7. Inferenční metody. Inferenční metody Václav Matoušek, Josef Strolený Úvod do znalostního inženýrství, ZS 2014/
|
|
- Břetislav Němeček
- před 5 lety
- Počet zobrazení:
Transkript
1 Inferenční metody
2 Inferenční metody Rezoluční systémy Dopředné a zpětné řetězení Výběr dotazu Nemonotónní usuzování 7-2
3 a) Česká Literatura Dvořák J.: Expertní systémy. Skriptum VUT Brno, Lukasová A.: Formální logika v umělé inteligenci. Computer Press, Brno, Jiroušek R.: Metody reprezentace a zpracování znalostí v umělé inteligenci. VŠE, Praha, b) Anglická 7. Inferenční metody Geisler E.: Knowledge and Knowledge Systems. IGI Global Publ., Stefik M.: Introduction to Knowledge Systems. Morgan Kaufman Publ.,
4 Inference Proces užívaný k vyvozování nových informací z informací známých. Metody inference Pravidla inference 7-4
5 Dedukce Metody inference Indukce Abdukce Heuristiky Analogie Nemonotónní usuzování Generování a testování metoda pokus omyl Defaultní inference Neznáme-li předpoklad, použijeme defaultní hodnotu. Intuice Zatím nebyla v ZS implementován, do jisté míry se jí může blížit usuzování v rámci neuronových sítí. 7-5
6 Dedukce Od předpokladů (premis) dochází k závěrům. P: Sókratés je člověk. P -> Q: Všichni lidé jsou smrtelní. Q: Sókratés je smrtelný. Odpovídá pravidlu modus ponens. 7-6
7 Indukce Vytváření obecných závěrů z dílčích poznatků. Vidíme tři hnědé medvědy. Indukcí usuzujeme: Všichni medvědi jsou hnědí. Úplná indukce: zohledníme všechny premisy (matematická indukce) Neúplná indukce: zohledněna jen část premis (anketa) 7-7
8 Abdukce Z pravdivých závěrů usuzování předpokladů. Pan Wágner jezdí autem. Každý, kdo má řidičský průkaz, jezdí autem. Pan Wágner má řidičský průkaz. Závěr ale nemusí být obecně správný! 7-8
9 Heuristika Pravidla selského rozumu Opíráme se o dobré mínění namísto exaktní logiky. Nezaručuje řešení hledání se bude ubírat správným směrem Volný řemen větráku způsobuje hluk. Heuristická znalost 7-9
10 Analogie Vytvoření modelu a jeho využití pro popis podobného objektu. TYGR LEV Potrava: Maso Počet nohou: 4 Zařazení: Šelma Barva: Oranžová s pruhy 7-10
11 Nemonotónní usuzování 1/2 Hlavní vlastností nemonotónního usuzování je skutečnost, že předcházející fakty mohou být revidovány na základě nových znalostí. Předcházející fakty mohou přestat platit, dozvíme-li se nové informace. 7-11
12 Nemonotónní usuzování 2/2 Vyjádření výjimky z pravidla: 1. Ptáci létají 2. Tweety je pták. Závěr: Tweety létá. 3. Tučňáci jsou ptáci. 4. Tučňáci nelétají. 5. Tweety je tučňák. Závěr: Tweety nelétá. 7-12
13 Modus ponens 7. Inferenční metody Pravidla inference Modus tollens [( ) ] Rezoluce Pro odvození hypotézy. Nerezoluce Pamatuje si, co je předpoklad a co závěr. 7-13
14 Modus ponens Modus ponens (přímé usuzování):, Jestliže platí předpoklad a pravidlo, pak platí závěr H. : Jestliže prší, je mokro : Prší. : Je mokro. 7-14
15 Modus tollens Modus tollens (zpětné usuzování):, Jestliže platí pravidlo a zároveň platí, pak platí také. : Jestliže prší, je mokro. : Není mokro. : Neprší. 7-15
16 Platí Dokázat, že 3 je pravda, platí 1; 1 2 ; 2 3: 1. 1; 3; 1 2; ; 2 3; 1; 3 t = 1: 2 = 2: 1 = 3 = Platí 3 důkaz sporem 7. Inferenční metody Rezoluce 7-16
17 Inference v pravidlových systémech Inference je založena na pravidlu modus ponens. Nepřímé (zpětné) usuzování dáno pravidlem modus tollens. Řešení problému = nalezení řady inferencí, které tvoří cestu od definice problému k jeho řešení. 7-17
18 Inferenční síť Inferenční síť je zpravidla reprezentována jako graf, jehož uzly jsou fakta a orientované hrany odpovídají pravidlům. Užitečné pro domény, kde je počet možných řešení limitován, např. klasifikační nebo diagnostické problémy. 7-18
19 Příklad inferenční sítě 7-19
20 Prohledávání do hloubky Výhody Zaručuje řešení (při konečném počtu stavů) Rychlé v případech, kdy je výhodné použít zpětné řetězení Zaostřené na cíl Interakce s uživatelem v logickém sledu Nevýhody Slepé Nevhodné pro rozsáhlý stavový prostor Nevhodné v případech, kdy je výhodné použít dopředné řetězení 7-20
21 Prohledávání do šířky Výhody Zaručuje řešení Rychlé v případech, kdy je výhodné použít dopředné řetězení Může najít minimální cestu Nevýhody Slepé Nevhodné pro rozsáhlý stavový prostor Nevhodné v případech, kdy je výhodné použít zpětné řetězení Špatná interakce s uživatelem 7-21
22 Výhody Není slepé Rychlé 7. Inferenční metody Heuristické prohledávání Nevýhody Nemusí nalézt řešení (přestože existuje) 7-22
23 Strategie procesu usuzování Usuzování řízené daty (dopředné řetězení) Známe data a podle nich rozhodujeme. Co si dám k večeři? Zeptá se jakou mám chuť a podle zásob doporučí recept. Usuzování řízené cíli (zpětné řetězení) Vybere možný závěr a pokouší se dokázat jeho platnost. Vhodné pro diagnostické problémy s malým počtem cílových hypotéz. Mám chuť na palačinky. ES na základě stavu zásob řekne, zda je to možné. 7-23
24 Základní myšlenka 7. Inferenční metody Dopředné řetězení 1. Porovnání položek z báze faktů s levými stranami pravidel z báze znalostí. 2. Přidání důsledků pravidel do báze faktů. Toto se cyklicky opakuje, dokud: nedojde k odvození cílového faktu nebo už nelze vykonat žádná pravidla 7-24
25 Mějme bázi znalostí a faktů: Báze znalostí obsahuje: 7. Inferenční metody Příklad 1/4 1. Jestliže (*křeček1, pohlaví, samička) & (*křeček2, pohlaví, sameček), pak (*křeček1, *křeček2, pár). 2. Jestliže (*křeček, věk, *číslo) & (*číslo > 2), pak (*křeček, plodnývěk, ano). 3. Jestliže (*křeček1, *křeček2, pár) & (*křeček1, plodnývěk, ano), pak (*křeček1, plodnost, ano). 4. Jestliže (*křeček, velkébřicho, ano) & (*křeček, plodnost, ano), pak (*křeček, gravidita, ano). 7-25
26 Báze faktů obsahuje: Žulina, pohlaví, samička Pascie, pohlaví, sameček Žulina, věk, 5 Žulina, velkébřicho, ano 7. Inferenční metody Příklad 2/4 1. Inferenční mechanismus zjistí, která pravidla lze použít: 1. Jestliže (*křeček1, pohlaví, samička) & (*křeček2, pohlaví, sameček), pak (*křeček1, *křeček2, pár). 2. Jestliže (*křeček, věk, *číslo) & (*číslo > 2), pak (*křeček, plodnývěk, ano). Konfliktní množina pravidel 2. Následuje řešení konfliktu. 7-26
27 Příklad 3/4 3. Mechanismus vybere např. pravidlo 2. Do báze faktů přibude: Žulina, plodnývěk, ano 4. Inferenční mechanismus opět zjistí, která pravidla lze použít: Opět pravidla 1 a 2. Pravidlo 2 již bylo použito použije se pravidlo 1 Do báze faktů přibude: Žulina, Pascie, pár 7-27
28 Příklad 4/4 5. Inferenční mechanismus znovu zjistí, která pravidla lze použít: Pravidla 1, 2 a 3. Pravidla 1 a 2 již byla použita, vybere se pravidlo 3. Do báze faktů přibude: Žulina, plodnost, ano 6. Inferenční mechanismus naposledy zjistí, která pravidla lze použít: Pravidla 1, 2, 3, 4 Pravidla 1, 2 a 3 již byla použita vybere se pravidlo 4. Do báze faktů přibude: Žulina, gravidita, ano 7. Byl odvozen cílový fakt odvozování končí. 7-28
29 Dopředné řetězení - algoritmus 1. Porovnání (matching) 7. Inferenční metody Pravidla ze znalostní databáze jsou porovnána se známými fakty; zjištění, u kterých pravidel jsou splněny předpoklady. 2. Řešení konfliktu (conflict resolution) Z množiny pravidel se splněnými předpoklady se vybere pravidlo podle priority; v případě shodné priority podle vhodně zvolené strategie. 3. Provedení (execution) Provedení pravidla, důsledkem může být přidání či odstranění faktu z báze faktů, přidání pravidla do báze znalostí apod. Obvykle podmínka: Pravidlo může být aktivováno pouze jednou se stejnou množinu faktů. 7-29
30 Strategie řešení konfliktu Prohledávání do hloubky (depth strategy) Preferují se pravidla používající aktuálnější (novější) data. Prohledávání do šířky (breath strategy) Preferují se pravidla používající starší data. Strategie složitosti (specifičnosti) (complexity strategy) Preferována jsou speciálnější pravidla (s více podmínkami). Strategie jednoduchosti (simplicity strategy) Preferována jsou jednodušší pravidla. 7-30
31 Výhody a nevýhody dopředného řetězení Výhody Z malého množství informací mnoho nových faktů. Výhodné pro sběr informací s následným vyhodnocením. Výhodné pro plánování. Nevýhody Nepozná důležitost vstupních informací (vyvozuje vše). Může klást otázky v nelogickém sledu. Nevýhodné při malém množství hypotéz, které je třeba zodpovědět a velkém množství vstupních dat. 7-31
32 Základní myšlenka: 7. Inferenční metody Zpětné řetězení 1. Výběr pravidla podle důsledkové části. 2. Zjištění, jestli je předpokladová část splněna. Z předpokladových částí se stávají podcíle, které mají být splněny. Nacházení podcílů namísto faktů. Proces končí až položkami, které do báze faktů zadal uživatel. 7-32
33 Příklad 1/2 Stejné údaje v bázi faktů a znalostí jako v minulém případě: Chceme potvrdit (nebo vyvrátit) tvrzení: Žulina, gravidita, ano 1. Jediné pravidlo, které lze použít, je 4. Musíme nejprve potvrdit platnost faktů: 1. Žulina, velkébřicho, ano již zadáno uživatelem 2. Žulina, plodnost, ano je potřeba dokázat 2. Potvrzujeme podcíl Žulina, plodnost, ano Musíme potvrdit platnost faktů podle pravidla 3: 1. Žulina, *křeček2, pár je potřeba dokázat 2. Žulina, plodnývěk, ano je potřeba dokázat 7-33
34 Příklad 2/2 3. Potvrzujeme podcíl Žulina, *křeček2, pár Musíme potvrdit platnost faktů podle pravidla 1: 1. Žulina, pohlaví samička zadáno uživatelem 2. Pascie, pohlaví, sameček zadáno uživatelem 4. Zbývá potvrdit poslední podcíl Žulina, plodnývěk, ano Použijeme pravidlo 2 1. Žulina, plodnývěk, >2 zadáno uživatelem 5. Tvrzení bylo potvrzeno. 7-34
35 Zpětné řetězení algoritmus 1/2 1. Vytvoř zásobníku a naplň jej všemi koncovými cíli. 2. Shromáždi všechna pravidla schopná splnit cíl na vrcholu zásobníku; když je zásobník prázdný, pak konec. 3. Zkoumej postupně všechna pravidla: a) Jsou-li všechny předpoklady splněny odvoď závěr. Jestliže zkoumaný cíl byl koncový, odstraň jej ze zásobníku a vrať se na krok 2. Jestliže to byl podcíl, odstraň jej ze zásobníku a vrať se ke zpracování předchozího pravidla (dočasně odloženo). b) Jestliže fakta nalezená v bázi faktů nesplňují předpoklady pravidla, ukonči zkoumání pravidla. 7-35
36 Zpětné řetězení algoritmus 2/2 c) Jestliže pro některý parametr předpokladu chybí hodnota, zjisti, zda lze hodnotu odvodit z jiného pravidla. Pokud ano, parametr se vloží do zásobníku jako podcíl, zkoumané pravidlo se dočasně odloží a přejde se na krok 2. Pokud ne, tato hodnota se zjistí od uživatele a pokračuje se krokem 3a). 4. Jestliže nelze pomocí žádného z pravidel odvodit hodnotu důsledku, daný cíl zůstává neurčen, odstraní se ze zásobníku a pokračuje se krokem
37 Výhody a nevýhody zpětného řetězení Výhody Účinné při malém množství hypotéz, které je potřeba zodpovědět. Otázky kladeny v logickém sledu. Hledá jen fakta potřebná pro splnění cíle. Výhodné v diagnostice. Nevýhody Postupuje slepě od cíle (kořen) dolů. Nevýhodné při velkém množství hypotéz a málo vstupních dat. 7-37
Pravidlové 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
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
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
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
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,
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
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
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
VíceMetody odvozování. matematická východiska: logika, Prolog
Metody odvozování matematická východiska: logika, Prolog psychologická východiska: rámce biologická východiska: konekcionismus, neuronové sítě statistická východiska: kauzální (bayesovské) sítě ekonomická
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.
Vícepopel, glum & nepil 16/28
Lineární rezoluce další způsob zjemnění rezoluce; místo stromu směřujeme k lineární struktuře důkazu Lineární rezoluční odvození (důkaz) z Ë je posloupnost dvojic ¼ ¼ Ò Ò taková, že Ò ½ a 1. ¼ a všechna
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
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
VíceZpracování neurčitosti
Zpracování neurčitosti Úvod do znalostního inženýrství, ZS 2015/16 7-1 Usuzování za neurčitosti Neurčitost: Při vytváření ZS obvykle nejsou všechny informace naprosto korektní mohou být víceznačné, vágní,
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
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
VíceLogický agent, výroková logika
Logický agent, výroková logika Aleš Horák E-mail: hales@fimunicz http://nlpfimunicz/uui/ Obsah: Logický agent Logika Výroková logika Inference důkazové metody Úvod do umělé inteligence 8/12 1 / 30 Logický
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
VíceLogický agent, výroková logika
Logický agent, výroková logika Aleš Horák E-mail: hales@fimunicz http://nlpfimunicz/uui/ Obsah: Statistické výsledky průběžné písemky Logický agent Logika Výroková logika Důkazové metody Úvod do umělé
VíceLogický agent, výroková logika. Návrh logického agenta
Obsah: Logika Návrh logického agenta, výroková logika leš Horák E-mail: hales@fimunicz http://nlpfimunicz/uui/ Úvod do umělé inteligence 8/ / 3 Návrh logického agenta agent musí umět: reprezentovat stavy,
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
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:
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
VíceVýroková logika - opakování
- opakování ormální zavedení Výroková formule: Máme neprázdnou nejvýše spočetnou množinu A výrokových proměnných. 1. Každá proměnná je výroková formule 2. Když α, β jsou formule, potom ( α), (α β), (α
VíceProhledávání do šířky = algoritmus vlny
Prohledávání do šířky = algoritmus vlny - souběžně zkoušet všechny možné varianty pokračování výpočtu, dokud nenajdeme řešení úlohy průchod stromem všech možných cest výpočtu do šířky, po vrstvách (v každé
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.
VíceLogický agent, výroková logika
Logický agent, výroková logika leš Horák E-mail: hales@fi.muni.cz http://nlp.fi.muni.cz/uui/ Obsah: Statistické výsledky průběžné písemky Logický agent Logika Výroková logika Důkazové metody Úvod do umělé
VíceGrafové algoritmy. Programovací techniky
Grafové algoritmy Programovací techniky Grafy Úvod - Terminologie Graf je datová struktura, skládá se z množiny vrcholů V a množiny hran mezi vrcholy E Počet vrcholů a hran musí být konečný a nesmí být
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
VíceLogika. Dana Nejedlová Katedra informatiky Ekonomická fakulta Technická univerzita v Liberci
Logika Dana Nejedlová Katedra informatiky Ekonomická fakulta Technická univerzita v Liberci 1 Úloha logiky v umělé inteligenci převést fakta na formalizované výroky, se kterými se dá automatizovaně operovat
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
VíceNegativní informace. Petr Štěpánek. S použitím materiálu M.Gelfonda a V. Lifschitze. Logické programování 15 1
Negativní informace Petr Štěpánek S použitím materiálu M.Gelfonda a V. Lifschitze 2009 Logické programování 15 1 Negace jako neúspěch Motivace: Tvrzení p (atomická formule) neplatí, jestliže nelze odvodit
VíceFormálnílogickésystémy pro aplikaci v informatice Martin Žáček
ZVYŠOVÁNÍODBORNÝCH KOMPETENCÍAKADEMICKÝCH PRACOVNÍKŮ OSTRAVSKÉUNIVERZITY V OSTRAVĚ A SLEZSKÉ UNIVERZITY V OPAVĚ Formálnílogickésystémy pro aplikaci v informatice Martin Žáček PŘEDMĚTY NA OU Logické základy
VíceÚvod do logiky a logického programování.
Úvod do logiky a logického programování Luboš Popelínský popel@fi.muni.cz www.fi.muni.cz/~popel Přehled učiva Opakování základů výrokové a predikátové logiky Normální formy ve výrokové a predikátové logice
VíceLogický agent, výroková logika.
Úvod do umělé inteligence Logický agent, výroková logika E-mail: hales@fi.muni.cz http://nlp.fi.muni.cz/uui/ Obsah: Statistické výsledky průběžné písemky Logický agent Wumpusova jeskyně Logika Výroková
VíceŘešení: PŘENESVĚŽ (N, A, B, C) = přenes N disků z A na B pomocí C
Hanojské věže - 3 kolíky A, B, C - na A je N disků různé velikosti, seřazené od největšího (dole) k nejmenšímu (nahoře) - kolíky B a C jsou prázdné - úkol: přenést všechny disky z A na B, mohou se odkládat
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
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
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
VícePROHLEDÁVÁNÍ GRAFŮ. Doc. RNDr. Josef Kolář, CSc. Katedra teoretické informatiky, FIT České vysoké učení technické v Praze
PROHLEDÁVÁNÍ GRAFŮ Doc. RNDr. Josef Kolář, CSc. Katedra teoretické informatiky, FIT České vysoké učení technické v Praze BI-GRA, LS 2010/2011, Lekce 4 Evropský sociální fond Praha & EU: Investujeme do
VíceLogické programování
30. října 2012 Osnova Principy logického programování 1 Principy logického programování 2 3 1 Principy logického programování 2 3 Paradigmata programování Strukturované programování Procedurální programování
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
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
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
VíceFormální systém výrokové logiky
Formální systém výrokové logiky 1.Jazyk výrokové logiky Nechť P = {p,q,r, } je neprázdná množina symbolů, které nazýváme prvotní formule. Symboly jazyka L P výrokové logiky jsou : a) prvky množiny P, b)
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
VíceState Space Search Step Run Editace úloh Task1 Task2 Init Clear Node Goal Add Shift Remove Add Node Goal Node Shift Remove, Add Node
State Space Search Po spuštění appletu se na pracovní ploše zobrazí stavový prostor první předpřipravené úlohy: - Zeleným kroužkem je označen počáteční stav úlohy, který nemůže být změněn. - Červeným kroužkem
VíceMezi... aspekty řadíme obecné pojmy, tvrzení či soudy a tvrzení následně vyvozená.
Logika 6 Zadání: Doplň vhodný termín z nabízených nebo vyber správnou odpověď: Otázka číslo: 1 Mezi... aspekty řadíme obecné pojmy, tvrzení či soudy a tvrzení následně vyvozená. formální neformální obsahové
VíceGrafové algoritmy. Programovací techniky
Grafové algoritmy Programovací techniky Grafy Úvod - Terminologie Graf je datová struktura, skládá se z množiny vrcholů V a množiny hran mezi vrcholy E Počet vrcholů a hran musí být konečný a nesmí být
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
VíceGrafy. doc. Mgr. Jiří Dvorský, Ph.D. Katedra informatiky Fakulta elektrotechniky a informatiky VŠB TU Ostrava. Prezentace ke dni 13.
Grafy doc. Mgr. Jiří Dvorský, Ph.D. Katedra informatiky Fakulta elektrotechniky a informatiky VŠB TU Ostrava Prezentace ke dni 13. března 2017 Jiří Dvorský (VŠB TUO) Grafy 104 / 309 Osnova přednášky Grafy
Více1. Převeďte dané číslo do dvojkové, osmičkové a šestnáctkové soustavy: a) 759 10 b) 2578 10
Úlohy- 2.cvičení 1. Převeďte dané číslo do dvojkové, osmičkové a šestnáctkové soustavy: a) 759 10 b) 2578 10 2. Převeďte dané desetinné číslo do dvojkové soustavy (DEC -> BIN): a) 0,8125 10 b) 0,35 10
VíceMetody návrhu algoritmů, příklady. IB111 Programování a algoritmizace
Metody návrhu algoritmů, příklady IB111 Programování a algoritmizace 2011 Návrhu algoritmů vybrané metody: hladové algoritmy dynamické programování rekurze hrubá síla tato přednáška: především ilustrativní
VíceCílem kapitoly je seznámit studenta se seznamem a stromem. Jejich konstrukci, užití a základní vlastnosti.
Seznamy a stromy Cílem kapitoly je seznámit studenta se seznamem a stromem. Jejich konstrukci, užití a základní vlastnosti. Klíčové pojmy: Seznam, spojový seznam, lineární seznam, strom, list, uzel. Úvod
VíceZáklady informatiky. 07 Teorie grafů. Kačmařík/Szturcová/Děrgel/Rapant
Základy informatiky 07 Teorie grafů Kačmařík/Szturcová/Děrgel/Rapant Obsah přednášky barvení mapy teorie grafů definice uzly a hrany typy grafů cesty, cykly, souvislost grafů Barvení mapy Kolik barev je
VíceZáklady informatiky. Teorie grafů. Zpracoval: Pavel Děrgel Úprava: Daniela Szturcová
Základy informatiky Teorie grafů Zpracoval: Pavel Děrgel Úprava: Daniela Szturcová Obsah přednášky Barvení mapy Teorie grafů Definice Uzly a hrany Typy grafů Cesty, cykly, souvislost grafů Barvení mapy
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
VíceVýroková a predikátová logika - V
Výroková a predikátová logika - V Petr Gregor KTIML MFF UK ZS 2015/2016 Petr Gregor (KTIML MFF UK) Výroková a predikátová logika - V ZS 2015/2016 1 / 21 Dokazovací systémy VL Hilbertovský kalkul Hilbertovský
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
VíceKonstrukce relace. Postupně konstruujeme na množině všech stavů Q relace i,
[161014-1204 ] 11 2.1.35 Konstrukce relace. Postupně konstruujeme na množině všech stavů Q relace i, kde i = 0, 1,..., takto: p 0 q právě tehdy, když bud p, q F nebo p, q F. Dokud i+1 i konstruujeme p
VíceRezoluční kalkulus pro výrokovou logiku
AD4M33AU Automatické uvažování Rezoluční kalkulus pro výrokovou logiku Petr Pudlák Výroková logika Výhody Jednoduchý jazyk. Rozhodnutelnost dokazatelnosti i nedokazatelnosti. Rychlejší algoritmy. Nevýhody
VíceZávěrečná práce. Odborný styl
Závěrečná práce Odborný styl Anotace - abstrakt Anotace je napsána na samostatném listu a má rozsah 10 až 15 řádků.je stručným a komplexním popisem obsahu práce, nově objevených skutečností a z nich plynoucích
VícePopis zobrazení pomocí fuzzy logiky
Popis zobrazení pomocí fuzzy logiky diplomová práce Ján Fröhlich KM, FJFI, ČVUT 23. dubna 2009 Ján Fröhlich ( KM, FJFI, ČVUT ) Popis zobrazení pomocí fuzzy logiky 23. dubna 2009 1 / 25 Obsah 1 Úvod Základy
VíceSeminář k absolventské práci
Seminář k absolventské práci Jak napsat a úspěšně obhájit absolventskou práci Absolventské práce - závěrečná práce studia - významný čin z hlediska celkového růstu intelektuálních zdatností a tvůrčích
VíceVýhody a nevýhody jednotlivých reprezentací jsou shrnuty na konci kapitoly.
Kapitola Reprezentace grafu V kapitole?? jsme se dozvěděli, co to jsou grafy a k čemu jsou dobré. rzo budeme chtít napsat nějaký program, který s grafy pracuje. le jak si takový graf uložit do počítače?
VíceNeinformované metody prohledávání stavového prostoru. Gerstner Laboratory Agent Technology Group, Czech Technical University in Prague
Neinformované metody prohledávání stavového prostoru Michal Pěchouček Gerstner Laboratory Agent Technology Group, Czech Technical University in Prague http://labe.felk.cvut.cz/~ tkrajnik/kui2/data/k333/1.pdf
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
VíceMarie Duží
Marie Duží marie.duzi@vsb.cz Učební texty: http://www.cs.vsb.cz/duzi Tabulka Courses, odkaz Mathematical Učební texty, Presentace přednášek kursu Matematická logika, Příklady na cvičení + doplňkové texty.
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
Více5 Orientované grafy, Toky v sítích
Petr Hliněný, FI MU Brno, 205 / 9 FI: IB000: Toky v sítích 5 Orientované grafy, Toky v sítích Nyní se budeme zabývat typem sít ových úloh, ve kterých není podstatná délka hran a spojení, nýbž jejich propustnost
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
VíceÚvod do logiky (VL): 12. Ověřování platnosti úsudků metodou protipříkladu
Logika: systémový rámec rozvoje oboru v ČR a koncepce logických propedeutik pro mezioborová studia (reg. č. CZ.1.07/2.2.00/28.0216, OPVK) Úvod do logiky (VL): 12. Ověřování platnosti úsudků metodou protipříkladu
VíceAlgoritmus pro hledání nejkratší cesty orientovaným grafem
1.1 Úvod Algoritmus pro hledání nejkratší cesty orientovaným grafem Naprogramoval jsem v Matlabu funkci, která dokáže určit nejkratší cestu v orientovaném grafu mezi libovolnými dvěma vrcholy. Nastudoval
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
VíceÚvod do TI - logika 1. přednáška. Marie Duží
Úvod do TI - logika 1. přednáška Marie Duží marie.duzi@vsb.cz Úvod do TI - logika Učební texty: http://www.cs.vsb.cz/duzi Courses Introduction to Logic: Informace pro studenty Učební texty: Kapitoly: Úvod
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
VíceGödelovy věty o neúplnosti
Gödelovy věty o neúplnosti Miloš Jakubíček PB016 Úvod do umělé inteligence Fakulta informatiky, Masarykova univerzita 23. listopadu 2007 1 Gödel & historie Kurt Gödel Historický kontext 2 Jazyk a metajazyk
VíceMatematické důkazy Struktura matematiky a typy důkazů
Matematické důkazy Struktura matematiky a typy důkazů Petr Liška Masarykova univerzita 18.9.2014 Motto: Matematika je tvořena z 50 procent formulemi, z 50 procent důkazy a z 50 procent představivostí.
VíceTEORETICKÁ INFORMATIKA
TEORETICKÁ INFORMATIKA J. Kolář, K201 Kolar@fel.cvut.cz Důležité reference: http://cs.felk.cvut.cz/~kolar http://cs.felk.cvut.cz/agora skripta (vydala ČIS r. 2000) TI 1 / 1 Stručný obsah předmětu Neorientované
Více6. Logika a logické systémy. Základy logiky. Lucie Koloušková, Václav Matoušek / KIV. Umělá inteligence a rozpoznávání, LS
Základy logiky Umělá inteligence a rozpoznávání, LS 2012 6-1 Logika je naukou, která se zabývá studiem lidského uvažování. Mezi základní úlohy logiky patří nalézání metod správného usuzování, tedy postupů,
VíceVýroková logika dokazatelnost
Výroková logika dokazatelnost Ke zjištění, zda formule sémanticky plyne z dané teorie (množiny formulí), máme k dispozici tabulkovou metodu. Velikost tabulky však roste exponenciálně vzhledem k počtu výrokových
VíceHledáme efektivní řešení úloh na grafu
Hledáme efektivní řešení úloh na grafu Mějme dán graf následující úlohy: G = ( V, E), chceme algoritmicky vyřešit Je daný vrchol t dosažitelný z vrcholu s? Pokud ano, jaká nejkratší cesta tyto vrcholy
Vícebfs, dfs, fronta, zásobník, prioritní fronta, halda
bfs, dfs, fronta, zásobník, prioritní fronta, halda Petr Ryšavý 20. září 2016 Katedra počítačů, FEL, ČVUT prohledávání grafů Proč prohledávání grafů Zkontrolovat, zda je sít spojitá. Hledání nejkratší
Vícevhodná pro strojové dokazování (Prolog) metoda založená na vyvracení: dokazuje se nesplnitelnost formulí
Rezoluce: další formální systém vhodná pro strojové dokazování (Prolog) metoda založená na vyvracení: dokazuje se nesplnitelnost formulí pracujeme s formulemi v nkf (též klauzulárním tvaru), ale používáme
VíceVýroková a predikátová logika - IV
Výroková a predikátová logika - IV Petr Gregor KTIML MFF UK ZS 2018/2019 Petr Gregor (KTIML MFF UK) Výroková a predikátová logika - IV ZS 2018/2019 1 / 17 Tablo metoda Tablo Tablo - příklady F (((p q)
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
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
VíceVysoké učení technické v Brně Fakulta elektrotechniky a informatiky Ústav biomedicínského inženýrství EXPERTNÍ SYSTÉMY.
Vysoké učení technické v Brně Fakulta elektrotechniky a informatiky Ústav biomedicínského inženýrství EXPERTNÍ SYSTÉMY praktická cvičení Ing. Ivo Provazník, Ph.D., Ing. Jana Bardoňová 2000 Obsah 1 Úvod
VíceTGH05 - aplikace DFS, průchod do šířky
TGH05 - aplikace DFS, průchod do šířky Jan Březina Technical University of Liberec 31. března 2015 Grafová formulace CPM (critical path method) Orientovaný acyklický graf (DAG) je orientovaný graf neobsahující
VíceÚvod do teorie grafů
Úvod do teorie grafů Neorientovaný graf G = (V,E,I) V množina uzlů (vrcholů) - vertices E množina hran - edges I incidence incidence je zobrazení, buď: funkce: I: E V x V relace: I E V V incidence přiřadí
VíceADT STROM Lukáš Foldýna
ADT STROM Lukáš Foldýna 26. 05. 2006 Stromy mají široké uplatnění jako datové struktury pro různé algoritmy. Jsou to matematické abstrakce množin, kterou v běžném životě používáme velice často. Příkladem
VíceObsah prezentace. Základní pojmy v teorii o grafech Úlohy a prohledávání grafů Hledání nejkratších cest
Obsah prezentace Základní pojmy v teorii o grafech Úlohy a prohledávání grafů Hledání nejkratších cest 1 Základní pojmy Vrchol grafu: {množina V} Je to styčná vazba v grafu, nazývá se též uzlem, prvkem
VíceTGH09 - Barvení grafů
TGH09 - Barvení grafů Jan Březina Technical University of Liberec 15. dubna 2013 Problém: Najít obarvení států na mapě tak, aby žádné sousední státy neměli stejnou barvu. Motivační problém Problém: Najít
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
VíceMatematická logika. Lekce 1: Motivace a seznámení s klasickou výrokovou logikou. Petr Cintula. Ústav informatiky Akademie věd České republiky
Matematická logika Lekce 1: Motivace a seznámení s klasickou výrokovou logikou Petr Cintula Ústav informatiky Akademie věd České republiky www.cs.cas.cz/cintula/mal Petr Cintula (ÚI AV ČR) Matematická
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
VíceLogika. 5. Rezoluční princip. RNDr. Luděk Cienciala, Ph. D.
Logika 5. Rezoluční princip RNDr. Luděk Cienciala, Ph. D. Tato inovace předmětu Úvod do logiky je spolufinancována Evropským sociálním fondem a Státním rozpočtem ČR, projekt č. CZ. 1.07/2.2.00/28.0216,
Více1 Hledání řešení. 1.1 Klasické problémy. 1.2 Problém rezervace letenek
1 Hledání řešení Základem celé řady implementací inteligentních systémů je hledání řešení. Obvykle jsou pro mnoho problémů známé výpočetní metody, které hledají řešení deterministicky podle algoritmu,
VíceInference v deskripčních logikách
Inference v deskripčních logikách Petr Křemen FEL ČVUT Petr Křemen (FEL ČVUT) Inference v deskripčních logikách 53 / 157 Co nás čeká 1 Základy deskripční logiky 2 Jazyk ALC Syntax a sémantika 3 Cyklické
Více