4IZ 229 – Cvičení 2 Tvorba báze znalostí Vladimír Laš.

Slides:



Advertisements
Podobné prezentace
VÝPOČET OC.
Advertisements

Deduktivní soustava výrokové logiky
CXPath Dotazování nad heterogenními XML zdroji s pomocí konceptuálního schéma Jan Vávra, 21. dubna 2004
JUI přednáška Příklad využití Prologu pro tvorbu expertních systémů RNDr. Jiří Dvořák, CSc.
Pravidlové expertní systémy
Expertní Systémy Petr Berka 1.
Organon V M. Peliš Tarski’s World Version 4.0 for MS Windows.
4IZ 229 – Cvičení 3 Práce s neurčitostí Vladimír Laš.
Vypracoval: Ladislav Navrátil, EI-4 Umělá inteligence Zaměření Expertní systémy.
Algoritmy I Cvičení č. 4.
A5M33IZS – Informační a znalostní systémy Úvod do problematiky expertních systémů.
Induktivní logické programování
Medians and Order Statistics Nechť A je množina obsahující n různých prvků: Definice: Statistika i-tého řádu je i-tý nejmenší prvek, tj., minimum = statistika.
1IT Relační datový model
Riziko a významnost v auditu
4IZ 229 – Cvičení 1 Vladimír Laš. 24IZ Cvičení 1 Vladimír Laš mail: konzultační hodiny: dle domluvy Informace o kurzu:
4IZ 229 GEBZ (grafický editor báze znalostí) Vladimír Laš.
4IZ 229 – Cvičení 4 Složitější vlastnosti systému NEST Vladimír Laš.
BEZPEČNOST DAT 2 Složky bezpečnosti dat  Integrita dat (Integrity)  Ochrana dat (Security)  Zotavení z chyb (Recovery)  Paralelní zpracování (Concurrency)
Případové usuzování v expertním systému NEST Vladimír Laš, Petr Berka Vysoká škola ekonomická, Praha.
Seminář C cvičení STL, Trolltech Ing. Jan Mikulka.
Sémantická analýza Jakub Yaghob
Syntaxí řízený překlad
Systémy pro podporu managementu 2
Databázové systémy Přednáška č. 7 Uživatelské rozhraní.
Informatika pro ekonomy II přednáška 10
Cvičení.
XML Schema Irena Mlýnková. Obsah XML – úvod, příklad, základní pojmy DTD – přehled XML Schema – podrobně.
KIV/PRO Cvičení Částečný součet v posloupnosti Najděte maximální částečný součet v posloupnosti Vstup: – Reálná čísla Výstup: – Maximální.
Výroková logika.
Artificial Intelligence (AI).  „Úloha patří do oblasti umělé inteligence, jestliže řešení, které najde člověk považujeme za projev jeho inteligence.
Systémy pro podporu managementu 2 Inteligentní systémy pro podporu rozhodování 1 (DSS a znalostní systémy)
Analýza infromačního systému. Matice afinity ISUD matice – Insert (vkládání dat) – Select (výběr dat) – Update (aktualizace dat) – Delete (vymazání dat)
UNIVERZITA TOMÁŠE BATI VE ZLÍNĚ Fakulta technologická Institut informačních technologií Ústav teorie řízení Ing. Petr Chalupa Školitel: prof. Ing. Vladimír.
Dominik Šutera ME4B. NOR NAND je způsob grafického vyjádření příslušnosti prvků do množiny a vztahů mezi množinami.
UNIX Shell skripty Roman Danel VŠB TU Ostrava, Hornicko – geologická fakulta.
Pár dalších použití statistiky v přírodních vědách
Databázové modelování
KORPUS V MODERNÍM SLOVA SMYSLU A BUDOVÁNÍ KORPUSŮ 1 Úvod do korpusové lingvistiky 2.
2 Petr Žitný znalosti.vema.cz 3 Báze znalostí Nová služba zákazníkům ▸Báze naplněná informacemi, ke které mají uživatelé přímý přístup Základní cíl ▸Poskytovat.
KIV/PRO Cvičení Nejkratší cesta Vstup – N měst – Mezi některými dvojicemi měst vedou obousměrné silnice, zadány délky cest Výstup – Nejkratší.
Databázové systémy Informatika pro ekonomy, př. 18.
Reprezentace znalostí 2
Automatizovaná podpora výběru nástroje pro dobývání znalostí Jakub Štochl.
Risk Analysis Consultants s.r.o
Základní struktura projektu Evropský sociální fond Praha & EU: Investujeme do vaší budoucnosti Název projektu: Kvalitní vzdělání je efektivní investice.
Reprezentace znalostí
Analýza webu pomocí vyhledávače Google metodou MBA Dobývání znalostí 2008 Vladislav Kozák, Jan Ondruš.
Databázové systémy Datové modely.
Expertní & znalostní systémy
Deterministický CHAOS R. Kolářová J. Čeřovská D. Kec J. Müller P. Halbich.
Databázové systémy Úvod, Základní pojmy. Úvod S rozvojem lidského poznání roste prudce množství informací. Jsou kladeny vysoké požadavky na ukládání,
Přenosové soustavy VY_32_INOVACE_pszczolka_ Synchronní čítač Tento výukový materiál byl zpracován v rámci projektu EU peníze středním školám -
Škola.
ANALÝZA NEJVĚTŠÍCH ZAMĚSTNAVATELŮ VE VYBRANÉM OKRESE 31. října
Doc. RNDr. František Koliba, CSc. Katedry Informatiky a matematiky OPF SU Budova A Informatika pro ekonomy II INM / BPNIE Přednáška.
FINANČNÍ GRAMOTNOST Bezhotovostní placení 5.
Výukový materiál zpracován v rámci projektu
Značkovací jazyky Začínáme.
Dobývání znalostí z databází znalosti
ZAL – 3. cvičení 2016.
Jednoduchá simulace odtoku v povodí
Katedra řídicí techniky FEL ČVUT
Informatika pro ekonomy přednáška 8
Spojitá a kategoriální data Základní popisné statistiky
Jaroslav Kudr pro OATGM
Školení IS - 7 Rozvrh, Záložky.
Opakování ze 3. cvičení deklarace proměnných výpis na monitor (výstup)
Modelování Transportních Procesů 2
Algoritmizace a datové struktury (14ASD)
Transkript prezentace:

4IZ 229 – Cvičení 2 Tvorba báze znalostí Vladimír Laš

24IZ Cvičení 2 Hlavní části expertního systému Odvozovací mechanismus Vstup / výstup Báze znalostí

34IZ Cvičení 2 Reprezentace znalostí Atributy a výroky Pravidla Kontexty (4. cvičení) Integritní omezení (4. cvičení)

44IZ Cvičení 2 Atributy a výroky Binární Nominální jednoduché (např. typ účtu v bance) Nominální množinové (např. světové jazyky, kterými člověk hovoří) Numerické (např. velikost nohy)

54IZ Cvičení 2 Atributy a výroky Pro každý atribut, resp. Výrok: –Id (uživatel nevidí) –Název –Komentář

64IZ Cvičení 2 Pravidla IF předpoklad THEN závěr 1 [váha], závěr 2 [váha],... předpoklad – DNF závěr – výrok + váha Typy pravidel: –kompozicionální –apriorní – bez předpokladu –logická – závěr nabývá pouze logických hodnot ‑ 1, 1

74IZ Cvičení 2 Pravidla Id (uživatel nevidí) komentář (uživatel nevidí) Pozor na pořadí pravidel v bázi nepoužíváte-li prioritu pravidel

84IZ Cvičení 2 Globální parametry Popis Znalostní inženýr Expert Datum Rozsah vah …

94IZ Cvičení 2 Báze znalostí - nemoci c1 = 1 ; c2 = 2 ; c3 = 2 ; c4 = 3 ; c5 = 2 ; c6 = 2 ; c7 = 3 ; c8 = 3