Πανεπιστήµιο Πατρών Τµήµα Μηχ/κών Η/Υ & Πληροφορικής ΜΠΣ ΕΠΙΣΤΗΜΗ ΚΑΙ ΤΕΧΝΟΛΟΓΙΑ ΤΩΝ ΥΠΟΛΟΓΙΣΤΩΝ ΕΥΦΥΗ ΣΥΣΤΗΜΑΤΑ ΑΠΟΦΑΣΕΩΝ. Ι.
|
|
- Άποφις Μανιάκης
- 9 χρόνια πριν
- Προβολές:
Transcript
1 Πανεπιστήµιο Πατρών Τµήµα Μηχ/κών Η/Υ & Πληροφορικής ΜΠΣ ΕΠΙΣΤΗΜΗ ΚΑΙ ΤΕΧΝΟΛΟΓΙΑ ΤΩΝ ΥΠΟΛΟΓΙΣΤΩΝ ΕΥΦΥΗ ΣΥΣΤΗΜΑΤΑ ΑΠΟΦΑΣΕΩΝ Ι. Χατζηλυγερούδης
2 ΩΡΟΛΟΓΙΟ ΠΡΟΓΡΑΜΜΑ Τετάρτη/Τρίτη µ.µ. (ΠΡΟΚΑΤ Τµήµατος Η/Υ) ΙΣΤΟΣΕΛΙ Α ΜΑΘΗΜΑΤΟΣ ΑΞΙΟΛΟΓΗΣΗ Ευφυές Σύστηµα σε FuzzyCLIPS µε παρουσίαση Εργασία Θεωρητική µε παρουσίαση
3 ΕΥΦΥΗ ΣΥΣΤΗΜΑΤΑ ΑΠΟΦΑΣΕΩΝ Ορισµός Έµπειρα Συστήµατα Εργαλείο CLIPS Ασαφή Έµπειρα Συστήµατα Εργαλείο FuzzyCLIPS Νευρωνικά ίκτυα Νευροασαφή Συστήµατα Ευφυή Συστήµατα ιδασκαλίας Συστήµατα Ευφυών Πρακτόρων Αναπαράσταση Γνώσης στον Σηµασιολογικό Ιστό
4 ΕΥΦΥΗ ΣΥΣΤΗΜΑΤΑ ΑΠΟΦΑΣΕΩΝ Περιέχουν τον πυρήνα ενός ΕΣ Συστήµατα για αυτόνοµες αποφάσεις εν είναι Συστήµατα Υποστήριξης Αποφάσεων (Decision Support Systems) εν συµµετέχει ο άνθρωπος στην λήψη τελικής απόφασης
5 ΠΥΡΗΝΑΣ ΕΣ ΜΕΣ ΒΓ Μέθοδος/Αλγόριθµος Παραγωγής Γνώσης (εξαγωγή συµπερασµάτων από κανόνες) Γλώσσα/Σχήµα Αναπαράστασης Γνώσης (βασισµένη σε κανόνες)
6 ΛΕΙΤΟΥΡΓΙΚΑ ΧΑΡΑΚΤΗΡΙΣΤΙΚΑ ΕΣ Εξαγωγή συµπερασµάτων (inferencing), χωρίς να είναι απαραίτητη όλη η διαθέσιµη πληροφορία-γνώση ιαδραστική καθοδήγηση της εισόδου δεδοµένων στο σύστηµα Επεξήγηση των συµπερασµάτων Τµηµατοποιηµένη δοµή
7 ΒΑΣΙΣΜΕΝΑ ΣΕ ΚΑΝΟΝΕΣ ΕΣ (RULE-BASED EXPERT SYSTEMS) Γλώσσα αναπαράστασης γνώσης οι κανόνες παραγωγής ή συµβολικοί κανόνες Επικρατούσα αρχιτεκτονική αυτή του συστήµατος παραγωγής (Newell and Simon, 1970s)
8 ΒΑΣΙΚΗ ΑΡΧΙΤΕΚΤΟΝΙΚΗ ΒΚΕΣ εδοµένα Συµπεράσµατα ΜΕ (γεγονότα) Κ (κανόνες) ΒΚ
9 ΚΑΝΟΝΕΣ ΠΑΡΑΓΩΓΗΣ-ΣΥΝΤΑΞΗ (1) Βασική δοµή if <συνθήκες/υποθέσεις> then <ενέργειες/συµπεράσµατα> Βασική σύνταξη-1 Π.χ. if shape is long and color is yellow then fruit is banana <rule> := if <conditions> then <conclusions> <conditions> := <condition> {and <condition>}* <conclusions> := <conclusion> {and <conclusion>}* <condition> := <variable> <l-predicate> <constant> <conclusion> := <variable> <r-predicate> <constant> <l-predicate> := is / isnot / > <r-predicate> := is <fact> := <variable> <predicate> <constant>
10 ΚΑΝΟΝΕΣ ΠΑΡΑΓΩΓΗΣ-ΣΥΝΤΑΞΗ (2) Βασική σύνταξη-2 <rule> := if <conditions> then <conclusions> <conditions> := <condition> {and <condition>}* <conclusions> := <conclusion> {and <conclusion>}* <condition> := <predicate> (<variable>, <constant>) <conclusion> := <action> (<variable>, <constant>) <predicate> := is / isnot / >. <action> := assert, retract <fact> := (<variable>, <constant>) Π.χ. if is(shape, long) and is(color, yellow) then assert(fruit, banana)
11 ΚΑΝΟΝΕΣ ΠΑΡΑΓΩΓΗΣ-ΣΥΝΤΑΞΗ (3) υνατότητα για διάζευξη στις συνθήκες <conditions> := <disjunction> {and <disjunction>}* <disjunction> := <condition> {or <condition>}* if is(shape, long) and is(color, yellow) then assert(fruit, banana) if is(shape, long) and is(color, green) then assert(fruit, banana) if is(shape, long) and {is(color, yellow) or is(color, green)} then assert(fruit, banana)
12 ΚΑΝΟΝΕΣ ΠΑΡΑΓΩΓΗΣ-ΣΥΝΤΑΞΗ (4) υνατότητα αναπαράστασης χαρακτηριστικών αντικειµένων (Χρήση της τριάδας object-attribute-value αντί της δυάδας variable-value. Τα χαρακτηριστικά-attributes παίζουν τον ρόλο των µεταβλητών-variables) <condition> := <predicate> (<object>, <attribute>, <value>) <conclusion> := <action> (<object>, <attribute>, <value>) <fact> := (<object>, <attribute>, <value>) if is(fruit, shape, long) and is(fruit, color, yellow) then assert(fruit, identity, banana) [then assert(meal, fruit, banana)]
13 ΜΕΤΑΒΛΗΤΕΣ-ΚΑΤΗΓΟΡΙΕΣ Ως προς το πλήθος των τιµών Απλής τιµής (single-valued) Π.χ. fever, shape Πολλαπλής τιµής (multi-valued) Π.χ. disease, color Ως προς την εξαγωγή συµπερασµάτων Εισόδου ή Ερωτόµενες (input or askable) Ενδιάµεσες ή Συµπεραινόµενες (intermediate or inferable) Εξόδου ή Στόχου (output or goal)
14 ΜΕΘΟ ΟΙ ΣΥΛΛΟΓΙΣΜΟΥ (1) Μέθοδοι Συλλογισµού (Reasoning methods) I Ορθός συλλογισµός (forward reasoning) ή Οδηγούµενος από τα δεδοµένα (data-driven reasoning) Ανάστροφος συλλογισµός (backward reasoning) ή Οδηγούµενος από το στόχο (goal-driven reasoning) Αφορούν την οργάνωση της γνώσης στους κανόνες (επίπεδο σχεδίασης) Μέθοδοι Συλλογισµού (Reasoning methods) IΙ Συνεπαγωγικός συλλογισµός (deductive reasoning) Aπαγωγικός συλλογισµός (abductive reasoning) Αφορούν το βαθµό βεβαιότητας του συλλογισµού (επίπεδο σηµασιολογίας)
15 ΜΕΘΟ ΟΙ ΣΥΛΛΟΓΙΣΜΟΥ (2) Συνεπαγωγικός- Οδηγούµενος από το στόχο (Ανάστροφος) συλλογισµός Εάν έχω γρίππη Τότε έχω πυρετό και έχω πονοκέφαλο (βέβαιος συλλογισµός) Απαγωγικός- Οδηγούµενος από τα δεδοµένα (Ορθός) συλλογισµός Εάν έχω πυρετό και έχω πονοκέφαλο Τότε έχω γρίππη (αβέβαιος συλλογισµός)
16 ΜΕΘΟ ΟΙ ΕΞΑΓΩΓΗΣ ΣΥΜΠΕΡΑΣΜΑΤΩΝ Μέθοδοι Εξαγωγής Συµπερασµάτων (Inference methods) Ορθή αλυσίδωση (forward chaining) Κατάλληλη για συστήµατα χωρίς προκαθορισµένους ή πολλούς στόχους και µεγάλο αριθµό δεδοµένων. Ξεκινά από τις υποθέσεις ενός κανόνα και αν είναι αληθείς προχωρά στην εξαγωγή του συµπεράσµατος του κανόνα. Ανάστροφη αλυσίδωση (backward chaining) Κατάλληλη για συστήµατα µε συγκεκριµένους, λίγους στόχους και µικρό αριθµό δεδοµένων. Ξεκινά από το συµπέρασµα ενός κανόνα και προχωρά στη διερεύνηση της αλήθειας των υποθέσεων. Αν οι υποθέσεις είναι αληθείς εξάγεται το συµπέρασµα. Αφορούν τη διαδικασία παραγωγής συµπερασµάτων (επίπεδο υλοποίησης)
17 ΕΞΑΓΩΓΗ ΣΥΜΠΕΡΑΣΜΑΤΩΝ (1) ιαδικασία (κύκλος select-execute ή recognize-act) 1. Αρχικοποίηση της ΜΕ 2. Εύρεση Κανόνων που ικανοποιούνται (Σύνολο Σύγκρουσης) 3. Επιλογή ενός Κανόνα 4. Πυροδότηση του Κανόνα 5. Ενηµέρωση της ΜΕ 6. Αν κατάσταση λύσης, σταµάτα. Αλλιώς, πήγαινε στο βήµα 2.
18 ΕΞΑΓΩΓΗ ΣΥΜΠΕΡΑΣΜΑΤΩΝ (2) 1 ΜΕ 2 Σύνολο Σύγκρουσης 5 3 Ενδιάµεσα Συµπεράσµατα 4 Επιλεγείς Κανόνας
19 ΟΡΘΗ ΑΛΥΣΙ ΩΣΗ-ΠΑΡΑ ΕΙΓΜΑ R1: if C and D then F R2: if F and G then E R3: if F and H then I R4: if B and G then H R5: if A then C R6: if B then D ME = {A, B, G} Στόχος: I {A, B, G} R4 H {A, B, G, H} R5 C {A, B, G, H, C} R6 D {A, B, G, H, C, D} R1 F {A, B, G, H, C, D, F} R2 E {A, B, G, H, C, D, F, E} R3 I {A, B, G, H, C, D, F, E, I}
20 ΑΝΑΣΤΡΟΦΗ ΑΛΥΣΙ ΩΣΗ-ΠΑΡΑ ΕΙΓΜΑ R1: if C and D then F R2: if F and G then E R3: if F and H then I R4: if B and G then H R5: if A then C R6: if B then D B I {A, B, G, C, D, H, F, I} R3 H R4 F R1 {A, B, G, C, D, H, F} G C D {A, B, G, C, D} ME = {A, B, G} R5 R6 Στόχος: I A B {A, B, G}
21 ΓΡΑΦΙΚΗ ΑΝΑΠΑΡΑΣΤΑΣΗ ΣΥΛΛΟΓΙΣΜΟΥ A B G C D H F E I A B G C D H F E I
Ευφυής Προγραμματισμός
Ευφυής Προγραμματισμός Ενότητα 7: Προγραμματισμός Βασισμένος Σε Κανόνες Ιωάννης Χατζηλυγερούδης Πολυτεχνική Σχολή Τμήμα Μηχανικών Η/Υ & Πληροφορικής Προγραμματισμός Βασισμένος Σε Κανόνες Βασισμένα σε Κανόνες
Τεχνθτι Νοθμοςφνθ. Ενότθτα 8:Κανόνεσ Παραγωγισ. Ιωάννθσ Χατηθλυγεροφδθσ Πολυτεχνικι Σχολι Τμιμα Μθχανικϊν Η/Υ & Πλθροφορικισ
Τεχνθτι Νοθμοςφνθ Ιωάννθσ Χατηθλυγεροφδθσ Πολυτεχνικι Σχολι Τμιμα Μθχανικϊν Η/Υ & Πλθροφορικισ Κανόνεσ Παραγωγισ Κανόνεσ-Συςτιματα Ζννοια του ςυςτιματοσ παραγωγισ, ωσ ψυχολογικό μοντζλο περιγραφισ τθσ
Ευφυής Προγραμματισμός
Ευφυής Προγραμματισμός Ενότητα 12: Δημιουργία Βάσεων Κανόνων Από Δεδομένα- Επαλήθευση-Εγκυροποίηση Βάσης Κανόνων Ιωάννης Χατζηλυγερούδης Πολυτεχνική Σχολή Τμήμα Μηχανικών Η/Υ & Πληροφορικής Δημιουργία
Τεχνητή Νοημοσύνη (ΥΠ23) 6 ο εξάμηνο Τμήμα Πληροφορικής και Τηλεματικής Χαροκόπειο Πανεπιστήμιο Ουρανία Χατζή
Τεχνητή Νοημοσύνη (ΥΠ23) 6 ο εξάμηνο Τμήμα Πληροφορικής και Τηλεματικής Χαροκόπειο Πανεπιστήμιο Ουρανία Χατζή raniah@hua.gr 1 Αναπαράσταση με Κανόνες Η γνώση αναπαρίσταται με τρόπο που πλησιάζει την ανθρώπινη
οµηµένες Αναπαραστάσεις Γνώσης
οµηµένες Αναπαραστάσεις Γνώσης! Η κλασική λογική δε µπορεί να αναπαραστήσει κλάσεις αντικειµένων.! Είναι επιθυµητή η µείωση του όγκου της γνώσης για ένα πρόβληµα.! Η πράξη απαιτεί µία περισσότερο διαισθητική
Συστήματα Γνώσης. Θεωρητικό Κομμάτι Μαθήματος Ενότητα 2: Βασικές Αρχές Αναπαράστασης Γνώσης και Συλλογιστικής
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΙΚΑ ΜΑΘΗΜΑΤΑ Θεωρητικό Κομμάτι Μαθήματος Ενότητα 2: Βασικές Αρχές Αναπαράστασης Γνώσης και Συλλογιστικής Νίκος Βασιλειάδης, Αναπλ. Καθηγητής Άδειες
Ευφυής Προγραμματισμός
Ευφυής Προγραμματισμός Ενότητα 8: Κανόνες Πρώτης Τάξης Ιωάννης Χατζηλυγερούδης Πολυτεχνική Σχολή Τμήμα Μηχανικών Η/Υ & Πληροφορικής Κανόνες Πρώτης Τάξης Τύποι Συστημάτων Κανόνων Δίκτυα εξαγωγής συμπερασμάτων
Ευφυής Προγραμματισμός
Ευφυής Προγραμματισμός Ενότητα 9: Ανάπτυξη Έμπειρων Συστημάτων Ιωάννης Χατζηλυγερούδης Πολυτεχνική Σχολή Τμήμα Μηχανικών Η/Υ & Πληροφορικής Ανάπτυξη Έμπειρων Συστημάτων Ορισμός-Χαρακτηριστικά ΕΣ (1) Ορισμός
ΕΠΑΛΗΘΕΥΣΗ (VERIFICATION) ΚΑΙ ΕΓΚΥΡΟΠΟΙΗΣΗ (VALIDATION) ΒΚ
ΕΠΑΛΗΘΕΥΣΗ (VERIFICATION) ΚΑΙ ΕΓΚΥΡΟΠΟΙΗΣΗ (VALIDATION) ΒΚ Οι V&V αναφέρονται κυρίως τον έλεγχο λαθών (testing) ενός ΕΣΒΚ, δηλ. αν δίνονται σωστές λύσεις στα προβλήματα που διαπραγματεύεται. Αφορούν όμως
Rule Based systems Συστήματα Βασισμένα σε κανόνες
Rule Based systems Συστήματα Βασισμένα σε κανόνες Τμήματα ενός έμπειρου συστήματος βασισμένου σε κανόνες Βάση Γνώσης (Κανόνες) Μηχανισμός Εξαγωγής Συμπερασμάτων Χώρος Εργασίας (Γεγονότα) Μηχανισμός Επεξήγησης
Κεφάλαιο 11. Συστήµατα Κανόνων. Τεχνητή Νοηµοσύνη - Β' Έκδοση. Ι. Βλαχάβας, Π. Κεφαλάς, Ν. Βασιλειάδης, Φ. Κόκκορας, Η.
Κεφάλαιο 11 Συστήµατα Κανόνων Τεχνητή Νοηµοσύνη - Β' Έκδοση Ι. Βλαχάβας, Π. Κεφαλάς, Ν. Βασιλειάδης, Φ. Κόκκορας, Η. Σακελλαρίου Τεχνητή Νοηµοσύνη, B' Έκδοση 1 Αναπαράσταση µε Κανόνες Πολύ πρακτικός τρόπος
Αναπαράσταση Γνώσης. Αναπαράσταση Γνώσης με Λογική. Προτασιακή Λογική Λογική Πρώτης Τάξης
Αναπαράσταση Γνώσης Αναπαράσταση Γνώσης με Λογική Προτασιακή Λογική Λογική Πρώτης Τάξης Αναπαράσταση Γνώσης Σύνολο συντακτικών και σημασιολογικών παραδοχών, οι οποίες καθιστούν δυνατή την περιγραφή ενός
Κεφάλαιο 8. Βασικές Αρχές Αναπαράστασης Γνώσης και Συλλογιστικής. Τεχνητή Νοηµοσύνη - Β' Έκδοση
Κεφάλαιο 8 Βασικές Αρχές Αναπαράστασης Γνώσης και Συλλογιστικής Τεχνητή Νοηµοσύνη - Β' Έκδοση Ι. Βλαχάβας, Π. Κεφαλάς, Ν. Βασιλειάδης, Φ. Κόκκορας, Η. Σακελλαρίου Αναπαράσταση Γνώσης Σύνολο συντακτικών
(REASONING WITH UNCERTAINTY)
ΣΥΛΛΟΓΙΣΜΟΣ ΜΕ ΑΒΕΒΑΙΟΤΗΤΑ REASONING WITH UNCERTAINTY Ακριβής και πλήρης γνώση δεν είναι πάντα δυνατή Οι εµπειρογνώµονες πολλές φορές παίρνουν αποφάσεις από αβέβαια, ηµιτελή ή και αλληλοσυγκρουόµενα δεδοµένα
Διαχείριση Γνώσης. Επικ. Καθ. Κωνσταντίνος Μεταξιώτης kmetax@unipi.gr Δρ. Κωνσταντίνος Εργαζάκης Επιστημονικός Υπεύθυνος kergaz@epu.ntua.
Επικ. Καθ. Κωνσταντίνος Μεταξιώτης kmetax@unipi.gr Δρ. Κωνσταντίνος Εργαζάκης Επιστημονικός Υπεύθυνος kergaz@epu.ntua.gr Πανεπιστήμιο Πειραιώς - Τμήμα Πληροφορικής Περιεχόμενα Κωδικοποίηση Γνώσης Τι είναι
Γνώση. Γνώση (knowledge) είναι ο κοινός παράγοντας (π.χ. κανόνες) που περιγράφει συνοπτικά τις συσχετίσεις μεταξύ των δεδομένων ενός προβλήματος.
Γνώση Η γνώση είναι διαφορετική από τα δεδομένα Γνώση (knowledge) είναι ο κοινός παράγοντας (π.χ. κανόνες) που περιγράφει συνοπτικά τις συσχετίσεις μεταξύ των δεδομένων ενός προβλήματος. Η γνώση για κάποιο
HY Λογική Διδάσκων: Δ. Πλεξουσάκης Εαρινό Εξάμηνο. Φροντιστήριο 6
HY-180 - Λογική Διδάσκων: Δ. Πλεξουσάκης Εαρινό Εξάμηνο 2015-2016 Φροντιστήριο 6 Α) ΘΕΩΡΙΑ Μέθοδος Επίλυσης (Resolution) Στη μέθοδο της επίλυσης αποδεικνύουμε την ικανοποιησιμότητα ενός συνόλου προτάσεων,
Τεχνητή Νοημοσύνη (ΥΠ23) 6 ο εξάμηνο Τμήμα Πληροφορικής και Τηλεματικής Χαροκόπειο Πανεπιστήμιο Ουρανία Χατζή
Τεχνητή Νοημοσύνη (ΥΠ23) 6 ο εξάμηνο Τμήμα Πληροφορικής και Τηλεματικής Χαροκόπειο Πανεπιστήμιο Ουρανία Χατζή raniah@hua.gr 1 Αναπαράσταση Γνώσης Η περιγραφή ενός προβλήματος σε συνδυασμό με τους τελετές
ΠΛΗΡΟΦΟΡΙΑΚΑ ΣΥΣΤΗΜΑΤΑ. Κατηγορίες Πληροφοριακών Συστημάτων Διοικητικής Υποστήριξης
ΠΛΗΡΟΦΟΡΙΑΚΑ ΣΥΣΤΗΜΑΤΑ Κατηγορίες Πληροφοριακών Συστημάτων Διοικητικής Υποστήριξης 1 ΕΙΣΑΓΩΓΗ (1) Ταξινόμηση ΠΣ ανάλογα με τις λειτουργίες που υποστηρίζουν: Συστήματα Επεξεργασίας Συναλλαγών ΣΕΣ (Transaction
ΕΜΠΕΙΡΑ ΣΥΣΤΗΜΑΤΑ Χρυσόστομος Στύλιος
ΕΜΠΕΙΡΑ ΣΥΣΤΗΜΑΤΑ Χρυσόστομος Στύλιος Email: stylios@teiep.gr Ιστοσελίδα: Ανακοινώσεις, διαφάνειες, εργασίες, χρήσιμοι σύνδεσμοι, κλπ. Ύλη του μαθήματος Εισαγωγή-Έμπειρα συστήματα. Αναπαράσταση γνώσης
ΗΥ Λογική. Διδάσκων: Δημήτρης Πλεξουσάκης Καθηγητής
ΗΥ 180 - Λογική Διδάσκων: Καθηγητής E-mail: dp@csd.uoc.gr Ώρες διδασκαλίας: Δευτέρα, Τετάρτη 4-6 μμ, Αμφ. Β Ώρες φροντιστηρίου: Πέμπτη 4-6 μμ, Αμφ. Β Ώρες γραφείου: Δευτέρα, Τετάρτη 2-4 μμ, Κ.307 Web site:
ΚΕΦΑΛΑΙΟ 3 : ΕΜΠΕΙΡΑ ΣΥΣΤΗΜΑΤΑ (*)
ΚΕΦΑΛΑΙΟ 3 : ΕΜΠΕΙΡΑ ΣΥΣΤΗΜΑΤΑ (*) 3.1 ΕΙΣΑΓΩΓΗ ΙΣΤΟΡΙΚΑ ΣΤΟΙΧΕΙΑ Τα έµπειρα συστήµατα αποτελούν το γνωστότερο πεδίο εφαρµογής της τεχνητής νοηµοσύνης. Είναι προγράµµατα, που συνδυάζουν τη γνώση των ειδικών
Ευφυής Προγραμματισμός
Ευφυής Προγραμματισμός Ενότητα 13: Δημιουργία Βάσεων Κανόνων Από Δεδομένα- Αξιολόγηση Βάσης Κανόνων Ιωάννης Χατζηλυγερούδης Πολυτεχνική Σχολή Τμήμα Μηχανικών Η/Υ & Πληροφορικής Δημιουργία Βάσεων Κανόνων
ΑΓΓΕΛΟΠΟΥΛΟΣ ΝΙΚΟΛΑΟΣ
ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ Η/Υ ΚΑΙ ΠΛΗΡΟΦΟΡΙΚΗΣ Χρήση Μεθόδων Εξόρυξης εδοµένων στη ηµιουργία Νευρωκανόνων ΜΕΤΑΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ ΑΓΓΕΛΟΠΟΥΛΟΣ ΝΙΚΟΛΑΟΣ Α. Μ.: 604 Επιβλέπων Καθηγητής
Συστήματα Γνώσης. Πρακτικό Κομμάτι Μαθήματος Το Σύστημα Κανόνων CLIPS. Νίκος Βασιλειάδης, Αναπλ. Καθηγητής Τμήμα Πληροφορικής
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΙΚΑ ΜΑΘΗΜΑΤΑ Πρακτικό Κομμάτι Μαθήματος Το Σύστημα Κανόνων CLIPS Νίκος Βασιλειάδης, Αναπλ. Καθηγητής Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται
Συστήματα Γνώσης. Θεωρητικό Κομμάτι Μαθήματος Ενότητα 5: Χαρακτηριστικά, Δομή και Λειτουργία Συστημάτων Γνώσης
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΙΚΑ ΜΑΘΗΜΑΤΑ Θεωρητικό Κομμάτι Μαθήματος Ενότητα 5: Χαρακτηριστικά, Δομή και Λειτουργία Συστημάτων Γνώσης Νίκος Βασιλειάδης, Αναπλ. Καθηγητής Άδειες
Βιομηχανικοί Ελεγκτές
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Ανώτατο Εκπαιδευτικό Ίδρυμα Πειραιά Τ.Τ Βιομηχανικοί Ελεγκτές Ενότητα #7: Ευφυής Ελεγκτής Μέρος Α Κωνσταντίνος Αλαφοδήμος Τμήματος Μηχανικών Αυτοματισμού Τ.Ε. Άδειες Χρήσης Το παρόν
Περιεχόµενα. ΜΕΡΟΣ Α: Επίλυση Προβληµάτων... 17
ΠΡΟΛΟΓΟΣ... I ΠΡΟΛΟΓΟΣ ΤΩΝ ΣΥΓΓΡΑΦΕΩΝ...III ΣΥΝΟΠΤΙΚΗ ΠΑΡΟΥΣΙΑΣΗ ΠΕΡΙΕΧΟΜΕΝΩΝ... IX ΠΕΡΙΕΧΟΜΕΝΑ... XI 1 ΕΙΣΑΓΩΓΗ... 1 1.1 ΤΙ ΕΙΝΑΙ ΤΕΧΝΗΤΗ ΝΟΗΜΟΣΥΝΗ... 1 1.1.1 Ορισµός της Νοηµοσύνης... 2 1.1.2 Ορισµός
CLIPS Σύντομη Εισαγωγή - Περιγραφή του Μηχανισμού Εκτέλεσης
CLIPS Σύντομη Εισαγωγή - Περιγραφή του Μηχανισμού Εκτέλεσης Ιστορία της CLIPS CLIPS = C Language Integrated Production System Αναπτύχθηκε στη NASA τη δεκαετία του 1980 Η γλώσσα υλοποίησης είναι η C Yποστηρίζει
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ. Λογική. Ενότητα 1: Εισαγωγή. Δημήτρης Πλεξουσάκης Τμήμα Επιστήμης Υπολογιστών
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Λογική Ενότητα 1: Εισαγωγή Δημήτρης Πλεξουσάκης Τμήμα Επιστήμης Υπολογιστών Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται στην άδεια χρήσης Creative Commons
Γνώση. Γνώση (knowledge) είναι ο κοινός παράγοντας (π.χ. κανόνες) που περιγράφει συνοπτικά τις συσχετίσεις μεταξύ των δεδομένων ενός προβλήματος.
Γνώση Η γνώση είναι διαφορετική από τα δεδομένα Γνώση (knowledge) είναι ο κοινός παράγοντας (π.χ. κανόνες) που περιγράφει συνοπτικά τις συσχετίσεις μεταξύ των δεδομένων ενός προβλήματος. Η γνώση για κάποιο
Εισαγωγή στο κέλυφος ανάπτυξης έµπειρων συστηµάτων του CLIPS
Εισαγωγή στο κέλυφος ανάπτυξης έµπειρων συστηµάτων του CLIPS Το περιβάλλον του CLIPS Πανεπιστήµιο Πατρών 2 Τι είναι το CLIPS To CLIPS µπορεί να θεωρηθεί σαν ένα γενικό εργαλείο ανάπτυξης συστηµάτων λογισµικού.
ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ ΔΙΑΤΜΗΜΑΤΙΚΟ ΠΜΣ «ΜΑΘΗΜΑΤΙΚΑ ΤΩΝ ΥΠΟΛΟΓΙΣΤΩΝ & ΤΩΝ ΑΠΟΦΑΣΕΩΝ» ΤΜΗΜΑΤΑ ΜΑΘΗΜΑΤΙΚΩΝ ΜΗΧΑΝΙΚΩΝ Η/Υ & ΠΛΗΡΟΦΟΡΙΚΗΣ
ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ ΔΙΑΤΜΗΜΑΤΙΚΟ ΠΜΣ «ΜΑΘΗΜΑΤΙΚΑ ΤΩΝ ΥΠΟΛΟΓΙΣΤΩΝ & ΤΩΝ ΑΠΟΦΑΣΕΩΝ» ΤΜΗΜΑΤΑ ΜΑΘΗΜΑΤΙΚΩΝ ΜΗΧΑΝΙΚΩΝ Η/Υ & ΠΛΗΡΟΦΟΡΙΚΗΣ ΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ ΜΕΤΑΠΤΥΧΙΑΚΟΥ ΔΙΠΛΩΜΑΤΟΣ ΕΙΔΙΚΕΥΣΗΣ ΘΕΜΑ ΣΥΓΚΡΙΣΗ
Αντικείμενα Μαθήματος. Μάθημα 2 Τι είναι Γνώση. Understanding Knowledge. Γνώση (knowledge) Ορισμοί
Μάθημα 2 Τι είναι Γνώση Understanding Knowledge Chapter 2 Αντικείμενα Μαθήματος Ορισμοί Γνωστική Επιστήμη και ιαχείριση της Γνώσης εδομένα, Πληροφορία και Γνώση Είδη Γνώσης Συλλογιστική Εμπειρική Γνώση
5. Μέθοδοι αναγνώρισης εκπαίδευση χωρίς επόπτη
5. Μέθοδοι αναγνώρισης εκπαίδευση χωρίς επόπτη Tο πρόβληµα του προσδιορισµού των συγκεντρώσεων των προτύπων, όταν δεν είναι γνωστό το πλήθος τους και η ταυτότητα των προτύπων, είναι δύσκολο και για την
Managing Information. Lecturer: N. Kyritsis, MBA, Ph.D. Candidate Athens University of Economics and Business. e-mail: kyritsis@ist.edu.
Managing Information Lecturer: N. Kyritsis, MBA, Ph.D. Candidate Athens University of Economics and Business e-mail: kyritsis@ist.edu.gr Διαχείριση Γνώσης Knowledge Management Learning Objectives Ποιοί
Αλεξάνδρειο Τεχνολογικό Εκπαιδευτικό Ίδρυµα Θεσσαλονίκης
1 of 9 26/2/2015 12:51 µµ Αλεξάνδρειο Τεχνολογικό Εκπαιδευτικό Ίδρυµα Θεσσαλονίκης Βαθµολογίες ΑΡΗΣ ΑΝΑΣΤΑΣΙΟΣ (052753) όνοµα χρήστη:it052753 Αρχική Βαθµολογίες µαθηµάτων. Η λίστα αναφέρεται στους βαθµούς
Χαρακτηριστικά, οµή και Λειτουργία Συστηµάτων Γνώσης
Κεφάλαιο 21 Χαρακτηριστικά, οµή και Λειτουργία Συστηµάτων Γνώσης Τεχνητή Νοηµοσύνη - Β' Έκδοση Ι. Βλαχάβας, Π. Κεφαλάς, Ν. Βασιλειάδης, Φ. Κόκκορας, Η. Σακελλαρίου Συστήµατα Γνώσης Επιδεικνύουν νοήµονα
PASS: ένα Έµπειρο Σύστηµα για την Πρόβλεψη της Απόδοσης των µαθητών
PASS: ένα Έµπειρο Σύστηµα για την της Απόδοσης των µαθητών Ιωάννης Χατζηλυγερούδης Τµήµα Μηχ. Η/Υ & Πληροφορικής, Παν. Πατρών 26500 Πάτρα, ihatz@ceid.upatras.gr Ανθή Καρατράντου Τµήµα Μηχ. Η/Υ & Πληροφορικής,
ΕΓΧΕΙΡΙΔΙΟ ΧΡΗΣΗΣ ΤΟΥ ΠΡΟΓΡΑΜΜΑΤΟΣ MATLAB / FUZZY LOGIC TOOLBOX
ΕΓΧΕΙΡΙΔΙΟ ΧΡΗΣΗΣ ΤΟΥ ΠΡΟΓΡΑΜΜΑΤΟΣ MATLAB / FUZZY LOGIC TOOLBOX Σε αυτό το εγχειρίδιο θα περιγράψουμε αναλυτικά τη χρήση του προγράμματος MATLAB στη λύση ασαφών συστημάτων (FIS: FUZZY INFERENCE SYSTEM
Πληροφορική 2. Τεχνητή νοημοσύνη
Πληροφορική 2 Τεχνητή νοημοσύνη 1 2 Τι είναι τεχνητή νοημοσύνη; Τεχνητή νοημοσύνη (AI=Artificial Intelligence) είναι η μελέτη προγραμματισμένων συστημάτων τα οποία μπορούν να προσομοιώνουν μέχρι κάποιο
Λογική Δημήτρης Πλεξουσάκης Φροντιστήριο 6: Προτασιακός Λογισμός: Μέθοδος Επίλυσης Τμήμα Επιστήμης Υπολογιστών
Λογική Δημήτρης Πλεξουσάκης Φροντιστήριο 6: Προτασιακός Λογισμός: Μέθοδος Επίλυσης Τμήμα Επιστήμης Υπολογιστών Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται στην άδεια χρήσης Creative Commons και
Συστήματα Βασισμένα σε Γνώση (Knowledge Based Systems)
Τεχνητή Νοημοσύνη 10 Συστήματα Βασισμένα σε Γνώση (Knowledge Based Systems) Φώτης Κόκκορας Τμ. Μηχανικών Πληροφορικής - ΤΕΙ Θεσσαλίας Δεδομένα, Πληροφορία, Γνώση και Σοφία Εμπειρικοί κανόνες Όχι προγραμματισμός
Ευφυής Προγραμματισμός
Ευφυής Προγραμματισμός Ιωάννης Χατζηλυγερούδης Πολυτεχνική Σχολή Τμήμα Μηχανικών Η/Υ & Πληροφορικής Περιεχόμενα ενότητας Συναρτήσεις-Δομές Ελέγχου : 1. Συναρτήσεις Χρήστη 2. Έλεγχος Ροής Προγράμματος 3.
ΣΤΟ ΜΑΘΗΜΑ ΚΑΘΗΓΗΤΗΣ: Ι. ΧΑΤΖΗΛΥΓΕΡΟΥ ΗΣ
ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ ΙΑΤΜΗΜΑΤΙΚΟ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥ ΩΝ «ΜΑΘΗΜΑΤΙΚΑ ΤΩΝ ΥΠΟΛΟΓΙΣΤΩΝ ΚΑΙ ΤΩΝ ΑΠΟΦΑΣΕΩΝ» ΣΤΟ ΜΑΘΗΜΑ ΚΑΘΗΓΗΤΗΣ: Ι. ΧΑΤΖΗΛΥΓΕΡΟΥ ΗΣ ΠΑΤΡΑ 2005 1 Περιεχόµενα (1) Περιγραφή του Προβλήµατος
Οικονόμου Παναγιώτης.
Οικονόμου Παναγιώτης panawths@gmail.com poikonomou@teilam.gr Οικονόμου Παναγιώτης 1 Παπαγεωργίου. 2 Αθήνα-Ελλάδα χρόνου 460 π.χ.? Ένας νεαρός άνδρας σκεπτόμενος το ενδεχόμενο γάμου, ζητά από τον Σωκράτη
ΓΕΩΠΟΝΙΚΗ ΣΧΟΛΗ ΑΠΘ Εργαστήριο Πληροφορικής στη Γεωργία ΠΛΗΡΟΦΟΡΙΚΗ Ι
ΓΕΩΠΟΝΙΚΗ ΣΧΟΛΗ ΑΠΘ Εργαστήριο Πληροφορικής στη Γεωργία ΠΛΗΡΟΦΟΡΙΚΗ Ι Συστήματα Υποστήριξης Αποφάσεων Τα Συστήματα Υποστήριξης Αποφάσεων (Σ.Υ.Α. - Decision Support Systems, D.S.S.) ορίζονται ως συστήματα
Αναπαράσταση Γνώσης και Συλλογιστικές
ναπαράσταση Γνώσης και Συλλογιστικές! Γενικά Προτασιακή λογική Λογική πρώτης τάξης Λογικός προγραµµατισµός Επεκτάσεις της Λογικής Πρώτης Τάξης Συστήµατα Κανόνων Επίλογος ναπαράσταση γνώσης " ναπαράσταση
Λογική. Προτασιακή Λογική. Λογική Πρώτης Τάξης
Λογική Προτασιακή Λογική Λογική Πρώτης Τάξης Λογική (Logic) Αναλογίες διαδικασίας επίλυσης προβλημάτων υπολογισμού και προβλημάτων νοημοσύνης: Πρόβλημα υπολογισμού 1. Επινόηση του αλγορίθμου 2. Επιλογή
Έµπειρα Συστήµατα (Expert Systems)
Έµπειρα Συστήµατα (Expert Systems) Προγράµµατα τα οποία: Επιδεικνύουν νοήµονα συµπεριφορά σε συγκεκριµένους τοµείς και διαδικασίες, ανάλογη ενός ανθρώπου εµπειρογνώµονα µε ειδικότητα στον ίδιο τοµέα. Κωδικοποιούν
ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΠΛΗΡΟΦΟΡΙΑΣ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ
ΩΡΟΛΟΓΙΟ ΠΡΟΓΡΑΜΜΑ ΔΙΔΑΣΚΑΛΙΑΣ ΓΙΑ ΤΗΝ ΠΡΩΤΗ ΕΒΔΟΜΑΔΑ ΤΩΝ ΜΑΘΗΜΑΤΩΝ 16/2-19/2 Έκδοση 4.4 ΩΡΟΛΟΓΙΟ ΠΡΟΓΡΑΜΜΑ ΔΙΔΑΣΚΑΛΙΑΣ ΜΑΘΗΜΑΤΩΝ Β ΕΞΑΜΗΝΟΥ - ΜΑΘΗΜΑΤΑ ΚΟΡΜΟΥ Τμήματα 1+2 Τμήματα 1+2 Τμήματα 3+4 Τμήματα
ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕΔΟΝΙΑΣ Ακαδημαϊκό έτος B εξάμηνο (εαρινό)
ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕΔΟΝΙΑΣ Ακαδημαϊκό έτος 2018-2019 B εξάμηνο (εαρινό) ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ ΤΜΗΜΑΤΟΣ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΠΡΟΓΡΑΜΜΑ ΜΑΘΗΜΑΤΩΝ Β ΕΞΑΜΗΝΟΥ ΓΙΑ ΤΗΝ 1 η ΕΙΔΙΚΕΥΣΗ «ΕΠΙΣΤΗΜΗ ΚΑΙ
Το πρόβλημα: Πρόβλεψη επιτυχίας σε εξετάσεις
Το πρόβλημα: Πρόβλεψη επιτυχίας σε εξετάσεις Πρόβλεψη επιτυχίας ενός μαθητή ΕΠΑΛ σε ΤΕΙ με βάση την επίδοσή του στα μαθήματα. Δύο στάδια πρόβλεψης: Πρώιμη πρόβλεψη (βασισμένη σε Φύλο, Βαθμό Α τάξης, Βαθμό
Ανάπτυξη Έμπειρου Συστήματος Διάγνωσης Βλαβών Η/Υ για Εκπαιδευτικούς Σκοπούς
ΑΝΩΤΑΤΟ ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΠΕΙΡΑΙΑ ΣΧΟΛΗ ΤΕΧΝΟΛΟΓΙΚΩΝ ΕΦΑΡΜΟΓΩΝ ΤΜΗΜΑ ΗΛΕΚΤΡΟΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΙΚΩΝ ΣΥΣΤΗΜΑΤΩΝ ΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ Ανάπτυξη Έμπειρου Συστήματος Διάγνωσης Βλαβών Η/Υ για Εκπαιδευτικούς
Γ ΚΠΣ ΕΠΕΑΕΚ ΙΙ ΜΕΤΡΟ 2.2, ΚΑΤΗΓΟΡΙΑ ΠΡΑΞΗΣ ια. ΕΡΓΟ: «ΠΕΡΙΒΑΛΛΟΝ - ΑΡΧΙΜΗΔΗΣ-Ενίσχυση ερευνητικών ομάδων του ΤΕΙ ΚΡΗΤΗΣ»
Γ ΚΠΣ ΕΠΕΑΕΚ ΙΙ ΜΕΤΡΟ 2.2, ΚΑΤΗΓΟΡΙΑ ΠΡΑΞΗΣ 2.6.1.ια ΕΡΓΟ: «ΠΕΡΙΒΑΛΛΟΝ - ΑΡΧΙΜΗΔΗΣ-Ενίσχυση ερευνητικών ομάδων του ΤΕΙ ΚΡΗΤΗΣ» ΥΠΟΕΡΓΟ 1: «Εφαρμογή του Περιβαλλοντικού Συστήματος Στήριξης Αποφάσεων Expert
Π2 Το Σύστηµα Κανόνων CLIPS
ΠΑΡΑΡΤΗΜΑ 2 Π2 Το Σύστηµα Κανόνων CLIPS Το CLIPS (C Language Integrated Production System) είναι ένα περιβάλλον που προσφέρει δυνατότητες για προγραµµατισµό µε κανόνες, αντικείµενα και συναρτήσεις. Αναπτύχθηκε
ΤΕΧΝΟΛΟΓΙΑ ΚΑΙ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ ΥΠΟΛΟΓΙΣΤΩΝ ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ Η/Υ ΚΑΙ ΠΛΗΡΟΦΟΡΙΚΗΣ
ΤΕΧΝΟΛΟΓΙΑ ΚΑΙ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ ΥΠΟΛΟΓΙΣΤΩΝ ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ Η/Υ ΚΑΙ ΠΛΗΡΟΦΟΡΙΚΗΣ Έλεγχος ροής Δομή επιλογής (if, switch) Δομές επανάληψης (while, do-while, for) Διακλάδωση
ΠΑΙΓΝΙΑ Παιχνίδια Γενική Θεώρηση μεγιστοποιήσει την πιθανότητά
ΠΑΙΓΝΙΑ Παιχνίδια Γενική Θεώρηση: Έστω ότι έχουμε τους παίκτες Χ και Υ. Ο κάθε παίκτης, σε κάθε κίνηση που κάνει, προσπαθεί να μεγιστοποιήσει την πιθανότητά του να κερδίσει. Ο Χ σε κάθε κίνηση που κάνει
Συστήματα Γνώσης. Πρακτικό Κομμάτι Μαθήματος Πρόγραμμα Διάγνωσης Βλάβης βασισμένης σε Μοντέλο. Νίκος Βασιλειάδης, Αναπλ. Καθηγητής Τμήμα Πληροφορικής
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΙΚΑ ΜΑΘΗΜΑΤΑ Πρακτικό Κομμάτι Μαθήματος Πρόγραμμα Διάγνωσης Βλάβης βασισμένης σε Μοντέλο Νίκος Βασιλειάδης, Αναπλ. Καθηγητής Άδειες Χρήσης Το παρόν
Τίτλος Εργασίας: Ανάπτυξη έμπειρου συστήματος λήψης αποφάσεων ναυτιλιακής επιχειρηματικότητας
ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ Η/Υ & ΠΛΗΡΟΦΟΡΙΚΗΣ Μεταπτυχιακό Δίπλωμα Ειδίκευσης στην Επιστήμη & Τεχνολογία των Υπολογιστών Τίτλος Εργασίας: Ανάπτυξη έμπειρου συστήματος λήψης αποφάσεων
'Διερεύνηση αποτελεσματικότητας ασαφούς ελεγκτή για διαφορετικές θέσεις αισθητήρα-διεγέρτη'
'Διερεύνηση αποτελεσματικότητας ασαφούς ελεγκτή για διαφορετικές θέσεις αισθητήρα-διεγέρτη' ΟΝΟΜΑ ΦΟΙΤΗΤΗ: ΣΕΛΛΗΣ ΗΛΙΑΣ ΑΡΙΘΜΟΣ ΜΗΤΡΩΟΥ: 2004010054 ΤΜΗΜΑ: ΜΗΧΑΝΙΚΩΝ ΠΑΡΑΓΩΓΗΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΕΠΙΒΛΕΠΩΝ ΚΑΘΗΓΗΤΗΣ
ΕΥΦΥΗΣ ΕΛΕΓΧΟΣ. Ενότητα #5: Ασαφής Συλλογισμός. Αναστάσιος Ντούνης Τμήμα Μηχανικών Αυτοματισμού Τ.Ε.
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Ανώτατο Εκπαιδευτικό Ίδρυμα Πειραιά Τεχνολογικού Τομέα ΕΥΦΥΗΣ ΕΛΕΓΧΟΣ Ενότητα #5: Ασαφής Συλλογισμός Αναστάσιος Ντούνης Τμήμα Μηχανικών Αυτοματισμού Τ.Ε. Άδειες Χρήσης Το παρόν εκπαιδευτικό
Τεχνητή Νοημοσύνη (ΥΠ23) 6 ο εξάμηνο Τμήμα Πληροφορικής και Τηλεματικής Χαροκόπειο Πανεπιστήμιο Ουρανία Χατζή
Τεχνητή Νοημοσύνη (ΥΠ23) 6 ο εξάμηνο Τμήμα Πληροφορικής και Τηλεματικής Χαροκόπειο Πανεπιστήμιο Ουρανία Χατζή raniah@hua.gr 1 Αβεβαιότητα Με τον όρο αβεβαιότητα (uncertainty) εννοείται η έλλειψη ακριβούς
ΜΑΜ Κωδικός Τίτλος Μαθήματος ΠΜ 11387 ΕΠΛ 341 Τεχνητή Νοημοσύνη 7.5. Ελπίδα Κεραυνού-Παπαηλιού (elpida@ucy.ac.cy)
ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΜΑΜ Κωδικός Τίτλος Μαθήματος ΠΜ 11387 ΕΠΛ 341 Τεχνητή Νοημοσύνη 7.5 Διδάσκων/ουσα Ελπίδα Κεραυνού-Παπαηλιού (elpida@ucy.ac.cy) Εξάμηνο Εαρινό Ακαδημαϊκό Έτος 2009/10 Ημέρα/Ώρα διδασκαλίας
Πληροφοριακά Συστήματα & Περιβάλλον
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΑΝΟΙΧΤΑ ΑΚΑΔΗΜΑΙΚΑ ΜΑΘΗΜΑΤΑ Πληροφοριακά Συστήματα & Περιβάλλον Ενότητα 9: Έμπειρα Συστήματα Παναγιώτης Λεφάκης Δασολογίας & Φυσικού Περιβάλλοντος Άδειες Χρήσης Το
ΠΛΗ 405 Τεχνητή Νοηµοσύνη
ΠΛΗ 405 Τεχνητή Νοηµοσύνη Λογικοί Πράκτορες Προτασιακή Λογική Τµήµα Ηλεκτρονικών Μηχανικών και Μηχανικών Υ ολογιστών Πολυτεχνείο Κρήτης Ε ανάληψη Παιχνίδια τύχης αναζήτηση expectiminimax Παιχνίδια ατελούς
ΠΑΡΆΡΤΗΜΑ Β Ενδεικτική Λίστα Διδασκόντων Μελών Δ.Ε.Π. του Τμήματος
ΠΑΡΆΡΤΗΜΑ Β Ενδεικτική Λίστα Διδασκόντων Μελών Δ.Ε.Π. του Τμήματος 1 Βασίλειος Χρυσικόπουλος Καθηγητής Πληροφορική Δίκτυα Ασφάλεια Πληροφοριών Ερευνητικά Ενδιαφέροντα Ασφάλεια Δίκτυα Η/Υ http://di.ionio.gr/staff-2/faculty-staff/vassilischrissikopoulos/
ΚΕΦΑΛΑΙΟ 3 - Συστήματα Κανόνων
ΚΕΦΑΛΑΙΟ 3 - Συστήματα Κανόνων Σύνοψη Στο κεφάλαιο αυτό παρουσιάζεται ο χώρος των συστημάτων κανόνων με επικέντρωση στα συστήματα παραγωγής. Η χρήση κανόνων για την αναπαράσταση της διαδικαστικής και επεισοδιακής
ΠΛΗ 405 Τεχνητή Νοηµοσύνη
ΠΛΗ 405 Τεχνητή Νοηµοσύνη Α οδοτικός Προτασιακός Συµ ερασµός Τµήµα Ηλεκτρονικών Μηχανικών και Μηχανικών Υ ολογιστών Πολυτεχνείο Κρήτης Ε ανάληψη Λογικές τυπικές γλώσσες λογική κάλυψη Προτασιακή λογική
4.3. Γραµµικοί ταξινοµητές
Γραµµικοί ταξινοµητές Γραµµικός ταξινοµητής είναι ένα σύστηµα ταξινόµησης που χρησιµοποιεί γραµµικές διακριτικές συναρτήσεις Οι ταξινοµητές αυτοί αναπαρίστανται συχνά µε οµάδες κόµβων εντός των οποίων
Κεφάλαιο 13. Αβεβαιότητα. Τεχνητή Νοηµοσύνη - Β' Έκδοση. Ι. Βλαχάβας, Π. Κεφαλάς, Ν. Βασιλειάδης, Φ. Κόκκορας, Η. Σακελλαρίου
Κεφάλαιο 13 Αβεβαιότητα Τεχνητή Νοηµοσύνη - Β' Έκδοση Ι. Βλαχάβας, Π. Κεφαλάς, Ν. Βασιλειάδης, Φ. Κόκκορας, Η. Σακελλαρίου Κυριότερες πηγές αβεβαιότητας: Αβέβαιη Γνώση Ανακριβή δεδοµένα (imprecise data).
ΠΡΟΓΡΑΜΜΑ ΠΡΟΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ
ΩΡΟΛΟΓΙΟ ΠΡΟΓΡΑΜΜΑ ΔΙΔΑΣΚΑΛΙΑΣ ΜΑΘΗΜΑΤΩΝ Α ΕΞΑΜΗΝΟΥ - ΜΑΘΗΜΑΤΑ ΚΟΡΜΟΥ ΩΡΕΣ ΜΑΘΗΜΑ ΧΩΡΟΣ ΜΑΘΗΜΑ ΧΩΡΟΣ ΜΑΘΗΜΑ ΧΩΡΟΣ ΜΑΘΗΜΑ ΧΩΡΟΣ ΜΑΘΗΜΑ ΧΩΡΟΣ (Α-Λ) (Μ-Ω) Πληροφοριακά Συστήματα Διοίκησης ΑΜΦ 13 Διοίκησης
Πανεπιστήμιο Δυτικής Μακεδονίας. Τμήμα Μηχανικών Πληροφορικής & Τηλεπικοινωνιών. Τεχνητή Νοημοσύνη. Ενότητα 5: Αναπαράσταση Γνώσης με Λογική
Τμήμα Μηχανικών Πληροφορικής & Τηλεπικοινωνιών Τεχνητή Νοημοσύνη Ενότητα 5: Αναπαράσταση Γνώσης με Λογική Αν. καθηγητής Στεργίου Κωνσταντίνος kstergiou@uowm.gr Τμήμα Μηχανικών Πληροφορικής και Τηλεπικοινωνιών
ΠΡΟΓΡΑΜΜΑ ΠΡΟΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ
ΩΡΟΛΟΓΙΟ ΠΡΟΓΡΑΜΜΑ ΔΙΔΑΣΚΑΛΙΑΣ ΜΑΘΗΜΑΤΩΝ Β ΕΞΑΜΗΝΟΥ - ΜΑΘΗΜΑΤΑ ΚΟΡΜΟΥ ΩΡΕΣ ΜΑΘΗΜΑ ΧΩΡΟΣ ΜΑΘΗΜΑ ΧΩΡΟΣ ΜΑΘΗΜΑ ΧΩΡΟΣ ΜΑΘΗΜΑ ΧΩΡΟΣ ΜΑΘΗΜΑ ΧΩΡΟΣ Εισαγωγή στην Ανάλυση Αλγορίθμων Εισαγωγή στην Ανάλυση Αλγορίθμων
ΣΧΟΛΗ ΘΕΤΙΚΩΝ ΚΑΙ ΕΦΑΡΜΟΣΜΕΝΩΝ ΕΠΙΣΤΗΜΩΝ
ΣΧΟΛΗ ΘΕΤΙΚΩΝ ΚΑΙ ΕΦΑΡΜΟΣΜΕΝΩΝ ΕΠΙΣΤΗΜΩΝ 2014-2015 ISSN 2357-1225 (print) ISSN 2357-1233 (online) Μεταπτυχιακά Προγράμματα Σπουδών Επιπέδου Μάστερ Μεταπτυχιακά Προγράμματα Σπουδών Διαχείριση και Προστασία
Παρουσίαση Αποτελεσµάτων Έργου SPERO. Παρασκευή Τζούβελη Υποψήφια ιδάκτωρ ΕΜΠ
Παρουσίαση Αποτελεσµάτων Έργου SPERO Παρασκευή Τζούβελη Υποψήφια ιδάκτωρ ΕΜΠ οµή Συστήµατος SPERO Βάση εδοµένων Εκπαιδευτικό Υλικό Στατιστική Ανάλυση Ερωτηµατολόγια Προγραµµατιστές Ειδικοί σε συστήµατα
Δέντρα Απόφασης (Decision(
Δέντρα Απόφασης (Decision( Trees) Το μοντέλο που δημιουργείται είναι ένα δέντρο Χρήση της τεχνικής «διαίρει και βασίλευε» για διαίρεση του χώρου αναζήτησης σε υποσύνολα (ορθογώνιες περιοχές) Ένα παράδειγμα
Ευφυής Προγραμματισμός
Ευφυής Προγραμματισμός Ενότητα 11: Δημιουργία Βάσεων Κανόνων Από Δεδομένα- Εξαγωγή Κανόνων Ιωάννης Χατζηλυγερούδης Πολυτεχνική Σχολή Τμήμα Μηχανικών Η/Υ & Πληροφορικής Δημιουργία Βάσεων Κανόνων Από Δεδομένα-
Ασαφής Λογική (Fuzzy Logic)
Ασαφής Λογική (Fuzzy Logic) Ασάφεια: έννοια που σχετίζεται με την ποσοτικοποίηση της πληροφορίας και οφείλεται κυρίως σε μη-ακριβή (imprecise) δεδομένα. Π.χ. "Ο Νίκος είναι ψηλός": δεν προσδιορίζεται με
ΠΕΡΙΕΧΟΜΕΝΑ ΚΕΦΑΛΑΙΟ 1: ΕΙΣΑΓΩΓΗ...1 1.1 ΕΙΣΑΓΩΓΗ ΣΤΟΝ ΕΡΕΥΝΗΤΙΚΟ ΧΩΡΟ ΤΗΣ ΙΑΤΡΙΒΗΣ...1 1.2 ΑΝΤΙΚΕΊΜΕΝΟ ΤΗΣ ΙΑΤΡΙΒΉΣ...4 1.3 ΟΜΉ ΤΗΣ ΙΑΤΡΙΒΉΣ...
ΠΕΡΙΕΧΟΜΕΝΑ ΚΕΦΑΛΑΙΟ 1: ΕΙΣΑΓΩΓΗ...1 1.1 ΕΙΣΑΓΩΓΗ ΣΤΟΝ ΕΡΕΥΝΗΤΙΚΟ ΧΩΡΟ ΤΗΣ ΙΑΤΡΙΒΗΣ...1 1.2 ΑΝΤΙΚΕΊΜΕΝΟ ΤΗΣ ΙΑΤΡΙΒΉΣ...4 1.3 ΟΜΉ ΤΗΣ ΙΑΤΡΙΒΉΣ...5 ΚΕΦΑΛΑΙΟ 2: Η ΤΕΧΝΟΛΟΓΙΑ ΤΗΣ ΕΙΚΟΝΙΚΗΣ ΠΡΑΓΜΑΤΙΚΟΤΗΤΑΣ...9
Ελληνική Δημοκρατία Τεχνολογικό Εκπαιδευτικό Ίδρυμα Ηπείρου. Πληροφορική II. Ενότητα 9 : Τεχνητή νοημοσύνη. Δρ. Γκόγκος Χρήστος
1 Ελληνική Δημοκρατία Τεχνολογικό Εκπαιδευτικό Ίδρυμα Ηπείρου Πληροφορική II Ενότητα 9 : Τεχνητή νοημοσύνη Δρ. Γκόγκος Χρήστος 2 Ανοιχτά Ακαδημαϊκά Μαθήματα στο ΤΕΙ Ηπείρου Τμήμα Χρηματοοικονομικής & Ελεγκτικής
ΕΥΦΥΕΣ ΣΥΣΤΗΜΑ ΧΟΡΗΓΗΣΗΣ ΑΣΦΑΛΕΙΩΝ
ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ ΙΑΤΜΗΜΑΤΙΚΟ ΜΕΤΑΠΤΥΧΙΑΚΟ ΜΑΘΗΜΑΤΙΚΟΥ- ΜΗΧΑΝΙΚΩΝ Η/Υ ΕΥΦΥΕΣ ΣΥΣΤΗΜΑ ΧΟΡΗΓΗΣΗΣ ΑΣΦΑΛΕΙΩΝ ιπλωµατική Εργασία της ς, Α. Μ. 140 Επιβλέπων Καθηγητής, Ιωάννης Χατζηλυγερούδης Επίκουρος Καθηγητής
Εξόρυξη Γνώσης από εδοµένα (data mining)
Εξόρυξη νώσης από εδοµένα (data mining) Ε.Κ.Ε.Φ.Ε. ηµόκριτος Ινστ. Πληροφορικής και Τηλεπικοινωνιών εώργιος Παλιούρας Email: paliourg@iit.demokritos.gr WWW: http://www.iit.demokritos.gr/~paliourg Περιεχόµενα
ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΠΛΗΡΟΦΟΡΙΚΗ
ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΠΛΗΡΟΦΟΡΙΚΗ Κ. Δεμέστιχας Εργαστήριο Πληροφορικής Γεωπονικό Πανεπιστήμιο Αθηνών Επικοινωνία μέσω e-mail: cdemest@aua.gr, cdemest@cn.ntua.gr 1 2. ΑΡΙΘΜΗΤΙΚΗ ΥΠΟΛΟΓΙΣΤΩΝ ΜΕΡΟΣ Α 2 Τεχνολογία
ΜΕΤΑΒΑΤΙΚΕΣ ΠΡΟΫΠΟΘΕΣΕΙΣ ΑΠΟΚΤΗΣΗΣ ΠΤΥΧΙΟΥ
ΜΕΤΑΒΑΤΙΚΕΣ ΠΡΟΫΠΟΘΕΣΕΙΣ ΑΠΟΚΤΗΣΗΣ ΠΤΥΧΙΟΥ Για τους φοιτητές που έχουν εισαχθεί στο Τµήµα από το Ακαδηµαϊκό Έτος 1999-2000 έως το Ακαδηµαϊκό Έτος 2003-2004 1 1. Εγγραφή και παρακολούθηση για τουλάχιστον
Δομή του Προγράμματος Σπουδών
Δομή του Προγράμματος Σπουδών Η διάρκεια σπουδών στο Τμήμα Μηχανικών Πληροφορικής και Υπολογιστών είναι οκτώ (8) εξάμηνα. Οι σπουδές στα πρώτα επτά (7) εξάμηνα περιλαμβάνουν θεωρητική διδασκαλία, ασκήσεις
Διαχείριση Πολιτισμικών Δεδομένων
Ανοικτά Ακαδημαϊκά Μαθήματα στο ΤΕΙ Ιονίων Νήσων Διαχείριση Πολιτισμικών Δεδομένων Ενότητα 6: Εισαγωγή στις Βάσεις Δεδομένων Το περιεχόμενο του μαθήματος διατίθεται με άδεια Creative Commons εκτός και
ΠΡΟΓΡΑΜΜΑ ΠΡΟΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ
ΩΡΟΛΟΓΙΟ ΠΡΟΓΡΑΜΜΑ ΔΙΔΑΣΚΑΛΙΑΣ ΤΩΝ Β ΕΞΑΜΗΝΟΥ - ΤΑ ΚΟΡΜΟΥ Τμήματα 1+2 Τμήματα 1+2 Τμήματα 3+4 Τμήματα 3+4 Τμήματα 5+6 Τμήματα 5+6 Αγγλικά IΙ (Φ) Αγγλικά IΙ Αγγλικά IΙ Αγγλικά IΙ (Φ) Αγγλικά IΙ Αγγλικά
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ. Λογική. Δημήτρης Πλεξουσάκης
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Λογική Δημήτρης Πλεξουσάκης 2ο μέρος σημειώσεων: Συστήματα Αποδείξεων για τον ΠΛ, Μορφολογική Παραγωγή, Κατασκευή Μοντέλων Τμήμα Επιστήμης Υπολογιστών Άδειες Χρήσης
Ανάκτηση Πληροφορίας
Ιόνιο Πανεπιστήμιο Τμήμα Πληροφορικής Ανάκτηση Πληροφορίας Διδάσκων: Φοίβος Μυλωνάς fmylonas@ionio.gr Διάλεξη #02 Ιστορική αναδρομή Σχετικές επιστημονικές περιοχές 1 Άδεια χρήσης Το παρόν εκπαιδευτικό
Μετρητής Ριπής ΛΟΓΙΚΗ ΣΧΕΔΙΑΣΗ. Αναφορά 9 ης. εργαστηριακής άσκησης: ΑΦΡΟΔΙΤΗ ΤΟΥΦΑ Α.Μ.:2024201100032
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΕΛΟΠΟΝΝΗΣΟΥ ΣΧΟΛΗ ΟΙΚΟΝΟΜΙΑΣ, ΔΙΟΙΚΗΣΗΣ ΚΑΙ ΠΛΗΡΟΦΟΡΙΚΗΣ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΚΑΙ ΤΗΛΕΠΙΚΟΙΝΩΝΙΩΝ ΛΟΓΙΚΗ ΣΧΕΔΙΑΣΗ Αναφορά 9 ης εργαστηριακής άσκησης: Μετρητής Ριπής ΑΦΡΟΔΙΤΗ
Λογικός Προγραμματισμός
Λογικός Προγραμματισμός Αναπαράσταση γνώσης: Λογικό Σύστημα. Μηχανισμός επεξεργασίας γνώσης: εξαγωγή συμπεράσματος. Υπολογισμός: Απόδειξη θεωρήματος (το συμπέρασμα ενδιαφέροντος) από αξιώματα (γνώση).
Ειδικής Υποδομής Υποχρεωτικό
ΣΧΟΛΗ ΔΙΟΙΚΗΣΗΣ ΚΑΙ ΟΙΚΟΝΟΜΙΑΣ ΤΜΗΜΑ ΔΙΟΙΚΗΣΗ ΕΠΙΧΕΙΡΗΣΕΩΝ ΕΠΙΠΕΔΟ ΣΠΟΥΔΩΝ Προπτυχιακό ΚΩΔΙΚΟΣ ΜΑΘΗΜΑΤΟΣ GD780 ΤΙΤΛΟΣ ΜΑΘΗΜΑΤΟΣ Τεχνητή Νοημοσύνη ΑΥΤΟΤΕΛΕΙΣ ΔΙΔΑΚΤΙΚΕΣ ΔΡΑΣΤΗΡΙΟΤΗΤΕΣ σε περίπτωση που οι
Μορφολογική Παραγωγή. 3 ο φροντιστήριο ΗΥ180 Διδάσκων: Δ. Πλεξουσάκης Τετάρτη 15/03/2017 Ζωγραφιστού Δήμητρα
Μορφολογική Παραγωγή 3 ο φροντιστήριο ΗΥ180 Διδάσκων: Δ. Πλεξουσάκης Τετάρτη 15/03/2017 Ζωγραφιστού Δήμητρα Συστήματα Αποδείξεων στον ΠΛ(1/2) Συχνά μας ενδιαφέρει να μπορούμε να διαπιστώσουμε αν μία εξαγωγή
ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ
ΤΕΙ Δυτικής Μακεδονίας ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ 2015-2016 Τεχνητή Νοημοσύνη Λογικοί Πράκτορες Διδάσκων: Τσίπουρας Μάρκος Εκπαιδευτικό Υλικό: Τσίπουρας Μάρκος http://ai.uom.gr/aima/ 2 Πράκτορες βασισμένοι
2 ο Θερινό Σχολείο: ICT και Εφαρμογές»
Τμήμα Μηχανικών Η/Υ & Πληροφορικής Computer Engineering & Informatics Department (CEID) Πρόγραμμα Εργασιών Πάτρα, Ιούλιος 03-05, 2017 2 ο Θερινό Σχολείο: ICT και Εφαρμογές» Διοργάνωση: Τμήμα Μηχανικών
Θεωρητική προσέγγιση του Σημασιολογικού Ιστού στο χώρο της πολιτισμικής πληροφορίας: μία πρότυπη εφαρμογή στη βιβλιοθηκονομία
Θεωρητική προσέγγιση του Σημασιολογικού Ιστού στο χώρο της πολιτισμικής πληροφορίας: μία πρότυπη εφαρμογή στη βιβλιοθηκονομία Σοφία Ζαπουνίδου, Αρχειονόμος Βιβλιοθηκονόμος, Πανεπιστήμιο Θεσσαλίας Κεντρική
Να οδηγηθούμε σε μια αρχιτεκτονική που έχει μεγάλο αριθμό καταχωρητών και να εφαρμόσουμε τεχνική ελαχιστοποίησης καταχωρητών
Folding Να καθορίσουμε συστηματικά τα κυκλώματα ελέγχου μιας DSP αρχιτεκτονικής χρησιμοποιώντας folding μετασχηματισμό ώστε να πραγματοποιούμε πολλαπλές αλγοριθμικές πράξεις σε ένα λειτουργικό στοιχείο
Ωρολόγιο Πρόγραµµα Μαθηµάτων Εαρινού Εξαµήνου
Ωρολόγιο Πρόγραµµα Μαθηµάτων Εαρινού Εξαµήνου 2017-2018 Έναρξη: Τρίτη, 20 Φεβρουαρίου 2018 2 ο ΕΞΑΜΗΝΟ 9-10 Οντοκεντρικός Ι. Χατζηλυγερούδης Μαθηµατικά ΙΙ Φροντιστήριο Φροντιστήριο 10-11 Οντοκεντρικός
ΓΛΩΣΣΙΚΗ ΤΕΧΝΟΛΟΓΙΑ. Μάθημα 2 ο : Βασικές έννοιες. Γεώργιος Πετάσης. Ακαδημαϊκό Έτος:
ΓΛΩΣΣΙΚΗ ΤΕΧΝΟΛΟΓΙΑ Μάθημα 2 ο : Βασικές έννοιες Γεώργιος Πετάσης Ακαδημαϊκό Έτος: 2012 2013 ΤMHMA MHXANIKΩΝ Η/Υ & ΠΛΗΡΟΦΟΡΙΚΗΣ, Πανεπιστήμιο Πατρών, 2012 2013 Γλωσσική Τεχνολογία, Μάθημα 2 ο, Βασικές