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

2 Ορισμοί Αναπαράσταση Γνώσης και Συλλογιστικές

3 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 5-3 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 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 5-4 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 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 5-5 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 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 5-6 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 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 5-7 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 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 5-8 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 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 5-9 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 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 5-10 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 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 5-11 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 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 5-12 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 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 5-13 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 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 5-14 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 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 5-15 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 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 5-16 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

18 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 5-18 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 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 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 5-19

20 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές Παράδειγμα Πίνακα Απόφασης (1) 5-20

21 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 5-21 Παράδειγμα Πίνακα Απόφασης (2)

22 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 5-22 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 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 5-23 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 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 5-24 Παράδειγμα Δένδρου Απόφασης Discount Policy Customer is library or individual Less than 6 copies 6-19 copies copies 50 or more copies Discount is NIL Discount is 5% Discount is 10% Discount is 15% Customer is bookstore Less than 6 copies Discount is NIL 6 or more copies Discount is 25% Discount ? Order size ? Bookstore Not a bookstore

25 Χάρτες Γνώσης Αναπαράσταση Γνώσης και Συλλογιστικές

26 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 5-26 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 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 5-27 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 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 5-28 Παράδειγμα Χάρτη Γνώσης

29 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 5-29 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 Πλαίσια Αναπαράσταση Γνώσης και Συλλογιστικές

31 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 5-31 Πλαίσια (Frames)  Ο πιο προσφιλής τρόπος αναπαράστασης γνώσης όσον αφορά δεδομένα και γεγονότα.  Αναπτύχθηκε από τον Marvin Minsky για την αναπαράσταση στερεότυπων καταστάσεων.

32 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 5-32 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 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 5-33 Πλαίσια  Ομαδοποιούν σχετικές μεταξύ τους πληροφορίες.  Παράδειγμα: Πλαίσιο Mammal  ako: Animal  has_head: yes  warm_blooded: yes  eats: everything

34 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 5-34 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 Mammal has_head ako eats...

35 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 5-35 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 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 5-36 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 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 5-37 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 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 5-38 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 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 5-39 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 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 5-40 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 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 5-41 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 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 5-42 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 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 5-43 Πλαίσια - Παράδειγμα Mammal Human Elephant Fred Nellie owns AKO ή ISA INSTANCE_OF Σχέση οριζόμενη από τον χρήστη John

44 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 5-44 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 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 5-45 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 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 5-46 Πλαίσια - Παράδειγμα  Πλαίσιο Greek :  ako: Human  nationality: greek

47 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 5-47 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 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 5-48 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 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 5-49 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 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 5-50 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 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 5-51 Πλαίσια - Παράδειγμα  Πλαίσιο Carnivore :  ako: Animal  eats: meat  pointed_Teath: yes  Πλαίσιο Feline:  ako: Mammal, Carnivore  Πολλαπλή κληρονομικότητα  sharp_claws: yes

52 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 5-52 Πλαίσια - Παράδειγμα Animal MammalCarnivore Human Feline AKO eats: everything eats: meat eats: ???

53 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 5-53 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 Κανόνες Αναπαράσταση Γνώσης και Συλλογιστικές

55 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 5-55 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 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 5-56 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 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 5-57 Κανόνες Παραγωγής  Μορφή: IF συνθήκες THEN ενέργειες  Εκφράζουν: Διαδικαστική γνώση  Ερμηνεία: Αν οι συνθήκες αληθεύουν Τότε εκτέλεσε τις ενέργειες  Παράδειγμα: IFο εκτυπωτής τυπώνει σωστά AND τα χρώματα δε τυπώνονται σωστά THEN αλλάξτε την κεφαλή με το έγχρωμο μελάνι

58 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 5-58 Συμπερασματικοί Κανόνες  Μορφή: IF συνθήκες THEN συμπέρασμα  Εκφράζουν: Δηλωτική γνώση  Ερμηνεία: Αν οι συνθήκες αληθεύουν Τότε αληθεύει και το συμπέρασμα  Παράδειγμα: IFο εκτυπωτής τυπώνει σωστά AND τα χρώματα δε τυπώνονται σωστά THEN έχει τελειώσει το έγχρωμο μελάνι

59 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 5-59 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 IFτα χρώματα δε τυπώνονται σωστά THEN αλλάξτε την κεφαλή με το έγχρωμο μελάνι

60 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 5-60 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 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 5-61 Συλλογιστική Συστημάτων Κανόνων  Χρησιμοποιείται κυρίως η συνεπαγωγική συλλογιστική (deductive reasoning)  Από τις προτάσεις Εάν ισχύει το Α Τότε ισχύει το Βκανόνας Ισχύει το Αγεγονός  η συνεπαγωγική συλλογιστική εξάγει το συμπέρασμα Ισχύει το Β  Modus Ponens (τρόπος του θέτειν)

62 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 5-62 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 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 5-63 Συστήματα Εξαγωγής Συμπερασμάτων  Αποτελούνται από:  Τη βάση κανόνων (rule base)  Τον έλεγχο (control)

64 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 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 5-64

65 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 5-65 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 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 5-66 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  IF A THEN B  Ισχύει το Α. Άρα ισχύει το Β.  Από τα αριστερά προς τα δεξιά

67 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 5-67 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 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 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 3 ος δίνει αποτέλεσμα θετικό.  Ασχολείται μόνο με τον προς απόδειξη στόχο 5-68

69 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 5-69 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 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 5-70 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 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 5-71 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 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 5-72 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 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 5-73 Απόδειξη του isa(jimmy,tiger) με ανάστροφη ακολουθία εκτέλεσης 5 3 1

74 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 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 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές Ορθή ακολουθία εκτέλεσης IF A THEN B IF C THEN B IF D THEN B IF D THEN W D  Θα εκτελεστούν ο 3 ος και 4 ος κανόνες  Δεν θα ασχοληθεί με κανόνες που δεν δίνουν θετικά αποτελέσματα  Εκτός από το ζητούμενο αποτέλεσμα θα δώσει και «αχρείαστα» αποτελέσματα. 5-75

76 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 5-76 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 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 5-77 Εξαγωγή συμπερασμάτων με ορθή ακολουθία εκτέλεσης

78 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 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 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 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 5-79

80 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 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 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 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» 5-81

82 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 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 5-82

83 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 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

84 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές Διαστρωμάτωση (Stratification) 5-84 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

85 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές Σύστημα OO jDREW  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. 5-85

86 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές Σύστημα OO jDREW Ανάστροφη Ακολουθία Εκτέλεσης 5-86

87 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές Σύστημα OO jDREW Ορθή Ακολουθία Εκτέλεσης 5-87

88 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές ΣΥΣΤΗΜΑΤΑ ΠΑΡΑΓΩΓΗΣ 5-88

89 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 5-89 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 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 5-90 Δομή και Λειτουργία ΣΠ

91 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 5-91 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 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 5-92 Κύκλος Λειτουργίας ΣΠ  Έως ότου δε μπορεί να εκτελεστεί κανένας κανόνας επανέλαβε: 1. Βρες όλους του κανόνες που ενεργο- ποιούνται και σχημάτισε το σύνολο συγκρούσεων. 2. Σύμφωνα με το μηχανισμό επίλυσης συγκρούσεων, διάλεξε ένα κανόνα. 3. Πυροδότησε τον κανόνα που διάλεξες στο βήμα 2.

93 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 5-93 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 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 5-94 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 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 5-95 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 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 5-96 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 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 5-97 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 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 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 Β2: if A then Γ 3: if B then Δ4: if B then Ε 5: if Γ then Ζ6: if Γ then Η 7: if Δ then Θ8: 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) 5-98

99 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 5-99 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 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 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 5-100

101 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 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

102 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 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 … 5-102

103 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 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 … 5-103

104 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 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 … 5-104

105 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 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 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές Κανόνες Κίνησης Ρομπότ 1: detect_object: ifrobot_at(X,Y) and object_at(X,Y) then output(‘object is found’). 2: move_west: ifrobot_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: ifrobot_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 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές Κανόνες Κίνησης Ρομπότ 6: avoid_obstacle_south: ifrobot_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: ifrobot_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 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 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 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 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_obsta cle_east (ND=n)

110 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές Παράδειγμα Κίνησης Ρομπότ

111 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 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) direction(n)... {4} - 4: move_north 4 robot_at(6,6) direction(n)... {4} - 4: move_north 5 robot_at(6,7) direction(n)... 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 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 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_obstac le_north (ND=e) 7 robot_at(6,7) direction(e)... obstacle_at(7,7)... {3, 9 (ND=w), 9 (ND=n), 9 (ND=s), 9 (ND=e)} EE TE 9:avoid_obstac le_east (ND=w) 8 robot_at(6,7) direction(w)... {2} - 2: move_west

113 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές Παράδειγμα Κίνησης Ρομπότ

114 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 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) direction(w) object_at(4,7)... {1,2} EE TE 1: detect_object

115 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 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 5-115

116 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 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 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές Συνδυασμός Πλαισίων και Κανόνων IFX is animal AND Y is human AND Y owns X AND X likes Z THEN Y buys Z

118 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές Παράδειγμα Πλαισίων  Στιγμιότυπο Fred:  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 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές Παράδειγμα Πλαισίων  Στιγμιότυπο John:  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

121 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 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 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 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 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 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 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 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 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές Κύκλος Λειτουργίας Βιβλιοθήκη Περιπτώσεων

126 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 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 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 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 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 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 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 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 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 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 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 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 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 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 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 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 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 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 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 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 m 2 ενώ το Β είναι 105 m 2, τότε η τιμή του σπιτιού Α αυξάνεται κατά 900€  5 = 4,500 € και γίνεται 130,000€ + 4,500 € =134,500 €.

136 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 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 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 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 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 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 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 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 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 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 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές Παράδειγμα – Χαρακτηριστικά (1/4) Χαρακτηριστικό Βά- ρος Τρόπος βαθμολόγησης διαφορών Τρόπος προσαρμογής περίπτωσης Καθαρό εμβαδόν0.9Απόλυτη Ποσοστιαία Διαφορά (ΑΠΔ) Διαφορά x Κατασκευαστική τιμή m 2 Αριθμός δωματίων0.8ΑΠΔΔιαφορά x 6,000 € Αριθμός τουαλετών 0.5ΑΠΔΔιαφορά x 3,000 € Αρχιτεκτονικός ρυθμός (πολυκατοικία=0, μαιζονέττα=1) 1.0Απόλυτη Διαφορά (ΑΔ) Διαφορά x 30% (της τιμής του σπιτιού της βάσης) Ηλικία οικήματος (σε χρόνια) 0.7ΑΠΔΔιαφορά x 2% (της τιμής του σπιτιού της βάσης)

142 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές Υπολογισμός Διαφοράς/Ομοιότητας  Απόλυτη Ποσοστιαία Διαφορά (ΑΠΔ)  Απόλυτη Διαφορά (ΑΔ)

143 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές Παράδειγμα – Χαρακτηριστικά (2/4) Χαρακτηριστικό Βά- ρος Τρόπος βαθμολόγησης διαφορών Τρόπος προσαρμογής περίπτωσης Θέση (περιοχή - γειτονιά) 0.8ΑΠΔ – Απόσταση από το κέντρο της πόλης Διαφορά αντικειμενικής (ανά περιοχή) αξίας m 2 x Εμβαδόν Ημερομηνία αγοραπωλησίας 0.6ΑΠΔ - Χρονική διαφορά / τριετία Διαφορά (σε χρόνια) x 3%

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

145 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές Παράδειγμα – Χαρακτηριστικά (4/4) ΧαρακτηριστικόΒάρος Τρόπος βαθμολόγησης διαφορών Τρόπος προσαρμογής περίπτωσης Τύπος parking (Πυλωτή=1, Ανοικτό-ιδιωτικό =0,5, Καθόλου=0) 0.3ΑΔΔιαφορά x 10% (της τιμής του σπιτιού της βάσης) Μέγεθος οικοπέδου 0.2ΑΠΔΔιαφορά x 100 € Ύπαρξη πισίνας (ΝΑΙ=1, ΌΧΙ=0) 0.1ΑΔΔιαφορά x 25% (της τιμής του σπιτιού της βάσης)

146 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 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 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές Δεδομένα Άσκησης ΧαρακτηριστικόΣπίτι ΑΣπίτι ΒΣπίτι Γ Καθαρό εμβαδόν100 m 2 95 m m 2 Αριθμός δωματίων332 Αριθμός τουαλετών112 Αρχιτεκτονικός ρυθμός πολυκατοικί α Ηλικία οικήματος153 ΘέσηΤούμπα (5 Km) Καλαμαριά (7 Km) Περαία (20 Km) Ημερομηνία αγοραπωλησίας 9/5/001/9/9915/2/00 Τύπος ψύξηςair condition- Τύπος θέρμανσηςΚεντρική θέρμανση Θερμοσυσσ ώρευση Κεντρική θέρμανση

148 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές Δεδομένα Άσκησης ΧαρακτηριστικόΣπίτι ΑΣπίτι ΒΣπίτι Γ Τύπος parkingΠυλωτήΑνοικτό - ιδιωτικό Πυλωτή Μέγεθος οικοπέδου 1000 m m m 2 Ύπαρξη πισίνας--- Τιμή πώλησης?147,000 €117,000 €

149 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 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 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 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 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές Παράθεση Χαρακτηριστικών (1/4) Χαρακτηρι- στικό Βά ρος Τρόπος υπολογισμού διαφορών Σπίτι Α Σπίτι Β Σπίτι Γ Καθαρό εμβαδόν 0,9απόλυτη ποσοστιαία διαφορά (απδ) Αριθμός δωματίων 0,8απδ332 Αριθμός τουαλετών 0,5απδ112 Αρχιτεκτονικός ρυθμός (πολυκατοικία=0, μαιζονέττα=1) 1,0Απόλυτη διαφορά (αδ) Πολυ κατοι κία

152 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές Παράθεση Χαρακτηριστικών (2/4) Χαρακτη- ριστικό Βά ρος Τρόπος υπολογισμού διαφορών Σπίτι ΑΣπίτι ΒΣπίτι Γ Ηλικία του οικήματος 0,7απδ153 Θέση (περιοχή - γειτονιά) 0,8απδ - Απόσταση από το κέντρο της πόλης Ανατ. Θεσ/νίκη Τούμπα (5 Km) Ανατ. Θεσ/νίκη Καλαμα ριά (7 Km) Ανατ. Θεσ/νίκ η Περαία (20 Km) Ημερομηνία αγοραπωλησί ας 0,6απδ - Χρονική διαφορά/3ετία 9/5/001/9/9915/2/00

153 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές Παράθεση Χαρακτηριστικών (3/4) Χαρακτηριστικ ό Βά ρος Τρόπος υπολογισμού διαφορών Σπίτι ΑΣπίτι ΒΣπίτι Γ Τύπος ψύξης (aircondition=1, ανεμιστήρας=0,5, καθόλου=0) 0,2αδ air conditio n - Τύπος θέρμανσης (Κεντρική θέρμανση=1, Θερμοσυσσώρευσ η=0,5, Καθόλου=0) 0,7αδΚεντρ. θέρμαν ση Θερμο συσσώ ρευση Κεντρ. θέρμαν ση

154 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές Παράθεση Χαρακτηριστικών (4/4) Χαρακτηριστικ ό Βά ρος Τρόπος υπολογισμού διαφορών Σπίτι ΑΣπίτι ΒΣπίτι Γ Τύπος parking (Πυλωτή=1, Ανοικτό-ιδιωτικό =0,5, Καθόλου=0) 0,3αδΠυλωτ ή Ανοικτ ό - ιδιωτικ ό Πυλωτ ή Μέγεθος οικοπέδου 0,2απδ Ύπαρξη πισίνας (ΝΑΙ=1, ΌΧΙ=0) 0,1αδ--- Τιμή πώλησης--?147,000 € 117,000 €

155 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές Υπολογισμός Ομοιοτήτων ανά Χαρακτηριστικό (1/2) ΧαρακτηριστικόΒάροςΣπίτι ΒΣπίτι Γ Καθαρό εμβαδόν0,90,950,90 Αριθμός δωματίων0,81,000,67 Αριθμός τουαλετών0,51,000,00 Αρχιτεκτονικός ρυθμός1,01,00 Ηλικία του οικήματος0,7-3,00-1,00 Θέση (περιοχή - γειτονιά)0,80,60-2,00 Ημερομηνία αγοραπωλησίας 0,60,770,92  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 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές Υπολογισμός Ομοιοτήτων ανά Χαρακτηριστικό (1’/2) ΧαρακτηριστικόΒάροςΣπίτι ΒΣπίτι Γ Καθαρό εμβαδόν0,90,950,90 Αριθμός δωματίων0,81,000,67 Αριθμός τουαλετών0,51,000,00 Αρχιτεκτονικός ρυθμός1,01,00 Ηλικία του οικήματος (10)0,70,600,80 Θέση (απόσταση από κέντρο) (25) 0,80,920,40 Ημερομηνία αγοραπωλησίας 0,60,770,92  Έχει γίνει κανονικοποίηση

157 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές Υπολογισμός Ομοιοτήτων ανά Χαρακτηριστικό (2/2) ΧαρακτηριστικόΒάροςΣπίτι ΒΣπίτι Γ Τύπος ψύξης0,20,001,00 Τύπος θέρμανσης0,70,501,00 Τύπος parking0,30,501,00 Μέγεθος οικοπέδου0,20,900,80 Ύπαρξη πισίνας0,11,00 Τιμή πώλησης-147,000 €117,000 €

158 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές Υπολογισμός Ομοιότητας και Βαθμών Ποινής Χαρακτηριστικό Σπίτι ΒΣπίτι Γ Ομοιό- τητα Βαθμοί Ποινής Ομοιό- τητα Βαθμοί Ποινής Καθαρό εμβαδόν0,8610,811 Αριθμός δωματίων0,8000,531 Αριθμός τουαλετών0,5000,001 Αρχιτεκτονικός ρυθμός 1,000 0 Ηλικία του οικήματος0,4210,561 Θέση0,7410,321 Ημερομηνία αγοραπωλησίας 0,4610,551

159 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές Χαρακτηριστικό Σπίτι ΒΣπίτι Γ Ομοιό- τητα Βαθμοί Ποινής Ομοιό- τητα Βαθμοί Ποινής Τύπος ψύξης0,0010,201 Τύπος θέρμανσης0,3510,700 Τύπος parking0,1510,300 Μέγεθος οικοπέδου0,1810,161 Ύπαρξη πισίνας0,100 0 Άθροισμα5,5585,247 Τιμή πώλησης147,000 €117,000 € Υπολογισμός Ομοιότητας και Βαθμών Ποινής

160 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές Υπολογισμός Τιμής με βάση τη μέγιστη ομοιότητα (1) Χαρακτη- ριστικό Τρόπος προσαρμογής Τιμή Μονά δας Σπίτι Α Σπίτι Β Δια φορ ά Προσα ρμογή τιμής Καθαρό εμβαδόν διαφορά * κατα- σκευαστική τιμή m ,000 Αριθμός δωματίων διαφορά * 60006, Αριθμός τουαλετών διαφορά * 30003, Αρχιτεκτο- νικός ρυθμός Διαφορά * 30% (της τιμής του σπιτιού της βάσης) 30% * πολυκα τοικία 0 +0 Ηλικία του οικήματος -διαφορά * 2% (της τιμής του σπιτιού της βάσης) 2% * ,760

161 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές Υπολογισμός Τιμής με βάση τη μέγιστη ομοιότητα (2) Χαρακτη- ριστικό Τρόπος προσαρμογής Τιμή Μονάδ ας Σπίτι Α Σπίτι Β Δια φορ ά Προσα ρμογή τιμής Θέση (περιοχή - γειτονιά) διαφορά αντικειμε- νικής (ανά περιοχή) αξίας m 2 * εμβαδό (100) Τού- μπα Καλα- μαριά , Ημερομη- νία αγορα- πωλησίας διαφορά (σε χρόνια) * 3% (της τιμής του σπιτιού της βάσης) 3% * /5/001/9/ ,033 Τύπος ψύξης διαφορά * 1% (της τιμής του σπιτιού της βάσης) 1% * air conditi on ,470 Τύπος θέρμανσης διαφορά * 4% (της τιμής του σπιτιού της βάσης) 4% * Κεντρ. θέρμαν ση Θερμο συσσώ ρευση +0,5 +2, μέρες

162 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές Υπολογισμός Τιμής με βάση τη μέγιστη ομοιότητα (3) Χαρακτη- ριστικό Τρόπος προσαρμογής Τιμή Μονά- δας Σπίτι ΑΣπίτι Β Διαφο ρά Προσα ρμογή τιμής Τύπος parking διαφορά * 10% (της τιμής του σπιτιού της βάσης) 10% * Πυλω- τή Ανοικτό- ιδιωτικό +0,5 +7,350 Μέγεθος οικοπέδου διαφορά * , ,000 Ύπαρξη πισίνας διαφορά * 25% (της τιμής του σπιτιού της βάσης) 25% * Άθροισμα+20,553 Τιμή πώλησης -147,000167,553 Ποσοστό14%14%

163 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές Υπολογισμός Τιμής με βάση τους ελάχιστους βαθμούς ποινής (1) Χαρακτη- ριστικό Τρόπος προσαρμογής Τιμή Μονά- δας Σπίτι Α Σπίτι Γ Δια φορ ά Προσαρ μογή τιμής Καθαρό εμβαδόν διαφορά * κατα- σκευαστική τιμή m ,000 Αριθμός δωματίων διαφορά * 60006, ,000 Αριθμός τουαλετών διαφορά * , ,000 Αρχιτεκτο- νικός ρυθμός Διαφορά * 30% (της τιμής του σπιτιού της βάσης) 30% * πολυ κατοι κία 0 +0 Ηλικία του οικήματος -διαφορά * 2% (της τιμής του σπιτιού της βάσης) 2% * ,680

164 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές Υπολογισμός Τιμής με βάση τους ελάχιστους βαθμούς ποινής (2) Χαρακτη- ριστικό Τρόπος προσαρμογής Τιμή Μονά δας Σπίτι Α Σπίτι Γ Δια φορ ά Προσαρ μογή τιμής Θέση (περιοχή - γειτονιά) διαφορά αντικει- μενικής (ανά πε- ριοχή) αξίας m 2 * εμβαδό (100) Τούμ πα Περα ία , Ημερομηνία αγοραπωλη- σίας διαφορά (σε χρόνια) * 3% (της τιμής του σπιτιού της βάσης) 3% * /5/ 00 15/2/ 00 +0, Τύπος ψύξηςδιαφορά * 1% (της τιμής του σπιτιού της βάσης) 1% * air condit ion 0 +0 Τύπος θέρμανσης διαφορά * 4% (της τιμής του σπιτιού της βάσης) 4% * Κεντρ. θέρμ. 0 +0

165 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές Υπολογισμός Τιμής με βάση τους ελάχιστους βαθμούς ποινής (3) Χαρακτη- ριστικό Τρόπος προσαρμογής Τιμή Μονά δας Σπίτι Α Σπίτι Γ Διαφ ορά Προσαρ μογή τιμής Τύπος parking διαφορά * 10% (της τιμής του σπιτιού της βάσης) 10% * Πυλω τή 0 +0 Μέγεθος οικοπέδου διαφορά * ,0001, ,000 Ύπαρξη πισίνας διαφορά * 25% (της τιμής του σπιτιού της βάσης) 25% * Άθροισμα+488 Τιμή πώλησης -117,000117,488 Ποσοστό0,4%

166 Μάθημα 5: Αναπαράσταση Γνώσης και Συλλογιστικές 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 5-166

167 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