Pravidlové systémy. Klasifikační pravidla. Asociační pravidla.
|
|
- Veronika Bláhová
- před 8 lety
- Počet zobrazení:
Transkript
1 Pravidlové systémy. Klasifikační pravidla. Asociační pravidla. Petr Pošík Czech Technical University in Prague Faculty of Electrical Engineering Dept. of Cybernetics Klasifikační pravidla 2 Agenda Klasifikační strom vs. klasifikační pravidla Pravidla Příklad: kontaktní čočky Systém AQ Algoritmus učení AQ Vlastnosti AQ Systém CN Algoritmus učení CN Klasifikační pravidla: shrnutí Asociační pravidla 15 Transakce: Příklad Definice Support (podpora) Subset property Hledání častých množin položek Klasifikační vs. asociační pravidla Asociační pravidla Míry asociačního pravidla Hledání silných asoc. pravdel Možná rozšíření asociačních pravidel Aplikace Asociační pravidla: souhrn
2 Klasifikační pravidla 2 / 27 Agenda Jak vypadá pravidlo Množina pravidel vs seznam pravidel Systém AQ Systém CN2 P. Pošík c 2013 Artificial Intelligence 3 / 27 Klasifikační strom vs. klasifikační pravidla Rozdělení prostoru stromem (splitting) ID3, C4.5, J48, See5 Celý prostor je pokryt Rozhodnutí je všude jednoznačné Pokrytí prostoru pravidly (covering) AQ, CN2 V prostoru mohou existovat místa, kde neplatí žádné z pravidel: nutnost tzv. default rule Predikce jednotlivých pravidel mohou někde kolidovat: nutnost specifikovat, jak v takovém případě postupovat P. Pošík c 2013 Artificial Intelligence 4 / 27 2
3 Pravidla Pravidlo č. i: condition i Ø Ò ÔÖ Ø class i Množina pravidel (neuspořádáná): rule set, decision set nezáleží na pořadí vykonávání při ohodnocování se vyhodnotí podmínka všech; z vyhovujících se odvodí jedna finální predikce např. tak, že se jako predikce použije nejčastější třída mezi všemi trénovacími příklady, které jsou pokryté alespoň jedním vyhovujícím pravidlem; není-li příklad pokryt žádným pravidlem, použije se jako predikce nejčastější třída v trénovacích datech (default rule). Styl učení: vybereme třídu, pro níž chceme vytvořit pravidlo, a následně najdeme jeho podmínku Seznam pravidel (uspořádaný): rule list, decision list záleží na pořadí vykonávání výstupem je predikce pravidla, které je splněno jako první; není-li splněno žádné, predikcí je nejčastější třída v trénovacích datech (default rule) horší interpretace, nutné brát v úvahu všechna dřívější pravidla Styl učení: najdeme nejlepší podmínku a zjistíme, kterou třídu popisuje P. Pošík c 2013 Artificial Intelligence 5 / 27 Příklad: kontaktní čočky Všechny následující modely jsou ekvivalentní: Seznam pravidel (záleží na pořadí vykonávání): Tear prod. = Reduced Ø Ò class = None. Astigmatism = No Ø Ò class = Soft. Spect.presc. = Myope. Ø Ò class = Hard. ÙÐØ class = None. Klasifikační strom: Tear production? Reduced. Normal. None Astigmatism? SoftNo. Yes. Spect.presc.? Myope. Hyperm. Množina pravidel (nezáleží na pořadí vykonávání): Tear prod. = Reduced (Tear prod. = Normal Astigmatism = Yes Spect.presc. = Hyperm.) Ø Ò class = None. (Tear prod. = Normal Astigmatism = No) Ø Ò class = Soft. (Tear prod. = Normal Astigmatism = Yes Spect.presc. = Myope.) Ø Ò class = Hard. ÙÐØ class = None. Hard None P. Pošík c 2013 Artificial Intelligence 6 / 27 3
4 Systém AQ AQ indukuje množinu pravidel: cover Ø Ò ÔÖ Ø class pro každou třídu 1 pravidlo třída přiřazená ke coveru je nejčastější třída mezi trénovacími příklady pokrytými coverem Používaná terminologie: Selector je základní test na hodnotu atributu, příp. výrazu obsahujícího atributy, např. [color = red white blue] [temp ] [width & height = 5] [length width & length height ] Complex je konjunkce (AND) selektorů, např: [color = red white blue][width & height = 5], a je splněný, jsou-li splněny všechny selektory. Cover je disjunkce (OR) komplexů, např.: [color = red white][width = 5] [temp ][length width ], a je splněný, je-li splněn alespoň 1 z komplexů. Výraz (selektor, komplex, cover) pokrývá příklad, pokud je pro daný příklad splněn. Prázdný komplex (konjunkce 0 atributových testů) pokrývá všechny příklady. Prázdný cover (disjunkce 0 komplexů) nepokrývá žádný příklad. P. Pošík c 2013 Artificial Intelligence 7 / 27 Algoritmus učení AQ Pro každou třídu: vytvoří cover (disjunkci komplexů), který bude sloužit jako podmínka pravidla cover se tvoří iterativně: v každé iteraci vytvoř 1 komplex a jím pokryté příklady z trénovací množiny dále neber v úvahu. Algorithm 1: AQ: indukce pravidla pro 1 třídu Vstup: Množina pozitivních (P) a negativních (N) příkladů Výstup: Cover C pokrývající všechny příklady z P a žádný z N: x P C(x), x N C(x) 1 begin 2 C 3 while x P : C(x) do 4 Zvol semínko s: s P C(s). 5 Vytvoř hvězdu H ØËØ Ö s, Nµ, množinu komplexů pokrývajících s a nepokrývajících žádný příklad z N. 6 Zvol nejlepší komplex b Ø Ø Hµ podle zvoleného kritéria. 7 Přidej nejlepší komplex b ke coveru C. Heuristiky: Semínko s vyber náhodně. Nejlepší je komplex pokrývající největší počet pozitivních případů. P. Pošík c 2013 Artificial Intelligence 8 / 27 4
5 Algoritmus učení AQ (pokr.) Algorithm 2: AQ: ØËØ Ö Vstup: Semínko s (s P), negativní příklady (N), maximální velikost hvězdy maxstar. Výstup: Hvězda H, množina komplexů pokrývajících s a nepokrývajících N. 1 begin 2 H { } 3 while kterýkoli komplex z H pokrývá nějaký příklad z N do 4 Zvol negativní příklad n pokrytý některým komplexem z H.» ËÔ Ð ÞÙ ÓÑÔÐ ÜÝ Ú H Ø Ý Ò ÔÓ ÖÚ ÐÝ n» 5 Vytvoř množinu E všech selektorů, které pokrývají s, ale ne n. 6 H {x y : x H, y E} 7 Odstraň z H všechny zbytečné komplexy. 8 while H > maxstar do 9 Odstraň z H nejhorší komplex. Heuristiky: Negativní příklady n vybírej podle vzrůstající vzdálenosti od s. Nejlepší je komplex s nějvětším součtem pokrytých pozitivních a nepokrytých negativních příkladů. P. Pošík c 2013 Artificial Intelligence 9 / 27 Vlastnosti AQ K tvorbě hvězdy se používá tzv. beam search s velikostí paprsku maxstar. Hladové prohledávání (greedy search) je beam search s velikostí paprsku 1. AQ končí v okamžiku, kdy jsou trénovací data ohodnocena zcela správně. Přeučení v případě šumu v datech!!! Novější varianty: základní algoritmus je stejný přeučení se zabraňuje předzpracováním dat nebo zjednodušením (prořezáním) výsledné sady pravidel P. Pošík c 2013 Artificial Intelligence 10 / 27 5
6 Systém CN2 používá seznam pravidel (decision list) také používá beam search ke hledání nejlepšího komplexu umožňuje přijmout i pravidla, které nejsou zcela konzistentní s trénovacími daty: uvažuje všechny specializace komplexu může mezi nimi vybírat na základě statistických měr odolnější vůči šumu a nekonzistencím v datech než AQ P. Pošík c 2013 Artificial Intelligence 11 / 27 Algoritmus učení CN2 Postup učení: V každé iteraci najdi komplex pokrývající hodně příkladů jedné třídy C a pár příkladů z několika málo jiných tříd. Z trénovací sady odstraň příklady pokryté nalezeným komplexem. Na konec seznamu pravidel přidej Complex(x) Ø Ò ÔÖ Ø C. Algorithm 3: CN2: Indukce seznamu pravidel Vstup: Trénovací množina T ohodnocených příkladů. Výstup: Seznam pravidel L. 1 begin 2 L 3 repeat 4 Najdi nejlepší komplex: b Ø Ø ÓÑÔÐ Ü Tµ. 5 if b = then 6 Vytvoř množinu příkladů pokrytých komplexem: T {x : x T b(x)}. 7 Odstraň z trénovací sady pokryté příklady: T T T. 8 Označ nejčastější třídu v T jako C. 9 Na konec seznamu L přidej pravidlo: b(x) Ø Ò ÔÖ Ø C. 10 until nejlepší komplex b = nebo T = P. Pošík c 2013 Artificial Intelligence 12 / 27 6
7 Algoritmus učení CN2 (pokr.) Algorithm 4: AQ: Ò Ø ÓÑÔÐ Ü Vstup: Trénovací množina T ohodnocených příkladů, množina S všech možných selektorů, maximální velikost hvězdy maxstar. Výstup: Nejlepší komplex b. 1 begin 2 Inicializuj hvězdu a nejlepší komplex: H { }, b. 3 while H = do 4 Specializuj všechny komplexy v H: H {x y : x H, y S} 5 Z H odstraň komplexy, které již byly v H (t.j. nejsou specializované). 6 Z H odstraň komplexy nepokrývající žádný příklad (např. obsahují spor). 7 foreach c H do 8 if c je lepší než b a c je statisticky významný then 9 b c 10 while H > maxstar do 11 Odstraň z H nejhorší komplex. 12 H H Heuristiky: Nejlepší je komplex s nejnižší entropií rozdělení tříd mezi pokrytými příklady. Komplex je statisticky významný, je-li rozdělení tříd mezi pokrytými příklady významně jiné než v celé trénovací sadě. (χ 2 test) P. Pošík c 2013 Artificial Intelligence 13 / 27 Klasifikační pravidla: shrnutí Modifikace CN2: použití Laplaceova odhadu přesnosti místo entropie: LaplaceAccuracy = n C+1 n T +k k je počet tříd v dané doméně, n C je počet příkladů klasifikovaných do třídy C a n T je celkový počet příkladů pokrytých pravidlem. generování neuspořádané množiny pravidel Učení pravidel: 1. Konstrukce hypotézy: najdi dobrou sadu n pravidel obvykle zjednodušeno na postupné hledání n pravidel 2. Konstrukce pravidla: najdi pár (podmínka, třída) zvol třídu a zkonstruuj pro ni vhodnou podmínku (AQ) nebo zkonstruuj podmínku a přiřad k ní vhodnou třídu (CN2). 3. Konstrukce podmínky: najdi sadu m atributových testů obvykle se zjednodušuje postupným přidáváním testů do podmínky Vlastnosti pravidlových systémů: Bývají srozumitelnější než klasifikační stromy. Postup konstrukce je obtížnější. P. Pošík c 2013 Artificial Intelligence 14 / 27 7
8 Asociační pravidla 15 / 27 Transakce: Příklad Datová sada pro asociační pravidla TID Položky 1 A, B, E 2 B, D 3 B, C 4 A, B, D 5 A, C 6 B, C 7 A, C 8 A, B, C, E 9 A, B, C A: mléko B: chléb C: cereálie D: cukr E: vejce TID A B C D E Instance = Transakce TID: Transaction ID P. Pošík c 2013 Artificial Intelligence 16 / 27 Definice Item (položka): pár atribut = hodnota nebo jen hodnota atributy se obvykle převádí na indikátory jednotlivých hodnot, např. místo item = A používáme A = true Položka a pravděpodobnost: Položka (item) je náhodný jev (bud se položka v transakci objeví nebo ne). Itemset (množina položek): podmnožina všech možných položek Příklad: X = {A, B, E} (na pořadí nezáleží) Transakce: uspořádaná dvojice(tid, itemset) P. Pošík c 2013 Artificial Intelligence 17 / 27 8
9 Support (podpora) Podpora (support) množiny položek X je podíl transakcí, které obsahují X. sup({a}) = 6 9 sup({b, C}) = 4 9 sup({a, B, E}) = 2 9 Podpora a pravděpodobnost: Podpora je odhad pravděpodobnosti výskytu náhodného jevu sup(a) = ˆp(A) sup({a, B, C}) = ˆp(A B C) sup({a} {B} {C}) = ˆp(A B C) TID A B C D E Častá množina položek (frequent itemset) je taková množina X, jejíž podpora je vyšší než zvolený práh: sup(x) s min. Jak najít všechny časté množiny? Naivní přístup: generovat všechny možné množiny X a kontrolovat, zda sup(x) s min. Kolik je takových množin? 2 N, kde N je počet položek. Nešlo by prostor možných množin nějak prořezat? P. Pošík c 2013 Artificial Intelligence 18 / 27 Subset property Downward closure property, anti-monotonicity property: Každá podmnožina časté množiny položek je častá! Proč? Předpokládejme, že {A, B} je častá. Každý výskyt {A, B} představuje také 1 výskyt {A} a 1 výskyt{b}.{a} i {B} tedy také musejí být časté. Když pravidlo obrátíme: Množina s N prvky může být častá jen tehdy, když jsou časté všechny její podmnožiny o velikosti N 1, N 2,..., 1. Stačí, jsou-li časté všechny podmonožiny velikosti N 1? Ano. Téměř všechny algoritmy pro hledání asoc. pravidel využívají tuto vlastnost! Přesněji: využívají možnost prořezat prostor všech podmnožin množiny všech položek. Žádná množina obsahující podmnožinu, která není častá, nemůže být častá. P. Pošík c 2013 Artificial Intelligence 19 / 27 9
10 Hledání častých množin položek Časté množiny velikosti 1: Najdi všechny 1-prvkové množiny položek s dostatečnou podporou Časté množiny velikosti větší než 1: Algoritmus Apriori Myšlenka: ze známých 1-prvkových množin nageneruj 2-prvkové, z 2-prvkových 3-prvkové,... k-prvkovou množinu zkonstruuj sjednocením všech (k 1)-prvkových Příklad: Mějme pět častých 3-prvkových množin: {A, B, C},{A, B, D},{A, C, D},{A, C, E},{B, C, D} Lexikografické uspořádání zlepšuje efektivitu Je množina{a, B, C, D} kandidátem na častou 4-prvkovou množinu? Ano, protože všechny 3-prvkové podmnožiny jsou časté. Je množina{a, B, C, D} častou 4-prvkovou množinou? Nevíme, neznáme její podporu, nelze rozhodnout zda sup({a, B, C, D}) s min Je množina{a, C, D, E} kandidátem na častou 4-prvkovou množinu? Ne, podmnožiny{a, D, E} a {C, D, E} nejsou časté. P. Pošík c 2013 Artificial Intelligence 20 / 27 Klasifikační vs. asociační pravidla Klasifikační pravidla Učení s učitelem: Jedna cílová proměnná Míra: accuracy Asociační pravidla Učení bez učitele: Mnoho cílových proměnných Míra: support, confidence, lift P. Pošík c 2013 Artificial Intelligence 21 / 27 10
11 Asociační pravidla Asociační pravidlo R: X Y X a Y jsou disjunktní množiny položek, Y neprázdná. Obsahuje-li transakce množinu X, obsahuje také Y. Příklad: z časté množiny položek {A, B, C} lze zkonstruovat následující pravidla: A, B C A, C B B, C A A B, C B A, C C A, B {} A, B, C nebo true A, B, C P. Pošík c 2013 Artificial Intelligence 22 / 27 Míry asociačního pravidla Pravidlo R : X Y Podpora (support) pravidla R: sup(r) = sup(x Y) = a n Spolehlivost (confidence) pravidla R: Y Y X a b r X c d s k l n conf(r) = sup(x Y) sup(x) = a r Spolehlivost je odhad podmíněné pravděpodobnosti: conf(r) = ˆp(Y X) = ˆp(X Y) ˆp(X) Zdvih (lift) pravidla R: lift(r) = sup(x Y) sup(x) sup(y) = conf(r) sup(y) = ˆp(Y X) = ˆp(Y) a r k n Zdvih je poměr pozorované podpory pravidla vůči hodnotě, kterou bychom pozorovali, kdyby X a Y byly nezávislé. Je-li lift(r) > 1, X a Y jsou pozitivně korelované. Je-li lift(r) < 1, X a Y jsou negativně korelované. Je-li lift(r) = 1, X a Y jsou nezávislé. P. Pošík c 2013 Artificial Intelligence 23 / 27 11
12 Hledání silných asoc. pravdel Silné asociační pravidlo: Pravidlo R, pro něž sup(r) s min a conf(r) c min Hledání silných pravidel: Hlavní myšlenka: subset property (opět) Najdi množiny položek X, kde sup(x) s min. Pro každou častou množinu položek X: Pro každou její podmnožinu Y: Vytvoř všechna pravidla R: X Y Y, otestuj zda conf(r) c min Vysoká podpora a spolehlivost pravidla často nestačí! Předp., že X a Y jsou nezávislé a že sup(x) p(x) = 0.9 a sup(y) p(y) = 0.8. Potom: sup(x Y) p(x Y) = 0.72, conf(x Y) = sup(x Y) = 0.8 a conf(y X) = sup(x Y) = 0.9 sup(x) sup(y) Ačkoli obě pravidla mohou být silná, neříkají nám prakticky nic. Viz lift: lift(x Y) = conf(x Y) sup(y) = 1 a lift(y X) = conf(y X) sup(y) = 1 K vyfiltrování skutečně užitečných pravidel musíme použít jiné míry, než podporu a spolehlivost: lift, leverage, conviction,... P. Pošík c 2013 Artificial Intelligence 24 / 27 Možná rozšíření asociačních pravidel Hledání zajímavých rozdílů v pravidlech: Nalezeno pravidlo ÑÐ Ó Ð, ale nikoli pravidlo Ó ÓÚ ÑÐ Ó Ð. Co to znamená? Využití hierarchické struktury produktů: nápoj mléko nízkotučné mléko Hledání asociací na všech úrovních Sekvence položek v čase: Když nejdřív X, tak později Y. P. Pošík c 2013 Artificial Intelligence 25 / 27 12
13 Aplikace Analýza nákupního koše: Umístění zboží v prodejnách, cílené nabídkové akce Elektronické obchody: nabídka podobných titulů (viz Amazon) Legendární případ pivo a pleny Analýza propojení: Odhalování struktury v různých sociálních sítích na základě četnosti kontaktů Součást systémů pro podporu rozhodování: např. {car = porsche, gender = male, age < 20} {risk = high, insurance = high} Hledání neobvyklých událostí: WSARE: What is strange about recent events P. Pošík c 2013 Artificial Intelligence 26 / 27 Asociační pravidla: souhrn Časté množiny položek (podpora) Subset property Algoritmus Apriori Asociační pravidla (spolehlivost) Filtrování silných pravidel Aplikační oblasti P. Pošík c 2013 Artificial Intelligence 27 / 27 13
Tvorba asociačních pravidel a hledání. položek
Tvorba asociačních pravidel a hledání častých skupin položek 1 Osnova Asociace Transakce Časté skupiny položek Apriori vlastnost podmnožin Asociační pravidla Aplikace 2 Asociace Nechť I je množina položek.
Dolování asociačních pravidel
Dolování asociačních pravidel Miloš Trávníček UIFS FIT VUT v Brně Obsah přednášky 1. Proces získávání znalostí 2. Asociační pravidla 3. Dolování asociačních pravidel 4. Algoritmy pro dolování asociačních
Základy vytěžování dat
Základy vytěžování dat předmět A7Bb36vyd Vytěžování dat Filip Železný, Miroslav Čepek, Radomír Černoch, Jan Hrdlička katedra kybernetiky a katedra počítačů ČVUT v Praze, FEL Evropský sociální fond Praha
Katedra kybernetiky skupina Inteligentní Datové Analýzy (IDA) 9. dubna 2009. Filip Železný (ČVUT) Vytěžování dat 9.
Vytěžování dat Filip Železný Katedra kybernetiky skupina Inteligentní Datové Analýzy (IDA) 9. dubna 2009 Filip Železný (ČVUT) Vytěžování dat 9. dubna 2009 1 / 22 Rozhodovací pravidla Strom lze převést
Asociační pravidla. Informační a komunikační technologie ve zdravotnictví. Biomedical Data Processing G r o u p
Asociační pravidla Informační a komunikační technologie ve zdravotnictví Definice pojmů Stavový prostor S je množina uzlů(stavů), kde cílem je najít stav splňující danou podmínku g. Formálně je problém
Lineární diskriminační funkce. Perceptronový algoritmus.
Lineární. Perceptronový algoritmus. Petr Pošík Czech Technical University in Prague Faculty of Electrical Engineering Dept. of Cybernetics P. Pošík c 2012 Artificial Intelligence 1 / 12 Binární klasifikace
Tvorba asociačních pravidel a hledání častých skupin položek
Tvorba asociačních pravidel a hledání častých skupin položek 1 Osnova Asociace a transakce Časté skupiny položek Apriori vlastnost podmnožin Asociační pravidla Aplikace 2 Příklad transakcí TID Products
Asociační i jiná. Pravidla. (Ch )
Asociační i jiná Pravidla (Ch. 14 +...) Učení bez učitele Nemáme cílovou třídu Y, G; máme N pozorování což jsou p-dimenzionální vektory se sdruženou pravděpodobností chceme odvozovat vlastnosti. Pro málo
Rozhodovací pravidla
Rozhodovací pravidla Úloha klasifikace příkladů do tříd. pravidlo Ant C, kde Ant je konjunkce hodnot atributů a C je cílový atribut A. Algoritmus pokrývání množin metoda separate and conquer (odděl a panuj)
Dobývání 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 Rozhodovací stromy Doc. RNDr. Iveta Mrázová, CSc.
hledání zajímavých asociací i korelací ve velkém množství dat původně pro transakční data obchodní transakce analýza nákupního košíku
Asociační pravidla Asociační pravidla hledání zajímavých asociací i korelací ve velkém množství dat původně pro transakční data obchodní transakce analýza nákupního košíku podpora rozhodování Analýza nákupního
Katedra kybernetiky skupina Inteligentní Datové Analýzy (IDA) 9. ledna 2017
Vytěžování dat Filip Železný Katedra kybernetiky skupina Inteligentní Datové Analýzy (IDA) 9. ledna 2017 Rozhodovací pravidla Strom lze převést na seznam pravidel ve tvaru if podmínky then třída if teplota=horečka
Optimální rozdělující nadplocha 4. Support vector machine. Adaboost.
Optimální rozdělující nadplocha. Support vector machine. Adaboost. Petr Pošík Czech Technical University in Prague Faculty of Electrical Engineering Dept. of Cybernetics Opakování Lineární diskriminační
Pravděpodobně skoro správné. PAC učení 1
Pravděpodobně skoro správné (PAC) učení PAC učení 1 Výpočetní teorie strojového učení Věta o ošklivém kačátku. Nechť E je klasifikovaná trénovací množina pro koncept K, který tvoří podmnožinu konečného
Katedra 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
Faculty of Nuclear Sciences and Physical Engineering Czech Technical University in Prague
1 / 23 Faculty of Nuclear Sciences and Physical Engineering Czech Technical University in Prague 2 / 23 biologové často potřebují najít často se opakující sekvence DNA tyto sekvence bývají relativně krátké,
Dijkstrův algoritmus
Dijkstrův algoritmus Hledání nejkratší cesty v nezáporně hranově ohodnoceném grafu Necht je dán orientovaný graf G = (V, H) a funkce, která každé hraně h = (u, v) H přiřadí nezáporné reálné číslo označované
Vytěžování znalostí z dat
Vytěžování znalostí z dat Department of Computer Systems Faculty of Information Technology Czech Technical University in Prague Přednáška 5: Hodnocení kvality modelu BI-VZD, 09/2011 MI-POA Evropský sociální
Optimalizace & soft omezení: algoritmy
Optimalizace & soft omezení: algoritmy Soft propagace Klasická propagace: eliminace nekonzistentních hodnot z domén proměnných Soft propagace: propagace preferencí (cen) nad k-ticemi hodnot proměnných
Projekční 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
Vytěžování znalostí z dat
Pavel Kordík, Jan Motl (ČVUT FIT) Vytěžování znalostí z dat BI-VZD, 2012, Přednáška 7 1/27 Vytěžování znalostí z dat Pavel Kordík, Jan Motl Department of Computer Systems Faculty of Information Technology
Radim Navrátil. Robust 24. ledna 2018
Analýza nákupního košíku - historie a současnost Radim Navrátil Ústav matematiky a statistiky Přírodovědecká fakulta MU, Brno Robust 24. ledna 2018 Radim Navrátil (ÚMS Brno) Analýza nákupního košíku Robust
Informační systémy pro podporu rozhodování
Informační systémy pro rozhodování Informační systémy pro podporu rozhodování 5 Jan Žižka, Naděžda Chalupová Ústav informatiky PEF Mendelova universita v Brně Asociační pravidla Asociační pravidla (sdružovací
TGH09 - 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
Moderní 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:
0. ÚVOD - matematické symboly, značení,
0. ÚVOD - matematické symboly, značení, číselné množiny Výroky Výrok je každé sdělení, u kterého lze jednoznačně rozhodnout, zda je či není pravdivé. Každému výroku lze proto přiřadit jedinou pravdivostní
Získávání znalostí z databází. Alois Kužela
Získávání znalostí z databází Alois Kužela Obsah související pojmy datové sklady, získávání znalostí asocianí pravidla 2/37 Úvod získávání znalostí z dat, dolování (z) dat, data mining proces netriviálního
Zjednodušení generativního systému redukcí rozlišení
Zjednodušení generativního systému redukcí rozlišení Ze studie zahrnující dotaz na vzdělání. Obor hodnot v i : e základní vzdělání h střední vzdělání c bakalář g magistr Možné redukce rozlišení cg vysoké
Hanojská věž. T2: prohledávání stavového prostoru. zadání [1 1 1] řešení [3 3 3] dva možné první tahy: [1 1 2] [1 1 3]
Hanojská věž zadání [1 1 1] řešení [3 3 3] dva možné první tahy: [1 1 2] [1 1 3] který tah je lepší? (co je lepší tah?) P. Berka, 2012 1/21 Stavový prostor 1. množina stavů S = {s} 2. množina přechodů
12. Globální metody MI-PAA
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
Statistická teorie učení
Statistická teorie učení Petr Havel Marek Myslivec přednáška z 9. týdne 1 Úvod Představme si situaci výrobce a zákazníka, který si u výrobce objednal algoritmus rozpoznávání. Zákazník dodal experimentální
Klasifikace a rozpoznávání. Bayesovská rozhodovací teorie
Klasifikace a rozpoznávání Bayesovská rozhodovací teorie Extrakce p íznaků Granáty Četnost Jablka Váha [dkg] Pravděpodobnosti - diskrétní p íznaky Uvažujme diskrétní p íznaky váhové kategorie Nechť tabulka
ZÍSKÁVÁNÍ 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
Faculty of Nuclear Sciences and Physical Engineering Czech Technical University in Prague
1 / 40 regula Faculty of Nuclear Sciences and Physical Engineering Czech Technical University in Prague regula 1 2 3 4 5 regula 6 7 8 2 / 40 2 / 40 regula Iterační pro nelineární e Bud f reálná funkce
jednoduchá 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
Umělá inteligence II
Umělá inteligence II 11 http://ktiml.mff.cuni.cz/~bartak Roman Barták, KTIML roman.bartak@mff.cuni.cz Dnešní program! V reálném prostředí převládá neurčitost.! Neurčitost umíme zpracovávat pravděpodobnostními
7. Heuristické metody
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
Selekce a extrakce příznaků 2
Selekce a extrakce příznaků. Petr Pošík Czech Technical University in Prague Faculty of Electrical Engineering Dept. of Cybernetics Selekce a extrakce příznaků Proč?..............................................................................................................
Lineární klasifikátory
Lineární klasifikátory Lineární klasifikátory obsah: perceptronový algoritmus základní verze varianta perceptronového algoritmu přihrádkový algoritmus podpůrné vektorové stroje Lineární klasifikátor navrhnout
Změkčování hranic v klasifikačních stromech
Změkčování hranic v klasifikačních stromech Jakub Dvořák Seminář strojového učení a modelování 24.5.2012 Obsah Klasifikační stromy Změkčování hran Ranking, ROC křivka a AUC Metody změkčování Experiment
Pravděpodobnost v závislosti na proměnné x je zde modelován pomocí logistického modelu. exp x. x x x. log 1
Logistická regrese Menu: QCExpert Regrese Logistická Modul Logistická regrese umožňuje analýzu dat, kdy odezva je binární, nebo frekvenční veličina vyjádřená hodnotami 0 nebo 1, případně poměry v intervalu
1 Pravdivost formulí v interpretaci a daném ohodnocení
1 Pravdivost formulí v interpretaci a daném ohodnocení Než uvedeme konkrétní příklady, zopakujme si definici interpretace, ohodnocení a pravdivosti. Necht L je nějaký jazyk. Interpretaci U, jazyka L tvoří
Programovací jazyk Pascal
Programovací jazyk Pascal Syntaktická pravidla (syntaxe jazyka) přesná pravidla pro zápis příkazů Sémantická pravidla (sémantika jazyka) pravidla, která každému příkazu přiřadí přesný význam Všechny konstrukce
Evoluční algoritmy. Podmínka zastavení počet iterací kvalita nejlepšího jedince v populaci změna kvality nejlepšího jedince mezi iteracemi
Evoluční algoritmy Použítí evoluční principů, založených na metodách optimalizace funkcí a umělé inteligenci, pro hledání řešení nějaké úlohy. Populace množina jedinců, potenciálních řešení Fitness function
DATA MINING KLASIFIKACE DMINA LS 2009/2010
DATA MINING KLASIFIKACE DMINA LS 2009/2010 Osnova co je to klasifikace typy klasifikátoru typy výstupu jednoduchý klasifikátor (1R) rozhodovací stromy Klasifikace (ohodnocení) zařazuje data do předdefinovaných
Pokročilé neparametrické metody. Klára Kubošová
Klára Kubošová Další typy stromů CHAID, PRIM, MARS CHAID - Chi-squared Automatic Interaction Detector G.V.Kass (1980) nebinární strom pro kategoriální proměnné. Jako kriteriální statistika pro větvení
Algoritmizace. 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
ROZHODOVACÍ PROCEDURY A VERIFIKACE PAVEL SURYNEK, KTIML HTTP://KTIML.MFF.CUNI.CZ/~SURYNEK/NAIL094
10 ROZHODOVACÍ PROCEDURY A VERIFIKACE PAVEL SURYNEK, KTIML HTTP://KTIML.MFF.CUNI.CZ/~SURYNEK/NAIL094 Matematicko-fyzikální fakulta Univerzita Karlova v Praze 1 ROZHODOVÁNÍ TEORIÍ POMOCÍ SAT ŘEŠIČE (SMT)
Algoritmy na ohodnoceném grafu
Algoritmy na ohodnoceném grafu Dvě základní optimalizační úlohy: Jak najít nejkratší cestu mezi dvěma vrcholy? Dijkstrův algoritmus s t Jak najít minimální kostru grafu? Jarníkův a Kruskalův algoritmus
Výpočetní teorie učení. PAC učení. VC dimenze.
Výpočetní teorie učení. PAC učení. VC dimenze. Petr Pošík Czech Technical University in Prague Faculty of Electrical Engineering Dept. of Cybernetics COLT 2 Koncept...........................................................................................................
11. 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
Ing. 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
Automatické vyhledávání informace a znalosti v elektronických textových datech
Automatické vyhledávání informace a znalosti v elektronických textových datech Jan Žižka Ústav informatiky & SoNet RC PEF, Mendelova universita Brno (Text Mining) Data, informace, znalost Elektronická
Intervalové odhady. Interval spolehlivosti pro střední hodnotu v N(µ, σ 2 ) Interpretace intervalu spolehlivosti. Interval spolehlivosti ilustrace
Intervalové odhady Interval spolehlivosti pro střední hodnotu v Nµ, σ 2 ) Situace: X 1,..., X n náhodný výběr z Nµ, σ 2 ), kde σ 2 > 0 známe měli jsme: bodové odhady odhadem charakteristiky je číslo) nevyjadřuje
Činnost: 1) Vyhodnotí se výraz E. 2) Jeho hodnota se uloží do proměnné V.
Přiřazovací příkaz V := E, V jednoduchá nebo indexovaná proměnná, E výraz, jehož typ je kompatibilní podle přiřazení s typem proměnné V. 1) Vyhodnotí se výraz E. 2) Jeho hodnota se uloží do proměnné V.
Výpočetní teorie strojového učení a pravděpodobně skoro správné (PAC) učení. PAC učení 1
Výpočetní teorie strojového učení a pravděpodobně skoro správné (PAC) učení PAC učení 1 Cíl induktivního strojového učení Na základě omezeného vzorku příkladů E + a E -, charakterizovat (popsat) zamýšlenou
ZÍSKÁVÁNÍ 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
Vektorové podprostory, lineární nezávislost, báze, dimenze a souřadnice
Vektorové podprostory, lineární nezávislost, báze, dimenze a souřadnice Vektorové podprostory K množina reálných nebo komplexních čísel, U vektorový prostor nad K. Lineární kombinace vektorů u 1, u 2,...,u
Intervalové odhady. Interval spolehlivosti pro střední hodnotu v N(µ, σ 2 ) Interpretace intervalu spolehlivosti. Interval spolehlivosti ilustrace
Intervalové odhady Interval spolehlivosti pro střední hodnotu v Nµ, σ 2 ) Situace: X 1,..., X n náhodný výběr z Nµ, σ 2 ), kde σ 2 > 0 známe měli jsme: bodové odhady odhadem charakteristiky je číslo) nevyjadřuje
8. Strojové učení. Strojové učení. 16. prosince 2014. Václav Matoušek. 8-1 Úvod do znalostního inženýrství, ZS 2014/15
Strojové učení 16. prosince 2014 8-1 Klasifikace metod strojového učení podle vynaloženého úsilí na získání nových znalostí Učení zapamatováním (rote learning, biflování) Pouhé zaznamenání dat nebo znalostí.
Hranová konzistence. Arc consistency AC. Nejprve se zabýváme binárními CSP. podmínka odpovídá hraně v grafu podmínek
Hranová konzistence Arc consistency AC Nejprve se zabýváme binárními CSP podmínka odpovídá hraně v grafu podmínek Hrana (V i, V j ) je hranově konzistentní, právě když pro každou hodnotu x z aktuální domény
NAIVNÍ TEORIE MNOŽIN, okruh č. 5
NAIVNÍ TEORIE MNOŽIN, okruh č. 5 Definování množiny a jejích prvků Množina je souhrn nějakých věcí. Patří-li věc do množiny X, říkáme, že v ní leží, že je jejím prvkem nebo že množina X tuto věc obsahuje.
Dobývání 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 Pravděpodobnost a učení Doc. RNDr. Iveta Mrázová,
Přednáška 13 Redukce dimenzionality
Vytěžování Dat Přednáška 13 Redukce dimenzionality Miroslav Čepek Fakulta Elektrotechnická, ČVUT Evropský sociální fond Praha & EU: Investujeme do vaší budoucnosti ČVUT (FEL) Redukce dimenzionality 1 /
Obsah přednášky Jaká asi bude chyba modelu na nových datech?
Obsah přednášky Jaká asi bude chyba modelu na nových datech? Chyba modelu Bootstrap Cross Validation Vapnik-Chervonenkisova dimenze 2 Chyba skutečná a trénovací Máme 30 záznamů, rozhodli jsme se na jejich
Konstrukce 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
Výroková 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
Binární vyhledávací stromy pokročilé partie
Binární vyhledávací stromy pokročilé partie KMI/ALS lekce Jan Konečný 30.9.204 Literatura Cormen Thomas H., Introduction to Algorithms, 2nd edition MIT Press, 200. ISBN 0-262-5396-8 6, 3, A Knuth Donald
Pravděpodobnost, náhoda, kostky
Pravděpodobnost, náhoda, kostky Radek Pelánek IV122 Výhled pravděpodobnost náhodná čísla lineární regrese detekce shluků Dnes lehce nesourodá směs úloh souvisejících s pravděpodobností připomenutí, souvislosti
Kapitola 6: Omezení integrity. Omezení domény
- 6.1 - Omezení domény Referenční integrita Aserce Spouštěče (Triggers) Funkční závislosti Kapitola 6: Omezení integrity Omezení domény Omezení integrity zabraňují poškození databáze; zajišťují, že autorizované
Zadání a řešení testu z matematiky a zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia od podzimu 2014
Zadání a řešení testu z matematiky a zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia od podzimu 204 Zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia
Strojové učení Marta Vomlelová
Strojové učení Marta Vomlelová marta@ktiml.mff.cuni.cz KTIML, S303 Literatura 1.T. Hastie, R. Tishirani, and J. Friedman. The Elements of Statistical Learning, Data Mining, Inference and Prediction. Springer
Markovovy modely v Bioinformatice
Markovovy modely v Bioinformatice Outline Markovovy modely obecně Profilové HMM Další použití HMM v Bioinformatice Analýza biologických sekvencí Biologické sekvence: DNA,RNA,protein prim.str. Sekvenování
Chybějící atributy a postupy pro jejich náhradu
Chybějící atributy a postupy pro jejich náhradu Jedná se o součást čištění dat Čistota dat je velmi důležitá, neboť kvalita dat zásadně ovlivňuje kvalitu výsledků, které DM vyprodukuje, neboť platí Garbage
Výroková 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
AUTOMATY A GRAMATIKY. Pavel Surynek. Kontextové uzávěrové vlastnosti Turingův stroj Rekurzivně spočetné jazyky Kódování, enumerace
AUTOMATY A 11 GRAMATIKY Pavel Surynek Univerzita Karlova v Praze Matematicko-fyzikální fakulta Katedra teoretické informatiky a matematické logiky Kontextové uzávěrové vlastnosti Turingův stroj Rekurzivně
Databázové systémy. * relační kalkuly. Tomáš Skopal. - relační model
Databázové systémy Tomáš Skopal - relační model * relační kalkuly Osnova přednášky relační kalkuly doménový n-ticový Relační kalkuly využití aparátu predikátové logiky 1. řádu pro dotazování rozšíření
Matematika I. Přednášky: Mgr. Radek Výrut, Zkouška:
Přednášky: Mgr. Radek Výrut, Matematika I katedra matematiky, UL-605, rvyrut@kma.zcu.cz tel.: 377 63 2658 Zkouška: Písemná část zkoušky - příklady v rozsahu zápočtových prací Ústní část zkoušky - základní
Úloha - 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
Připomeň: Shluková analýza
Připomeň: Shluková analýza Data Návrh kategorií X Y= 1, 2,..., K resp. i jejich počet K = co je s čím blízké + jak moc Neposkytne pravidlo pro zařazování Připomeň: Klasifikace Data (X,Y) X... prediktory
Metody 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
ROZDĚLENÍ NÁHODNÝCH VELIČIN
ROZDĚLENÍ NÁHODNÝCH VELIČIN 1 Vytvořeno s podporou projektu Průřezová inovace studijních programů Lesnické a dřevařské fakulty MENDELU v Brně (LDF) s ohledem na discipliny společného základu (reg. č. CZ.1.07/2.2.00/28.0021)
Inženýrská statistika pak představuje soubor postupů a aplikací teoretických principů v oblasti inženýrské činnosti.
Přednáška č. 1 Úvod do statistiky a počtu pravděpodobnosti Statistika Statistika je věda a postup jak rozvíjet lidské znalosti použitím empirických dat. Je založena na matematické statistice, která je
TGH08 - Optimální kostry
TGH08 - Optimální kostry Jan Březina Technical University of Liberec 14. dubna 2015 Problém profesora Borůvky řešil elektrifikaci Moravy Jak propojit N obcí vedením s minimální celkovou délkou. Vedení
NÁHODNÉ VELIČINY JAK SE NÁHODNÁ ČÍSLA PŘEVEDOU NA HODNOTY NÁHODNÝCH VELIČIN?
NÁHODNÉ VELIČINY GENEROVÁNÍ SPOJITÝCH A DISKRÉTNÍCH NÁHODNÝCH VELIČIN, VYUŽITÍ NÁHODNÝCH VELIČIN V SIMULACI, METODY TRANSFORMACE NÁHODNÝCH ČÍSEL NA HODNOTY NÁHODNÝCH VELIČIN. JAK SE NÁHODNÁ ČÍSLA PŘEVEDOU
Algoritmizace a programování
Algoritmizace a programování Vyhledávání, vkládání, odstraňování Vyhledání hodnoty v nesetříděném poli Vyhledání hodnoty v setříděném poli Odstranění hodnoty z pole Vkládání hodnoty do pole Verze pro akademický
Výroková 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
Modely 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
Dobývání 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.
5.8 Induktivní logické programování
5.8 Induktivní logické programování Zatím jsme se pohybovali ve světě, kde příklady i hypotézy byly popsány hodnotami atributů 1. Existuje ale ještě jiný, složitější popis a sice popis pomocí predikátové
Vyhledávání. 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
Kapitola 1. Úvod. 1.1 Značení. 1.2 Výroky - opakování. N... přirozená čísla (1, 2, 3,...). Q... racionální čísla ( p, kde p Z a q N) R...
Kapitola 1 Úvod 1.1 Značení N... přirozená čísla (1, 2, 3,...). Z... celá čísla ( 3, 2, 1, 0, 1, 2,...). Q... racionální čísla ( p, kde p Z a q N) q R... reálná čísla C... komplexní čísla 1.2 Výroky -
8 Přednáška z
8 Přednáška z 3 12 2003 Problém minimální kostry: Dostaneme souvislý graf G = (V, E), w : E R + Našim úkolem je nalézt strom (V, E ) tak, aby výraz e E w(e) nabýval minimální hodnoty Řešení - Hladový (greedy)
u odpovědí typu A, B, C, D, E: Obsah: jako 0) CLP Constraint Logic Programming
Průběžná písemná práce Průběžná písemná práce Obsah: Průběžná písemná práce Aleš Horák E-mail: hales@fi.muni.cz http://nlp.fi.muni.cz/uui/ délka pro vypracování: 25 minut nejsou povoleny žádné materiály
1 PRVOCISLA: KRATKY UKAZKOVY PRIKLAD NA DEMONSTRACI BALIKU WEB 1
1 PRVOCISLA: KRATKY UKAZKOVY PRIKLAD NA DEMONSTRACI BALIKU WEB 1 1. Prvocisla: Kratky ukazkovy priklad na demonstraci baliku WEB. Nasledujici program slouzi pouze jako ukazka nekterych moznosti a sluzeb,
Úloha 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
7.3 Diagramy tříd - základy
7.3 Diagramy tříd - základy - popisuje typy objektů a statické vztahy mezi nimi Objednávka -datumpřijetí -předplacena -číslo -cena +vyřiď() +uzavři() {if Objednávka.zákazník.charakteristika = 'nejistý'
Algoritmizace a programování
Algoritmizace a programování Řídicí struktury jazyka Java Struktura programu Příkazy jazyka Blok příkazů Logické příkazy Ternární logický operátor Verze pro akademický rok 2012/2013 1 Struktura programu
Seminář z umělé inteligence. Otakar Trunda
Seminář z umělé inteligence Otakar Trunda Plánování Vstup: Satisficing task: počáteční stav, cílové stavy, přípustné akce Optimization task: počáteční stav, cílové stavy, přípustné akce, ceny akcí Výstup: