Vývojové trendy 1. Dnešní téma. Vývojové trendy 2. Vývojové trendy ve zpracování informací a znalostí
|
|
- Martina Vlčková
- před 8 lety
- Počet zobrazení:
Transkript
1 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 není výzkumná sféra, ale sféra byznysu (obchod, bankovnictví, pojišťovnictví, telekomunikace), která má k dispozici velké objemy dat a zadává požadavky na vývoj práce s nimi (+ financuje nákladné projekty). digitalizace, elektronizace přechod k elektronickým dokumentům computer mediated communication e-business, e-learning, e-science, e-health 2 konvergence Vývojové trendy 2 médií (multimedialita, MashUp) technologií (mobilní telefon?) aktivit (informačních, kulturních, volnočasových ) decentralizace distribuované zdroje individualizace přístupu k informacím kolaborativní přístup k zpracování a k vytváření informací (Web 2.0) Osobnost roku 2006 Vy od dat k informacím, od informací k znalostem 3 Rekapitulace č. 1 znalosti témata 4 1
2 Vývojové trendy hrozby? Vývojové trendy ve zpracování informací a znalostí industrializace, specializace (informační průmysl), komercionalizace (informační kapitalismus), koncentrace, globalizace slábnutí veřejných služeb, nejasná informační politika nadvláda (americké) angličtiny, ohrožení "nepočítačových" jazyků Znalosti příspěvky digital divide, information rich information poor, technologický apartheid 5 Znalostní management Využití umělé inteligence Sémantický web Zpracování přirozeného jazyka 6 Rekapitulace č. 2 Znalost (poznatek) je, když víme: Rekapitulace č. 3 Informační management Co to je? Co to znamená? deklarativní Jak to probíhá? Jak to funguje? Jak se to dělá? procedurální 7 Správa informací v podniku řešené problémy: využití informací v rozhodovacích a řídících procesech integrace informačních zdrojů a aktivit do podnikových procesů návrh, implementace a provoz podnikových informačních systémů a služeb 8 2
3 Rekapitulace č. 4 Znalostní management knowledge management, KM Správa znalostí v podniku řešené problémy: to samé jako IM (informace znalosti) + převod implicitních znalostí na explicitní reprezentace znalostí (převod znalostí na informace) sdílení a transfer znalostí 9 Explicitní znalost Logicky zformulovaná a abstraktně vyjádřená znalost, zaznamenaná v určitém jazyce a dostupná přímo v nějakém formálním zdroji (dokument, záznam v databázi). sdělitelná deklarativní znalost vyjadřuje nějaké tvrzení (např. "Hlavní město ČR je Praha") u člověka: objektivní, vědomá způsob vyjádření: a) formální jazyk matematiky nebo logiky b) neformální přirozený jazyk, náčrtek, obrázek 10 Implicitní znalost Znalost, jež není vyjádřená a dostupná přímo a je zahrnuta v jednání, způsobu řešení úloh, souboru dat apod. procedurální znalost vyjadřuje nějaké chování (např. jde-li z vody v hrnci pára, nestrkáme do ní ruce) u člověka: subjektivní, podvědomá, tacitní (ta, již používáme, ale neumíme popsat a vysvětlit), know-how v počítači: znalosti rozptýlené v jednotlivých programových instrukcích, které se aplikují podle předem stanoveného algoritmu 11 Reprezentace znalostí knowledge representation předmět zkoumání: metody a techniky vyjádření znalostí a jejich vztahů především pro využití v bázích znalostí expertních systémů a) procedurální vyjádření znalostí ve formě pravidel b) neprocedurální či deklarativní vyjádření znalostí ve formě poznatků (ontologie) nejčastěji používané typy jazyků: predikátová logika 1. řádu, produkční systémy, sémantické (asociativní) sítě a rámce 12 3
4 Vývojové trendy ve zpracování informací a znalostí Umělá inteligence artificial intelligence, AI Znalostní management Využití umělé inteligence Sémantický web Zpracování přirozeného jazyka 13 Počítač není inteligentní. Jen si to o sobě myslí. Anonym 1) Vlastnost uměle vytvořených systémů, vykazující analogické rysy jako lidská inteligence. 2) Mezioborová vědní disciplína na pomezí kognitivních věd, kybernetiky a počítačové vědy, která zkoumá a modeluje inteligenci s cílem vyvinout software a hardware, který bude při řešení úloh používat postupy považované za projev lidské inteligence. 14 Co je to inteligence? Co zkoumá obor umělá inteligence? The reason that computers have found such widespread use is that they perform well in areas where humans perform poorly (and vice versa). Chisnall, David. Is Computer Science Dying? InformIT Manželka posílá programátora nakoupit. Kup deset rohlíků a když budou mít vejce, kup jich 30. Programátor přijde do obchodu a povídá: Máte vejce? Ano, máme odpoví prodavačka. 30 rohlíků, prosím. obecné řešení problémů plánování reprezentace znalostí adaptace a strojové učeníč rozpoznávání
5 MAŘÍK, Vladimír, LAŽANSKÝ, Jiří a ŠTĚPÁNKOVÁ, Olga Umělá inteligence 1. Praha : Academia, s. Umělá inteligence 2. Praha : Academia, s. Umělá inteligence 3. Praha : Academia, s. Umělá inteligence 4. Praha : Academia, s. Umělá inteligence 5. Praha : Academia, s. Kde se používá umělá inteligence? rozpoznávání, počítačové vidění robotika expertní systémy neuronové sítě analýza dat a znalostí (data mining, KDD, řízení, optimalizace, předpovědi počasí, marketing ) zpracování přirozeného jazyka VOŠIS - ZIZ Rozpoznávání příklad Robot je ale i počítačový program též agent (inteligentní agent, intelligent agent) program, který shromažďuje informace nebo provádí jiné služby bez přímé účasti uživatele
6 Expertní systém Počítačová č aplikace simulující í poznávací a rozhodovací činnost experta při řešení složitých úloh s cílem dosáhnout ve zvolené problémové oblasti kvality rozhodování na úrovni experta. základní součásti báze znalostí báze dat (faktů) k řešeným případům řídící mechanismus (inferenční neboli odvozovací stroj, rozhodovací jádro) program pro práci s bázemi znalostí a dat využívající technik umělé inteligence modul pro komunikaci s uživatelem, vysvětlovací modul 21 UŽIVATEL KOMUNIKAČNÍ MODUL BÁZE FAKTŮ VYSVĚTLOVACÍĚ MODUL EXPERTNÍ SYSTÉM EXTERNÍ DATA A EXTERNÍ PROGRAMY INFERENČNÍ MODUL MODUL EXTERNÍCH ZDROJŮ GENERÁTOR VÝSLEDKŮ BÁZE ZNALOSTÍ P R O S T Ř E D Í VOŠIS - ZIZ Báze znalostí knowledge base, knowledgebase Součást expertního systému, v níž jsou obsaženy explicitně vyjádřené speciální znalosti, představující obecný systém pravidel, využitelných pro řešení zvoleného problému Procesy tvorby báze znalostí: získávání znalostí volba vhodného umělého jazyka pro jejich ji zakódování proces reprezentace znalostí Znalosti se přebírají od experta automaticky odvozují z databází nepřímo odvozují z jiných znalostí 23 Typy expertních systémů a) podle charakteru řešených úloh diagnostické plánovací hybridní b) podle způsobu reprezentace znalostí v bázi znalostí, způsobu odvozování a práce s neurčitou informací systémy založené na pravidlech na rámcích na logickém programování 24 6
7 Expertní systém založený na pravidlech rule-based expert system, pravidlový, produkční systém aplikace predikátové logiky 1. řádu nebo tzv. produkčních pravidel pravidla jsou formalizována do tvaru "podmínka" (jestliže if), "závěr" (pak then) "s váhou" (with), přičemž váha je subjektivní mírou důvěry experta v platnost daného pravidla (tvrzení) 25 Expertní systém založený na rámcích frame-based expert systém, rámcový systém aplikace souboru rámců (objektů, scénářů, ontologií) rámce: datové struktury, v jejichž položkách jsou společně č ě uloženy všechny znalosti o daném konkrétním objektu nebo situaci (obsahují jejich model či prototyp) mohou být navzájem propojeny asociativními a hierarchickými vazbami 26 Ontologie 1. Filozofická disciplína zkoumající obecné principy bytí. 2. Jazykové, metodické a softwarové nástroje pro explicitní pojmovou reprezentaci skutečnosti, případně samotný výsledek této činnosti. Využití: znalostní management pojmové vyhledávání informací 27 Neuronová síť neural network Počítačová č aplikace využívající í k řešení š í úloh model funkcí biologického neuronu (tzv. procesor). Procesor má více vstupů, které dokáže klasifikovat a na jejich základě generovat výstup. Procesory jsou navzájem propojeny do sítí ohodnocenými vazbami, což umožňuje nealgoritmické a paralelní zpracování složitých úloh. Činnost sítě je založena na procesu učení, tj. adaptace na konkrétní úlohu za pomoci vnějšího činitele (síť s učitelem) nebo na základě stimulů (samoorganizující se síť). 28 7
8 Neuronová síť neural network Knowledge discovery in databases, KDD Neuron Technika automatizovaného získávání implicitních znalostí z rozsáhlých databází a datových skladů pro využití v rozhodovacích procesech nebo v expertním systému. Řešené úlohy deskripční neboli popisné (nalézání struktur a vztahů) klasifikační/predikční (umožňují automatizovanou klasifikaci nových případů) 29 technologické jádro: data mining 30 Data mining (dolování dat) Vývojové trendy ve zpracování informací a znalostí Technologie vyhledávání, modelování a prezentace předem neznámých informací, příp. znalostí a vztahů mezi daty v rozsáhlých databázích. Analýzy se odvozují přímo z obsahu dat, nikoliv na základě hypotéz či dotazů uživatele. používané techniky: umělá inteligence (neuronové sítě, rozpoznávání, samoučící se algoritmy) statistické a matematické modelování (klasifikační pravidla nebo stromy, regrese, shluková analýza) OLAP 31 Znalostní management Využití umělé inteligence Sémantický web Zpracování přirozeného jazyka 32 8
9 Sémantický web Cíl označený prostor 3 stadia standardizace (unifikace) WWW: protokol http HTML, URI sémantika Současnost WWW Příklad nesémantická data web of documents narativní dokumenty sémanticky nestrukturovaná, kompaktní data, jimž rozumí jen lidé 35 <li>ontologie v znalostním managementu</li> <p><em>jana Dobrovská</em></p> <li>projekt Xanadu</li> <p><em>pavel Souček</em></p> <li>projekt MyLifeBits</li> <li><img src="../obrazky/zadano.gif" alt="zadano">projekt Wikipedia</li> <p><em>věra Janková<br> Karel Novák</em></p> 36 9
10 Příklad sémantická data srozumitelná jen lidem <volné téma> Ontologie v znalostním managementu <student/ka>jana Dobrovská</student/ka> </volné téma> <volné téma>projekt Xanadu <student/ka>pavel Souček</student/ka> </volné téma> <volné téma>projekt MyLifeBits</volné téma> <zadané téma>projekt Wikipedia <student/ka>věra Janková</student/ka> <student/ka>karel Novák</student/ka> </zadané téma> 37 Příklad sémantická data srozumitelná jen lidem SELECT * FROM Studie WHERE Volné_zadané = Volné 38 Problém: sémantická interoperabilita Jak daleko je? web of data Sémantický web transakční dokumenty sémanticky strukturovaná data, jejichž obsahu rozumí počítačové programy (software agent)
11 Standardy sémantického webu Vývojové trendy ve zpracování informací a znalostí RDF Resource Description Framework formát metadat OWL Web Ontology Language jazyk pro vyjádření obsahu metadat Znalostní management Využití umělé inteligence Sémantický web Zpracování přirozeného jazyka NLP natural language processing Problémy přirozeného jazyka Cíl: Tvorba počítačových systémů, jež používají jako své vstupy a výstupy ýt přirozený jazyk
12 Problémy počítačů s přirozeným jazykem Vyhledávání v textových zdrojích a) formulací dotazu b) listováním v databázi (browsing, navigace) 45 Typy přístupových bodů k obsaženým informacím textové řetězce obsažené v textech dokumentů metadata (tzv. profily dokumentů s bibliografickými údaji) hypertextové odkazy 46 Vztah přirozený jazyk selekční jazyk informační zdroj Vyhledávání s metadaty a bez metadat Informační potřeba Informační zdroj Dotaz vyjádření KW1 KW2 KW3 Dotaz přirozený jazyk Obsah (abstrakt, vyjádření metadata) inf. zdroje přirozený jazyk W1 W2 W3 překlad Selekční jazyk překlad zdroj šumu 47 dokument dokument 48 12
13 Vyhledávání s metadaty pro a proti + vyřešená ř synonymie a homonymie + nezávislost na slovníku autora dokumentu (v metadatech je možné popsat obsah i slovy, jež nejsou v dokumentu) + k dispozici je model (abstrakce) obsahu, zbavený detailů vyžaduje intelektuálně předzpracovat dokumenty i dotazy v bodech zpracování může docházet k šumu 49 Vyhledávání bez metadat pro a proti + dokumenty ani dotazy není třeba předem intelektuálně zpracovat + ubývá bodů zpracování (tj. zdrojů šumu) závislost na slovníku autora dokumentu problémy s přirozeným jazykem (synonymie, homonymie, vágnost) 50 Jak dostat to nejlepší z obou světů? Vyhledávání s využitím přirozeného jazyka vyhledávání bez metadat: Místo porovnávání stručného textu dotazu s rozsáhlým textem dokumentu statistické porovnávání (celého) textu relevantního dokumentu s texty v prohledávaném souboru (např. při detekci spamu) vyhledávání s metadaty: Místo intelektuálního vytváření metadat automatické generování metadat, automatické indexování hrubá síla (brute force) porovnávání textových řetězců 2. lingvistické nástroje lematizátor, derivátor, slovníky synonym (selekční jazyk je používán programem, nikoli uživatelem) 3. využití umělé inteligence NLP natural language processing 52 13
14 Přístupy umělé inteligence k zpracování přirozeného jazyka 1. lingvistický lingvistické modely gramatiky, morfologie, fonologie a lidského přístupu ke zpracování jazykových sdělení 2. statistický statistická analýza vzorků jazyka, odhalující jejich strukturu a vzorce (patterns), jež jsou základem porozumění (např. bayesovské sítě) 53 Tradeoff vždy něco za něco: za pohodlí při vyhledávání z fulltextových databází se platí pracnou přípravou slovníků a indexů za přirozenost a bohatou sémantiku pojmových modelů se platí nízkou mírou standardizace za netextová data se platí velkou spotřebou paměťových médií a značnými nároky na výkon hardware a problematickými možnostmi vyhledávání za možnost odvodit nové informace z databází (umělá inteligence) se platí obtížností návrhu takového systému 54 14
Ontologie. Otakar Trunda
Ontologie Otakar Trunda Definice Mnoho různých definic: Formální specifikace sdílené konceptualizace Hierarchicky strukturovaná množina termínů popisujících určitou věcnou oblast Strukturovaná slovní zásoba
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
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
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
VíceMetadata, sémantika a sémantický web. Ing. Vilém Sklenák, CSc.
Metadata, sémantika a sémantický web Ing. Vilém Sklenák, CSc. Inforum 2004, Praha, 27. 5. 2004 2/21 There are things we know that we know. There are known unknowns that is to say, there are things that
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
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
VíceZnalostní báze pro obor organizace informací a znalostí
Znalostní báze pro obor organizace informací a znalostí Představení projektu Programu aplikovaného výzkumu a vývoje národní a kulturní identity (NAKI) DF13P01OVV013 2013 2015 Helena Kučerová ÚISK FF UK
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:
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
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
VíceSémantický web 10 let poté
Sémantický web 10 let poté Vilém Sklenák sklenak@vse.cz Vysoká škola ekonomická, fakulta informatiky a statistiky, katedra informačního a znalostního inženýrství Inforum2011, 26. 5. 2011 Vilém Sklenák
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
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,
VíceZnalostní báze pro obor organizace informací a znalostí
Znalostní báze pro obor organizace informací a znalostí Představení projektu Programu aplikovaného výzkumu a vývoje národní a kulturní identity (NAKI) DF13P01OVV013 2013 2015 Helena Kučerová ÚISK FF UK
VíceDnešní téma. Oblasti standardizace v ICT. Oblasti standardizace v ICT. Oblasti standardizace v ICT
Dnešní téma Oblasti standardizace v ICT Případové studie standardizace v ICT: 1) Znakové sady 2) Jazyk 1. technická infrastruktura transfer a komunikace informací, přístup k informacím, sdílení zdrojů
VíceDnešní témata Informační systém, informační služba Podnikový informační systém
Dnešní témata Informační systém, informační služba Podnikový informační systém VOŠIS UIM 5 1 Rekapitulace Kde jsou dokumenty? Osobní informační systém Informace v organizaci Veřejné informační systémy
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
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
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
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
VíceUITS / ISY. Ústav inteligentních systémů Fakulta informačních technologií VUT v Brně. ISY: Výzkumná skupina inteligentních systémů 1 / 14
UITS / ISY Výzkumná skupina inteligentních systémů Ústav inteligentních systémů Fakulta informačních technologií VUT v Brně ISY: Výzkumná skupina inteligentních systémů 1 / 14 Obsah Představení skupiny
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
VíceInformace pro výběr bakalářského oboru
Informace pro výběr bakalářského oboru 2017.03.15 J. Matas Bakalářské obory informatika a počítačové vědy software internet věcí počítačové hry a grafika kapacita všech oborů je dostatečná pro volný výběr
VíceKognitivní informatika očima studentů
Kognitivní informatika očima studentů Výsledky ankety ZS 2011/2012 Kateřina Farská O dotazníku Reponse rate relativně vysoká: 49% (odpovědělo 26 z 53 aktuálně studujících) Až na výjimky vysoká kvalita
VíceOd Průmyslu 4.0 k Myšlení 4.0
Od Průmyslu 4.0 k Myšlení 4.0 Vladimír MAŘÍK Brno, 28.2.2017 www.ciirc.cvut.cz Český institut informatiky, robotiky a kybernetiky (CIIRC) České vysoké učení technické v Praze Prudký rozvoj technologií
VíceIII. Informační systém & databáze
III. Informační systém & databáze IS základní terminologie IS konceptuální model informačního systému Vztah IS & databáze Systém řízení báze dat Databázové modely Záznam, pole, datové typy, atribut, instance,
VíceDokumentační služba projektu MediGrid
Dokumentační služba projektu MediGrid Dokumentování sémantiky lékařských dat Adéla Jarolímková, Petr Lesný, Jan Vejvalka, Kryštof Slabý, Tomáš Holeček Projekt MediGrid Účastníci Cíl FN Motol CESNET z.s.p.o.
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.
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
VíceZískávání dat z databází 1 DMINA 2010
Získávání dat z databází 1 DMINA 2010 Získávání dat z databází Motto Kde je moudrost? Ztracena ve znalostech. Kde jsou znalosti? Ztraceny v informacích. Kde jsou informace? Ztraceny v datech. Kde jsou
VíceSystémy pro podporu. rozhodování. 2. Úvod do problematiky systémů pro podporu. rozhodování
1 Systémy pro podporu rozhodování 2. Úvod do problematiky systémů pro podporu rozhodování 2 Připomenutí obsahu minulé přednášky Rozhodování a jeho počítačová podpora Manažeři a rozhodování K čemu počítačová
VíceKorpusová lingvistika a počítačové zpracování přirozeného jazyka
Korpusová lingvistika a počítačové zpracování přirozeného jazyka Vladimír Petkevič & Alexandr Rosen Ústav teoretické a komputační lingvistiky Filozofické fakulty Univerzity Karlovy v Praze Korpusový seminář
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
VíceIng. Petr Kalčev, Ph.D.
Ing. Petr Kalčev, Ph.D. 17.10.2017 24.10.2017 31.10.2017 7.11.2017 14.11.2017 21.11.2017 28.11.2017 5.12.2017 12.12.2017 19.12.2017 Úvod do manažerský informačních systémů Typy informačních systémů Příklady
VíceWeb 2.0 vs. sémantický web
Web 2.0 vs. sémantický web Vilém Sklenák sklenak@vse.cz Vysoká škola ekonomická, fakulta informatiky a statistiky, katedra informačního a znalostního inženýrství Inforum2007, 24. 5. 2007 Vilém Sklenák
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.
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.
VíceBA_EM Electronic Marketing. Pavel
BA_EM Electronic Marketing Pavel Kotyza @VŠFS Agenda Efektivní data mining jako zdroj relevantních dat o potřebách zákazníků Co je data mining? Je absolutní Je předem neznámý Je užitečný Co jsou data?
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
VíceUživatelská podpora v prostředí WWW
Uživatelská podpora v prostředí WWW Jiří Jelínek Katedra managementu informací Fakulta managementu Jindřichův Hradec Vysoká škola ekonomická Praha Úvod WWW obsáhlost obsahová i formátová pestrost dokumenty,
VíceModely vyhledávání informací 4 podle technologie. 1) Booleovský model. George Boole 1815 1864. Aplikace booleovské logiky
Modely vyhledávání informací 4 podle technologie 1) Booleovský model 1) booleovský 2) vektorový 3) strukturní 4) pravděpodobnostní a další 1 dokumenty a dotazy jsou reprezentovány množinou indexových termů
VíceKonceptualizace, komunikace a reprezentace znalostí
Konceptualizace, komunikace a reprezentace znalostí Lékařská informatika Zimní semestr 2018/2019 Michal Huptych Proč? Při technickém implementačním popisu se často ztrácí určitá část podstaty věcí. Snaha
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
VíceÚstav automatizace a měřicí techniky.
www.feec.vutbr.cz Specializace studijního oboru Automatizační a Měřicí Technika: Řídicí technika Moderní algoritmy řízení, teorie řízení Modelování a identifikace parametrů řízených systémů Pokročilé metody
VíceAutomatizační a měřicí technika (B-AMT)
Ústav automatizace a měřicí techniky Bakalářský studijní program Automatizační a měřicí technika () Specializace oboru Řídicí technika Měřicí technika Průmyslová automatizace Robotika a umělá inteligence
VíceZaměření Webové inženýrství doc. Ing. Tomáš Vitvar, Ph.D. Katedra softwarového inženýrství Fakulta informačních technologií České vysovké učení technické v Praze Den otevřených dveří 20.2.2014 http://www.fit.cvut.cz
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
VíceInformace a znalosti v organizaci
Informace a znalosti v organizaci Vladimíra Zádová Postavení informací a znalostí z hlediska úspěšnosti firmy Vnitřní faktory Rámec 7S faktorů úspěchu firmy [ Mc Kinsey ] Struktura Strategie Systémy Spolupracovníci
VíceVýrobní pracoviště budoucnosti
Výrobní pracoviště budoucnosti Průmysl 4.0 Radomír Zbožínek \ 4. 11. 2016 Charakteristika konceptu Průmysl 4.0 Počítačové propojení výrobních strojů, produktů, osob a všech dalších systémů průmyslového
VícePŘIJÍMACÍ TEST z informatiky a matematiky pro navazující magisterské studium Fakulta informatiky a managementu Univerzity Hradec Králové
PŘIJÍMACÍ TEST z informatiky a matematiky pro navazující magisterské studium Fakulta informatiky a managementu Univerzity Hradec Králové Registrační číslo Hodnocení část A Hodnocení část B Hodnocení A+B
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 =
VíceWorkshop k terminologickým otázkám organizace znalostí Motivace a hypotézy projektu. Cíl projektu NAKI DF13P01OVV013
Workshop k terminologickým otázkám organizace znalostí 29. 10. 2014 Součást řešení projektu Programu aplikovaného výzkumu a vývoje národní a kulturní identity (NAKI) DF13P01OVV013 2013 2015 Helena Kučerová,
VíceZáklady business intelligence. Jaroslav Šmarda
Základy business intelligence Jaroslav Šmarda Základy business intelligence Business intelligence Datový sklad On-line Analytical Processing (OLAP) Kontingenční tabulky v MS Excelu jako příklad OLAP Dolování
VíceInstitucionální akreditace - bakalářské studium informatiky
Institucionální akreditace - bakalářské studium informatiky 1. ročník pro všechny společný ZS Algoritmizace 2/1 Z+Zk 4 kredity T.Dvořák Programování 1 2/2 Z 5 kreditů Holan Principy počítačů 2/0 Zk 3 kredity
VíceAplikace IS, outsourcing, systémová integrace. Jaroslav Žáček jaroslav.zacek@osu.cz http://www1.osu.cz/~zacek/
Aplikace IS, outsourcing, systémová integrace Jaroslav Žáček jaroslav.zacek@osu.cz http://www1.osu.cz/~zacek/ Kontext Dodavatelé Strategická Zákazníci ERP Taktická Operativní Kategorie ERP - zaměřeno na
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
VíceVeriFIT Automatizovaná analýza a verifikace
VeriFIT Automatizovaná analýza a verifikace M. Češka K. Dudka J. Fiedor L. Holík V. Hrubá L. Charvát B. Křena O. Lengál Z. Letko P. Müller P. Peringer A. Rogalewicz A. Smrčka T. Vojnar Ústav inteligentních
VícePanelová diskuse Technologie pro byznys
Panelová diskuse Technologie pro byznys Konference Inteligentní specializace regionu Plzeň, 29. 5. 2019 Cíl a scénář panelové diskuse Hledáme další možnosti spolupráce výzkumné a podnikové sféry v Plzeňském
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
VíceAplikace IS, outsourcing, systémová integrace. Jaroslav Žáček jaroslav.zacek@osu.cz http://www1.osu.cz/~zacek/
Aplikace IS, outsourcing, systémová integrace Jaroslav Žáček jaroslav.zacek@osu.cz http://www1.osu.cz/~zacek/ Kontext Dodavatelé Strategická Zákazníci ERP Taktická Operativní Kategorie ERP - zaměřeno na
VíceSpecializace Kognitivní informatika
Specializace Kognitivní informatika Otevřené dveře specializace Kognitivní informatika, 10.5.2007 V rámci projektu, financovaného Evropským sociálním fondem pod č. 3206 Multi- a transdisciplinární obor
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
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
VíceARCHITEKTURA INFORMAČNÍCH SYSTÉMŮ PODLE ÚROVNĚ ŘÍZENÍ
ARCHITEKTURA INFORMAČNÍCH SYSTÉMŮ PODLE ÚROVNĚ ŘÍZENÍ Podle toho, zda informační systém funguje na operativní, taktické nebo strategické řídicí úrovni, můžeme systémy rozdělit do skupin. Tuto pyramidu
VíceZÍSKÁVÁNÍ ZNALOSTÍ Z DATABÁZÍ
metodický list č. 1 Dobývání znalostí z databází Cílem tohoto tematického celku je vysvětlení základních pojmů z oblasti dobývání znalostí z databází i východisek dobývání znalostí z databází inspirovaných
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
VíceInformační média a služby
Informační média a služby Výuka informatiky má na Fakultě informatiky a statistiky VŠE v Praze dlouholetou tradici. Ke dvěma již zavedeným oborům ( Aplikovaná informatika a Multimédia v ekonomické praxi
VíceSystémy pro podporu rozhodování. Datové sklady, OLAP
Systémy pro podporu rozhodování Datové sklady, OLAP 1 4. Datový management: sklady, přístup a vizualizace Principy MSS Nové koncepce Objektové databáze Inteligentní databáze Datové sklady On-line analytické
VíceDatabázové systémy. Doc.Ing.Miloš Koch,CSc. koch@fbm.vutbr.cz
Databázové systémy Doc.Ing.Miloš Koch,CSc. koch@fbm.vutbr.cz Vývoj databázových systémů Ukládání dat Aktualizace dat Vyhledávání dat Třídění dat Výpočty a agregace 60.-70. léta Program Komunikace Výpočty
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
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:
VíceTabulace učebního plánu
Tabulace učebního plánu Vzdělávací obsah pro vyučovací předmět : Informační a výpočetní technika Ročník: 3. - 4. ročník (septima - oktáva) Tématická oblast DIGITÁLNÍ TECHNOLOGIE informatika hardware software
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
VíceSystémy pro podporu rozhodování. Hlubší pohled 2
Systémy pro podporu rozhodování Hlubší pohled 2 1 Připomenutí obsahu minulé přednášky Motivační příklad Konfigurace DSS Co to je DSS? definice Charakterizace a možnosti DSS Komponenty DSS Subsystém datového
VíceVyužití informačních technologií v cestovním ruchu P1
Využití informačních technologií v cestovním ruchu P1 Pavel Petr Petr.USII@upce.cz 1 Obsah kurzu Princip vyhledávání Definování vyhledávacích požadavků Vyhledávací nástroje Zdroje informací Nástroje pro
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,
VíceVývoj moderních technologií při vyhledávání. Patrik Plachý SEFIRA spol. s.r.o. plachy@sefira.cz
Vývoj moderních technologií při vyhledávání Patrik Plachý SEFIRA spol. s.r.o. plachy@sefira.cz INFORUM 2007: 13. konference o profesionálních informačních zdrojích Praha, 22. - 24.5. 2007 Abstrakt Vzhledem
VíceServisně orientovaná architektura Základ budování NGII
Servisně orientovaná architektura Základ budování NGII Jan Růžička Institute of geoinformatics VSB-TU Ostrava 17.listopadu, 70833 Ostrava-Poruba Poruba, jan.ruzicka@vsb.cz NGII NGII složitý propletenec,
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
VíceProgramovací jazyky. imperativní (procedurální) neimperativní (neprocedurální) assembler (jazyk symbolických instrukcí)
Programovací jazyky Programovací jazyky nižší assembler (jazyk symbolických instrukcí) vyšší imperativní (procedurální) Pascal, C/C++, Java, Basic, Python, php neimperativní (neprocedurální) Lisp, Prolog
Více4IZ440 Propojená data na webu Organizační a kontextový úvod
4IZ440 Propojená data na webu Organizační a kontextový úvod Vyučující: Doc. Ing. Vojtěch Svátek, Dr. Zimní semestr 2016 http://nb.vse.cz/~svatek/rzzw.html Náplň předmětu Technologie propojených dat (linked
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
Více2. Mechatronický výrobek 17
Předmluva 1 Úvod 3 Ing. Gunnar Künzel 1. Úvod do mechatroniky 5 1.1 Vznik, vývoj a definice mechatroniky 5 1.2 Mechatronická soustava a její komponenty 9 1.3 Mechatronický systém a jeho struktura 11 1.4
VíceGeografické informační systémy p. 1
Geografické informační systémy Slajdy pro předmět GIS Martin Hrubý hrubym @ fit.vutbr.cz Vysoké učení technické v Brně Fakulta informačních technologií, Božetěchova 2, 61266 Brno akademický rok 2004/05
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
Více4IZ440 Reprezentace a zpracování znalostí na WWW
4IZ440 Reprezentace a zpracování znalostí na WWW Seznámení s předmětem Doc. Ing. Vojtěch Svátek, Dr. Zimní semestr 2011 http://nb.vse.cz/~svatek/rzzw.html Hlavní otázky, které by měl předmět zodpovědět
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
Více1. Data mining. Strojové učení. Základní úlohy.
1... Základní úlohy. Učení s učitelem a bez učitele. Petr Pošík Katedra kybernetiky ČVUT FEL P. Pošík c 2010 Aplikace umělé inteligence 1 / 36 Obsah P. Pošík c 2010 Aplikace umělé inteligence 2 / 36 Co
VíceInteligentní systémy. Informace o bakalářském oboru. Jiří Lažanský. Zdeněk Hanzálek (katedra řídicí techniky) Michal Pěchouček (katedra kybernetiky)
Informace o bakalářském oboru Inteligentní systémy studijního programu Softwarové technologie a management Jiří Lažanský (katedra kybernetiky) Zdeněk Hanzálek (katedra řídicí techniky) Michal Pěchouček
VícePRODUKTY. Tovek Tools
Analyst Pack je desktopovou aplikací určenou k vyhledávání informací, tvorbě různých typů analýz a vytváření přehledů a rešerší. Jsou vhodné pro práci i s velkým objemem textových dat z různorodých informačních
VíceInteligentní systémy a neuronové sítě
Inteligentní systémy a neuronové sítě Arnošt Veselý, Česká zemědělská univerzita, Kamýcká, Praha 6 - Suchdol Summary: In the article two main architectures of inteligent systems: logical-symbolic and connectionist
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
VíceProgramovací jazyky. imperativní (procedurální) neimperativní (neprocedurální) assembler (jazyk symbolických instrukcí)
Programovací jazyky Programovací jazyky nižší assembler (jazyk symbolických instrukcí) vyšší imperativní (procedurální) Pascal, C/C++, Java, Basic, Python, php neimperativní (neprocedurální) Lisp, Prolog
Více0,7 0,6 0,5 0,4 0,3 0,2 0,1
VÝVOJ PROSTŘEDKŮ VÝPOČTOVÉ INTELIGENCE PRO MONITOROVÁNÍ A ŘÍZENÍ OCELÁŘSKÝCH VÝROBNÍCH PROCESŮ Miroslav Pokorný¹ Václav Kafka² Zdeněk Bůžek³ 1) VŠB TU Ostrava, FEI, 17. listopadu 15, 708 33 Ostrava, ČR,
VíceUČENÍ BEZ UČITELE. Václav Hlaváč
UČENÍ BEZ UČITELE Václav Hlaváč Fakulta elektrotechnická ČVUT v Praze katedra kybernetiky, Centrum strojového vnímání hlavac@fel.cvut.cz, http://cmp.felk.cvut.cz/~hlavac 1/22 OBSAH PŘEDNÁŠKY ÚVOD Učení
VíceZáklady umělé inteligence
Základy umělé inteligence Úvod Základy umělé inteligence - úvod. Vlasta Radová, ZČU, katedra kybernetiky 1 Zavedení pojmu umělá inteligence Inteligence je schopnost získávat a aplikovat vědomosti a tedy
VíceBakalářský studijní obor informatika
Bakalářský studijní obor informatika Předpoklady Struktura studia Přihlášky Poradenství Vzdělání v bakalářském oboru informatika nabízeném na Technické univerzitě v Chemnitz představuje vyvážený kompromis
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
VícePRODUKTY. Tovek Tools
jsou desktopovou aplikací určenou k vyhledávání informací, tvorbě různých typů analýz a vytváření přehledů a rešerší. Jsou vhodné pro práci i s velkým objemem textových dat z různorodých informačních zdrojů.
Více