Prezentace se nahrává, počkejte prosím

Prezentace se nahrává, počkejte prosím

1 Strojové učení prof. Olga Štěpánková. Umělá inteligence I. 2 / 23 Úvod a motivace Jak vznikají soubory pravidel pro „expertní systém“? Můžeme nějak.

Podobné prezentace


Prezentace na téma: "1 Strojové učení prof. Olga Štěpánková. Umělá inteligence I. 2 / 23 Úvod a motivace Jak vznikají soubory pravidel pro „expertní systém“? Můžeme nějak."— Transkript prezentace:

1 1 Strojové učení prof. Olga Štěpánková

2 Umělá inteligence I. 2 / 23 Úvod a motivace Jak vznikají soubory pravidel pro „expertní systém“? Můžeme nějak automatizovat jejich tvorbu? Naše stroje jsou nedokonalé: · potřebují údržbu · selhávají (hroutí se),... Rádi bychom dostali varování předem. Konstruktér (tvůrce) předem zná – tuší, co jeho stroj potřebuje, ale co běžný uživatel? Můžeme běžného uživatele vybavit souborem jednoduchých instrukcí "co dělat, když"? · Jak by měly tyto instrukce vypadat? · Jak je můžeme vytvořit?

3 Umělá inteligence I. 3 / 23 Získávání odpovídajících znalostí pro reálné UI aplikace je tak náročné, že mnohdy může být řešení "hrubou silou" (t.j. prohlédnutím všech možných alternativ) úspěšnější, např. koncovka hry v šachy. Obtíže při získávání znalostí? · Znalost v odborných publikacích je vyjádřená pomocí náročných abstraktních pojmů (iniciativa, dobře chráněný král,...). · V některých situacích či prostředích není člověk schopen popsat a zdůvodnit slovy své rozhodnutí. Přesto však jeho rozhodnutí „funguje“. ·.... Není možné pojmy a strategie řešení předávat pomocí příkladů? Mohou se stroje učit z příkladů?

4 Umělá inteligence I. 4 / 23 Typy učení  získávání dovedností - skill refinement (plavání, jízda na kole,...)  získávání znalostí (hodnocením zkušeností) – knowledge acquisition zapamatování zkušeností - Rote Learning (hry jako šachy, dáma), mechanické učení - využívá např. heuristické hodnotící funkce stavu hry, která se postupně v průběhu hry upřesňuje v navštívených stavech tak, že se tyto rozvíjejí do omezené hloubky a jako hodnocení rozvíjeného stavu se používá hodnota získaná metodou MIN-MAX případové usuzování - Case-Based Reasoning: rozhodnutí vzniká jako modifikace rozhodnutí použitého dříve pro „velmi podobný případ“ – potřebuje bohatou zásobu již vyřešených případů přijímáním rad od rádce - Advice Taking, obtíž může být v "interpretaci" nebo "operacionalizaci" abstraktní rady – hledají se „podmínky použití“ analýzou rozdílů: „Winstonova brána“ – hypotéza se konfrontuje s klasifikovanými příklady a postupně se upravuje (pokud hypotéza pokývá negativní příklad => specializace, pokud hypotéza nepokrývá pozitivní příklad => zobecnění) učení z příkladů (s učitelem, hledání skrytého významu v datech,...) - klasifikace (do známých tříd), vytváření vhodných konceptů ve formě hypotéz ·....

5 Umělá inteligence I. 5 / 23 Cíl induktivního strojového učení Na základě omezeného vzorku příkladů E + a E -, charakterizovat (popsat) zamýšlenou skupinu objektů (koncept) tak, aby navržený popis co nejlépe odpovídal právě jen prvkům reprezentujícím koncept, tj. prvkům z E + byl použitelný pro určení i objekty mimo E

6 Umělá inteligence I. 6 / 23 Koncept a hypotéza Koncept = reálně existující třída objektů vymezená na známém definičním oboru (např. 3D vektory reálných čísel). Objekty klasifikujeme podle toho, zda ke konceptu patří nebo nepatří. Obvykle známe jen konečnou množinu příkladů prvků daného konceptu (pozitivní příklady), případně i množinu prvků, které ke konceptu nepatří (negativní příklady), t.j. trénovací množinu konceptu. Trénovací množina konceptu popisuje koncept implicitně (t.j. pomocí příkladů). Hypotéza = pokus o formální charakterizaci konceptu, např. formule ve výrokové logice (pravidla) nebo množina aritmetických výtazů, která má být splněna. Hypotéza je pokus o explicitní popis konceptu.

7 Umělá inteligence I. 7 / 23 Koncept a hypotéza Koncept = reálně existující třída objektů vymezená na známém definičním oboru (např. 3D vektory reálných čísel). Objekty klasifikujeme podle toho, zda ke konceptu patří nebo nepatří. Obvykle známe jen konečnou množinu příkladů prvků daného konceptu (pozitivní příklady), případně i množinu prvků, které ke konceptu nepatří (negativní příklady), t.j. trénovací množinu konceptu. Trénovací množina konceptu popisuje koncept implicitně (t.j. pomocí příkladů). Hypotéza = pokus o formální charakterizaci konceptu, např. formule ve výrokové logice (pravidla) nebo množina aritmetických výtazů, která má být splněna. Hypotéza nabízí explicitní popis konceptu.

8 Umělá inteligence I. 8 / 23 Které hypotézy hledáme? Hypotéza je konsistentní, když nepokrývá žádný negativní příklad. úplná, když pokrývá všechny pozitivní příklady. Hledáme konsistentní a úplnou hypotézu pro daná trénovací data. Trénovací data by měla mít stejnou distribuci jako všechna data o uvažované úloze. Jen to je zárukou toho, že hypotéza bude „většinou správně“ přiřazovat klasifikaci datům, které nebyla mezi trénovacími daty.

9 Umělá inteligence I. 9 / 23 Konzistentní hypotéza úplná (complete) neúplná (incomplete)

10 Umělá inteligence I. 10 / 23 Nekonzistentní hypotéza úplná (complete) neúplná (incomplete)

11 Umělá inteligence I. 11 / 23 Prostor hypotéz pro daný koncept je tvořen pravidly, která jsou výsledkem učení z příkladů. Tento prostor je částečně uspořádaný a má maximální i minimální prvek: · Libovolný popis 1 konkrétního prvku z trénovací množiny do všech podrobností představuje nejspeciálnější hypotézu · Nejobecnější hypotéza (maximální prvek) pokrývá všechny možné (positivní i negativní) příklady Operace v prostoru hypotéz: Specializace, Generalizace: Při hledání nejlepší hypotézy lze postupovat podobně jako při prohledávání stavového prostoru, t.j. shora dolů či sdola nahoru

12 Umělá inteligence I. 12 / 23 Příklad 1 „počítačová hra“. Můžeme se naučit roboty rozlišit na základě krátké zkušenosti? přátelští nepřátelští

13 Umělá inteligence I. 13 / 23 těloUsmívá_se přítel kravata přítelnepřítel ano ne anone jiné 3úh.

14 Umělá inteligence I. 14 / 23

15 Umělá inteligence I. 15 / 23 Jak zvolit "nejlepší" atribut? Rozdělíme-li množinu S na podmnožiny S 1,S 2,...,S n na základě hodnot diskrétního atributu at. Měření množství informace uvnitř S i def. pomocí entropie (Shanon) H(S i ) = -p i + log p i + - p i - log p i -, kde p i + je pravděpodobnost, že libovolný příklad v S i je pozitivní (p i + se odhaduje jako odpovídající frekvence). Celková entropie H(S,at) tohoto systému je H(S,at) =  n i=1 P(S i ) H(S i ), kde P(S i ) je pravděpodobnost události S i, tj. poměr |S i | / |S|. Zvolíme atribut at s minimální entropií H(S,at).

16 Umělá inteligence I. 16 / 23 Indukce rozhodovacího stromu z trénovcí množiny dáno: S... trénovací množina (množina klasifikovaných příkladů) 1. Nalezni "nejlepší" atribut at (t.j. atribut, jehož hodnoty nejlépe diskriminují mezi pozitivní a neg. příklady) a tím ohodnoť kořen vytvářeného stromu. 2. Rozděl množinu S na podmnožiny S 1,S 2,...,S n podle hodnot atributu at a pro každou množinu příkladů S i vytvoř nový uzel jako následníka právě zpracovávaného uzlu (kořenu) 3. Pro každý nově vzniklý uzel s přiřazenou podmnožinou S i proveď:  Jestliže všechny příklady v S i mají tutéž klasifikaci (všechny jsou pozitivní nebo všechny jsou negativní),  pak uzel ohodnocený S i je prohlášen za list vytvářeného rozhodovacího stromu (a tedy se už dále nevětví),  jinak jdi na bod 1 s tím, že S : = S i.

17 Umělá inteligence I. 17 / 23 Popsaný algoritmus postupuje metodou TDIDT: Top-Down Induction of Decision Trees Označuje se často jako ID3 (indution of decision tree) - Quinlan konec 80tých let Jednoduché experimentální prostředí: mls.felk.cvut.cz/mldemo Linky k řadě systémů strojového učení

18 Umělá inteligence I. 18 / 23 Příklad: Létání na simulátoru F16 Úkol: sestavit řídící systém pro ovládání leteckého simulátoru F16 tak, aby splnil předem definovaný plán letu daný takto: 1.vzlet a výstup do výšky 2000 stop 2.let v dané výšce směrem N do vzdálenosti stop od místa startu 3.zahnout vpravo v kurzu 330° 4.ve vzdálenosti stop od místa startu (ve směru S-N) provést obrat vlevo a zamířit zpět do místa startu, obrat je ukončen při kurzu mezi 140° a 180° 5 vyrovnat směr letu s přistávací dráhou, tolerance 5  pro kurz a 10° pro výchylku křídel oproti horizontu 6.klesat směrem k počátku přistávací dráhy 7.přistát Trénovací data: 3x30 letů (od 3 pilotů). Každý let popsán pomocí 1000 záznamů (poloha a stav letounu, pilotem provedený řídící zásah)

19 Umělá inteligence I. 19 / 23 Záznam: Poloha a stav on_goundboolean: je letadlo na zemi? g_limitboolean: je překročen g limit letadla? wing_stallboolean: je letadlo stabilní? twistinteger: 0°-360°, výchylka křídel vůči obzoru elevationinteger: 0°-360°, výchylka trupu vůči obzoru azimuthinteger: 0°-360°, směr letu roll_speedinteger: 0°-360°, rychlost změny výchylky křídel [°/s] elev_speedinteger: 0°-360°, rychlost změny výchylky trupu [°/s] azimuth_speedinteger: 0°-360°, rychlost změny kurzu [°/s] airspeedinteger: rychlost letadla v uzlech climbspeedinteger: rychlost změny výšky [stop/s]

20 Umělá inteligence I. 20 / 23 Záznam : Poloha a stav + Řízení E/W distancereal: vzdálenost ve směru východ-západ od místa startu N/S distancereal: vzdálenost ve směru sever-jih od místa startu fuelinteger: váha paliva v librách Řízení: rollersreal: nastavení ovladače horizontálního vychýlení elevatorreal: nastavení ovladače vertikálního vychýlení thrustinteger: 0-100%, plyn flapsinteger: 0°, 10° nebo 20°, nastavení křídlových lopatek Každá ze 7 fází letu vyžaduje vlastní typ řízení (jiné zásahy pilota): trénovací příklady rozděleny do 7 odpovídajících skupin. V každé skupině je zkonstruován zvlášť rozhodovací strom pro každý typ řídícího zásahu (rollers, elevator, thrust, flaps), t.j. 7 x 4 stromů

21 Umělá inteligence I. 21 / 23 Příklad 2 „počítačová hra“. Hypotéza a volba jazyka přátelští nepřátelští


Stáhnout ppt "1 Strojové učení prof. Olga Štěpánková. Umělá inteligence I. 2 / 23 Úvod a motivace Jak vznikají soubory pravidel pro „expertní systém“? Můžeme nějak."

Podobné prezentace


Reklamy Google