Zpracování neurčitosti
|
|
- Ivana Jandová
- před 7 lety
- Počet zobrazení:
Transkript
1 Zpracování neurčitosti Úvod do znalostního inženýrství, ZS 2015/16 7-1
2 Usuzování za neurčitosti Neurčitost: Při vytváření ZS obvykle nejsou všechny informace naprosto korektní mohou být víceznačné, vágní, zkreslené, nepřesné Dalšími důležitými příčinami neurčitosti bývají znalosti, které nejsou v jakékoliv situaci platné či obsahují vágní termíny Ve ZS se neurčitost zaznamenává pomocí různých měr, vah, faktorů jistoty Úvod do znalostního inženýrství, ZS 2015/16 7-2
3 Přístupy pro zpracování neurčitosti v ZS Bayesovský přístup (a pseudobayesovský přístup) Faktory jistoty Dempster-Shaferova teorie Fuzzy logika Použitý přístup také ovlivňuje neurčitost v závěru daného ZS. Úvod do znalostního inženýrství, ZS 2015/16 7-3
4 Bayesovský přístup Někdy také pseudopravděpodobnostní přístup Bayesův teorém představuje hypotetické usuzování Pravidla, kde E je evidence/předpoklad a H hypotéza/závěr Podmíněná pravděpodobnost: kde. Úvod do znalostního inženýrství, ZS 2015/16 7-4
5 P (H E) aposteriorní pravděpodobnost H při splnění E P (E H) podmíněná pravděpodobnost E při splnění H P (E) apriorní pravděpodobnost E P (H) apriorní pravděpodobnost H Úvod do znalostního inženýrství, ZS 2015/16 7-5
6 Jedním z předních pojmů tohoto přístupu je apriorní pravděpodobnostní šance: Aposteriorní pravděpodobnostní šance: kde O (H) i O (H E) může nabývat hodnot z intervalu. Úvod do znalostního inženýrství, ZS 2015/16 7-6
7 Vztah šance k pravděpodobnosti (nabývající hodnoty z): nebo Kde klasická pravděpodobnost může nabývat hodnot z intervalu. Úvod do znalostního inženýrství, ZS 2015/16 7-7
8 Míra postačitelnosti (L) a nezbytnosti (L^) Zadává expert (subjektivní pravděpodobnost) Plynou vztahy mezi O(H) a O(H E) (O(H E)): Úvod do znalostního inženýrství, ZS 2015/16 7-8
9 Důkazy Úvod do znalostního inženýrství, ZS 2015/16 7-9
10 Nízká hodnota L E je nezbytné pro dokázání H Vysoká hodnota L E je postačitelné pro dokázání H Nízká hodnota L^ E je nezbytné pro dokázání H Vysoká hodnota L^ E je postačitelné pro dokázání H Hlavní výhodou bayesovského přístupu je pevně daná sémantika metody, teoretické základy, Nevýhodou je náročnost implementace, nutnost velkého množství dat, platnost, Vzorce bayesovského přístupu převzaty z [2, 3, 6]. Úvod do znalostního inženýrství, ZS 2015/
11 Inferenční sítě a šíření pravděpodobnosti Inferenční síť: Jedná se o graf, jehož uzly odpovídají (jednotlivým) faktům a orientované hrany pravidlům Následující popis šíření pravděpodobnosti je pro přístup použitý ve ZS PROSPECTOR. Úvod do znalostního inženýrství, ZS 2015/
12 Šíření pravděpodobnosti v inferenční síti Každá hrana (dané inferenční sítě) má přiřazený vztah e pro výpočet pravděpodobnosti koncového uzlu/faktu (již zmíněné hrany/pravidla) P(H E), P(H E) zadává expert do báze znalostí P(E e) zadání uživatelem či vyplývá z vyhodnocování Úvod do znalostního inženýrství, ZS 2015/
13 1. aproximace v ZS PROSPECTOR Výpočet P(H E) a P(H E): Úvod do znalostního inženýrství, ZS 2015/
14 2. aproximace PROSPECTORu rovnice propagace, neurčitost od experta kde., kde., Úvod do znalostního inženýrství, ZS 2015/
15 1. heuristika pravidla s logicky vázanými předpoklady IF E 1 AND E 2 THEN H IF E 1 OR E 2 THEN H P (E e) o o pro AND pro OR Úvod do znalostního inženýrství, ZS 2015/
16 2. heuristika kombinace více pravidel, kde Míra určitosti: Pro získání P(E e) od uživatele, kde P(E e) > P(E), kde P(E e) P(E) Šíření pravděpodobnosti v inferenčních sítích převzato z [3]. Úvod do znalostního inženýrství, ZS 2015/
17 Literatura: [1] KAZÁK, J. Výuka reprezentace znalostí. Bakalářská práce. Plzeň, ZČU [2] BERKA, P. a kol. Expertní systémy. Skriptum. Praha, VŠE [3] MÜLLER, L. Znalostní systémy. Skriptum. Plzeň, ZČU [4] DVOŘÁK, J. Expertní systémy. Skriptum. Brno, VUT [5] EXPERTNÍ SYSTÉMY [online]. Miloslav Thon. [cit ]. Dostupné z: [6] WEBOVÝ PRŮVODCE SVĚTEM EXPERTNÍCH SYSTÉMŮ [online]. Petr Fazurel. [cit ]. Dostupné z: Úvod do znalostního inženýrství, ZS 2015/
18 Úvod do znalostního inženýrství, ZS 2015/
Usuzování 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
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
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
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
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
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
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.
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
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,
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
VíceBayesovská klasifikace
Bayesovská klasifikace založeno na Bayesově větě P(H E) = P(E H) P(H) P(E) použití pro klasifikaci: hypotéza s maximální aposteriorní pravděpodobností H MAP = H J právě když P(H J E) = max i P(E H i) P(H
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
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
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
VíceCíle lokalizace. Zjištění: 1. polohy a postavení robota (robot pose) 2. vzhledem k mapě 3. v daném prostředí
Cíle lokalizace Zjištění: 1. polohy a postavení robota (robot pose) 2. vzhledem k mapě 3. v daném prostředí 2 Jiný pohled Je to problém transformace souřadnic Mapa je globální souřadnicový systém nezávislý
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
VíceFuzzy logika. Informační a znalostní systémy
Fuzzy logika Informační a znalostní systémy Fuzzy logika a odvozování Lotfi A. Zadeh (*1921) Lidé nepotřebují přesnou číslem vyjádřenou informaci a přesto jsou schopni rozhodovat na vysoké úrovni, odpovídající
VíceAgent pracující v částečně pozorovatelném prostředí udržuje na základě senzorického modelu odhaduje, jak se svět může vyvíjet.
Umělá inteligence II Roman Barták, KTIML roman.bartak@mff.cuni.cz http://ktiml.mff.cuni.cz/~bartak Dnešní program Agent pracující v částečně pozorovatelném prostředí udržuje na základě senzorického modelu
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
VíceOVLÁDÁNÍ RIZIKA ANALÝZA A MANAGEMENT
TICHÝ Milík OVLÁDÁNÍ RIZIKA ANALÝZA A MANAGEMENT Obsah Předmluva... V Značky a symboly... VII Přehled nejpoužívanějších zkratek... IX Názvosloví... XI Rizikologie... XV Základní pojmy... 1 1. Rizikologické
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
VíceBayesovské sítě. Kamil Matoušek, Ph.D. Informační a znalostní systémy
Bayesovské sítě Kamil Matoušek, Ph.D. Informační a znalostní systémy Co jsou Bayesian Networks (BN) Pravděpodobnostní modely využívající grafovou reprezentaci Znalosti zatížené nejistotou (nepřesné, nejisté,
VíceRychlokurz forenzní DNA statistiky Anastassiya Žídková
Rychlokurz forenzní DNA statistiky 21.10.2011 Anastassiya Žídková anastazie.d@gmail.com Úvod První část Program dnešního kurzu Základní zákony pravděpodobnosti Druhá část Bayesovavěta Zásady při interpretaci
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
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
VícePRAVDĚPODOBNOST A STATISTIKA. Bayesovské odhady
PRAVDĚPODOBNOST A STATISTIKA Bayesovské odhady Bayesovské odhady - úvod Klasický bayesovský přístup: Klasický přístup je založen na opakování pokusech sledujeme rekvenci nastoupení zvolených jevů Bayesovský
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
VíceOperativní řízení odtoku vody z nádrže za průchodu povodně Starý, M. VUT FAST Brno, Ústav vodního hospodářství krajiny
Operativní řízení odtoku vody z nádrže za průchodu povodně Starý, M. VUT FAST Brno, Ústav vodního hospodářství krajiny Abstrakt Příspěvek se zabývá možností využití teorie fuzzy logiky při operativním
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
Více6 Reprezentace a zpracování neurčitosti
6 Reprezentace a zpracování neurčitosti Většina našich znalostí o reálném světě je zatížena ve větší či menší míře neurčitostí. Na druhou stranu, schopnost rozhodovat se i v situacích, kdy nejsou všechny
Vícea způsoby jejího popisu Ing. Michael Rost, Ph.D.
Podmíněná pravděpodobnost, náhodná veličina a způsoby jejího popisu Ing. Michael Rost, Ph.D. Podmíněná pravděpodobnost Pokud je jev A vázán na uskutečnění jevu B, pak tento jev nazýváme jevem podmíněným
VíceFuzzy logika. Posibilistická teorie (1) Systémy s umělou inteligencí
Fuzzy logika Posibilistická teorie (1) Systémy s umělou inteligencí Fuzzy logika a odvozování Lotfi A. Zadeh (*1921) Lidé nepotřebují přesnou číslem vyjádřenou informaci a přesto jsou schopni rozhodovat
VíceJak (ne)vážit Spravedlnost. Halina Šimková
Jak (ne)vážit Spravedlnost Halina Šimková Důkaz v právu věc nebo postup, které mohou přispět k objasnění projednávané věci přímý důkaz nepřímý důkaz (indicie) vyviňující důkaz usvědčující důkaz klíčový
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 =
VíceNURBS REPREZENTACE KŘIVEK V MAPLE
25. KONFERENCE O GEOMETRII A POČÍTAČOVÉ GRAFICE Karolína Kundrátová NURBS REPREZENTACE KŘIVEK V MAPLE Abstrakt Parametrizace křivek jako NURBS (tj. neuniformní racionální B-spliny) patří k moderním postupům
VíceNeurčitost: Bayesovské sítě
Neurčitost: Bayesovské sítě 12. dubna 2018 1 Opakování: pravděpodobnost 2 Bayesovská síť 3 Sémantika sítě Zdroj: Roman Barták, přednáška přednáška Umělá inteligence II, Matematicko-fyzikální fakulta, Karlova
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
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.
VíceStudentská tvůrčí a odborná činnost STOČ 2015
Studentská tvůrčí a odborná činnost STOČ 2015 POUŽITÍ FUZZY LOGIKY PRO ŘÍZENÍ AUTONOMNÍHO ROBOTA - 2D MAPOVÁNÍ PROSTORU Michal JALŮVKA Ostravská univerzita v Ostravě Dvořákova 7 701 03 Ostrava 23. dubna
VíceZáklady teorie pravděpodobnosti
Základy teorie pravděpodobnosti Náhodný jev Pravděpodobnost náhodného jevu Roman Biskup (zapálený) statistik ve výslužbě, aktuálně analytik v praxi ;-) roman.biskup(at)email.cz 15. srpna 2012 Statistika
Víceó ž Ž ť Ó Ž Č Ž ž ž Ž ž Ž Š Ž ď ž Ž ž ž Š Ž ž Š Ž Ž ó Ž Ž Č ó ž Ž ž ž ž Ů ž ž Ž Ů ť ž Ž ž Ž Ž ž ž Ž É ó É É ž Ž Ž ó Ž Ě ť ó Á Ž Á ť Ó Ů Ů Ý ÓŽ Ž Ó ž Č Ž ž ž Ů Ů ž Ů ž ž ž ž ž ž ž É ť ó Š ž ó Š ž ť ó Ď
VícePočet pravděpodobnosti
PSY117/454 Statistická analýza dat v psychologii Přednáška 4 Počet pravděpodobnosti Je známo, že když muž použije jeden z okrajových pisoárů, sníží se pravděpodobnost, že bude pomočen o 50%. anonym Pravděpodobnost
VíceZadání a řešení testu z matematiky a zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia od jara 2016
Zadání a řešení testu z matematiky a zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia od jara 206 Zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia
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
VíceDnešní program odvozování v Bayesovských sítích exaktní metody (enumerace, eliminace proměnných) aproximační metody y( (vzorkovací techniky)
Umělá inteligence II Roman Barták, KTIML roman.bartak@mff.cuni.cz http://ktiml.mff.cuni.cz/~bartak Bayesovská síť zachycuje závislosti mezi náhodnými proměnnými Pro zopakování orientovaný acyklický graf
VíceÚstav teorie informace a automatizace. J. Vomlel (ÚTIA AV ČR) Úvod do bayesovských sítí 30/10/ / 28
Úvod do bayesovských sítí Jiří Vomlel Ústav teorie informace a automatizace Akademie věd České republiky http://www.utia.cz/vomlel 30. října 2008 J. Vomlel (ÚTIA AV ČR) Úvod do bayesovských sítí 30/10/2008
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
VíceAlgoritmus Minimax. Tomáš Kühr. Projektový seminář 1
Projektový seminář 1 Základní pojmy Tah = přemístění figury hráče na tahu odpovídající pravidlům dané hry. Při tahu může být manipulováno i s figurami soupeře, pokud to odpovídá pravidlům hry (např. odstranění
VíceINVESTIGATION OF THE IMPACT OF ACTIVITIES OF ECONOMIC ENTITIES ON VARIOUS AREAS OF THE SOCIAL SYSTEM
INVESTIGATION OF THE IMPACT OF ACTIVITIES OF ECONOMIC ENTITIES ON VARIOUS AREAS OF THE SOCIAL SYSTEM ZJIŠŤOVÁNÍ DOPADŮ AKTIVIT EKONOMICKÝCH SUBJEKTŮ NA RŮZNÉ OBLASTI SPOLEČENSKÉHO SYSTÉMU Dana Bernardová
VíceBAYESOVSKÉ ODHADY. Michal Friesl V NĚKTERÝCH MODELECH. Katedra matematiky Fakulta aplikovaných věd Západočeská univerzita v Plzni
BAYESOVSKÉ ODHADY V NĚKTERÝCH MODELECH Michal Friesl Katedra matematiky Fakulta aplikovaných věd Západočeská univerzita v Plzni Slunce Řidiči IQ Regrese Přežití Obvyklý model Pozorování X = (X 1,..., X
VíceOdhady - Sdružené rozdělení pravděpodobnosti
Odhady - Sdružené rozdělení pravděpodobnosti 4. listopadu 203 Kdybych chtěl znát maximum informací o náhodné veličině, musel bych znát všechny hodnoty, které mohou padnout, a jejich pravděpodobnosti. Tedy
VíceRozhodování. s více účastníky. Miroslav. school@utia
Rozhodování s více účastníky Miroslav Kárný school@utia utia.cas.cz, http://www.utia utia.cas.cz/as Rozhodování Účastník znalosti neúpln plné cíle násobné omezení rozsahů složitostn itostní strategie akce
VíceObr. 1: Vizualizace dat pacientů, kontrolních subjektů a testovacího subjektu.
Řešení příkladu - klasifikace testovacího subjektu pomocí Bayesova klasifikátoru: ata si vizualizujeme (Obr. ). Objem mozkových komor 9 8 7 6 5 pacienti kontroly testovací subjekt 5 6 Objem hipokampu Obr.
VíceVYSOKÉ UČENÍ TECHNICKÉ V BRNĚ. FAKULTA STROJNÍHO INŽENÝRSTVÍ Ústav automatizace a informatiky. Expertní systémy. Jiří Dvořák
VYSOKÉ UČNÍ TCNICKÉ V BRNĚ FAKULTA STROJNÍO INŽNÝRSTVÍ Ústav automatizace a informatiky Jiří Dvořák 2004 Obsah ředmluva...... 5 1. Úvod do expertních systémů...... 6 1.1 Charakteristika expertních systémů......
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,
VíceVýroba elektrické energie (BVEE)
Přednášející: doc. Ing. Petr Mastný, Ph.D. mastny@feec.vutbr.cz Základní pojmy z výroby elektrické energie Výroba elektrické energie (BVEE) e-power - Inovace výuky elektroenergetiky a silnoproudé elektrotechniky
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
VíceZnalostní evaluace společenské odpovědnosti firem
Znalostní evaluace společenské odpovědnosti firem Miroslav POKORNÝ, Dana POKORNÁ Moravská vysoká škola Olomouc, o.p.s., Jeremenkova 42, 772 00 Olomouc Abstrakt Nedílnou součástí moderního podnikání je
Vícepostaveny výhradně na syntaktické bázi: jazyk logiky neinterpretujeme, provádíme s ním pouze syntaktické manipulace důkazy
Formální systémy (výrokové) logiky postaveny výhradně na syntaktické bázi: jazyk logiky neinterpretujeme, provádíme s ním pouze syntaktické manipulace důkazy cíl: získat formální teorii jako souhrn dokazatelných
VíceBayesovská klasifikace digitálních obrazů
Výzkumný ústav geodetický, topografický a kartografický Bayesovská klasifikace digitálních obrazů Výzkumná zpráva č. 1168/2010 Lubomír Soukup prosinec 2010 1 Úvod V průběhu nedlouhého historického vývoje
Více24.11.2009 Václav Jirchář, ZTGB
24.11.2009 Václav Jirchář, ZTGB Síťová analýza 50.let V souvislosti s potřebou urychlit vývoj a výrobu raket POLARIS v USA při závodech ve zbrojení za studené války se SSSR V roce 1958 se díky aplikaci
VíceDiskrétní matematika. DiM /01, zimní semestr 2016/2017
Diskrétní matematika Petr Kovář petr.kovar@vsb.cz Vysoká škola báňská Technická univerzita Ostrava DiM 470-2301/01, zimní semestr 2016/2017 O tomto souboru Tento soubor je zamýšlen především jako pomůcka
Více2C06028-00-Tisk-ePROJEKTY
Stránka. 27 z 50 3.2. ASOVÝ POSTUP PRACÍ - rok 2009 3.2.0. P EHLED DÍL ÍCH CÍL PLÁNOVANÉ 2009 íslo podrobn Datum pln ní matematicky formulovat postup výpo t V001 výpo etní postup ve form matematických
VícePřípadové usuzování v expertním systému NEST
Případové usuzování v expertním systému NEST Vladimír Laš, Petr Berka Katedra informatičníhoa znalostního inženýrství, FIS, VŠE Praha Praha 3, Nám. W. Churchilla 4 {lasv,berka}@vse.cz Abstrakt. Článek
VíceElektronická podpora výuky na ÚBMI
Závěrečná zpráva rozvojového projektu Elektronická podpora výuky na ÚBMI MŠMT č. 645 Odpovědný řešitel: Prof. Ing. Jiří Holčík, CSc. ČVUT v Praze - FBMI Kladno, leden 2006 Vyhodnocení splněných cílů a
VíceLINGUISTIC EVALUATION OF PUPIL'S KNOWLEDGE. Zdeňka KRIŠOVÁ
THEORETICAL ARTICLES LINGUISTIC EVALUATION OF PUPIL'S KNOWLEDGE Zdeňka KRIŠOVÁ Abstract: The evaluation is a natural part of any educational activity. It is often expressed quantitatively evaluation stage
VíceTECHNICKÁ UNIVERZITA V LIBERCI
TECHNICKÁ UNIVERZITA V LIBERCI Fakulta mechatroniky, informatiky a mezioborových studií Základní pojmy diagnostiky a statistických metod vyhodnocení Učební text Ivan Jaksch Liberec 2012 Materiál vznikl
VíceCvičení 3. Přednášející: Mgr. Rudolf B. Blažek, Ph.D. prof. RNDr. Roman Kotecký, DrSc.
Cvičení 3 Přednášející: Mgr. Rudolf B. Blažek, Ph.D. prof. RNDr. Roman Kotecký, DrSc. Katedra počítačových systémů Katedra teoretické informatiky Fakulta informačních technologií České vysoké učení technické
VíceMatematika III. 4. října Vysoká škola báňská - Technická univerzita Ostrava. Matematika III
Vysoká škola báňská - Technická univerzita Ostrava 4. října 2018 Podmíněná pravděpodobnost Při počítání pravděpodobnosti můžeme k náhodnému pokusu přidat i nějakou dodatečnou podmínku. Podmíněná pravděpodobnost
VíceVytěžování znalostí z dat
Pavel Kordík, Jan Motl (ČVUT FIT) Vytěžování znalostí z dat BI-VZD, 2012, Přednáška 7 1/27 Vytěžování znalostí z dat Pavel Kordík, Jan Motl Department of Computer Systems Faculty of Information Technology
VíceZÁKLADY LOGIKY A METODOLOGIE
ZÁKLADY LOGIKY A METODOLOGIE Metodický list č. 1 Téma: Předmět logiky a metodologie, základy logiky a formalizace. Toto téma lze rozdělit do tří základních tématických oblastí: 1) Předmět logiky a metodologie
VíceKatedra kybernetiky, FEL, ČVUT v Praze.
Strojové učení a dolování dat přehled Jiří Kléma Katedra kybernetiky, FEL, ČVUT v Praze http://ida.felk.cvut.cz posnova přednášek Přednáška Učitel Obsah 1. J. Kléma Úvod do předmětu, učení s a bez učitele.
VíceVýsledky základní statistické charakteristiky
Výsledky základní statistické charakteristiky (viz - Vyhláška č. 343/2002 Sb. o průběhu přijímacího řízení na vysokých školách a Vyhláška 276/2004 Sb. kterou se mění vyhláška č. 343/2002 Sb., o postupu
VícePrincipy indukce a rekursivní algoritmy
Principy indukce a rekursivní algoritmy Jiří Velebil: A7B01MCS 19. září 2011: Indukce 1/20 Příklad Místností rozměru n budeme rozumět šachovnici rozměru 2 n 2 n, ze které je jedno (libovolné) pole vyjmuto.
VíceModel pro simulaci staví na výpočtu hrubého domácího produktu výdajovou metodou:
Model vývoje HDP ČR Definice problému Očekávaný vývoj hrubého domácího produktu jakožto základní makroekonomické veličiny ovlivňuje chování tržních subjektů, které v důsledku očekávání modulují své chování
VíceVyšetřování případu Psa baskervilského intuitivně a bayesovskou logikou
Vyšetřování případu sa baskervilského intuitivně a bayesovskou logikou doc. Mgr. Jiří Drábek, hd. Ústav molekulární a translační medicíny Československá společnost pro forenzní genetiku XIII. tradiční
VíceMETODICKÝ NÁVOD MODULU
Centrum celoživotního vzdělávání METODICKÝ NÁVOD MODULU Název Základy matematiky modulu: Zkratka: ZM Počet kreditů: 4 Semestr: Z/L Mentor: Petr Dolanský Tutor: Petr Dolanský I OBSAH BALÍČKU STUDIJNÍCH
VíceJak kriticky myslet? Kamil Gregor @kamilgregor
Jak kriticky myslet? Kamil Gregor @kamilgregor Inspirace Petr Ludwig Zlin.barcamp.cz Dva díly Jak se to nemá dělat (tinyurl.com/gregor-plzen) Jak se to má dělat 2 min Jak na to? Tvrzení Základem je správná
VíceÚvod do informatiky. Miroslav Kolařík
Úvod do informatiky přednáška první Miroslav Kolařík Zpracováno dle učebního textu prof. Bělohlávka: Úvod do informatiky, KMI UPOL, Olomouc 2008. Obsah 1 Co a k čemu je logika? 2 Výroky a logické spojky
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
VícePožadavky k písemné přijímací zkoušce z matematiky do navazujícího magisterského studia pro neučitelské obory
Požadavky k písemné přijímací zkoušce z matematiky do navazujícího magisterského studia pro neučitelské obory Zkouška ověřuje znalost základních pojmů, porozumění teorii a schopnost aplikovat teorii při
VíceBayesovské metody. Mnohorozměrná analýza dat
Mnohorozměrná analýza dat Podmíněná pravděpodobnost Definice: Uvažujme náhodné jevy A a B takové, že P(B) > 0. Podmíněnou pravěpodobností jevu A za podmínky, že nastal jev B, nazýváme podíl P(A B) P(A
VíceDeset přednášek z teorie statistického a strukturního rozpoznávání
Monografie Deset přednášek teorie statistického a strukturního roponávání Michail I. Schlesinger, Václav Hlaváč Praha 1999 Vydavatelství ČVUT 1. přednáška Bayesovská úloha statistického rohodování 1.1
VícePOČÍTAČOVÁ FORMALIZACE MENTÁLNÍCH MODELŮ METODAMI JAZYKOVÉHO FUZZY MODELOVÁNÍ
POČÍTAČOVÁ FORMALIZACE MENTÁLNÍCH MODELŮ METODAMI JAZYKOVÉHO FUZZY MODELOVÁNÍ ON MENTAL MODELS FORMALIZATION THROUGH THE METHODS OF LINGUISTIC FUZZY MODELLING Miroslav POKORNÝ, Jan LAVRINČÍK, Jiří DOSTÁL
VíceZjednodušení generativního systému redukcí rozlišení
Zjednodušení generativního systému redukcí rozlišení Ze studie zahrnující dotaz na vzdělání. Obor hodnot v i : e základní vzdělání h střední vzdělání c bakalář g magistr Možné redukce rozlišení cg vysoké
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
VíceANALÝZA, POSOUZENÍ A OŠETŘENÍ RIZIK TECHNICKÝCH SYSTÉMŮ
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ FAKULTA STAVEBNÍ DOC. ING. TOMÁŠ VYMAZAL, PH.D. ING. OTAKAR JIŘÍ MIKA, CSC. ING. PETR MISÁK ANALÝZA, POSOUZENÍ A OŠETŘENÍ RIZIK TECHNICKÝCH SYSTÉMŮ 1 ÚVOD.... 4 1.1 O autorech
VíceVýroková a predikátová logika - II
Výroková a predikátová logika - II Petr Gregor KTIML MFF UK ZS 2013/2014 Petr Gregor (KTIML MFF UK) Výroková a predikátová logika - II ZS 2013/2014 1 / 20 Základní syntax Jazyk Výroková logika je logikou
VíceInženýrská statistika pak představuje soubor postupů a aplikací teoretických principů v oblasti inženýrské činnosti.
Přednáška č. 1 Úvod do statistiky a počtu pravděpodobnosti Statistika Statistika je věda a postup jak rozvíjet lidské znalosti použitím empirických dat. Je založena na matematické statistice, která je
VíceFuzzy logika Osnova kurzu
Osnova kurzu 1) Základní pojmy; algoritmizace úlohy 2) Binární logika 3) 4) Algebra blokových schémat 5) Vlastnosti členů regulačních obvodů 1 Osnova přednášky Základní pojmy Lingvistické proměnné Funkce
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
VíceZadání a řešení testu z matematiky a zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia od podzimu 2014
Zadání a řešení testu z matematiky a zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia od podzimu 204 Zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia
VíceTématické okruhy pro státní závěrečné zkoušky. bakalářské studium. studijní obor "Management jakosti"
Tématické okruhy pro státní závěrečné zkoušky bakalářské studium studijní obor "Management jakosti" školní rok 2013/2014 Management jakosti A 1. Pojem jakosti a význam managementu jakosti v současném období.
VíceStrukturální regresní modely. určitý nadhled nad rozličnými typy modelů
Strukturální regresní modely určitý nadhled nad rozličnými typy modelů Jde zlepšit odhad k-nn? Odhad k-nn konverguje pro slušné k očekávané hodnotě. ALE POMALU! Jiné přístupy přidají předpoklad o funkci
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
VíceTématické okruhy pro státní závěrečné zkoušky. bakalářské studium. studijní obor "Management jakosti"
Tématické okruhy pro státní závěrečné zkoušky bakalářské studium studijní obor "Management jakosti" školní rok 2010/2011 Management jakosti A 1. Pojem jakosti a význam managementu jakosti v současném období.
VíceStátní závěrečná zkouška z oboru Matematika a její použití v přírodních vědách
Státní závěrečná zkouška z oboru Matematika a její použití v přírodních vědách Ústní zkouška z oboru Náročnost zkoušky je podtržena její ústní formou a komisionálním charakterem. Předmětem bakalářské zkoušky
VíceSystém přirozené dedukce výrokové logiky
Systém přirozené dedukce výrokové logiky Korektnost, úplnost a bezespornost Šárka Vavrečková Ústav informatiky, FPF SU Opava Poslední aktualizace: 6. října 2008 Věta o korektnosti Věta (O korektnosti Systému
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
Více