika přednáška desátá Miroslav Kolařík Zpracováno dle textu R. Bělohlávka: Matematická logika poznámky k přednáškám, 2004. Obsah 1 Úvod do modální logiky 2 Logické programování a Prolog 3
VíceUML. Unified Modeling Language. Součásti UML
UML Unified Modeling Language 1995 počátek 1997 verze 1.0 leden dnes verze 2.0 (vývoj stále nedokončen) Standardní notace OMG podpora velkých firem (Microsoft, IBM, Oracle, HP ) popisuje struktury popisuje
Více2. Konceptuální model dat, E-R konceptuální model
2. Konceptuální model dat, E-R konceptuální model Úvod Databázový model souhrn prostředků, pojmů a metod, jak na logické úrovni popsat data a jejich strukturu výsledkem je databázové schéma. Databázové
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
VíceStromy, haldy, prioritní fronty
Stromy, haldy, prioritní fronty prof. Ing. Pavel Tvrdík CSc. Katedra počítačů FEL České vysoké učení technické DSA, ZS 2008/9, Přednáška 6 http://service.felk.cvut.cz/courses/x36dsa/ prof. Pavel Tvrdík
VíceRNDr. Jakub Lokoč, Ph.D. RNDr. Michal Kopecký, Ph.D. Katedra softwarového inženýrství Matematicko-Fyzikální fakulta Univerzita Karlova v Praze
RNDr. Jakub Lokoč, Ph.D. RNDr. Michal Kopecký, Ph.D. Katedra softwarového inženýrství Matematicko-Fyzikální fakulta Univerzita Karlova v Praze 1 Konceptuální modelování 2 Vytvořte model pro reprezentaci
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
VíceDBS Konceptuální modelování
DBS Konceptuální modelování Michal Valenta Katedra softwarového inženýrství FIT České vysoké učení technické v Praze c Michal Valenta, 2012 BI-DBS, ZS 2012/13 https://edux.fit.cvut.cz/courses/bi-dbs/ Michal
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,
VíceKapitola 2: Entitně-vztahový model (Entity-Relationship model) Množiny entit (entitní množiny) Atributy
- 2.1 - Kapitola 2: Entitně-vztahový model (Entity-Relationship model) Množiny entit Množiny vztahů Otázky návrhu Plánování mezí Klíče E-R diagram Rozšířené E-R rysy Návrh E-R databázového schématu Redukce
VíceZnalosti a jejich reprezentace
Znalosti a jejich reprezentace Znalost je lidský odhad uložený v mysli, získaný pomocí zkušeností a interakcí s okolním prostředím. Znalost je fyzický, mentální nebo elektronický záznam o vztazích, o kterých
VíceDatabáze I. 4. přednáška. Helena Palovská
Databáze I 4. přednáška Helena Palovská palovska@vse.cz Mapování ER modelu do relačního DB schématu Od 80. let 20. stol. znám algoritmus, implementován v CASE nástrojích Rutinní postup s volbami rozhodnutí
VíceZákladní datové struktury III: Stromy, haldy
Základní datové struktury III: Stromy, haldy prof. Ing. Pavel Tvrdík CSc. Katedra počítačových systémů Fakulta informačních technologií České vysoké učení technické v Praze c Pavel Tvrdík, 2010 Efektivní
VíceUnifikovaný modelovací jazyk UML
Unifikovaný modelovací jazyk UML Karel Richta katedra počíta tačů FEL ČVUT Praha richta@fel fel.cvut.czcz Motto: Komunikačním m prostředkem informační komunity se postupem času stala angličtina. Chcete-li
VíceDatabázové systémy úvod
Databázové systémy úvod Michal Valenta Katedra softwarového inženýrství Fakulta informačních technologií České vysoké učení technické v Praze c Michal Valenta, 2016 BI-DBS, LS 2015/16 https://edux.fit.cvut.cz/courses/bi-dbs/
VíceInternetovéTechnologie
4 InternetovéTechnologie sémantický web Ing. Michal Radecký, Ph.D. www.cs.vsb.cz/radecky Web x.0 Sémantický web - I have a dream for the Web [in which computers] become capable of analyzing all the data
VíceMaturitní otázky z předmětu PROGRAMOVÁNÍ
Wichterlovo gymnázium, Ostrava-Poruba, příspěvková organizace Maturitní otázky z předmětu PROGRAMOVÁNÍ 1. Algoritmus a jeho vlastnosti algoritmus a jeho vlastnosti, formy zápisu algoritmu ověřování správnosti
Více(#%ist #%LargeCorpInternalsMt #%ForAll x (#%HumanResourcesDepartment #%allinstances (#%actsincapacity x #%mediatorinprocesses #%EmployeeHiring
Znalostní modelování Podobor znalostního inženýrství, který se zabývá tvorbou znalostních modelů spíše než finální implementací znalostních systémů Model: účelová abstrakce, která umožňuje snížit složitost
VíceDatabázové systémy BIK-DBS
Databázové systémy BIK-DBS Ing. Ivan Halaška katedra softwarového inženýrství ČVUT FIT Thákurova 9, m.č. T9:311 ivan.halaska@fit.cvut.cz Stránka předmětu: https://edux.fit.cvut.cz/courses/bi-dbs/parttime/start
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
VíceVýroková a predikátová logika - III
Výroková a predikátová logika - III Petr Gregor KTIML MFF UK ZS 2017/2018 Petr Gregor (KTIML MFF UK) Výroková a predikátová logika - III ZS 2017/2018 1 / 16 2-SAT 2-SAT Výrok je v k-cnf, je-li v CNF a
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
VíceMBI - technologická realizace modelu
MBI - technologická realizace modelu 22.1.2015 MBI, Management byznys informatiky Snímek 1 Agenda Technická realizace portálu MBI. Cíle a principy technického řešení. 1.Obsah portálu - objekty v hierarchiích,
VíceStromy. Strom: souvislý graf bez kružnic využití: počítačová grafika seznam objektů efektivní vyhledávání výpočetní stromy rozhodovací stromy
Stromy úvod Stromy Strom: souvislý graf bez kružnic využití: počítačová grafika seznam objektů efektivní vyhledávání výpočetní stromy rozhodovací stromy Neorientovaný strom Orientovaný strom Kořenový orientovaný
VíceFormálnílogickésystémy pro aplikaci v informatice Martin Žáček
ZVYŠOVÁNÍODBORNÝCH KOMPETENCÍAKADEMICKÝCH PRACOVNÍKŮ OSTRAVSKÉUNIVERZITY V OSTRAVĚ A SLEZSKÉ UNIVERZITY V OPAVĚ Formálnílogickésystémy pro aplikaci v informatice Martin Žáček PŘEDMĚTY NA OU Logické základy
VíceVýroková a predikátová logika - VI
Výroková a predikátová logika - VI Petr Gregor KTIML MFF UK ZS 2017/2018 Petr Gregor (KTIML MFF UK) Výroková a predikátová logika - VI ZS 2017/2018 1 / 24 Predikátová logika Úvod Predikátová logika Zabývá
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.
VíceNerelační databázové modely. Helena Palovská
Nerelační databázové modely Helena Palovská palovska@vse.cz Různé modely pro databázovou strukturu databázové modely 1960 SŘBD hierarchický, síťový relační 1970 1980 hierarchické, síťové relační objektový
VícePRODUKTY Tovek Server 6
Tovek Server je serverová aplikace určená pro efektivní zpracování velkého objemu sdílených strukturovaných i nestrukturovaných dat. Umožňuje automaticky indexovat data z různých informačních zdrojů, intuitivně
VíceVýroková a predikátová logika - V
Výroková a predikátová logika - V Petr Gregor KTIML MFF UK ZS 2015/2016 Petr Gregor (KTIML MFF UK) Výroková a predikátová logika - V ZS 2015/2016 1 / 21 Dokazovací systémy VL Hilbertovský kalkul Hilbertovský
VíceKonceptuální modelování
Konceptuální modelování Michal Valenta Katedra softwarového inženýrství Fakulta informačních technologií České vysoké učení technické v Praze c Michal Valenta, 2016 BI-DBS, LS 2015/16 https://edux.fit.cvut.cz/courses/bi-dbs/
Více