Η παρουσίαση φορτώνεται. Παρακαλείστε να περιμένετε

Η παρουσίαση φορτώνεται. Παρακαλείστε να περιμένετε

Μαθήματα 5 & 6 & 7 & 8 Αναπαράσταση Γνώσης και Συλλογιστικές

Παρόμοιες παρουσιάσεις


Παρουσίαση με θέμα: "Μαθήματα 5 & 6 & 7 & 8 Αναπαράσταση Γνώσης και Συλλογιστικές"— Μεταγράφημα παρουσίασης:

1 Μαθήματα 5 & 6 & 7 & 8 Αναπαράσταση Γνώσης και Συλλογιστικές
Μαθήματα 5 & 6 & 7 & 8 Αναπαράσταση Γνώσης και Συλλογιστικές

2 Αναπαράσταση Γνώσης και Συλλογιστικές
Ορισμοί

3 Τι είναι Κωδικοποίηση Γνώσης
Κωδικοποίηση της Γνώσης ≡ Knowledge Codification Όρος της «Διαχείρισης της Γνώσης» Αναπαράσταση της Γνώσης ≡ Knowledge Representation Όρος της «Τεχνολογίας της Γνώσης»

4 Τι είναι Κωδικοποίηση Γνώσης
Η οργάνωση και η αναπαράσταση της γνώσης πριν αυτή γίνει προσβάσιμη σε εξουσιοδοτημένο προσωπικό Οι μορφές που παίρνει η γνώση είναι συνήθως, δένδρα ή πίνακες αποφάσεων, πλαίσια, κανόνες κλπ.

5 Τι είναι Κωδικοποίηση Γνώσης
Από τη σκοπιά της Διαχείρισης Γνώσης Η μετατροπή της άρρητης γνώσης σε ρητή, σε μορφή που μπορεί να χρησιμοποιηθεί Από τη σκοπιά των Πληροφοριακών Συστημάτων Η μετατροπή μη-τεκμηριωμένης πληροφο-ρίας σε τεκμηριωμένη Με τη φάση αυτή, η επιχειρησιακή γνώση γίνεται ορατή, προσβάσιμη, και χρησιμοποιήσιμη από όλους για λήψη αποφάσεων

6 Αναπαράσταση Γνώσης Από τη σκοπιά των Συστημάτων Γνώσης
Αναπαράσταση γνώσης είναι ένα σύνολο συντακτικών και σημασιολογικών παραδοχών, οι οποίες καθιστούν δυνατή την περιγραφή ενός κόσμου. Μία μέθοδος αναπαράστασης γνώσης έχει: Συντακτικό (syntax) Σημασιολογία (semantics).

7 Γιατί Χρειάζεται; Η αναπαράσταση της γνώσης χρειάζεται για να μπορούν να εξαχθούν συμπερά-σματα από τον υπολογιστή με αυτόματο τρόπο Λήψη αποφάσεων σε διάφορους τομείς Δημιουργία συστημάτων ΔΓ για διάφορες εφαρμογές Η εξαγωγή συμπερασμάτων εξαρτάται από τη συλλογιστική από τη στρατηγική αναζήτησης

8 Γιατί Χρειάζεται; Η φυσική γλώσσα είναι ακατάλ-ληλη για αναπαράσταση γνώσης λόγω της πολυσημαντικότητας (ambiguity) και της ερμηνείας με βάση τα συμφραζόμενα (context). Για τα συστήματα ΔΓ πρέπει να χρησιμοποιηθεί ένας μονοσήμαντος και τυποποιημένος συμβολισμός.

9 Συλλογιστική (reasoning)
Μέθοδος με την οποία τμήματα υπάρχου-σας γνώσης συνδυάζονται μεταξύ τους ώστε να παράγουν νέα γνώση ή να εξάγουν συμπεράσματα Συνεπαγωγική συλλογιστική Επαγωγική συλλογιστική Απαγωγική συλλογιστική Συλλογιστική βασισμένη σε περιπτώσεις Συλλογιστική βασισμένη σε μοντέλα

10 Στρατηγική Αναζήτησης (search strategy)
Ο τρόπος με τον οποίο έχει δομηθεί και κωδικοποιηθεί η γνώση προκειμένου να δώσει λύση σε ένα πρόβλημα Οδηγούμενη από τους στόχους (goal driven): Ξεκινάμε από πιθανά συμπεράσματα και φτάνουμε στις αιτίες που τα στηρίζουν Οδηγούμενη από τα δεδομένα (data driven): Ξεκινάμε από τα δεδομένα του προβλήματος και φτάνουμε σε συμπεράσματα

11 Εφαρμογές Συστημάτων ΔΓ
Διάγνωση (diagnosis) Διάγνωση βλαβών ενός συστήματος βάσει παρατηρήσεων και μετρήσεων Πρόγνωση (prognosis-prediction) Πρόβλεψη πιθανών μελλοντικών επιπτώσεων με βάση δεδομένες καταστάσεις Εκπαίδευση (instruction) Κατανόηση, αξιολόγηση και διόρθωση απάντησης μαθητών σε εκπαιδευτικά προβλήματα

12 Εφαρμογές Συστημάτων ΔΓ
Παρακολούθηση καταστάσεων (monitoring) Σύγκριση παρατηρούμενων παραμέτρων με αναμενόμενες καταστάσεις Επιδιόρθωση λαθών (repair-remedy) Ανάπτυξη και εκτέλεση σχεδίων (πλάνων) για τη διαχείριση βλαβών Ερμηνεία (interpretation) Περιγραφή αντικειμένων και καταστάσεων βάσει δεδομένων από παρατηρήσεις

13 Εφαρμογές Συστημάτων ΔΓ
Διαμόρφωση (configuration) Ικανοποίηση απαιτήσεων και περιορισμών για τη συναρμολόγηση εξαρτημάτων Έλεγχος (control) Έλεγχος της συμπεριφοράς ενός συστήματος. Περιλαμβάνει πολλά από τα προηγούμενα.

14 Εφαρμογές Συστημάτων ΔΓ
Σχεδιασμός (planning) Η εύρεση μιας ακολουθίας ενεργειών, οι οποίες αν εφαρμοσθούν σε μια δεδομένη αρχική κατάσταση, προκαλούν την επίτευξη προκαθορισμένων στόχων Χρονοπρογραμματισμός (scheduling) Η ορθή χρονική διάταξη μιας ακολουθίας ενεργειών που πρέπει να γίνουν ώστε (α) να μπορούν να γίνουν ή (β) να μεγιστοποιηθεί το όφελος ή (γ) να ελαχιστοποιηθεί το κόστος

15 Μέθοδοι Αναπαράστασης Γνώσης
Δομημένες αναπαραστάσεις γνώσης Σημασιολογικά Δίκτυα (semantic networks) Πλαίσια (frames) Αντικείμενα (objects) Εννοιολογικοί γράφοι (conceptual graphs) Κανόνες (rules) Συμπερασματικοί κανόνες (deductive rules) Κανόνες Παραγωγής (production rules) Κανόνες οδηγούμενοι από γεγονότα (event-driven rules)

16 Μέθοδοι Αναπαράστασης Γνώσης
Δένδρα και Πίνακες Απόφασης Decision trees – tables Χάρτες Γνώσης Knowledge Maps Συλλογιστική βασισμένη σε περιπτώσεις Case-based reasoning

17 Δένδρα και Πίνακες Απόφασης
Αναπαράσταση Γνώσης και Συλλογιστικές Δένδρα και Πίνακες Απόφασης

18 Πίνακες Απόφασης Εύχρηστος και συμπαγής τρόπος αναπαράστασης σύνθετης επιχειρησιακής λογικής (business logic) Έχουν μία λίστα από συνθήκες (conditions) και τις αντίστοιχες τιμές και μία λίστα από συμπεράσματα ή ενέργειες (actions) Οι συνθήκες αντιπαρατίθενται με τα συμπεράσματα μέσω των κανόνων (rules) Μοιάζουν με φύλλο εργασίας (spreadsheet)

19 Πίνακες Απόφασης Κάθε απόφαση αντιστοιχεί σε μια μεταβλητή, ή ιδιότητα ή σχέση του προβλήματος, και οι πιθανές τιμές της απεικονίζονται στις εναλλακτικές συνθήκες του πίνακα Κάθε ενέργεια είναι μια διαδικασία ή απόφαση προς εκτέλεση και οι σειρές του πίνακα προσδιορίζουν αν (ή με ποια σειρά) θα εκτελεστεί η ενέργεια για το σύνολο των συνθηκών στις οποίες αντιστοιχεί Μπορεί να υπάρχουν και σύμβολα don't care (παύλα) στις συνθήκες

20 Παράδειγμα Πίνακα Απόφασης (1)

21 Παράδειγμα Πίνακα Απόφασης (2)

22 Δένδρα Απόφασης Είναι εργαλείο λήψης απόφασης
Είναι και ένας τρόπος να αναπαραστήσεις αλγόριθμο Πρόκειται για σημασιολογικό δίκτυο με ιεραρχική δομή που μοντελοποιεί τις αποφάσεις και τις πιθανές συνέπειές τους Αποτελείται από κόμβους που αναπαριστούν στόχους και δεσμούς που αναπαριστούν αποφάσεις ή αποτελέσματα Μπορεί να περιλαμβάνουν τυχαιότητα αποτελεσμάτων, κόστος πόρων, ωφέλεια απόφασης, κλπ. Διαβάζεται από τα αριστερά προς τα δεξιά (ή από πάνω προς τα κάτω), από τη ρίζα προς τα φύλλα

23 Δένδρα Απόφασης Τα φύλλα είναι στιγμιότυπα του κύριου στόχου (της ρίζας) Αποτελεί το πρώτο βήμα πριν από την κωδικοποίηση της γνώσης Επιτρέπει τη γραφική απεικόνιση και επαλήθευση της λογικής της επίλυσης ενός σύνθετου προβλήματος με πολλές συνθήκες αλλά λίγες ενέργειες

24 Παράδειγμα Δένδρου Απόφασης
Discount ? Order size ? 6 or more copies Discount is 25% Customer is bookstore Discount ? Discount is NIL Less than 6 copies Bookstore Discount Policy 50 or more copies Discount ? Discount is 15% Not a bookstore Discount ? Order size ? 20-49 copies Discount is 10% Customer is library or individual Discount ? 6-19 copies Discount is 5% Discount ? Less than 6 copies Discount is NIL

25 Αναπαράσταση Γνώσης και Συλλογιστικές
Χάρτες Γνώσης

26 Χάρτες Γνώσης Είναι μία γραφική αναπαράσταση της οργάνωσης της γνώσης, αλλά χωρίς την ίδια τη γνώση Αποτελεί έναν κατάλογο ο οποίος “δείχνει” στους κατάλληλους ανθρώπους, έγγραφα και αποθήκες γνώσης Κατευθύνει τους ανθρώπους στην πηγή που πρέπει να ανατρέξουν όταν χρειάζονται συγκεκριμένου είδους εμπειρία Αναγνωρίζει και ρητή και άρρητη γνώση

27 Χάρτες Γνώσης Επιτελεί ουσιαστικά μία λειτουργία καθοδήγησης των χρηστών σε πηγές γνώσης Με τη βοήθεια των χαρτών γνώσης μπορούμε να προσδιορίσουμε τα ισχυρά σημεία στην οργάνωση της γνώσης που μπορούμε να εκμεταλλευτούμε και τα σημεία ελλιπούς γνώσης που πρέπει να ενισχυθούν

28 Παράδειγμα Χάρτη Γνώσης

29 Ανάπτυξη Χαρτών Γνώσης
Όταν είναι γνωστό που βρίσκεται η γνώση, τότε απλά δημιουργείται ένα δεσμός προς αυτό το μέρος και οδηγίες πώς να το προσπελάσουμε Οι χάρτες γνώσης «δημοσιεύονται» στο intranet μιας εταιρίας Πότε αξίζει τον κόπο να δημιουργηθούν; Ξεκάθαρος στόχος, ευκολία χρήσης, ακρίβεια περιεχομένου

30 Αναπαράσταση Γνώσης και Συλλογιστικές
Πλαίσια

31 Πλαίσια (Frames) Ο πιο προσφιλής τρόπος αναπαράστασης γνώσης όσον αφορά δεδομένα και γεγονότα. Αναπτύχθηκε από τον Marvin Minsky για την αναπαράσταση στερεότυπων καταστάσεων.

32 Πλαίσια Χρησιμοποιούνται για την αναπαράσταση:
των εννοιών και των αντικειμένων του προβλήματος των χαρακτηριστικών που περιγράφουν τις έννοιες και τα αντικείμενα των αλληλεξαρτήσεων ή σχέσεων μεταξύ τους

33 Πλαίσια Ομαδοποιούν σχετικές μεταξύ τους πληροφορίες.
Παράδειγμα: Πλαίσιο Mammal ako: Animal has_head: yes warm_blooded: yes eats: everything

34 Ιδιότητες Πλαισίων Τα πλαίσια μπορούν να παρομοιαστούν με ένα γράφο εννοιών Κάθε κόμβος (node) του γράφου εκφράζει μία έννοια και μπορεί να είναι: Κλάση αντικειμένων (class) Αντικείμενο (object) Animal ako Mammal ... eats has_head

35 Ιδιότητες Πλαισίων Κάθε κόμβος έχει προσκολλημένα:
Όνομα (π.χ. Mammal) Σχισμές (slots) που εκφράζουν ιδιότητες-χαρακτηριστικά (π.χ. has_head, warm_blooded, eats) Κάθε δεσμός (link) του γράφου μπορεί να είναι μία ιεραρχική συσχέτιση AKO ή ISA και INSTANCE_OF. Π.χ. Mammal ako Animal

36 Ιδιότητες Σχισμών Σε κάθε σχισμή αντιστοιχεί ένα γέμισμα (filler) (η τιμή του) Π.χ. yes, everything Υπάρχουν σχισμές των οποίων το γέμισμα περιλαμβάνει λίστα τιμών Π.χ. likes: (apples, bananas) Σε κάθε σχισμή μπορούν να υπάρχουν προσδιορισμοί-περιορισμοί (facet) Π.χ. age: {integer}

37 Προσκόλληση διαδικασιών
Αντί για την τιμή της ιδιότητας μπορεί να οριστεί μια διαδικασία η οποία θα καλείται μόνον εάν χρειάζεται (IF-NEEDED) για να δώσει κάποιο αποτέλεσμα. Οι διαδικασίες αυτές ονομάζονται και δαίμονες (daemons). Π.χ. η ιδιότητα ηλικία μπορεί να υπολογιστεί όταν χρειάζεται από την ιδιότητα ημερομηνία γεννήσεως και την τρέχουσα ημερομηνία.

38 Πλαίσια - Παράδειγμα Πλαίσιο Human: ako: Mammal birthday: {date}
Τύπος δεδομένων nationality: {string} age: [(birthday-cur_date())/365] Δαίμονας-Διαδικασία υπολογισμού buys: {string} owns: {instance} Οι τιμές είναι ονόματα άλλων πλαισίων-στιγμιοτύπων Ουσιαστικά ορίζει δεσμούς-σχέσεις μεταξύ πλαισίων των οποίων η σημασία ορίζεται από τον χρήστη

39 Κλάσεις Τα πλαίσια ανήκουν σε Κλάσεις - Κατηγορίες (Classes)
Οι κλάσεις είναι αντιπροσωπευτικά πλαίσια τα οποία καλούνται και πρότυπα (prototypes) Κάθε αντικείμενο μιας κλάσης είναι στιγμιότυπο (instance) της κλάσης αυτής Όλα τα αντικείμενα της ίδιας κλάσης μοιράζονται τις ίδιες ιδιότητες

40 Στιγμιότυπο - Παράδειγμα
Στιγμιότυπο An_animal: instance_of: Mammal Κληρονομεί όλα τα χαρακτηριστικά και τις default τιμές της κλάσης Mammal Στιγμιότυπο John: instance_of: Human birthday: 01/08/1966 eats: vegetables

41 Σχέση Στιγμιότυπου - Κλάσης
Οι δεσμοί είναι τύπου INSTANCE_OF Στο στιγμιότυπο δεν επιτρέπεται να οριστούν νέες σχισμές, αλλά μπορούν να πάρουν τιμές οι υπάρχουσες σχισμές ή να κληρονομηθούν οι default τιμές.

42 Στιγμιότυπο - Παράδειγμα
Στιγμιότυπο Fred: instance_of: Human birthday: 05/10/1972 buys: apples owns: Nellie Όνομα άλλου πλαισίου Ορίζει μια σχέση με ένα άλλο πλαίσιο

43 Πλαίσια - Παράδειγμα Mammal Human Elephant Nellie Fred John owns
AKO ή ISA INSTANCE_OF Σχέση οριζόμενη από τον χρήστη

44 Ιεραρχία Κλάσεων Οι κλάσεις είναι οργανωμένες ιεραρχικά και έχουν τη δυνατότητα κληρονόμησης (inheritance) προκαθορισμένων (default) τιμών και ιδιοτήτων. Μία κλάση μπορεί να είναι υποκλάση - υποκατηγορία (subclass) μιας άλλης κλάσης.

45 Ιεραρχία Κλάσεων Η ιεραρχία εκφράζεται με τη σχέση ΑΚΟ ή ISA (ίδια συμπεριφορά) Στην υποκλάση μπορούν να προστεθούν νέες σχισμές-ιδιότητες. ή Στην υποκλάση κληρονομούνται οι υπάρχουσες ιδιότητες από κόμβους ψηλότερα στην ιεραρχία και αυτές αλλάζουν default τιμές ή οι περιορισμοί τους γίνονται διαφορετικοί (πιο περιοριστικοί-αυστηροί).

46 Πλαίσια - Παράδειγμα Πλαίσιο Greek: ako: Human nationality: greek

47 Κληρονομικότητα Αν για κάποιο πλαίσιο δεν υπάρχει η τιμή κάποιου χαρακτηριστικού, τότε αυτή κληρονομείται ακολουθώντας την ιεραρχία (προκαθορισμένες-default τιμές). Π.χ. Greek has_head yes, λόγω Greek ako Human και Human ako Mammal και Mammal has_head yes

48 Κληρονομικότητα Οι προκαθορισμένες τιμές είναι ένας τρό-πος για να υλοποιηθεί η συλλογιστική των εύλογων υποθέσεων (default reasoning) Οι default τιμές μπορούν να αναιρεθούν (override) από πιο συγκεκριμένες τιμές στα χαμηλότερα επίπεδα της ιεραρχίας. Π.χ. John eats vegetables, αν και John instance_of Human και Human ako Mammal και Mammal eats everything

49 Κληρονομικότητα - Αλγόριθμος
Ανάκληση μίας τιμής (Τ) μίας ιδιότητας (Α) ενός αντικειμένου (Ο): Αν η ιδιότητα Α υπάρχει στο αντικείμενο Ο Τότε επέστρεψε την τιμή της Τ. Αλλιώς ακολούθησε την ιεραρχία δεσμών ako ή instance_of και επανέλαβε τη διαδικασία με αντικείμενο Ο το αμέσως παραπάνω αντικείμενο της ιεραρχίας

50 Πολλαπλή Κληρονομικότητα
Μία κλάση είναι υποκλάση 2 ή περισσότερων κλάσεων Π.χ. Feline ako mammal και carnivore Όταν μία ιδιότητα υπάρχει και στις 2 υπερκλάσεις ενός πλαισίου, μπορεί να κληρονομηθεί μέσω 2 διαφορετικών δρόμων, οδηγώντας σε αντικρουόμενα αποτελέσματα Π.χ. ιδιότητα eats

51 Πλαίσια - Παράδειγμα Πλαίσιο Carnivore: Πλαίσιο Feline: ako: Animal
eats: meat pointed_Teath: yes Πλαίσιο Feline: ako: Mammal, Carnivore Πολλαπλή κληρονομικότητα sharp_claws: yes

52 Πλαίσια - Παράδειγμα Animal Mammal Carnivore Human Feline eats: meat
eats: everything Mammal Carnivore Human Feline eats: ??? AKO

53 Χρήση Πλαισίων Τα πλαίσια χρησιμεύουν στην στατική (κυρίως) απεικόνιση ενός πεδίου γνώσης Έχουν ελάχιστες διαδικαστικές-υπολογιστικές δυνατότητες μέσω των δαιμόνων Πολλές φορές χρησιμεύουν για να ταιριάξουμε ένα άγνωστο αντικείμενο σε μία γνωστή ιεραρχία-ταξινόμηση

54 Αναπαράσταση Γνώσης και Συλλογιστικές
Κανόνες

55 Αναπαράσταση Γνώσης με Κανόνες
Είναι από τις πιο προσφιλείς μεθόδους αναπαράστασης γνώσης Πλεονεκτήματα: Η γνώση αναπαριστάται με τρόπο που πλησιάζει την ανθρώπινη γνώση για τις περισσότερες δραστηριότητες που απαιτούν νοημοσύνη Η εξαγωγή συμπερασμάτων γίνεται με εύκολο τρόπο (επάρκεια συνεπαγωγών).

56 Είδη Κανόνων Κανόνες Παραγωγής (Production rules)
Συστήματα παραγωγής: π.χ. CLIPS, Flex Συμπερασματικοί Κανόνες (Deductive rules) Συστήματα εξαγωγής συμπερασμάτων: π.χ. Prolog Ενεργοί Κανόνες (Active Rules) Ενεργά Συστήματα: π.χ. Oracle Triggers, Δαίμονες πλαισίων

57 Κανόνες Παραγωγής Μορφή: IF συνθήκες THEN ενέργειες
Εκφράζουν: Διαδικαστική γνώση Ερμηνεία: Αν οι συνθήκες αληθεύουν Τότε εκτέλεσε τις ενέργειες Παράδειγμα: IF ο εκτυπωτής τυπώνει σωστά AND τα χρώματα δε τυπώνονται σωστά THEN αλλάξτε την κεφαλή με το έγχρωμο μελάνι

58 Συμπερασματικοί Κανόνες
Μορφή: IF συνθήκες THEN συμπέρασμα Εκφράζουν: Δηλωτική γνώση Ερμηνεία: Αν οι συνθήκες αληθεύουν Τότε αληθεύει και το συμπέρασμα Παράδειγμα: IF ο εκτυπωτής τυπώνει σωστά AND τα χρώματα δε τυπώνονται σωστά THEN έχει τελειώσει το έγχρωμο μελάνι

59 Ενεργοί Κανόνες Μορφή: ON γεγονός IF συνθήκες THEN ενέργειες
Εκφράζουν: Διαδικαστική γνώση Ερμηνεία: Όταν συμβεί το γεγονός Αν οι συνθήκες αληθεύουν Τότε εκτέλεσε τις ενέργειες Παράδειγμα: ΟΝ εκτύπωση IF τα χρώματα δε τυπώνονται σωστά THEN αλλάξτε την κεφαλή με το έγχρωμο μελάνι

60 Πλεονεκτήματα Κανόνων
Κάθε κανόνας ορίζει ένα μικρό και (σχεδόν) ανεξάρτητο τμήμα της γνώσης για ένα πρόβλημα (modularity). Νέοι κανόνες μπορούν να προστεθούν σε ένα σύνολο κανόνων (σχεδόν) ανεξάρτητα από άλλους υπάρχοντες κανόνες (incrementability). Κανόνες που ήδη υπάρχουν σε ένα σύνολο κανόνων μπορούν να αλλάξουν (σχεδόν) ανεξάρτητα από άλλους κανόνες (modifiability).

61 Συλλογιστική Συστημάτων Κανόνων
Χρησιμοποιείται κυρίως η συνεπαγωγική συλλογιστική (deductive reasoning) Από τις προτάσεις Εάν ισχύει το Α Τότε ισχύει το Β κανόνας Ισχύει το Α γεγονός η συνεπαγωγική συλλογιστική εξάγει το συμπέρασμα Ισχύει το Β Modus Ponens (τρόπος του θέτειν)

62 Συνεπαγωγική συλλογιστική - Παράδειγμα
Δεδομένου του κανόνα: Όλα τα σκυλιά του Κώστα είναι καφέ και του γεγονότος: Αυτά τα σκυλιά είναι του Κώστα Συμπέρασμα που εξάγεται: Αυτά τα σκυλιά είναι καφέ

63 Συστήματα Εξαγωγής Συμπερασμάτων
Αποτελούνται από: Τη βάση κανόνων (rule base) Τον έλεγχο (control)

64 Βάση Κανόνων Περιέχει ένα σύνολο από κανόνες.
Περιέχονται και τα δεδομένα του προγράμματος υπό τη μορφή γεγονότων (facts), που μπορούν να θεωρηθούν κανόνες χωρίς συνθήκη (πάντα αληθείς). IF true THEN Γεγονός

65 Έλεγχος (control) Ο έλεγχος καθορίζει τον τρόπο με τον οποίο θα εκτελεστούν οι κανόνες για να εξαχθούν τα συμπεράσματα. Π.χ. στην Prolog ο έλεγχος είναι ο depth-first μηχανισμός ταυτοποίησης. Ο έλεγχος ουσιαστικά υλοποιεί τη συλλογιστική. Στα Συστήματα Εξαγωγής Συμπερασμά-των, η Συνεπαγωγική συλλογιστική υλοποιείται με 2 τρόπους ή ακολουθίες εκτέλεσης.

66 Ακολουθία Εκτέλεσης (Chaining)
Ανάστροφη ακολουθία εκτέλεσης Backward chaining IF A THEN B Ισχύει το Β? Πρέπει να αποδείξω το Α. Αν ισχύει το Α, τότε ισχύει και το Β. Αν όχι, τότε πρέπει να ψάξω και άλλο. Από τα δεξιά προς τα αριστερά Ορθή ακολουθία εκτέλεσης Forward chaining Ισχύει το Α. Άρα ισχύει το Β. Από τα αριστερά προς τα δεξιά

67 Ανάστροφη ακολουθία εκτέλεσης
Η εξαγωγή συμπερασμάτων ξεκινά από το δεξιό μέρος του κανόνα και προσπαθεί να βρει αν οι προϋποθέσεις είναι αληθείς Εξετάζονται όλοι οι εναλλακτικοί τρόποι απόδειξης του συμπεράσματος, ακόμα και αυτοί που δεν είναι αληθείς, έως ότου αποδειχθεί η αλήθεια του συμπεράσματος

68 Ανάστροφη ακολουθία εκτέλεσης
IF A THEN B IF C THEN B IF D THEN B IF D THEN W D Ισχύει το Β? Θα εξεταστούν και οι 3 κανόνες… Μόνο ο 3ος δίνει αποτέλεσμα θετικό. Ασχολείται μόνο με τον προς απόδειξη στόχο

69 Ανάστροφη ακολουθία εκτέλεσης
Ενδείκνυται όταν υπάρχουν λίγα συμπεράσματα και πολλά δεδομένα, για τα οποία το σύστημα μας καθοδηγεί ζητώντας τα με μια λογική σειρά και όσα χρειάζονται. Ισχύει το Α?, το C?, το D? Εφαρμογές: Συστήματα Ελέγχου Λειτουργίας (Monitoring).

70 Παράδειγμα 1:if has(Animal,hair) or gives(Animal,milk) then isa(Animal,mammal). 2:if has(Animal,feathers) or (flies(Animal) and lays(Animal,eggs)) then isa(Animal,bird).

71 Παράδειγμα 3:if isa(Animal,mammal) and (eats(Animal,meat) or (has(Animal,pointed_teeth) and has(Animal,claws) and has(Animal,forward_point ing_eyes))) then isa(Animal,carnivore). 4:if isa(Animal,carnivore) and has(Animal,tawny_colour) and has(Animal,dark_spots) then isa(Animal,cheetah).

72 Παράδειγμα 5:if has(Animal,tawny_colour) and isa(Animal,carnivore) and
has(Animal,black_stripes) then isa(Animal,tiger). 6:if isa(Animal,bird) and not flies(Animal) and swims(Animal) then isa(Animal,penguin). 7:if isa(Animal,bird) and isa(Animal,good_flyer) then isa(Animal,albatros).

73 Απόδειξη του isa(jimmy,tiger) με ανάστροφη ακολουθία εκτέλεσης
1 3 5

74 Ορθή ακολουθία εκτέλεσης
Η εξαγωγή συμπερασμάτων εξετάζει πρώτα αν οι προϋποθέσεις στο αριστερό μέρος του κανόνα είναι αληθείς έτσι ώστε το συμπέρασμα που αναφέρεται στο δεξιό μέρος να είναι αληθές. Εξετάζονται μόνο οι αληθείς τρόποι απόδειξης, αλλά το σύστημα μπορεί να συμπεράνει περισσότερα συμπεράσματα από τα επιθυμητά.

75 Ορθή ακολουθία εκτέλεσης
IF A THEN B IF C THEN B IF D THEN B IF D THEN W D Θα εκτελεστούν ο 3ος και 4ος κανόνες Δεν θα ασχοληθεί με κανόνες που δεν δίνουν θετικά αποτελέσματα Εκτός από το ζητούμενο αποτέλεσμα θα δώσει και «αχρείαστα» αποτελέσματα.

76 Ορθή ακολουθία εκτέλεσης
Ενδείκνυται όταν υπάρχουν λίγα δεδομένα (δίδονται στο σύστημα όλα μαζί στην αρχή) και μπορούν να οδηγήσουν σε πολλά συμπεράσματα. Από το D προκύπτουν τα Β και W Εφαρμογές: Συστήματα Διάγνωσης.

77 Εξαγωγή συμπερασμάτων με ορθή ακολουθία εκτέλεσης
1 7 2 6

78 Σειρά Εκτέλεσης Κανόνων Ανάστροφη Ακολουθία Εκτέλεσης
Συνήθως χρησιμοποιείται SLDNF resolution, όπως στην Prolog. Αναλύεται ο πρώτος από αριστερά στόχος χρησιμοποιώντας την πρώτη από πάνω-προς-τα-κάτω πρόταση που μπορεί να ενοποιηθεί. ?- Α, Β. IF Q THEN A. IF W THEN A. W. IF K THEN B. Απάντηση: ΝΟ

79 Σειρά Εκτέλεσης Κανόνων Ανάστροφη Ακολουθία Εκτέλεσης
Σε περίπτωση αποτυχίας υπάρχει χρονολογική οπισθοδρόμηση (backtracking). ?- a(Χ), b(Y), c(X,Y). a(1). a(2). b(2). b(3). c(1,4). c(2,2). Δοκιμές: a(1). b(2). c(1,2). FAIL a(1). b(3). c(1,3). FAIL a(2). b(2). c(2,2). TRUE

80 Σειρά Εκτέλεσης Κανόνων Ανάστροφη Ακολουθία Εκτέλεσης
Χρησιμοποιείται η άρνηση-ως-αποτυχία (negation-as-failure) Δημιουργούνται αποδείξεις, οι οποίες όταν αποτυγχάνουν τότε επιτυγχάνει η άρνησή τους (και το αντίστροφο) ?- Α, not(Β). IF Q THEN A. IF W THEN A. W. IF K THEN B. Απάντηση: YES

81 Σειρά Εκτέλεσης Κανόνων Ορθή Ακολουθία Εκτέλεσης
Αν δεν υπάρχει άρνηση, τότε δεν παίζει ρόλο η σειρά εκτέλεσης των κανόνων. A  Γ, Β  Δ, Γ & Δ  Ε, Α, Β Με οποιαδήποτε σειρά αν εκτελεστούν οι κανόνες, βγαίνει συμπέρασμα Ε. Αν υπάρχει άρνηση, η σειρά εκτέλεσης έχει σημασία A  Γ, Β  Δ, Γ & not(Δ)  Ε, Α, Β Αν η σειρά εκτέλεσης είναι A  Γ, Β  Δ, τότε ο κανόνας Γ & not(Δ)  Ε δεν εκτελείται και δεν βγαίνει συμπέρασμα Ε Αν η σειρά εκτέλεσης είναι A  Γ, Γ & not(Δ)  Ε, Β  Δ, τότε βγαίνει συμπέρασμα Ε Για να μην δημιουργείται πρόβλημα, η εκτέλεση των κανόνων γίνεται σε «στρώματα»

82 Διαστρωμάτωση (Stratification)
Δίνεται προτεραιότητα στην εκτέλεση όλων των κανόνων που παράγουν συμπερά-σματα που αφορούν κάποιο κατηγόρημα, το οποίο εμφανίζεται με άρνηση στην συνθήκη κάποιου άλλου κανόνα. Π.χ. στο σύνολο κανόνων A  Γ, Β  Δ, Γ & not(Δ)  Ε, Α, Β, επιβάλλεται ο κανόνας Γ & not(Δ)  Ε να εκτελεστεί μετά από τον κανόνα Β  Δ Έτσι είναι «γνωστά όλα τα Δ» πριν αποφανθεί το σύστημα ότι «δεν υπάρχει Δ» για να εκτελέσει τον κανόνα

83 Διαστρωμάτωση (Stratification)
Το σύνολο των κανόνων χωρίζεται σε «στρώματα» (strata) ανάλογα με την ύπαρξη άρνησης στη συνθήκη τους. Η εκτέλεση ξεκινάει από τα χαμηλά στρώματα κανόνων και προχωράει σε υψηλότερα στρώματα (αυξανόμενο κατά 1) όταν το προηγούμενο στρώμα δεν έχει άλλα συμπεράσματα να δώσει Τα γεγονότα ανήκουν στο στρώμα 1. Π.χ. στο σύνολο κανόνων A  Γ, Β  Δ, Γ & not(Δ)  Ε, Α, Β Στρώμα 1: A  Γ, Β  Δ, Α, Β Στρώμα 2: Γ & not(Δ)  Ε Αν υπήρχε κανόνας Ζ & not(Ε)  Η, τότε θα ήταν στο στρώμα 3

84 Διαστρωμάτωση (Stratification)
Στρώμα 2: Γ & not(Δ)  Ε Αν υπήρχε κανόνας Ζ & not(Ε)  Η, τότε θα ήταν στο στρώμα 3

85 Σύστημα OO jDREW http://www.jdrew.org/oojdrew/
Είναι ένα σύστημα εξαγωγής συμπερασμάτων για την γλώσσα RuleML XML γλώσσα ανταλλαγής κανόνων στο web Εκτός από την XML σύνταξη της RuleML υποστηρίζει και μια σύνταξη που μοιάζει πολύ με την Prolog (ονομάζεται POSL). Υποστηρίζει και ορθή και ανάστροφη ακολουθία εκτέλεσης κανόνων. Στην ορθή ακολουθία ελέγχει και αν το σύνολο κανόνων είναι διαστρωματωμένο.

86 Σύστημα OO jDREW Ανάστροφη Ακολουθία Εκτέλεσης

87 Σύστημα OO jDREW Ορθή Ακολουθία Εκτέλεσης

88 ΣΥΣΤΗΜΑΤΑ ΠΑΡΑΓΩΓΗΣ

89 Συστήματα Παραγωγής (ΣΠ)
Εκτελούν Κανόνες Παραγωγής (production rules) IF Συνθήκη THEN Ενέργειες Αποτελείται από: Τη βάση κανόνων. Το χώρο εργασίας (working memory), που περιέχει στοιχεία της μνήμης εργασίας (working memory elements). Το μηχανισμό ελέγχου (control ή scheduler) και επίλυσης συγκρούσεων (conflict resolution), ο οποίος είναι υπεύθυνος για την εκτέλεση των κανόνων, βάσει μιας στρατηγικής επίλυσης συγκρούσεων (conflict resolution strategy).

90 Δομή και Λειτουργία ΣΠ

91 Χώρος Εργασίας Ο χώρος εργασίας είναι δυναμικός
Τα περιεχόμενά του είναι διαφορετικά σε κάθε κύκλο λειτουργίας του συστήματος. Οι κανόνες παραγωγής είναι αυτοί που καθορίζουν τα περιεχόμενα του χώρου εργασίας, προσθέτοντας ή αφαιρώντας γεγονότα από αυτόν, σύμφωνα με τις ενέργειες του κάθε κανόνα.

92 Κύκλος Λειτουργίας ΣΠ Έως ότου δε μπορεί να εκτελεστεί κανένας κανόνας επανέλαβε: Βρες όλους του κανόνες που ενεργο-ποιούνται και σχημάτισε το σύνολο συγκρούσεων. Σύμφωνα με το μηχανισμό επίλυσης συγκρούσεων, διάλεξε ένα κανόνα. Πυροδότησε τον κανόνα που διάλεξες στο βήμα 2.

93 Συλλογιστική και Ακολουθία Εκτέλεσης ΣΠ
Ορθή ακολουθία εκτέλεσης κανόνων. Δεν έχει νόημα ο όρος εξαγωγή συμπε-ρασμάτων, γιατί οι κανόνες παραγωγής αναφέρονται σε ενέργειες που εκτελού-νται Το ταίριασμα των κανόνων που περιέχουν μεταβλητές με δεδομένα στη μνήμη εργασίας που περιέχουν σταθερές, παραπέμπει στη συνεπαγωγική συλλογιστική

94 Επίλυση Συγκρούσεων Ένας κανόνας ενεργοποιείται (triggers) όταν οι συνθήκες του κανόνα ικανοποι-ούνται Όταν ένας κανόνας πυροδοτείται (fires) τότε οι ενέργειές του εφαρμόζονται ή εκτελούνται. Το σύνολο των κανόνων που ενεργο-ποιούνται σχηματίζουν το σύνολο σύγκρουσης (conflict set).

95 Στρατηγικές Επίλυσης Συγκρούσεων
Τυχαία (random). Επιλέγεται ένας κανόνας στην τύχη. Διάταξης (ordering). Επιλέγεται ο κανόνας που είναι πρώτος στη σειρά, ή Έχει μεγαλύτερη προτεραιότητα βάσει κάποιου αριθμητικού μεγέθους.

96 Στρατηγικές Επίλυσης Συγκρούσεων
Αποφυγή επανάληψης (refractoriness). Δεν επιλέγεται ο ίδιος κανόνας με τα ίδια δεδομένα για δεύτερη συνεχόμενη φορά. Αποφεύγονται άσκοπες ή ατέρμονες επαναλήψεις Α, Β 1: Α → Γ, 2: Β → Δ Αν εκτελεστεί πρώτα ο 1, μετά θα εκτελεστεί ο 2 (ο 1 δε θα εκτελεστεί ξανά)

97 Στρατηγικές Επίλυσης Συγκρούσεων
Επιλογή του πιο πρόσφατου (recency) Επιλέγεται ο κανόνας που ενεργοποιείται από τα πιο πρόσφατα δεδομένα που προστέθηκαν στο χώρο εργασίας. Ακολουθείται μία χρονικά συνεπής πορεία σκέψης. Α, Β 1: Α → Γ, 2: Β → Δ, 3: Γ → Ε Αν εκτελεστεί πρώτα ο 1, μετά θα εκτελεστεί ο 3 (γιατί το Γ είναι πιο πρόσφατο από το Β)

98 Στρατηγικές Επίλυσης Συγκρούσεων Επιλογή του πιο πρόσφατου (recency)
Μοιάζει με την Αναζήτηση πρώτα-σε-βάθος (depth-first search) Παράδειγμα: Υπάρχει στη μνήμη εργασίας το γεγονός Α Υπάρχουν στη βάση γνώσης οι κανόνες: 1: if A then Β 2: if A then Γ 3: if B then Δ 4: if B then Ε 5: if Γ then Ζ 6: if Γ then Η 7: if Δ then Θ 8: if Δ then Ι Έστω ότι μεταξύ κανόνα 1 και 2, εκτελείται πρώτα ο 1. Στη συνέχεια, θα εκτελεστεί ο 3 ή ο 4 και όχι ο 2, γιατί το Β είναι πιο πρόσφατο από το Α Αν εκτελεστεί ο 3, στη συνέχεια προτεραιότητα έχουν οι 7 και 8 (όχι οι 2, 4)

99 Στρατηγικές Επίλυσης Συγκρούσεων
Επιλογή του πιο ειδικού ή συγκεκριμένου (specificity). Επιλέγεται ο κανόνας που είναι πιο ειδικός ή πιο συγκεκριμένος από τους άλλους, δηλαδή η συνθήκη του εκφράζεται με αναλυτικότερο τρόπο. Εξετάζονται πρώτα τα πιο συγκεκριμένα θέματα τα οποία οδηγούν πιθανότατα σε λύση πιο γρήγορα. Α, Β, Γ 1: Α & Β & Γ → Δ, 2: Α & Β → Ε Θα εκτελεστεί πρώτα ο 1, γιατί έχει πιο πολλές συνθήκες

100 Στρατηγικές Επίλυσης Συγκρούσεων Επιλογή του πιο ειδικού (specificity)
Συνήθως ο πιο ειδικός κανόνας εκφράζει μια εξαίρεση σε κάποιον πιο γενικό κανόνα. Π.χ. IF πουλί THEN πετάει IF πουλί & πιγκουίνος THEN δεν_πετάει

101 Στιγμιότυπα Κανόνων Rule instantiations (1/2)
Όταν οι κανόνες παραγωγής έχουν στη συνθήκη τους μεταβλητές, τότε οι συνθήκες των κανόνων «ταιριάζουν» (matching) με τα στοιχεία της μνήμης εργασίας και οι μεταβλητές παίρνουν συγκεκριμένες τιμές (σταθερές) Θυμίζει την ενοποίηση (unification) της Prolog Παράδειγμα: Στη μνήμη εργασίας υπάρχουν τα γεγονότα: a(1,2), a(2,3) Έστω ο κανόνας IF a(1,X) THEN … Η συνθήκη a(1,X) ταιριάζει με το γεγονός a(1,2) και η μεταβλητή Χ παίρνει την τιμή 2

102 Στιγμιότυπα Κανόνων Rule instantiations (2/2)
Στο σύνολο συγκρούσεων δεν μπαίνουν οι κανόνες με μεταβλητές, αλλά με συγκεκριμένες τιμές Ονομάζονται στιγμιότυπα κανόνων (rule instantiations) Π.χ. IF a(1,2) THEN …

103 Στιγμιότυπα Κανόνων και Σύνολο Συγκρούσεων (1/2)
Τι συμβαίνει όταν στην φάση του ταιριάσματος υπάρχουν πολλά γεγονότα που ταιριάζουν με την συνθήκη ενός κανόνα? Π.χ. στη μνήμη εργασίας υπάρχουν τα γεγονότα: a(1,2), a(1,4), a(2,3) Έστω ο κανόνας IF a(1,X) THEN … Η συνθήκη a(1,X) ταιριάζει με τα γεγονότα a(1,2) και a(1,4) Στο σύνολο συγκρούσεων θα μπουν ΟΛΑ τα στιγμιότυπα κανόνων Π.χ. IF a(1,2) THEN … και IF a(1,4) THEN … Η ύπαρξη μεταβλητών στους κανόνες υπονοεί τον καθολικό ποσοδείκτη  Χ, IF a(1,X) THEN …

104 Στιγμιότυπα Κανόνων και Σύνολο Συγκρούσεων (2/2)
Δηλαδή, οι μεταβλητές υπονοούν την ύπαρξη ενός βρόχου επανάληψης, ανάλογου με το βρόχο for στις διαδικαστικές γλώσσες προγραμματισμού Π.χ. IF a(X) THEN print(X) Ερμηνεία: Τύπωσε όλα τα Χ Οι στρατηγικές επίλυσης συγκρούσεων ισχύουν και για τα στιγμιότυπα κανόνων Π.χ. ισχύει η στρατηγική επίλυσης συγκρούσεων «επιλογή του πιο πρόσφατου» το γεγονός a(1,4) είναι πιο πρόσφατο από το γεγονός a(1,2) το στιγμιότυπο IF a(1,4) THEN … έχει προτεραιότητα στην εκτέλεση από το IF a(1,2) THEN …

105 Παράδειγμα Κίνησης Ρομπότ
robot_at(6,4) direction(e) choice(w) choice(s) choice(n) choice(e) obstacle_at(7,4) obstacle_at(6,8) obstacle_at(7,7) . . . object_at(4,7)

106 Κανόνες Κίνησης Ρομπότ
1: detect_object: if robot_at(X,Y) and object_at(X,Y) then output(‘object is found’). 2: move_west: if robot_at(X,Y) and direction(w) then delwm(robot_at(X,Y)) and NX=X-1 and addwm(robot_at(NX,Y)). 3: move_east: if robot_at(X,Y) and direction(e) then delwm(robot_at(X,Y)) and NX=X+1 and addwm(robot_at(NX,Y)). 4: move_north: ... 5: move_south: ...

107 Κανόνες Κίνησης Ρομπότ
6: avoid_obstacle_south: if robot_at(X,Y) and NY=Y-1 and obstacle_at(X,NY) and direction(s) and choice(ND) then delwm(direction(s)) and addwm(direction(ND)). 7: avoid_obstacle_west: if robot_at(X,Y) and NX=X-1 and obstacle_at(NX,Y) and direction(w) and choice(ND) then delwm(direction(w)) and addwm(direction(ND)). 8: avoid_obstacle_north: ... 9: avoid_obstacle_east: ...

108 Στρατηγική Επίλυσης Κίνησης Ρομπότ
Οι στρατηγικές επίλυσης συγκρούσεων είναι με τη σειρά: αποφυγή επανάληψης (ΑΕ), επιλογή του πιο ειδικού (ΕΕ), και τυχαία επιλογή (ΤΕ).

109 Παρακολούθηση Εκτέλεσης
Κύκ-λος Μνήμη Εργασίας Σύνολο Συγκρού-σεων Στρατη-γική Κανόνας που πυροδοτεί 1 robot_at(6,4) direction(e) choice(w) choice(n) choice(s) choice(e) obstacle_at(7,4) obstacle_at(6,8) . . . object_at(4,7) {3, 9 (ND=w), 9 (ND=n), 9 (ND=s), 9 (ND=e)} ΕΕ ΤΕ 9:avoid_obstacle_east (ND=n)

110 Παράδειγμα Κίνησης Ρομπότ

111 Παρακολούθηση Εκτέλεσης
Κύκ-λος Μνήμη Εργασίας Σύνολο Συγκρού-σεων Στρατη-γική Κανόνας που πυροδοτεί 2 robot_at(6,4) direction(n) . . . {4} - 4: move_north 3 robot_at(6,5) 4 robot_at(6,6) 5 robot_at(6,7) obstacle_at(6,8) {4, 8 (ND=w), 8 (ND=n), 8 (ND=s), 8 (ND=e)} EE TE 8:avoid_obstacle_north (ND=n)

112 Παρακολούθηση Εκτέλεσης
Κύκ-λος Μνήμη Εργασίας Σύνολο Συγκρού-σεων Στρατη-γική Κανόνας που πυροδοτεί 6 robot_at(6,7) direction(n) . . . obstacle_at(6,8) {4, 8 (ND=w), 8 (ND=n), 8 (ND=s), 8 (ND=e)} AE EE TE 8:avoid_obstacle_north (ND=e) 7 direction(e) obstacle_at(7,7) {3, 9 (ND=w), 9 (ND=n), 9 (ND=s), 9 (ND=e)} 9:avoid_obstacle_east (ND=w) 8 direction(w) {2} - 2: move_west

113 Παράδειγμα Κίνησης Ρομπότ

114 Παρακολούθηση Εκτέλεσης
Κύκ-λος Μνήμη Εργασίας Σύνολο Συγκρού-σεων Στρατη-γική Κανόνας που πυροδοτεί 9 robot_at(5,7) direction(w) . . . {2} - 2: move_west 10 robot_at(4,7) object_at(4,7) {1,2} EE TE 1: detect_object

115 Σχέση Κανόνων Παραγωγής και Συνεπαγωγικών Κανόνων
Οι κανόνες παραγωγής μοιάζουν πολύ με τους συνεπαγωγι- κούς κανόνες που εκτελούνται με ορθή ακολουθία εκτέλεσης Μπορούν να χρησιμοποιηθούν για να προσομοιώσουν την διαδικασία εξαγωγής συμπερασμάτων ως προσθήκη των συμπερασμάτων στην μνήμη εργασίας (entailment) Παράδειγμα συνεπαγωγικών κανόνων: IF A THEN B. IF B THEN C. A. Αν εκτελεστούν με ορθή ακολουθία εκτέλεσης προκύπτουν τα συμπεράσματα B και C Προσομοίωση με κανόνες παραγωγής: IF A THEN addwm(B). IF B THEN addwm(C). A. Αν εκτελεστούν οι κανόνες παραγωγής, στη μνήμη εργασίας θα προστεθούν τα γεγονότα B και C

116 Συνδυασμός Πλαισίων και Κανόνων
Η συνθήκη του κανόνα είναι μια σειρά από στοιχειώδεις κλήσεις σε τιμές πλαισίων που συνδέονται με λογικούς τελεστές. Οι ενέργειες του κανόνα είναι αναθέσεις τιμών σε τιμές πλαισίων.

117 Συνδυασμός Πλαισίων και Κανόνων
IF X is animal AND Y is human AND Y owns X AND X likes Z THEN Y buys Z

118 Παράδειγμα Πλαισίων Στιγμιότυπο Fred: Στιγμιότυπο Nellie:
Instance_of: Human buys: {string} owns: Nellie Στιγμιότυπο Nellie: Instance_of: Elephant likes: apples size: small Ο προηγούμενος κανόνας ενεργοποιείται από τα 2 παραπάνω πλαίσια και θέτει apples ως τιμή του buys στον Fred

119 Παράδειγμα Πλαισίων Στιγμιότυπο John: Στιγμιότυπο Fido:
Instance_of: Human buys: {string} owns: Fido Στιγμιότυπο Fido: Instance_of: Dog likes: Ο προηγούμενος κανόνας δεν ενεργο-ποιείται από τα 2 παραπάνω πλαίσια γιατί ο Fido δεν έχει τιμή στη σχισμή likes

120 Συλλογιστική Βασισμένη σε Περιπτώσεις
Αναπαράσταση Γνώσης και Συλλογιστικές Συλλογιστική Βασισμένη σε Περιπτώσεις

121 Συλλογιστική Βασισμένη σε Περιπτώσεις Case-Based Reasoning
Χρησιμοποιεί συγκεκριμένες περιπτώσεις ή παραδείγματα προβλημάτων που αντιμετωπίστηκαν στο παρελθόν για την επίλυση νέων προβλημάτων Η επιλογή της κατάλληλης περίπτωσης βασίζεται στην ομοιότητά της με την τωρινή.

122 Διαφορά με Έμπειρα Συστήματα
Στα έμπειρα συστήματα η γνώση αποτυπώνεται με τη μορφή εμπειρικών κανόνων. Η εμπειρία καταγράφεται στιγμιαία και αφομοιώνεται (implicit knowledge), αντί να καταγράφεται λεπτομερώς και σαφώς (explicit knowledge).

123 Αρχιτεκτονική Βιβλιοθήκη παλιών περιπτώσεων.
Μέθοδος ταιριάσματος και ανάκλησης περιπτώσεων από τη βιβλιοθήκη, βάσει των χαρακτηριστικών του προβλήματος. Μέθοδος προσαρμογής της λύσης που δόθηκε στο παρελθόν, όταν η τωρινή περίπτωση δεν είναι ακριβώς ίδια με την παλιά.

124 Αρχιτεκτονική Μέθοδος δοκιμής, επαλήθευσης και επιδιόρθωσης της προσαρμοσμένης λύσης. Μέθοδος εκμάθησης της λύσης, όταν η νέα περίπτωση μαζί με τη λύση που υιοθετήθηκε συνιστούν μία πολύ διαφορετική περίπτωση από αυτές που βρίσκονται στη βιβλιοθήκη.

125 Βιβλιοθήκη Περιπτώσεων
Κύκλος Λειτουργίας Βιβλιοθήκη Περιπτώσεων

126 Αναζήτηση στη Βιβλιοθήκη
Η αναζήτηση βασίζεται σε "έξυπνη" δεικτοδότηση των περιπτώσεων (case indexing), για να είναι αποδοτική. Δεν πρέπει να αντιστοιχούν πολλές περιπτώσεις σε συγκεκριμένες τιμές των παραμέτρων, γιατί θα ανακαλούνται πολλές άσχετες περιπτώσεις. Η πολύ αυστηρή συνεκτικότητα μπορεί να οδηγήσει σε αντίθετα αποτελέσματα, γιατί τις περισσότερες φορές δε θα "ταιριάζει" καμιά περίπτωση.

127 Συστήματα Συλλογιστικής των Περιπτώσεων
Απαιτούν τη δημιουργία και "σωστή" δει-κτοδότηση βιβλιοθήκης περιπτώσεων από άνθρωπο-ειδικό με εμπειρία στα προβλή-ματα που αντιμετωπίζει το σύστημα. Ο χρήστης εισάγει το πρόβλημα που αντιμετωπίζει και ζητά από το σύστημα να του εμφανίσει από τη βιβλιοθήκη τις περιπτώσεις που ταιριάζουν. Η σύγκριση βασίζεται στην ταύτιση των χαρακτηριστικών του προβλήματος.

128 Συστήματα Συλλογιστικής των Περιπτώσεων
Ο χρήστης ή το σύστημα κρίνει αν η ανακληθείσα περίπτωση είναι σωστή και αν όχι ζητά κάποια επόμενη. Για να αυξηθεί το ποσοστό επιτυχημέ-νης ταύτισης των περιπτώσεων γίνεται: Αξιολόγηση των χαρακτηριστικών του προβλήματος βάσει της σπουδαιότητάς τους Όχι αυστηρή ταύτιση, αλλά μέσα σε κάποιο εύρος ανεκτικότητας (tolerance).

129 Συστήματα Συλλογιστικής των Περιπτώσεων
Όταν ανακληθεί κάποια περίπτωση, η λύση που υιοθετήθηκε στο παρελθόν προσαρμόζεται βάσει των χαρακτηριστικών της νέας περίπτωσης. Η προσαρμοσμένη λύση αποθηκεύεται στη βιβλιοθήκη του συστήματος για μελλοντική χρήση. Η γνώση του συστήματος επεκτείνεται (case-based learning).

130 Παράδειγμα - Το Σύστημα Pas
Προσδιορίζει αυτόματα την αξία μιας ακίνητης ιδιοκτησίας. Σύγκριση μεγέθους, λειτουργίας για την οποία προορίζεται και χαρακτηριστικών του ακινήτου με κάποιο ανάλογο ακίνητο που βρίσκεται στην ίδια περιοχή. Ανάκληση της κατάλληλης (πιο πρό-σφατης) περίπτωσης αγοραπωλησίας. Ανακαλεί, βαθμολογεί, και ταξινομεί κατά φθίνουσα σειρά ομοιότητας, τις 10 πιο συναφείς περιπτώσεις.

131 Βαθμολόγηση των Περιπτώσεων
Βάρη ή σπουδαιότητα κάθε χαρακτηριστικ-ού βάσει του οποίου γίνεται η σύγκριση Π.χ., το εμβαδόν παίζει πιο σπουδαίο ρόλο από τον όροφο. Πώς βαθμολογούνται οι διαφορές στη σύγκριση μεταξύ των χαρακτηριστικών Π.χ., αν η ηλικία του σπιτιού της τρέχουσας περίπτωσης είναι 22 χρόνια σε σχέση με τα 20 χρόνια που είναι η ηλικία ενός σπιτιού που βρίσκεται στη βιβλιοθήκη περιπτώσεων, τότε η μικρή αυτή διαφορά δεν παίζει μεγάλο ρόλο.

132 Προσαρμογή περίπτωσης
Προσαρμογή της περίπτωσης που επιλέχ-θηκε εφόσον δεν είναι δυνατόν να ταιριά-ζουν ακριβώς, ακόμα και αν ο βαθμός ομοιότητάς τους είναι υψηλός. Χρήση κανόνων (critics), οι οποίοι αυξάνουν ή μειώνουν την αξία πώλησης του σπιτιού που ανακλήθηκε από τη βιβλιοθήκη προσαρμόζο-ντάς το στην περίπτωση του τρέχοντος σπιτιού Η αύξηση ή μείωση εξαρτάται από τη διαφορά των τιμών κάποιων χαρακτηριστικών μεταξύ των δύο σπιτιών.

133 Παράδειγμα προσαρμογής
Έστω ότι το σπίτι Α είναι η ακίνητη περιουσία που πρέπει να εκτιμηθεί και το σπίτι Β είναι μία αποθηκευμένη περίπτωση ενός σπιτιού που πωλήθηκε πρόσφατα και αξιολογήθηκε από το σύστημα μέσα στις 10 πιο "κοντινές" περιπτώσεις. Αν το σπίτι Α έχει πισίνα, ενώ το σπίτι Β όχι, τότε η τιμή του Α σε σχέση με την τιμή πώλησης του Β πρέπει να προσαρμοστεί.

134 Παράδειγμα προσαρμογής
Ένας κανόνας που σχετίζεται με το χαρακτηριστικό της πισίνας μπορεί να προσθέτει στην τιμή του σπιτιού το κόστος κατασκευής της πισίνας (π.χ. 15,000 €). Συνεπώς αν το σπίτι Β πωλήθηκε για 120,000 € το σπίτι Α λόγω της πισίνας πρέπει να πωληθεί 135,000 €.

135 Διαδικασία Προσαρμογής
Η διαδικασία προσαρμογής είναι αθροιστι-κή και πραγματοποιείται για όλα τα χαρα-κτηριστικά που συγκρίνονται. Π.χ., αν το εμβαδόν είναι λίγο διαφορετικό, η προσαρμογή θα μπορούσε να είναι μία μικρή διαφοροποίηση της τιμής, π.χ. 900 € για κάθε τετραγωνικό που διαφέρουν τα δύο σπίτια. Π.χ., αν το σπίτι Α είναι 110 m2 ενώ το Β είναι 105 m2, τότε η τιμή του σπιτιού Α αυξάνεται κατά 900€  5 = 4,500 € και γίνεται 130,000€ + 4,500 € =134,500 €.

136 Μειονέκτημα Προσαρμογών
Oι πολλές προσαρμογές καταλήγουν σε ανακριβείς τιμές. Αυτό συμβαίνει γιατί οι κανόνες προσαρμογής θεωρούν ότι κάθε χαρακτηριστικό είναι ανεξάρτητο από τα υπόλοιπα, ενώ στην πραγματικότητα υπάρχουν αλληλεπιδράσεις μεταξύ των χαρακτηριστικών.

137 Μειονέκτημα Προσαρμογών
Το σύστημα επιβάλει βαθμούς "ποινής", ανάλογα με τον αριθμό των προσαρμογών Όποια περίπτωση έχει λιγότερους βαθμούς ποινής θεωρείται ότι βρίσκεται πιο κοντά στην τωρινή περίπτωση. Η τελική αξία προκύπτει από το μέσο όρο των 3 περιπτώσεων με τους λιγότερους βαθμούς ποινής.

138 Πλεονεκτήματα Βρίσκεται πιο κοντά στον τρόπο με τον οποίο σκέφτονται οι άνθρωποι (συλλογιστική με αναλογίες). Η διαδικασία απόκτησης της γνώσης απλουστεύεται. Η γνώση υπάρχει ήδη σε παλαιότερα έγγραφα ή σε βάσεις δεδομένων. Η βιβλιοθήκη των περιπτώσεων μπορεί να αποτελείται από τη συλλογική εμπειρία ενός οργανισμού ή μιας εταιρίας και όχι ενός μόνο ειδικού.

139 Πλεονεκτήματα Η γνώση δεν υπόκειται σε μετατροπές που μπορούν να την αλλοιώσουν. Στα έμπειρα συστήματα η γνώση του ειδικού έχει υποστεί μετατροπές από: Τον ειδικό που αναγκάζεται να ομαδοποιήσει τις εμπειρίες του. Το μηχανικό της γνώσης που μετατρέπει αφαιρετικά τις εμπειρίες σε κανόνες.

140 Μειονεκτήματα Υπολογιστικό κόστος της αναζήτησης στη βιβλιοθήκη των περιπτώσεων. Η απόδοση και ποιότητα των λύσεων που παρέχονται επηρεάζεται από: Την "ορθή" δόμηση της βιβλιοθήκης. Την ποιότητα και ποσότητα των περιπτώσεων που βρίσκονται στη βιβλιοθήκη. Δυσκολίες στην προσαρμογή της λύσης στην τρέχουσα κατάσταση, όταν δεν υπάρ-χουν αριθμητικές μέθοδοι αλλά απαιτού-νται ευριστικές-εμπειρικές σχέσεις.

141 Παράδειγμα – Χαρακτηριστικά (1/4)
Χαρακτηριστικό Βά-ρος Τρόπος βαθμολόγησης διαφορών Τρόπος προσαρμογής περίπτωσης Καθαρό εμβαδόν 0.9 Απόλυτη Ποσοστιαία Διαφορά (ΑΠΔ) Διαφορά x Κατασκευαστική τιμή m2 Αριθμός δωματίων 0.8 ΑΠΔ Διαφορά x 6,000 € Αριθμός τουαλετών 0.5 Διαφορά x 3,000 € Αρχιτεκτονικός ρυθμός (πολυκατοικία=0, μαιζονέττα=1) 1.0 Απόλυτη Διαφορά (ΑΔ) Διαφορά x 30% (της τιμής του σπιτιού της βάσης) Ηλικία οικήματος (σε χρόνια) 0.7 Διαφορά x 2% (της τιμής του σπιτιού της βάσης)

142 Υπολογισμός Διαφοράς/Ομοιότητας
Απόλυτη Ποσοστιαία Διαφορά (ΑΠΔ) Απόλυτη Διαφορά (ΑΔ)

143 Παράδειγμα – Χαρακτηριστικά (2/4)
Χαρακτηριστικό Βά-ρος Τρόπος βαθμολόγησης διαφορών Τρόπος προσαρμογής περίπτωσης Θέση (περιοχή - γειτονιά) 0.8 ΑΠΔ – Απόσταση από το κέντρο της πόλης Διαφορά αντικειμενικής (ανά περιοχή) αξίας m2 x Εμβαδόν Ημερομηνία αγοραπωλησίας 0.6 ΑΠΔ - Χρονική διαφορά / τριετία Διαφορά (σε χρόνια) x 3%

144 Παράδειγμα – Χαρακτηριστικά (3/4)
Χαρακτηριστικό Βά-ρος Τρόπος βαθμολόγησης διαφορών Τρόπος προσαρμογής περίπτωσης Τύπος ψύξης (aircondition=1, ανεμιστήρας=0,5, καθόλου=0) 0.2 ΑΔ Διαφορά x 1% (της τιμής του σπιτιού της βάσης) Τύπος θέρμανσης (Κεντρική θέρμανση=1, Θερμοσυσσώρευση=0,5, Καθόλου=0) 0.7 Διαφορά x 4% (της τιμής του σπιτιού της βάσης)

145 Παράδειγμα – Χαρακτηριστικά (4/4)
Χαρακτηριστικό Βάρος Τρόπος βαθμολόγησης διαφορών Τρόπος προσαρμογής περίπτωσης Τύπος parking (Πυλωτή=1, Ανοικτό-ιδιωτικό =0,5, Καθόλου=0) 0.3 ΑΔ Διαφορά x 10% (της τιμής του σπιτιού της βάσης) Μέγεθος οικοπέδου 0.2 ΑΠΔ Διαφορά x 100 € Ύπαρξη πισίνας (ΝΑΙ=1, ΌΧΙ=0) 0.1 Διαφορά x 25% (της τιμής του σπιτιού της βάσης)

146 Άσκηση Χρησιμοποιώντας τα στοιχεία καθορισμού της αξίας ενός ακινήτου, να υπολογίσετε την τιμή πώλησης του σπιτιού Α, υποθέτοντας ότι η βιβλιοθήκη των περιπτώσεων περιέχει τα σπίτια Β και Γ.

147 Δεδομένα Άσκησης Χαρακτηριστικό Σπίτι Α Σπίτι Β Σπίτι Γ Καθαρό εμβαδόν
100 m2 95 m2 110 m2 Αριθμός δωματίων 3 2 Αριθμός τουαλετών 1 Αρχιτεκτονικός ρυθμός πολυκατοικία Ηλικία οικήματος 5 Θέση Τούμπα (5 Km) Καλαμαριά (7 Km) Περαία (20 Km) Ημερομηνία αγοραπωλησίας 9/5/00 1/9/99 15/2/00 Τύπος ψύξης air condition - Τύπος θέρμανσης Κεντρική θέρμανση Θερμοσυσσώρευση

148 Δεδομένα Άσκησης Χαρακτηριστικό Σπίτι Α Σπίτι Β Σπίτι Γ Τύπος parking
Πυλωτή Ανοικτό - ιδιωτικό Μέγεθος οικοπέδου 1000 m2 900 m2 1200 m2 Ύπαρξη πισίνας - Τιμή πώλησης ? 147,000 € 117,000 €

149 Διαδικασία Επίλυσης Βαθμολόγηση της ομοιότητας των σπιτιών Β και Γ σε σχέση με το Α. Υπολογισμός των βαθμών ποινής για κάθε ένα από τα Β και Γ. Υπολογισμός της τιμής του Α προσαρμόζοντας την τιμή του σπιτιού που βαθμολογήθηκε με το μεγαλύτερο βαθμό.

150 Διαδικασία Επίλυσης Υπολογισμός της τιμής του Α προσαρ-μόζοντας την τιμή του σπιτιού που βαθμολογήθηκε με τους λιγότερους βαθμούς ποινής. Σύγκριση των δύο τιμών που υπολο-γίστηκαν. Ποια τιμή βρίσκεται πιο κοντά στην αντί-στοιχη τιμή του σπιτιού που επιλέχθηκε; Εξαγωγή συμπερασμάτων από τα παραπάνω αποτελέσματα.

151 Παράθεση Χαρακτηριστικών (1/4)
Χαρακτηρι-στικό Βάρος Τρόπος υπολογισμού διαφορών Σπίτι Α Σπίτι Β Σπίτι Γ Καθαρό εμβαδόν 0,9 απόλυτη ποσοστιαία διαφορά (απδ) 100 95 110 Αριθμός δωματίων 0,8 απδ 3 2 Αριθμός τουαλετών 0,5 1 Αρχιτεκτονικός ρυθμός (πολυκατοικία=0, μαιζονέττα=1) 1,0 Απόλυτη διαφορά (αδ) Πολυκατοικία

152 Παράθεση Χαρακτηριστικών (2/4)
Χαρακτη-ριστικό Βάρος Τρόπος υπολογισμού διαφορών Σπίτι Α Σπίτι Β Σπίτι Γ Ηλικία του οικήματος 0,7 απδ 1 5 3 Θέση (περιοχή - γειτονιά) 0,8 απδ - Απόσταση από το κέντρο της πόλης Ανατ. Θεσ/νίκη Τούμπα (5 Km) Ανατ. Θεσ/νίκη Καλαμαριά (7 Km) Ανατ. Θεσ/νίκη Περαία (20 Km) Ημερομηνία αγοραπωλησίας 0,6 απδ - Χρονική διαφορά/3ετία 9/5/00 1/9/99 15/2/00

153 Παράθεση Χαρακτηριστικών (3/4)
Χαρακτηριστικό Βάρος Τρόπος υπολογισμού διαφορών Σπίτι Α Σπίτι Β Σπίτι Γ Τύπος ψύξης (aircondition=1, ανεμιστήρας=0,5, καθόλου=0) 0,2 αδ air condition - Τύπος θέρμανσης (Κεντρική θέρμανση=1, Θερμοσυσσώρευση=0,5, Καθόλου=0) 0,7 Κεντρ. θέρμανση Θερμοσυσσώρευση

154 Παράθεση Χαρακτηριστικών (4/4)
Χαρακτηριστικό Βάρος Τρόπος υπολογισμού διαφορών Σπίτι Α Σπίτι Β Σπίτι Γ Τύπος parking (Πυλωτή=1, Ανοικτό-ιδιωτικό =0,5, Καθόλου=0) 0,3 αδ Πυλωτή Ανοικτό - ιδιωτικό Μέγεθος οικοπέδου 0,2 απδ 1000 900 1200 Ύπαρξη πισίνας (ΝΑΙ=1, ΌΧΙ=0) 0,1 - Τιμή πώλησης ? 147,000 € 117,000 €

155 Υπολογισμός Ομοιοτήτων ανά Χαρακτηριστικό (1/2)
Βάρος Σπίτι Β Σπίτι Γ Καθαρό εμβαδόν 0,9 0,95 0,90 Αριθμός δωματίων 0,8 1,00 0,67 Αριθμός τουαλετών 0,5 0,00 Αρχιτεκτονικός ρυθμός 1,0 Ηλικία του οικήματος 0,7 -3,00 -1,00 Θέση (περιοχή - γειτονιά) 0,60 -2,00 Ημερομηνία αγοραπωλησίας 0,6 0,77 0,92 Διαφορά = (9/5/00-1/9/99)/3 χρόνια = 251 ημέρες/(3*365 ημέρες) = 0,23 Ομοιότητα = 1-0,23 = 0,77 Αρνητικό γιατί δεν έχει γίνει κανονικοποίηση

156 Υπολογισμός Ομοιοτήτων ανά Χαρακτηριστικό (1’/2)
Βάρος Σπίτι Β Σπίτι Γ Καθαρό εμβαδόν 0,9 0,95 0,90 Αριθμός δωματίων 0,8 1,00 0,67 Αριθμός τουαλετών 0,5 0,00 Αρχιτεκτονικός ρυθμός 1,0 Ηλικία του οικήματος (10) 0,7 0,60 0,80 Θέση (απόσταση από κέντρο) (25) 0,92 0,40 Ημερομηνία αγοραπωλησίας 0,6 0,77 Έχει γίνει κανονικοποίηση

157 Υπολογισμός Ομοιοτήτων ανά Χαρακτηριστικό (2/2)
Βάρος Σπίτι Β Σπίτι Γ Τύπος ψύξης 0,2 0,00 1,00 Τύπος θέρμανσης 0,7 0,50 Τύπος parking 0,3 Μέγεθος οικοπέδου 0,90 0,80 Ύπαρξη πισίνας 0,1 Τιμή πώλησης - 147,000 € 117,000 €

158 Υπολογισμός Ομοιότητας και Βαθμών Ποινής
Χαρακτηριστικό Σπίτι Β Σπίτι Γ Ομοιό-τητα Βαθμοί Ποινής Καθαρό εμβαδόν 0,86 1 0,81 Αριθμός δωματίων 0,80 0,53 Αριθμός τουαλετών 0,50 0,00 Αρχιτεκτονικός ρυθμός 1,00 Ηλικία του οικήματος 0,42 0,56 Θέση 0,74 0,32 Ημερομηνία αγοραπωλησίας 0,46 0,55

159 Υπολογισμός Ομοιότητας και Βαθμών Ποινής
Χαρακτηριστικό Σπίτι Β Σπίτι Γ Ομοιό-τητα Βαθμοί Ποινής Τύπος ψύξης 0,00 1 0,20 Τύπος θέρμανσης 0,35 0,70 Τύπος parking 0,15 0,30 Μέγεθος οικοπέδου 0,18 0,16 Ύπαρξη πισίνας 0,10 Άθροισμα 5,55 8 5,24 7 Τιμή πώλησης 147,000 € 117,000 €

160 Υπολογισμός Τιμής με βάση τη μέγιστη ομοιότητα (1)
Χαρακτη-ριστικό Τρόπος προσαρμογής Τιμή Μονάδας Σπίτι Α Σπίτι Β Διαφορά Προσαρμογή τιμής Καθαρό εμβαδόν διαφορά * κατα-σκευαστική τιμή m2 800 100 95 +5 +4,000 Αριθμός δωματίων διαφορά * 6000 6,000 3 +0 Αριθμός τουαλετών διαφορά * 3000 3,000 1 Αρχιτεκτο-νικός ρυθμός Διαφορά * 30% (της τιμής του σπιτιού της βάσης) 30% * πολυκατοικία Ηλικία του οικήματος -διαφορά * 2% (της τιμής του σπιτιού της βάσης) 2% * 5 -4 +11,760

161 Υπολογισμός Τιμής με βάση τη μέγιστη ομοιότητα (2)
Χαρακτη-ριστικό Τρόπος προσαρμογής Τιμή Μονάδας Σπίτι Α Σπίτι Β Διαφορά Προσαρμογή τιμής Θέση (περιοχή - γειτονιά) διαφορά αντικειμε-νικής (ανά περιοχή) αξίας m2 * εμβαδό (100) Τού-μπα Καλα-μαριά -200 -20,000 700 900 Ημερομη-νία αγορα-πωλησίας διαφορά (σε χρόνια) * 3% (της τιμής του σπιτιού της βάσης) 3% * 9/5/00 1/9/99 +0.7 +3,033 Τύπος ψύξης διαφορά * 1% (της τιμής του σπιτιού της βάσης) 1% * 147000 air condition - +1 +1,470 Τύπος θέρμανσης διαφορά * 4% (της τιμής του σπιτιού της βάσης) 4% * Κεντρ. θέρμανση Θερμοσυσσώρευση +0,5 +2,940 251 μέρες

162 Υπολογισμός Τιμής με βάση τη μέγιστη ομοιότητα (3)
Χαρακτη-ριστικό Τρόπος προσαρμογής Τιμή Μονά-δας Σπίτι Α Σπίτι Β Διαφορά Προσαρμογή τιμής Τύπος parking διαφορά * 10% (της τιμής του σπιτιού της βάσης) 10% * Πυλω-τή Ανοικτό- ιδιωτικό +0,5 +7,350 Μέγεθος οικοπέδου διαφορά * 100 100 1,000 900 +100 +10,000 Ύπαρξη πισίνας διαφορά * 25% (της τιμής του σπιτιού της βάσης) 25% * - +0 Άθροισμα +20,553 Τιμή πώλησης 147,000 167,553 Ποσοστό 14%

163 Υπολογισμός Τιμής με βάση τους ελάχιστους βαθμούς ποινής (1)
Χαρακτη-ριστικό Τρόπος προσαρμογής Τιμή Μονά-δας Σπίτι Α Σπίτι Γ Διαφορά Προσαρμογή τιμής Καθαρό εμβαδόν διαφορά * κατα-σκευαστική τιμή m2 800 100 110 -10 -8,000 Αριθμός δωματίων διαφορά * 6000 6,000 3 2 +1 +6,000 Αριθμός τουαλετών διαφορά * 3000 3,000 1 -1 -3,000 Αρχιτεκτο-νικός ρυθμός Διαφορά * 30% (της τιμής του σπιτιού της βάσης) 30% * πολυκατοικία +0 Ηλικία του οικήματος -διαφορά * 2% (της τιμής του σπιτιού της βάσης) 2% * -2 +4,680

164 Υπολογισμός Τιμής με βάση τους ελάχιστους βαθμούς ποινής (2)
Χαρακτη-ριστικό Τρόπος προσαρμογής Τιμή Μονάδας Σπίτι Α Σπίτι Γ Διαφορά Προσαρμογή τιμής Θέση (περιοχή - γειτονιά) διαφορά αντικει-μενικής (ανά πε-ριοχή) αξίας m2 * εμβαδό (100) Τούμπα Περαία +200 +20,000 700 500 Ημερομηνία αγοραπωλη-σίας διαφορά (σε χρόνια) * 3% (της τιμής του σπιτιού της βάσης) 3% * 9/5/ 00 15/2/00 +0,2 +808 Τύπος ψύξης διαφορά * 1% (της τιμής του σπιτιού της βάσης) 1% * 117000 air condition +0 Τύπος θέρμανσης διαφορά * 4% (της τιμής του σπιτιού της βάσης) 4% * Κεντρ. θέρμ.

165 Υπολογισμός Τιμής με βάση τους ελάχιστους βαθμούς ποινής (3)
Χαρακτη-ριστικό Τρόπος προσαρμογής Τιμή Μονάδας Σπίτι Α Σπίτι Γ Διαφορά Προσαρμογή τιμής Τύπος parking διαφορά * 10% (της τιμής του σπιτιού της βάσης) 10% * Πυλωτή +0 Μέγεθος οικοπέδου διαφορά * 100 100 1,000 1,200 -200 -20,000 Ύπαρξη πισίνας διαφορά * 25% (της τιμής του σπιτιού της βάσης) 25% * - Άθροισμα +488 Τιμή πώλησης 117,000 117,488 Ποσοστό 0,4%

166 Συμπέρασμα Το σπίτι με τους λιγότερους βαθμούς ποινής (το Γ), δίνει πολύ πιο «πιστή» προσαρμοσμένη τιμή (διαφορά 0,4%) από ότι το σπίτι με την μεγαλύτερη ομοιότητα (το Β – διαφορά 14%) Συνεπώς, είναι πιο ασφαλής επιλογή για την επιλογή της τιμής του σπιτιού Α

167 Μαθήματα 5 & 6 & 7 & 8 Αναπαράσταση Γνώσης και Συλλογιστικές
Μαθήματα 5 & 6 & 7 & 8 Αναπαράσταση Γνώσης και Συλλογιστικές Chapter 7 Knowledge Codification


Κατέβασμα ppt "Μαθήματα 5 & 6 & 7 & 8 Αναπαράσταση Γνώσης και Συλλογιστικές"

Παρόμοιες παρουσιάσεις


Διαφημίσεις Google