Методы приобретения знаний

Сентябрь 2, 2022

Главная
Алгебра
Методы приобретения знаний

Содержание

2. Методы приобретения знаний Источники знаний Методы приобретения знаний Знания и опыт экспертов Коммуникационные Тексты Текстологические Экспериментальные
3. Knowledge Discovery in Databases
4. Обучение Примеры Начальные Решение знания
5. Обучение Примеры Начальные Решение знания Измененные правила
6. Обучение Примеры Начальные Решение знания Накопленные знания Измененные правила
7. Обучение Примеры Начальные Решение знания Накопленные знания Измененные правила Эффективность решения: - более качественное, точное решение;
8. Этапы обучения получение знаний без логических выводов получение знаний с правилами формирование обобщений
9. Методы обобщения АНАЛОГИЯ Вывод подобного заключения, если существуют подобные посылки ИНДУКЦИЯ Вывод из имеющихся данных объясняющего
10. Формирование обобщений Обобщение - переход от единичного объекта о или некоторого множества объектов О к к
11. Формирование понятий Z - некоторая система знаний Z = { Z1, Z2, . . . ,
12. Задача индуктивного формирования понятий Пусть R – множество объектов, V – множество положительных примеров, W –
13. Задача индуктивного формирования понятий В результате обобщения формируется некоторое разделяющее правило. Используется обучающая выборка. Правильность обобщения
14. Качественное обобщение zij - j – е значение i-го признака Каждому zij поставим в соответствие булеву
15. Алгоритм качественного обобщения.Пример Обучающая выборка a b с d 1 1 1 1 1 2 1
16. Алгоритм качественного обобщения.Пример Обучающая выборка a b с d 1 1 1 1 1 a 1
17. Алгоритм качественного обобщения.Пример Обучающая выборка +{1,2,3,4,5} a b с d - {6,7,8,9} 1 1 1 1
18. Алгоритм качественного обобщения.Пример Обучающая выборка +{1,2,3,4,5} a b с d - {6,7,8,9} 1 1 1 1
19. Data Mining (DM) Знания должны быть новые Знания должны быть нетривиальные Знания должны быть практически полезны
20. Этапы Data Mining Формулирование задачи анализа Подготовка данных Исходные Применение методов DM, данные построение моделей Проверка
21. Задачи Data Mining Классификация Кластеризация Регрессионный анализ Ассоциации
23. Скачать презентацию

Слайд 2

Методы приобретения знаний
Источники знаний Методы
приобретения знаний
Знания

и опыт экспертов Коммуникационные
Тексты Текстологические
Экспериментальные данные KDD

Слайд 3

Knowledge Discovery in Databases

Слайд 4

Обучение
Примеры Начальные Решение
знания

Слайд 5

Обучение
Примеры Начальные Решение
знания
Измененные правила

Слайд 6

Обучение
Примеры Начальные Решение
знания
Накопленные
знания
Измененные правила

Слайд 7

Обучение
Примеры Начальные Решение
знания
Накопленные
знания
Измененные правила
Эффективность решения:
- более

качественное, точное решение;
- уменьшение времени решения;
- расширение круга задач.

Слайд 8

Этапы обучения
получение знаний без логических выводов
получение знаний с правилами

формирование обобщений

Слайд 9

Методы обобщения
АНАЛОГИЯ Вывод подобного заключения, если
существуют подобные посылки
ИНДУКЦИЯ Вывод

из имеющихся данных
объясняющего их правила
Обучение с учителем: поставляются гипотезы.
Обучение без учителя: гипотезы генерируются
автоматически

Слайд 10

Формирование обобщений
Обобщение - переход от единичного объекта о или
некоторого

множества объектов О к
к рассмотрению множества объектов V:
o ∈ V или О ⊂ V
Понятие - результат обобщения
О = { о1, о2, . . . , оn } - объем понятия
Если оi ∈ О , оi – положительный пример,
оi ∈ О, оi – отрицательный пример.

Слайд 11

Формирование понятий
Z - некоторая система знаний
Z = {

Z1, Z2, . . . , Zk }
Zi - характеризуется множеством значений:
Zi = { zi1, zi2, . . . , zim } 1<= i <= k
Типы
признаков:- количественные,
- качественные с упорядоченными значениями,
- качественные с неструктурированными
значениями
Объект: oi = { zij }, zij ∈ Zi , 1<= j <= m, 1<= i <= k

Слайд 12

Задача индуктивного формирования понятий
Пусть R – множество объектов,
V – множество

положительных примеров,
W – множество отрицательных примеров.
Очевидно, R = V Ụ W V ∩ W = Ǿ
К – обучающая выборка К ⊂ R
К = К+ U К- К+ ⊂ V К- ⊂ W

Слайд 13

Задача индуктивного формирования понятий
В результате обобщения формируется некоторое разделяющее правило. Используется

обучающая выборка.
Правильность обобщения проверяется на экзаменационной выборке. Экзаменационная выборка не совпадает с обучающей !
При неудаче в п.2 экзаменационная выборка добавляется к обучающей выборке и повторяется п.1.

Слайд 14

Качественное обобщение
zij - j – е значение i-го признака
Каждому

zij поставим в соответствие булеву переменную hij :
1, если i-й признак имеет j–е значение
hij =
0, если i-й признак не имеет j–е значение
Конъюнктивное обобщение – выражение вида: & hij
Дизъюнктивное понятие: Uαk , где αk - к-ое конъюнктивное обобщение

Слайд 15

Алгоритм качественного обобщения.Пример
Обучающая выборка
a b с d
1

1 1 1 1
2 1 0 1 0
3 1 0 1 1
4 1 1 1 1
5 0 1 0 1
- 6 0 1 1 1
- 7 1 0 0 1
- 8 0 0 1 0
- 9 0 0 1 1

Слайд 16

Алгоритм качественного обобщения.Пример
Обучающая выборка
a b с d
1 1

1 1 1 a 1 5/9
2 1 0 1 0 0 4/9
3 1 0 1 1 b 1 4/9
4 1 1 1 1 0 5/9
5 0 1 0 1 c 1 7/9
- 6 0 1 1 1 0 2/9
- 7 1 0 0 1 d 1 7/9
- 8 0 0 1 0 0 2/9
- 9 0 0 1 1

Слайд 17

Алгоритм качественного обобщения.Пример
Обучающая выборка +{1,2,3,4,5}
a b с d

- {6,7,8,9}
1 1 1 1 1
2 1 0 1 0 с с
3 1 0 1 1
4 1 1 1 1 +{1,2,3,4} +{5}
5 0 1 0 1 - {6,8,9} -{7}
- 6 0 1 1 1
- 7 1 0 0 1
- 8 0 0 1 0
- 9 0 0 1 1

Слайд 18

Алгоритм качественного обобщения.Пример
Обучающая выборка +{1,2,3,4,5}
a b с d

- {6,7,8,9}
1 1 1 1 1
2 1 0 1 0 с с
3 1 0 1 1
4 1 1 1 1 +{1,2,3,4} +{5}
5 0 1 0 1 - {6,8,9} -{7}
- 6 0 1 1 1
- 7 1 0 0 1 КО= а КО= а *b
- 8 0 0 1 0
- 9 0 0 1 1 ДО = а *с v а * b* с

Слайд 19

Data Mining (DM)
Знания должны быть новые
Знания должны быть нетривиальные

Знания должны быть практически полезны
Знания должны быть доступны для
понимания
Средства представления знаний в DM – модели:
- правила
- деревья решений
- кластеры
- математические функции

Слайд 20

Этапы Data Mining
Формулирование
задачи анализа
Подготовка
данных
Исходные Применение

методов DM,
данные построение моделей
Проверка моделей
Интерпретация
моделей

Слайд 21

Методы приобретения знаний

Содержание

Методы приобретения знаний Источники знаний Методы приобретения знаний Знания

Knowledge Discovery in Databases

ОбучениеПримеры Начальные Решение знания

ОбучениеПримеры Начальные Решение знанияИзмененные правила

ОбучениеПримеры Начальные Решение знания Накопленные знанияИзмененные правила

ОбучениеПримеры Начальные Решение знания Накопленные знанияИзмененные правилаЭффективность решения: - более

Этапы обучения получение знаний без логических выводов получение знаний с правилами

Методы обобщенияАНАЛОГИЯ Вывод подобного заключения, если существуют подобные посылкиИНДУКЦИЯ Вывод

Формирование обобщений Обобщение - переход от единичного объекта о или некоторого

Формирование понятий Z - некоторая система знаний Z = {

Задача индуктивного формирования понятийПусть R – множество объектов, V – множество

Задача индуктивного формирования понятийВ результате обобщения формируется некоторое разделяющее правило. Используется

Качественное обобщение zij - j – е значение i-го признака Каждому

Алгоритм качественного обобщения.Пример Обучающая выборка a b с d 1

Алгоритм качественного обобщения.ПримерОбучающая выборка a b с d 1 1

Алгоритм качественного обобщения.Пример Обучающая выборка +{1,2,3,4,5} a b с d

Алгоритм качественного обобщения.Пример Обучающая выборка +{1,2,3,4,5} a b с d

Data Mining (DM) Знания должны быть новые Знания должны быть нетривиальные

Этапы Data Mining Формулирование задачи анализа Подготовка данных Исходные Применение

Задачи Data Mining Классификация Кластеризация Регрессионный анализ Ассоциации

Похожие презентации

Методы приобретения знаний
Источники знаний Методы
приобретения знаний
Знания

Обучение
Примеры Начальные Решение
знания

Обучение
Примеры Начальные Решение
знания
Измененные правила

Обучение
Примеры Начальные Решение
знания
Накопленные
знания
Измененные правила

Обучение
Примеры Начальные Решение
знания
Накопленные
знания
Измененные правила
Эффективность решения:
- более

Этапы обучения
получение знаний без логических выводов
получение знаний с правилами

Методы обобщения
АНАЛОГИЯ Вывод подобного заключения, если
существуют подобные посылки
ИНДУКЦИЯ Вывод

Формирование обобщений
Обобщение - переход от единичного объекта о или
некоторого

Формирование понятий
Z - некоторая система знаний
Z = {

Задача индуктивного формирования понятий
Пусть R – множество объектов,
V – множество

Задача индуктивного формирования понятий
В результате обобщения формируется некоторое разделяющее правило. Используется

Качественное обобщение
zij - j – е значение i-го признака
Каждому

Алгоритм качественного обобщения.Пример
Обучающая выборка
a b с d
1

Алгоритм качественного обобщения.Пример
Обучающая выборка
a b с d
1 1

Алгоритм качественного обобщения.Пример
Обучающая выборка +{1,2,3,4,5}
a b с d

Алгоритм качественного обобщения.Пример
Обучающая выборка +{1,2,3,4,5}
a b с d

Data Mining (DM)
Знания должны быть новые
Знания должны быть нетривиальные

Этапы Data Mining
Формулирование
задачи анализа
Подготовка
данных
Исходные Применение

Задачи Data Mining
Классификация
Кластеризация
Регрессионный анализ
Ассоциации