UMĚLÁ INTELIGENCE ARTIFICIAL INTELLIGENCE (AI)
|
|
- Štěpánka Bednářová
- před 8 lety
- Počet zobrazení:
Transkript
1 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 DO UMĚLÉ INTELIGENCE Mnoho matematických disciplín bylo a stále je silně ovlivňováno přírodou a snahami přiblížit se přírodě. Čím více o přírodě víme, tím více jsme fascinováni její jednoduchostí a téměř dokonalou funkčností. S rostoucí výkonností výpočetní techniky se přirozeně mění i požadavky na třídy úloh, které jsou na počítačích řešeny. Stále častěji jsou počítače využívány k řešení takových úloh, u kterých by musel člověk při jejich řešení, využívat svou inteligenci. Je samozřejmé, že tvorba programů, u kterých se objevují prvky jakési umělé inteligence, vyžaduje nové přístupy, teorie, metody a techniky. V čem spočívá složitost problému a jaké vlastnosti a znaky má jeho inteligentní řešení? Složitost problému lze ohodnotit počtem všech variant, které připadají při řešení v úvahu. Řešitel úlohy, který postupuje inteligentně prohledává jenom nadějné varianty a ty, které nedávají dostatečnou šanci na úspěch, vynechává. Čím více neperspektivních variant oprávněně vynechá, tím inteligentnější se řešení jeví. Mechanismus, který umožňuje řešiteli některé varianty hned odmítnout, je založen na využívání znalostí. V řadě případů, zejména při diagnóze, predikci chování a řízení složitých, obtížně poznatelných a obtížně měřitelných systémů, jsou v praxi úspěšně využívány závěry, které odvozuje zkušený operátor expert. Tyto znalosti jsou jednak přebírány od člověka, který je schopen úlohu inteligentně řešit, jednak analýzou případů, kdy je známo zadání úlohy a její inteligentní řešení. Znalosti mohou mít jednak exaktní charakter (teorémy, fyzikální zákony apod.), jednak mohou být tvořeny heuristickými poznatky. Heuristické poznatky nebývají podloženy hlubší teorií, velmi často však pomáhají účinně nalézt řešení, přesto však obecně nalezení řešení negarantují. Heuristické znalosti chápeme pouze jako neexaktní návod k řešení. Při řešení problému pak expert využívá principiálně jednoduchých nenumerických algoritmů, které mu umožňují kombinovat objektivní a subjektivní znalosti při odvozování závěrů při řešení problémů, rozhodování nebo řízení. 1.1 Co je to inteligence? Chceme-li se zabývat umělou inteligencí, je nutné nejprve definovat inteligenci přirozenou, protože se ji umělá inteligence snaží napodobovat. To je ale velmi komplikovaný úkol, protože dosud neexistuje obecně uznávaná definice. Inteligence je obvykle považována za vlastnost živých organismů, která jim umožňuje reagovat na složité projevy okolního prostředí a využívat je aktivně ke svému prospěchu a k dosažení svých cílů. Inteligence je schopnost účinně a rychle řešit obtížné nebo nové situace a problémy a na základě vlastní úvahy, nacházet podstatné prvky a jejich souvislosti. Rozlišuje se inteligence obecná (jakýsi společný jmenovatel všech typů jednání vyžadujících inteligenci) a inteligence speciální, která v určitých oblastech doplňuje inteligenci obecnou. Pojem inteligence lze jen obtížně přesně vymezit, neexistuje žádné objektivní měření inteligence. Různé druhy inteligence se objevují u lidí, u řady zvířat, ale i u některých strojů a zařízení. Zatím se nepodařilo obecně charakterizovat, který druh výpočetních postupů a rozhodování lze považovat za inteligentní. Některým inteligentním postupům při výpočtech a rozhodování jsme totiž už porozuměli, -1-
2 ovšem jiným zatím ne. Inteligence zahrnuje určité mechanismy a tak se výzkum v oblasti AI zaměřuje na vytváření počítačových systémů, které některé z těchto mechanismů dokáží provádět. Aby byla taková úloha splněna, musí být příslušný mechanizmus dobře prozkoumán, protože počítačový program dokáže pouze plnit danou úlohu, tuto činnost však zvládá velmi efektivně. Intelekt Soubor rozumových schopností a dispozic - duševní schopnost, která je vlastní pouze člověku a je předpokladem myšlení. Umožňuje provádět takové myšlenkové úkony, které přímo nevyplývají z existujících situací, podmínek nebo údajů. Inteligence Schopnost účinně a rychle řešit na základě vlastní rozvahy obtížné nebo dosud neznámé situace a problémy, nacházet podstatné prvky a jejich souvislosti a vztahy. Inteligenční kvocient IQ Míra inteligence vyjádření vztahu mezi dosaženou rozumovou úrovní člověka a jeho věkem. Původně hodnotil nárůst inteligence u dětí. IQ a byl definován jako stonásobek poměru věku, při kterém by mělo hodnocené dítě splnit určitý soubor úkolů ke skutečnému věku dítěte. Podobný test byl později sestaven i pro dospělé. IQ je kvantitativní ukazatel výkonu při testech inteligence. I když hodnota IQ není objektivní mírou inteligence, přesto velmi dobře koreluje s mírou úspěchu či neúspěchu člověka v životě. Asi ½ populace má průměrné IQ tj Hodnoty nižší označují podprůměrný výkon, hodnoty nad 110 jsou nadprůměrné. U počítačů však nemá hodnocení pomocí IQ žádný význam, neexistuje žádná korelace IQ s užitečností počítače. 1.2 Co to je umělá inteligence? Umělá inteligence je vědní oblast, která se zabývá vytvářením inteligentních strojů, zejména inteligentních počítačových programů. Tvoří ji souhrn stále se vyvíjejících a vzájemně prorůstajících oborů. Jejich hranice nejsou nijak zřetelně definovány a dynamicky se mění. Interakce mezi disciplinami jsou mimořádně silné a také se dynamicky mění. Jednotlivé části AI se stávají mnohdy samostatnými vědními disciplínami. AI představuje postupy a algoritmy, které napodobují chování člověka, nemusí se však omezovat pouze na napodobování. Někdy řeší umělá inteligence problémy, které vyžadují obrovské množství výpočtů, které by člověk sám nikdy nemohl provést. AI řeší úlohy tak složité, že člověk při jejich řešení musí uplatňovat svou inteligenci. Složitost úlohy je obvykle hodnocena počtem všech variant, které je nutno k vyřešení problému prověřit. Inteligentní postup však neprověřuje všechny možné varianty, ale pouze takové, které dávají určitou šanci na získání správného řešení. Podstatou takového postupu je využívání znalostí a zkušeností. Pro vysokou efektivitu systémů umělé inteligence mají rozhodující význam použité znalosti, zatímco obecný formální aparát pro řešení úloh poskytuje pouze nástroj pro řešení, má tedy druhořadý význam. Základním problémem umělé inteligence není odhalení několika efektivních technik, ale spíše otázka, jak reprezentovat velké množství znalostí ve tvaru, který by dovoloval jejich efektivní využívání a interakci. Důraz je kladen na znalosti spíše než na mechanismy jejich využívání. Umělá inteligence představuje soubor metod, teoretických postupů a specializovaných počítačových programů, určených ke strojovému řešení složitých problémů. Je to tedy vědní obor, který se zabývá vývojem technologií a programů pro provádění činností, o kterých se obvykle domníváme, že vyžadují lidskou inteligenci. Tento vědní obor se rozdělil na řadu dílčích podoborů, které se pokoušejí lépe porozumět mechanismům lidské inteligence -2-
3 rozpoznávání, reprezentace znalostí, řešení úloh, kvalitativní modelování, strojové učení, plánování a rozvrhování, neuronové sítě. Na tyto části navazuje problematika počítačového vidění, zpracování přirozeného jazyka, problematika speciálních programovacích jazyků pro umělou inteligenci, expertní systémy a znalostní inženýrství. Výsledky řešení jednotlivých problémů pak netvoří součást umělé inteligence, ale přecházejí do oborů, ve kterých byly aplikovány. Výzkum umělé inteligence lze rozdělit do dvou základních směrů: teoretický výzkum studium jednotlivých intelektuálních mechanizmů a jejich souvislostí s řešenými problémy experimentální výzkum testování algoritmů umělé inteligence a ověřování jejich vhodnosti a způsobilosti k řešení jednotlivých specifických úloh 1.3 Definice umělé inteligence Minského definice Umělá inteligence je věda o vytváření strojů a systémů, které při řešení určitého úkolu užívají takový postup, který by, kdyby tak postupoval člověk, mohl být považován za projev jeho inteligence. Definice E. Richové Umělá inteligence se zabývá počítačovým řešením takových úloh, které dnes zatím lépe zvládají lidé. Kotkova definice Umělá inteligence je vlastnost člověkem uměle vytvořených systémů vyznačujících se schopností rozpoznávat předměty, jevy a situace, analyzovat vztahy mezi nimi a tak vytvářet vnitřní modely světa, ve kterých tyto systémy existují. Na tomto základě pak přijímají účelná rozhodnutí, předvídají důsledky těchto rozhodnutí a objevují nové zákonitosti mezi různými modely nebo jejich skupinami. Umělá inteligence se pokouší převádět funkce živého organismu na neživé stroje. Snahou je rozpoznat a formulovat funkce přirozené inteligence tak, aby tyto funkce mohly být využity při návrhu strojů a zařízení. Do oblasti umělé inteligence zařazujeme takové úlohy, při jejichž řešení používá člověk inteligentní postup. Slabým místem takové definice AI je mlhavost a obtížná měřitelnost pojmu inteligentní postup. 1.4 Historie a současnost umělé inteligence Původně vznikla umělá inteligence pouze pro použití v robotice. Roboti s prvky AI dostali označení kognitivní (= vnímavý, hodnotící). Počítačové AI použila ve větším měřítku NASA k řízení a kontrole letu družic. Je zřejmé, že základem AI je počítač, bez počítače by nebylo AI. Podle toho, jakou roli hraje počítač v AI, dělíme umělou inteligenci do dvou skupin: slabá počítač je pouze užitečný nástroj silná počítač přímo myslí a pomocí programu i chápe Historický vývoj: r.1941 První použití elektronického počítače v Německu využíván převážně pro vojenské účely výpočet drah raket V1 a V2. r.1950 Objevení principu zpětné vazby (Norbert Wiener). -3-
4 r.1955 Autoři A.Newell a H.A.Simon vyvinuli The Logic Theorist, považovaný za první program AI. Program reprezentuje každý problém jako stromový model (tree model) a řešení spočívalo v hledání větve, jejíž výsledek byl s největší pravděpodobností ten správný. r.1956 Otec AI, John McCarthy, zorganizoval konferenci o strojové inteligenci ve Vermontu The Dartmouth Summer Research Project on Artificial Inteligence. r.1957 Testování první verze programu The General Problem Solver 1. r.1958 John McCarthy vytvořil jazyk AI vývojářů LISP (LISt Processing) = zpracování seznamů. r.1963 Na Carnegie Mellon a na MIT se zformovala první centra výzkumu AI. 70. léta Nástup expertních systémů rozvoj systémů rozeznávání obrazů - objev fuzzy logiky a neuronových sítí. r.1972 Vytvoření jazyka PROLOG 2 (PROgramming in LOGic). r.1976 Expertní systém MYCIN (používaný k diagnóze chorob) Porovnání rozsahu úlohy a času na její řešení Některé problémy řadíme do skupiny tzv. nondeterministic polynomial (NP) problémy. Jsou to problémy kombinatorického charakteru, kdy počet alternativ narůstá faktoriálně s počtem uvažovaných prvků systému. Hovoříme o tzv. kombinatorické explozi. Např. pro 10 úrovní a 10 možnostech v každé úrovni existuje 10 miliard možných kombinací. Řešení takových problémů je v polynomiálně omezeném čase (výpočetní čas je úměrný nějaké mocnině počtu prvků) výpočetně nezvládnutelný. Bez ohledu na rychlost prováděných operací na počítači bude vždy existovat horní hranice rozměru systému, který je řešitelný v rozumném čase. Pro ilustraci časové nezvládnutelnosti problémů faktoriálního charakteru lze uvést srovnání potřebných časů výpočtu pro soubory o daném počtu prvků. Dobu provedení jedné operace uvažujeme 1 μs. operace Počet operací (n) n 5 μs 10 μs 50 μs 100 μs n μs 1 ms 125 ms 1 s 2 n 32 μs 1,024 ms 35,7 let 4, let n! 120 μs 3,6288 s 9, let 2, let Tabulka 1 - Doba výpočtu při počtu prvků v souboru n 1 hod = s 1 den = s 1 rok = s 1 GPS byl navržen jako univerzální nástroj pro řešení různých problémů. Byl prvním počítačovým programem, který oddělil znalosti o problému od strategie řešení problému. Autoři vycházeli z představy, že lidské myšlení se uskutečňuje koordinovanou manipulací se symboly, jako je např. vyhledávání, porovnávání, slučování, modifikace, nahrazování, rušení. Takovýto systém při řešení úlohy postupoval krok za krokem od počátečního stavu do stavu cílového. Novým prvkem se stalo rozkládání složitějších úloh na jednoduché podúlohy. Řešení má potom tvar stromu. 2 Prolog je logický programovací jazyk. Patří mezi tzv. deklarativní programovací jazyky, ve kterých programátor popisuje pouze cíl výpočtu, přičemž přesný postup, jakým se k výsledku program dostane, je ponechán na libovůli systému. -4-
5 Obecně se soudí, že čím méně neúspěšných variant se analyzuje, tím je takový postup inteligentnější. V oblasti umělé inteligence existuje soubor deseti úloh, které jsou považovány jako test při rozhodování, zda je systém obdařen umělou inteligencí nebo ne: Nalezení optimální varianty na základě daných kritérií Schopnost učení ze zkušenosti předcházející zkušenost ovlivňuje rozhodování v budoucnu Úlohy o podobnosti nalezení znaků podobnosti Adaptace (schopnost učení) při změnách okolních podmínek Schopnost řízení paralelních procesů Schopnost pokračování i při neúplné informaci Schopnost abstrakce zjednodušování problému Schopnost generalizace opak abstrakce konstrukce obecného závěru Schopnost predikce Rozvrhování činností využití schopností systému v jiném prostředí V praxi se obvykle jedná o kombinaci schopností řešit některé z daných úloh, některé jsou řešeny lépe, jiné hůře. Taková kombinace potom určuje výslednou inteligenci systému (to platí i o inteligenci přirozené). 2 Rozdělení umělé inteligence Rozdělit umělou inteligenci na různé obory a podobory je velmi obtížné. Ty jsou totiž velmi často těsně svázány. Pro větší přehlednost je ale vhodné se o nějaké rozčlenění pokusit. Rozdělme tedy tento vědní obor na dvě části. První část budou jednotlivé obory umělé inteligence. Druhou skupinu budou tvořit techniky, které umělá inteligence využívá ve většině oblastí, do kterých proniká. 2.1 Obory umělé inteligence Umělou inteligenci svým rozsahem spadá do mnoha oblastí lidské činnosti. Byla vyvinuta řada technik a přístupů přičemž některé z nich jsou uvedeny v následujícím stručném přehledu. Neuronové sítě Jsou jedním z výpočetních modelů používaných v umělé inteligenci. Je to struktura určená pro distribuované paralelní zpracování dat. Jejím vzorem je chování odpovídajících biologických struktur. Používají se mimo jiné pro rozpoznávání a kompresi obrazu nebo zvuku či předvídání vývoje časových řad (např. burzovních indexů). Genetické algoritmy Používají techniky napodobující evoluční procesy známé z biologie - dědičnost, mutace, přirozený výběr a křížení. Používají se k řešení optimalizačních úloh. Strojové učení Do této oblasti spadají algoritmy a techniky, které umožňují počítačovému systému 'učit se'. Učením v tomto kontextu rozumíme takovou změnu vnitřního stavu systému, která zefektivní schopnost přizpůsobení se změnám okolního prostředí. Strojové učení se využívá například v biomedicínské informatice (tzv. systémy pro podporu rozhodování), při rozlišení nelegálního užití kreditních karet nebo při rozpoznávání řeči a psaného textu. -5-
6 Expertní systémy Jedná se o počítačové programy, které mají za úkol poskytovat expertní rady, rozhodnutí nebo doporučovat řešení v konkrétní situaci. Jsou navrženy tak, aby mohly zpracovávat nenumerické a neurčité informace a řešit tak úlohy, které nejsou řešitelné tradičními algoritmickými postupy. Mají dvě základní komponenty, které jsou na sobě relativně nezávislé. Řídící mechanismus pro odvozování závěrů a bázi znalostí. Expertních systém může být využíván ke čtyřem různým úkolům. Můžou sloužit jako rádce. V tomto režimu shromažďují a poskytují specializované expertní znalosti. V režimu knihovník pomáhají lidem hledat, organizovat a interpretovat informace potřebné k řešení úloh. Jako asistent zabezpečují řešení některých rutinních úloh a umožňují lidem věnovat se kreativnějším aspektům řešení úkolu. Jako instruktor pomáhají uživatelům získávat potřebné znalosti a řešit úkoly. Rozpoznávání Úloha rozpoznávání spočívá v zařazování objektů, popř. jevů a situací reálného světa, do tříd. Každý z posuzovaných objektů je při dostatečně podrobném popisu jedinečný. 2.2 Techniky umělé inteligence Do této oblasti lze zařadit různé techniky pro ukládání znalostí. Rovněž zde patří algoritmy, které jsou využívány při prohledávání stavového prostoru Reprezentace znalostí K reprezentaci znalostí lze využít několika různých přístupů. V následujícím textu jsou uvedeny čtyři postupy, které lze využít pro ukládání informací. Predikátorová logika K ukládání znalostí se využívá predikátorové logiky 1. řádu. Jazyk predikátové logiky se skládá z: 1. logických symbolů.: a) spočetné množiny individuálních proměnných b) výrokových logických spojek:,,,, c) obecného kvantifikátoru a existenčního kvantifikátoru 2. speciálních symbolů.: a) Množiny predikátových symbolu (nesmí být prázdná) b) Množiny konstantních symbolu (muže být prázdná) c) Množiny funkčních symbolu (muže být prázdná) 3. pomocných symbolů, jako jsou závorky (, [,),] a čárka. Každý predikátorový a funkční symbol má přiřazené celé číslo, které určuje kolik argumentů symbol přijímá (tzv. četnost). Konstanty jazyka chápeme jako funkční symboly četnosti nula. Pro přehlednost budeme značit predikátové symboly velkými písmeny, konstantní a funkční symboly malými písmeny. Proměnné se rovněž budou značit malými písmeny. Funkční a predikátorové symboly lze taky chápat jako slova jazyka. Množina funkčních a predikátorových symbolů představuje slovník, ze kterého s využitím proměnných, logických spojek a kvantifikátorů tvoříme formule, které můžeme považovat za věty. Proto lze množinu všech vět a predikátorových symbolů ztotožňovat s jazykem. -6-
7 PŘÍKLAD Úkolem je popsat pomocí predikátorové logiky uspořádání krychlí na pracovní ploše robota. Máme celkem 3 krychle různé barvy modrou, zelenou a žlutou. Žlutá krychle leží na pracovní podložce, zelená leží na žluté a modrá na zelené. Definujme objekty a relaci podpírá Relace podpírá má četnost dva, kde první proměnná udává spodní kostku a druhá kostku na ní ležící. V této interpretaci jsou splněny formule Ale například formule splněna není. Produkční systémy Produkční systém je tvořen třemi částmi: 1. Souborem produkčních pravidel ve tvaru. Situační část pravidla popisuje podmínku, za které může být pravidlo použito. Pravidla jsou uložena v paměti produkčních pravidel. 2. Pracovní pamětí, též nazývanou báze dat. V ní jsou uložena jak počáteční data, tak i data odvozená. Tato část paměti popisuje okamžitý stav řešené úlohy. 3. Inferenčním strojem, který je také nazýván interpret pravidel. Provádí porovnání dat v pracovní paměti s produkčními pravidly. Vybírá pravidla vhodná k vykonání a provede příslušnou akci. Produkční systém pracuje obvykle v cyklu. Sémantické sítě V sémantických sítích jsou znalosti reprezentovány pomocí objektů (entit) a binárních či víceargumentových relací mezi nimi (víceargumentovou relaci lze vždy převést na množinu relací binárních). Sémantické sítě mají přirozenou grafovou reprezentaci. Každý uzel grafu odpovídá jistému objektu a každá hrana odpovídá binární relaci. V sémantických sítích lze výhodně vyjadřovat vztahy množinové inkluze a příslušnosti k množině. Ty umožňují efektivně reprezentovat hierarchické uspořádání objektů. Pak lze přímočaře provádět odvozování specializací (informace se přenášejí od obecnějších typů ke specializovanějším) či generalizací. V jedné sémantické síti mohou být znalosti asociovány z mnoha různých hledisek. -7-
8 PŘÍKLAD Mějme tři osoby Karla, Marii a Jiřího. Karel dluží Marii a Jiřímu. Definujme relaci půjčka, která dává do vztahu dlužníka a věřitele v tomto pořadí. Potom platí: Grafický lze vztahy znázornit obrázkem is-a půjčka is-a půjčka 1 půjčka 2 Dlužník Dlužník Věřitel Věřitel Karel Marie Jiří Rámce Rámce jsou dalším schématem reprezentace znalostí, které používá k popisování objektů v bázi znalostí. Stejně jako u sémantických sítí jsou informace sdružovány podle podobné sémantiky. Rámce se skládají z položek, které slouží k popisu jednotlivých vlastností objektu. V průběhu užívání rámce nabývají položky konkrétních hodnot. Rámce budeme zapisovat pomocí tabulek. Například JMÉNO RÁMCE: Srub položky: ČÍSLO RÁMCE: 1 IS-A: stavba OKNO: dřevěné TOPENÍ: na dřevo STŘECHA: šindelová Položka ČÍSLO RÁMCE slouží jako identifikátor. Popis položek se skládá z jejího jména (např. okna) a z hodnoty (např. dřevěná). Jména položek odpovídají hranám sémantických sítí, jejich hodnoty uzlům. Rámce však umožňují dále členit jednotlivé položky, což umožňuje zaznamenávat další informace o popisované vlastnosti objektu. Položky dělíme na fasety. Protože jsou položky dále členěny, stává se původní hodnota položky pouze jednou z faset. Její jméno je hodnota položky a do této fasety uložíme příslušný údaj. Tedy například okno má fasetu hodnota, která obsahuje údaj dřevěné. V tabulce budeme zapisovat položku takto: -8-
9 JMÉNO RÁMCE: Srub položky: ČÍSLO RÁMCE: 2 IS-A: stavba OKNO: hodnota: dřevěné TOPENÍ: na dřevo STŘECHA: šindelová V rámci číslo 1 měla tedy každá položka jedinou fasetu, a to právě svoji hodnotu. Vzniku nekonzistence při dědění hodnoty se zabraňuje přidáním fasety předpokládaná hodnota. Ta může být buď vyplněna děděním, nebo může být zadána. Existence předpokládaných hodnot umožňuje vyšetřovat položky pouze tehdy, když nastává ve znalostech nesouhlas. Tento způsob odpovídá našim představám o inteligentním chování (např. přijdeme-li ráno k autu, kde jsme večer nechali půl nádrže benzínu, předpokládáme, že benzín v nádrži je). Ke každé fasetě může být přiřazen jeden či několik démonů. Démon je spící procedura, která se aktivuje, nastane-li určitá událost (např. démon if cleared se spouští při mazání obsahu fasety). -9-
Základy 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
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:
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
Více5. Umělé neuronové sítě. Neuronové sítě
Neuronové sítě Přesný algoritmus práce přírodních neuronových systémů není doposud znám. Přesto experimentální výsledky na modelech těchto systémů dávají dnes velmi slibné výsledky. Tyto systémy, včetně
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:
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
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
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
VíceTřídy složitosti P a NP, NP-úplnost
Třídy složitosti P a NP, NP-úplnost Cíle přednášky: 1. Definovat, za jakých okolností můžeme problém považovat za efektivně algoritmicky řešitelný. 2. Charakterizovat určitou skupinu úloh, pro které není
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,
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
VíceMatematická logika. Rostislav Horčík. horcik
Matematická logika Rostislav Horčík horcik@math.feld.cvut.cz horcik@cs.cas.cz www.cs.cas.cz/ horcik Rostislav Horčík (ČVUT FEL) Y01MLO Letní semestr 2007/2008 1 / 20 Predikátová logika Motivace Výroková
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
VíceALGORITMY A DATOVÉ STRUKTURY
Název tématického celku: Cíl: ALGORITMY A DATOVÉ STRUKTURY Metodický list č. 1 Časová složitost algoritmů Základním cílem tohoto tematického celku je vysvětlení potřebných pojmů a definic nutných k popisu
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
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
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
VíceNP-ÚPLNÉ PROBLÉMY. Doc. RNDr. Josef Kolář, CSc. Katedra teoretické informatiky, FIT České vysoké učení technické v Praze
NP-ÚPLNÉ PROBLÉMY Doc. RNDr. Josef Kolář, CSc. Katedra teoretické informatiky, FIT České vysoké učení technické v Praze BI-GRA, LS 2010/2011, Lekce 13 Evropský sociální fond Praha & EU: Investujeme do
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
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
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
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
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
VíceSIGNÁLY A LINEÁRNÍ SYSTÉMY
SIGNÁLY A LINEÁRNÍ SYSTÉMY prof. Ing. Jiří Holčík, CSc. INVESTICE Institut DO biostatistiky ROZVOJE VZDĚLÁVÁNÍ a analýz VII. SYSTÉMY ZÁKLADNÍ POJMY SYSTÉM - DEFINICE SYSTÉM (řec.) složené, seskupené (v
VíceGIS Geografické informační systémy
GIS Geografické informační systémy Obsah přednášky Prostorové vektorové modely Špagetový model Topologický model Převody geometrií Vektorový model Reprezentuje reálný svět po jednotlivých složkách popisu
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
VíceHistorie a vývoj umělé inteligence
Historie a vývoj umělé inteligence 11. února 2015 1-1 Co je to inteligence? Encyklopedie Duden : Intelligenz = Fähigkeit des Menschen abstrakt und vernünftig zu denken und daraus zweckvolles Handeln abzuleiten.
VíceUnární je také spojka negace. pro je operace binární - příkladem může být funkce se signaturou. Binární je velká většina logických spojek
Otázka 06 - Y01MLO Zadání Predikátová logika, formule predikátové logiky, sentence, interpretace jazyka predikátové logiky, splnitelné sentence, tautologie, kontradikce, tautologicky ekvivalentní formule.
VíceOSA. maximalizace minimalizace 1/22
OSA Systémová analýza metodika používaná k navrhování a racionalizaci systémů v podmínkách neurčitosti vyšší stupeň operační analýzy Operační analýza (výzkum) soubor metod umožňující řešit rozhodovací,
VíceVyhledávání. doc. Mgr. Jiří Dvorský, Ph.D. Katedra informatiky Fakulta elektrotechniky a informatiky VŠB TU Ostrava. Prezentace ke dni 21.
Vyhledávání doc. Mgr. Jiří Dvorský, Ph.D. Katedra informatiky Fakulta elektrotechniky a informatiky VŠB TU Ostrava Prezentace ke dni 21. září 2018 Jiří Dvorský (VŠB TUO) Vyhledávání 242 / 433 Osnova přednášky
VíceGIS Geografické informační systémy
GIS Geografické informační systémy Obsah přednášky Prostorové vektorové modely Špagetový model Topologický model Převody geometrií Vektorový model Reprezentuje reálný svět po jednotlivých složkách popisu
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
VíceMETODY DOLOVÁNÍ V DATECH DATOVÉ SKLADY TEREZA HYNČICOVÁ H2IGE1
METODY DOLOVÁNÍ V DATECH DATOVÉ SKLADY TEREZA HYNČICOVÁ H2IGE1 DOLOVÁNÍ V DATECH (DATA MINING) OBJEVUJE SE JIŽ OD 60. LET 20. ST. S ROZVOJEM POČÍTAČOVÉ TECHNIKY DEFINICE PROCES VÝBĚRU, PROHLEDÁVÁNÍ A MODELOVÁNÍ
VíceVýroková a predikátová logika - II
Výroková a predikátová logika - II Petr Gregor KTIML MFF UK ZS 2015/2016 Petr Gregor (KTIML MFF UK) Výroková a predikátová logika - II ZS 2015/2016 1 / 18 Základní syntax Jazyk Výroková logika je logikou
VíceVzdělávací oblast: Matematika a její aplikace Vzdělávací obor: Matematický kroužek pro nadané žáky ročník 9.
Vzdělávací oblast: Matematika a její aplikace Vzdělávací obor: Matematický kroužek pro nadané žáky ročník 9. Školní rok 2013/2014 Mgr. Lenka Mateová Kapitola Téma (Učivo) Znalosti a dovednosti (výstup)
Více4.9.70. Logika a studijní předpoklady
4.9.70. Logika a studijní předpoklady Seminář je jednoletý, je určen pro studenty posledního ročníku čtyřletého studia, osmiletého studia a sportovní přípravy. Cílem přípravy je orientace ve formální logice,
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
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
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.
VíceÚvod do informatiky. Miroslav Kolařík
Úvod do informatiky přednáška devátá Miroslav Kolařík Zpracováno dle učebního textu prof. Bělohlávka: Úvod do informatiky, KMI UPOL, Olomouc 2008 Obsah 1 Kombinatorika: princip inkluze a exkluze 2 Počítání
VíceAlgoritmizace Dynamické programování. Jiří Vyskočil, Marko Genyg-Berezovskyj 2010
Dynamické programování Jiří Vyskočil, Marko Genyg-Berezovskyj 2010 Rozděl a panuj (divide-and-conquer) Rozděl (Divide): Rozděl problém na několik podproblémů tak, aby tyto podproblémy odpovídaly původnímu
VíceZápadočeská univerzita v Plzni. Fakulta aplikovaných věd. Ivana Kozlová. Modely analýzy obalu dat
Západočeská univerzita v Plzni Fakulta aplikovaných věd SEMESTRÁLNÍ PRÁCE Z PŘEDMĚTU MATEMATICKÉ MODELOVÁNÍ Ivana Kozlová Modely analýzy obalu dat Plzeň 2010 Obsah 1 Efektivnost a její hodnocení 2 2 Základní
Více4.2 Syntaxe predikátové logiky
36 [070507-1501 ] 4.2 Syntaxe predikátové logiky V tomto oddíle zavedeme syntaxi predikátové logiky, tj. uvedeme pravidla, podle nichž se tvoří syntakticky správné formule predikátové logiky. Význam a
VíceObsah. Zpracoval:
Zpracoval: houzvjir@fel.cvut.cz 03. Modelem řízený vývoj. Doménový (business), konceptuální (analytický) a logický (návrhový) model. Vize projektu. (A7B36SIN) Obsah Modelem řízený vývoj... 2 Cíl MDD, proč
VíceFuzzy množiny, Fuzzy inference system. Libor Žák
Fuzzy množiny, Fuzzy inference system Proč právě fuzzy množiny V řadě případů jsou parametry, které vstupují a ovlivňují vlastnosti procesu, popsané pomocí přibližných nebo zjednodušených pojmů. Tedy
VíceVyhledávání. doc. Mgr. Jiří Dvorský, Ph.D. Katedra informatiky Fakulta elektrotechniky a informatiky VŠB TU Ostrava. Prezentace ke dni 12.
Vyhledávání doc. Mgr. Jiří Dvorský, Ph.D. Katedra informatiky Fakulta elektrotechniky a informatiky VŠB TU Ostrava Prezentace ke dni 12. září 2016 Jiří Dvorský (VŠB TUO) Vyhledávání 201 / 344 Osnova přednášky
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
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
Více+ 1. doc. Ing. Jan Skrbek, Dr. - KIN. Konzultace: pondělí nebo dle dohody. Spojení:
Informatika I - 5 Sémiotický model informací Sémantická a pragmatická pravidla zpracování informací, znalosti, kompetence, hodnota informace, rozhodování. Přednáší: doc. Ing. Jan Skrbek, Dr. - KIN Konzultace:
VíceEXPERTNÍ SYSTÉMY V CHOVU VČEL A MOŽNOSTI JEJICH VYUŽITÍ V. Vostrovský Katedra informatiky, Vysoká škola zemědělská, 165 21 Praha 6 Suchdol, tel.
EXPERTNÍ SYSTÉMY V CHOVU VČEL A MOŽNOSTI JEJICH VYUŽITÍ V. Vostrovský Katedra informatiky, Vysoká škola zemědělská, 165 21 Praha 6 Suchdol, tel. (02)3382274, fax. (02)393708 Anotace: Příspěvek popisuje
VíceZÁKLADNÍ METODOLOGICKÁ PRAVIDLA PŘI ZPRACOVÁNÍ ODBORNÉHO TEXTU. Martina Cirbusová (z prezentace doc. Škopa)
ZÁKLADNÍ METODOLOGICKÁ PRAVIDLA PŘI ZPRACOVÁNÍ ODBORNÉHO TEXTU Martina Cirbusová (z prezentace doc. Škopa) OSNOVA Metodologie vs. Metoda vs. Metodika Základní postup práce Základní vědecké metody METODOLOGIE
VíceZáklady teorie pravděpodobnosti Kapitola: Numerické výpočty příklad 2. Stránka v kapitole 1. Příklad 2. Modifikace M systému k=6p.
Základy teorie pravděpodobnosti Kapitola: Numerické výpočty příklad 2. Stránka v kapitole 1 Příklad 2. Výpočet pomocí rozšířeného Bernoulliho schematu. Příklad řeší výpočtem rozložení prvků losovaných
VíceModely Herbrandovské interpretace
Modely Herbrandovské interpretace Petr Štěpánek S využitím materialu Krysztofa R. Apta 2006 Logické programování 8 1 Uvedli jsme termové interpretace a termové modely pro logické programy a také nejmenší
VíceÚloha ve stavovém prostoru SP je <s 0, C>, kde s 0 je počáteční stav C je množina požadovaných cílových stavů
Stavový prostor a jeho prohledávání SP = formalismus k obecnějšímu uchopení a vymezení problému, který spočívá v nalezení posloupnosti akcí vedoucích od počátečního stavu úlohy (zadání) k požadovanému
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
VíceASK. Test deduktivního a kreativního myšlení. HTS Report. Jan Ukázka ID Datum administrace Standard 1. vydání
ASK Test deduktivního a kreativního myšlení HTS Report ID 8389-226 Datum administrace 04.12.2018 Standard 1. vydání PŘEHLED VÝSLEDKŮ ASK 2/8 Přehled výsledků Analýza deduktivního a kreativního myšlení
VíceDatová věda (Data Science) akademický navazující magisterský program
Datová věda () akademický navazující magisterský program Reaguje na potřebu, kterou vyvolala rychle rostoucí produkce komplexních, obvykle rozsáhlých dat ve vědě, v průmyslu a obecně v hospodářských činnostech.
VíceTeorie systémů TES 1. Úvod
Evropský sociální fond. Praha & EU: Investujeme do vaší budoucnosti. Teorie systémů TES 1. Úvod ZS 2011/2012 prof. Ing. Petr Moos, CSc. Ústav informatiky a telekomunikací Fakulta dopravní ČVUT v Praze
VíceReálná čísla a výrazy. Početní operace s reálnými čísly. Složitější úlohy se závorkami. Slovní úlohy. Číselné výrazy. Výrazy a mnohočleny
A B C D E F 1 Vzdělávací oblast: Matematika a její aplikace 2 Vzdělávací obor: Cvičení z matematiky 3 Ročník: 9. 4 Klíčové kompetence (Dílčí kompetence) 5 Kompetence k učení učí se vybírat a využívat vhodné
VíceFunkcionální programování. Kristýna Kaslová
Funkcionální programování Kristýna Kaslová Historie Alonzo Church (30. léta) Netypovaný lambda kalkul Základ prvních funkcionálních jazyků Jeho konstrukce i v mnoha současných programovacích jazycích (Python)
VíceVýroková a predikátová logika - II
Výroková a predikátová logika - II Petr Gregor KTIML MFF UK ZS 2017/2018 Petr Gregor (KTIML MFF UK) Výroková a predikátová logika - II ZS 2017/2018 1 / 17 Předběžnosti Základní pojmy n-ární relace a funkce
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
VíceObjektově orientované technologie Business proces Diagram aktivit. Daniela Szturcová
Objektově orientované technologie Business proces Diagram aktivit Daniela Szturcová Osnova Bysnys proces pojmy metody, specifikace pomocí diagramů Modelování pomocí aktivitního diagramu prvky diagramu
VíceEvoluční výpočetní techniky (EVT)
Evoluční výpočetní techniky (EVT) - Nacházejí svoji inspiraci v přírodních vývojových procesech - Stejně jako přírodní jevy mají silnou náhodnou složku, která nezanedbatelným způsobem ovlivňuje jejich
Více3.2 MATEMATIKA A JEJÍ APLIKACE (M) Charakteristika vzdělávací oblasti
3.2 MATEMATIKA A JEJÍ APLIKACE (M) 51 Charakteristika vzdělávací oblasti Vzdělávací oblast matematika a její aplikace v základním vzdělávání je založena především na aktivních činnostech, které jsou typické
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
VíceÚloha - rozpoznávání číslic
Úloha - rozpoznávání číslic Vojtěch Franc, Tomáš Pajdla a Tomáš Svoboda http://cmp.felk.cvut.cz 27. listopadu 26 Abstrakt Podpůrný text pro cvičení předmětu X33KUI. Vysvětluje tři způsoby rozpoznávání
VíceSYSTÉMOVÁ METODOLOGIE (VII) Kybernetika. Ak. rok 2011/2012 vbp 1
SYSTÉMOVÁ METODOLOGIE (VII) Kybernetika Ak. rok 2011/2012 vbp 1 ZÁKLADNÍ SMĚRY A DISCIPLÍNY Teoretická kybernetika (vědecký aparát a metody ke zkoumání kybernetických systémů; používá abstraktní modely
Více1 VZNIK, VÝVOJ A DEFINICE MECHATRONIKY
1 VZNIK, VÝVOJ A DEFINICE MECHATRONIKY 1.1 VÝVOJ MECHATRONIKY Ve vývoji mechatroniky lze vysledovat tři období: 1. etapa polovina 70. let, Japonsko, založení nového oboru shrnuje poznatky z mechaniky,
VíceU Úvod do modelování a simulace systémů
U Úvod do modelování a simulace systémů Vyšetřování rozsáhlých soustav mnohdy nelze provádět analytickým výpočtem.často je nutné zkoumat chování zařízení v mezních situacích, do kterých se skutečné zařízení
VíceTento výukový materiál vznikl za přispění Evropské unie, státního rozpočtu ČR a Středočeského kraje. Mgr. Monika Řezáčová
Tento výukový materiál vznikl za přispění Evropské unie, státního rozpočtu ČR a Středočeského kraje Leden 2011 Mgr. Monika Řezáčová věda o psychické regulaci chování a jednání člověka a o jeho vlastnostech
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
VíceAlgoritmizace prostorových úloh
INOVACE BAKALÁŘSKÝCH A MAGISTERSKÝCH STUDIJNÍCH OBORŮ NA HORNICKO-GEOLOGICKÉ FAKULTĚ VYSOKÉ ŠKOLY BÁŇSKÉ - TECHNICKÉ UNIVERZITY OSTRAVA Algoritmizace prostorových úloh Grafové úlohy Daniela Szturcová Tento
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
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
VíceSložitost 1.1 Opera ní a pam ová složitost 1.2 Opera ní složitost v pr rném, nejhorším a nejlepším p ípad 1.3 Asymptotická složitost
1 Složitost 1.1 Operační a paměťová složitost Nezávislé určení na konkrétní implementaci Několik typů operací = sčítání T+, logické T L, přiřazení T A(assign), porovnání T C(compare), výpočet adresy pole
VíceMETODICKÝ APARÁT LOGISTIKY
METODICKÝ APARÁT LOGISTIKY Metodický aparát logistiky jedná se o metody sloužící k rozhodování při logistických problémech Metodu = použijeme, v případě vzniku problému. Problém = vzniká v okamžiku, když
VíceÚvod do informatiky. Miroslav Kolařík. Zpracováno dle učebního textu R. Bělohlávka: Úvod do informatiky, KMI UPOL, Olomouc 2008.
Úvod do informatiky přednáška čtvrtá Miroslav Kolařík Zpracováno dle učebního textu R. Bělohlávka: Úvod do informatiky, KMI UPOL, Olomouc 2008. Obsah 1 Pojem relace 2 Vztahy a operace s (binárními) relacemi
VíceProjekční algoritmus. Urychlení evolučních algoritmů pomocí regresních stromů a jejich zobecnění. Jan Klíma
Urychlení evolučních algoritmů pomocí regresních stromů a jejich zobecnění Jan Klíma Obsah Motivace & cíle práce Evoluční algoritmy Náhradní modelování Stromové regresní metody Implementace a výsledky
VíceA0M33EOA: Evoluční optimalizační algoritmy
A0M33EOA: Evoluční optimalizační algoritmy Zkouškový test Pátek 8. února 2011 Vaše jméno: Známka, kterou byste si z předmětu sami dali, a její zdůvodnění: Otázka: 1 2 3 4 5 6 7 8 Celkem Body: 1 3 2 1 4
Více28.z-8.pc ZS 2015/2016
Ústav technologie, mechanizace a řízení staveb Teorie měření a regulace počítačové řízení 5 28.z-8.pc ZS 2015/2016 2015 - Ing. Václav Rada, CSc. Další hlavní téma předmětu se dotýká obsáhlé oblasti logického
VíceMETODY ŘEŠENÍ ÚLOH MX2M
METODY ŘEŠENÍ ÚLOH MX2M doc. RNDr. Jana Příhonská, Ph.D., jana.prihonska@tul.cz, linka 2370 Rozdělení úloh Podle obsahu, zadání, požadavku Podle využité řešitelské strategie Podle poznávacích procesů Podle
VíceMatematická logika. Miroslav Kolařík
Matematická logika přednáška šestá Miroslav Kolařík Zpracováno dle textu R. Bělohlávka: Matematická logika poznámky k přednáškám, 2004. a dle učebního textu R. Bělohlávka a V. Vychodila: Diskrétní matematika
VíceKategorie vytvořené na základě RVP a projektu Evaluace inf. gramotnosti žáků ZŠ.
Specialista Profík Objevitel Průzkumník Začátečník Kategorie vytvořené na základě RVP a projektu Evaluace inf. gramotnosti žáků ZŠ. Dovednost řešit problémy žák teprve získává, zatím neumí řešit bez pomoci
VíceAlgoritmus. Přesné znění definice algoritmu zní: Algoritmus je procedura proveditelná Turingovým strojem.
Algoritmus Algoritmus je schematický postup pro řešení určitého druhu problémů, který je prováděn pomocí konečného množství přesně definovaných kroků. nebo Algoritmus lze definovat jako jednoznačně určenou
VíceKaždé formuli výrokového počtu přiřadíme hodnotu 0, půjde-li o formuli nepravdivou, a hodnotu 1, půjde-li. α neplatí. β je nutná podmínka pro α
1. JAZYK ATEATIKY 1.1 nožiny nožina je souhrn objektů určitých vlastností, které chápeme jako celek. ZNAČENÍ. x A x A θ A = { { a, b a A = B A B 0, 1 2 a, a,..., a n x patří do množiny A x nepatří do množiny
Vícejednoduchá heuristika asymetrické okolí stavový prostor, kde nelze zabloudit připustit zhoršují cí tahy Pokročilé heuristiky
Pokročilé heuristiky jednoduchá heuristika asymetrické stavový prostor, kde nelze zabloudit připustit zhoršují cí tahy pokročilá heuristika symetrické stavový prostor, který vyžaduje řízení 1 2 Paměť pouze
VíceIng. Petr Hájek, Ph.D. Podpora přednášky kurzu Aplikace umělé inteligence
APLIKACE UMĚLÉ INTELIGENCE Ing. Petr Hájek, Ph.D. Podpora přednášky kurzu Aplikace umělé inteligence Aplikace umělé inteligence - seminář ING. PETR HÁJEK, PH.D. ÚSTAV SYSTÉMOVÉHO INŽENÝRSTVÍ A INFORMATIKY
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
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
VíceLogika a jazyk. filosofický slovník, Praha:Svoboda 1966)
Logika a jazyk V úvodu bylo řečeno, že logika je věda o správnosti (lidského) usuzování. A protože veškeré usuzování, odvozování a myšlení vůbec se odehrává v jazyce, je problematika jazyka a jeho analýza
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
Více11. Tabu prohledávání
Jan Schmidt 2011 Katedra číslicového návrhu Fakulta informačních technologií České vysoké učení technické v Praze Zimní semestr 2011/12 MI-PAA EVROPSKÝ SOCIÁLNÍ FOND PRAHA & EU: INVESTUJENE DO VAŠÍ BUDOUCNOSTI
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
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?
VíceAlgoritmizace. 1. Úvod. Algoritmus
1. Úvod Algoritmizace V dnešní době již počítače pronikly snad do všech oblastí lidské činnosti, využívají se k řešení nejrůznějších úkolů. Postup, který je v počítači prováděn nějakým programem se nazývá
VíceDatové struktury 2: Rozptylovací tabulky
Datové struktury 2: Rozptylovací tabulky prof. Ing. Pavel Tvrdík CSc. Katedra počítačových systémů Fakulta informačních technologií České vysoké učení technické v Praze c Pavel Tvrdík, 2010 Efektivní algoritmy
VíceVýroková a predikátová logika - III
Výroková a predikátová logika - III Petr Gregor KTIML MFF UK ZS 2014/2015 Petr Gregor (KTIML MFF UK) Výroková a predikátová logika - III ZS 2014/2015 1 / 21 Výroková logika Horn-SAT Horn-SAT Jednotková
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.
Více4. Úvod do paralelismu, metody paralelizace
4. Úvod do paralelismu, metody paralelizace algoritmů Ing. Michal Bližňák, Ph.D. Ústav informatiky a umělé inteligence Fakulta aplikované informatiky UTB Zĺın Paralelní procesy a programování, Zĺın, 26.
Více