Πανεπιστήµιο Πατρών Τµήµα Μηχ/κών Η/Υ & Πληροφορικής ΜΠΣ ΕΠΙΣΤΗΜΗ ΚΑΙ ΤΕΧΝΟΛΟΓΙΑ ΤΩΝ ΥΠΟΛΟΓΙΣΤΩΝ ΕΥΦΥΗ ΣΥΣΤΗΜΑΤΑ ΑΠΟΦΑΣΕΩΝ. Ι.



Σχετικά έγγραφα
Ευφυής Προγραμματισμός

Τεχνθτι Νοθμοςφνθ. Ενότθτα 8:Κανόνεσ Παραγωγισ. Ιωάννθσ Χατηθλυγεροφδθσ Πολυτεχνικι Σχολι Τμιμα Μθχανικϊν Η/Υ & Πλθροφορικισ

Ευφυής Προγραμματισμός

Τεχνητή Νοημοσύνη (ΥΠ23) 6 ο εξάμηνο Τμήμα Πληροφορικής και Τηλεματικής Χαροκόπειο Πανεπιστήμιο Ουρανία Χατζή

οµηµένες Αναπαραστάσεις Γνώσης

Συστήματα Γνώσης. Θεωρητικό Κομμάτι Μαθήματος Ενότητα 2: Βασικές Αρχές Αναπαράστασης Γνώσης και Συλλογιστικής

Ευφυής Προγραμματισμός

Ευφυής Προγραμματισμός

ΕΠΑΛΗΘΕΥΣΗ (VERIFICATION) ΚΑΙ ΕΓΚΥΡΟΠΟΙΗΣΗ (VALIDATION) ΒΚ

Rule Based systems Συστήματα Βασισμένα σε κανόνες

Κεφάλαιο 11. Συστήµατα Κανόνων. Τεχνητή Νοηµοσύνη - Β' Έκδοση. Ι. Βλαχάβας, Π. Κεφαλάς, Ν. Βασιλειάδης, Φ. Κόκκορας, Η.

Αναπαράσταση Γνώσης. Αναπαράσταση Γνώσης με Λογική. Προτασιακή Λογική Λογική Πρώτης Τάξης

Κεφάλαιο 8. Βασικές Αρχές Αναπαράστασης Γνώσης και Συλλογιστικής. Τεχνητή Νοηµοσύνη - Β' Έκδοση

(REASONING WITH UNCERTAINTY)

Διαχείριση Γνώσης. Επικ. Καθ. Κωνσταντίνος Μεταξιώτης Δρ. Κωνσταντίνος Εργαζάκης Επιστημονικός Υπεύθυνος

Γνώση. Γνώση (knowledge) είναι ο κοινός παράγοντας (π.χ. κανόνες) που περιγράφει συνοπτικά τις συσχετίσεις μεταξύ των δεδομένων ενός προβλήματος.

HY Λογική Διδάσκων: Δ. Πλεξουσάκης Εαρινό Εξάμηνο. Φροντιστήριο 6

Τεχνητή Νοημοσύνη (ΥΠ23) 6 ο εξάμηνο Τμήμα Πληροφορικής και Τηλεματικής Χαροκόπειο Πανεπιστήμιο Ουρανία Χατζή

ΠΛΗΡΟΦΟΡΙΑΚΑ ΣΥΣΤΗΜΑΤΑ. Κατηγορίες Πληροφοριακών Συστημάτων Διοικητικής Υποστήριξης

ΕΜΠΕΙΡΑ ΣΥΣΤΗΜΑΤΑ Χρυσόστομος Στύλιος

ΗΥ Λογική. Διδάσκων: Δημήτρης Πλεξουσάκης Καθηγητής

ΚΕΦΑΛΑΙΟ 3 : ΕΜΠΕΙΡΑ ΣΥΣΤΗΜΑΤΑ (*)

Ευφυής Προγραμματισμός

ΑΓΓΕΛΟΠΟΥΛΟΣ ΝΙΚΟΛΑΟΣ

Συστήματα Γνώσης. Πρακτικό Κομμάτι Μαθήματος Το Σύστημα Κανόνων CLIPS. Νίκος Βασιλειάδης, Αναπλ. Καθηγητής Τμήμα Πληροφορικής

Συστήματα Γνώσης. Θεωρητικό Κομμάτι Μαθήματος Ενότητα 5: Χαρακτηριστικά, Δομή και Λειτουργία Συστημάτων Γνώσης

Βιομηχανικοί Ελεγκτές

Περιεχόµενα. ΜΕΡΟΣ Α: Επίλυση Προβληµάτων... 17

CLIPS Σύντομη Εισαγωγή - Περιγραφή του Μηχανισμού Εκτέλεσης

ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ. Λογική. Ενότητα 1: Εισαγωγή. Δημήτρης Πλεξουσάκης Τμήμα Επιστήμης Υπολογιστών

Γνώση. Γνώση (knowledge) είναι ο κοινός παράγοντας (π.χ. κανόνες) που περιγράφει συνοπτικά τις συσχετίσεις μεταξύ των δεδομένων ενός προβλήματος.

Εισαγωγή στο κέλυφος ανάπτυξης έµπειρων συστηµάτων του CLIPS

ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ ΔΙΑΤΜΗΜΑΤΙΚΟ ΠΜΣ «ΜΑΘΗΜΑΤΙΚΑ ΤΩΝ ΥΠΟΛΟΓΙΣΤΩΝ & ΤΩΝ ΑΠΟΦΑΣΕΩΝ» ΤΜΗΜΑΤΑ ΜΑΘΗΜΑΤΙΚΩΝ ΜΗΧΑΝΙΚΩΝ Η/Υ & ΠΛΗΡΟΦΟΡΙΚΗΣ

Αντικείμενα Μαθήματος. Μάθημα 2 Τι είναι Γνώση. Understanding Knowledge. Γνώση (knowledge) Ορισμοί

5. Μέθοδοι αναγνώρισης εκπαίδευση χωρίς επόπτη

Managing Information. Lecturer: N. Kyritsis, MBA, Ph.D. Candidate Athens University of Economics and Business.

Αλεξάνδρειο Τεχνολογικό Εκπαιδευτικό Ίδρυµα Θεσσαλονίκης

Χαρακτηριστικά, οµή και Λειτουργία Συστηµάτων Γνώσης

PASS: ένα Έµπειρο Σύστηµα για την Πρόβλεψη της Απόδοσης των µαθητών

ΕΓΧΕΙΡΙΔΙΟ ΧΡΗΣΗΣ ΤΟΥ ΠΡΟΓΡΑΜΜΑΤΟΣ MATLAB / FUZZY LOGIC TOOLBOX

Πληροφορική 2. Τεχνητή νοημοσύνη

Λογική Δημήτρης Πλεξουσάκης Φροντιστήριο 6: Προτασιακός Λογισμός: Μέθοδος Επίλυσης Τμήμα Επιστήμης Υπολογιστών

Συστήματα Βασισμένα σε Γνώση (Knowledge Based Systems)

Ευφυής Προγραμματισμός

ΣΤΟ ΜΑΘΗΜΑ ΚΑΘΗΓΗΤΗΣ: Ι. ΧΑΤΖΗΛΥΓΕΡΟΥ ΗΣ

Οικονόμου Παναγιώτης.

ΓΕΩΠΟΝΙΚΗ ΣΧΟΛΗ ΑΠΘ Εργαστήριο Πληροφορικής στη Γεωργία ΠΛΗΡΟΦΟΡΙΚΗ Ι

Αναπαράσταση Γνώσης και Συλλογιστικές

Λογική. Προτασιακή Λογική. Λογική Πρώτης Τάξης

Έµπειρα Συστήµατα (Expert Systems)

ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΠΛΗΡΟΦΟΡΙΑΣ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ

ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕΔΟΝΙΑΣ Ακαδημαϊκό έτος B εξάμηνο (εαρινό)

Το πρόβλημα: Πρόβλεψη επιτυχίας σε εξετάσεις

Ανάπτυξη Έμπειρου Συστήματος Διάγνωσης Βλαβών Η/Υ για Εκπαιδευτικούς Σκοπούς

Γ ΚΠΣ ΕΠΕΑΕΚ ΙΙ ΜΕΤΡΟ 2.2, ΚΑΤΗΓΟΡΙΑ ΠΡΑΞΗΣ ια. ΕΡΓΟ: «ΠΕΡΙΒΑΛΛΟΝ - ΑΡΧΙΜΗΔΗΣ-Ενίσχυση ερευνητικών ομάδων του ΤΕΙ ΚΡΗΤΗΣ»

Π2 Το Σύστηµα Κανόνων CLIPS

ΤΕΧΝΟΛΟΓΙΑ ΚΑΙ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ ΥΠΟΛΟΓΙΣΤΩΝ ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ Η/Υ ΚΑΙ ΠΛΗΡΟΦΟΡΙΚΗΣ

ΠΑΙΓΝΙΑ Παιχνίδια Γενική Θεώρηση μεγιστοποιήσει την πιθανότητά

Συστήματα Γνώσης. Πρακτικό Κομμάτι Μαθήματος Πρόγραμμα Διάγνωσης Βλάβης βασισμένης σε Μοντέλο. Νίκος Βασιλειάδης, Αναπλ. Καθηγητής Τμήμα Πληροφορικής

Τίτλος Εργασίας: Ανάπτυξη έμπειρου συστήματος λήψης αποφάσεων ναυτιλιακής επιχειρηματικότητας

'Διερεύνηση αποτελεσματικότητας ασαφούς ελεγκτή για διαφορετικές θέσεις αισθητήρα-διεγέρτη'

ΕΥΦΥΗΣ ΕΛΕΓΧΟΣ. Ενότητα #5: Ασαφής Συλλογισμός. Αναστάσιος Ντούνης Τμήμα Μηχανικών Αυτοματισμού Τ.Ε.

Τεχνητή Νοημοσύνη (ΥΠ23) 6 ο εξάμηνο Τμήμα Πληροφορικής και Τηλεματικής Χαροκόπειο Πανεπιστήμιο Ουρανία Χατζή

ΜΑΜ Κωδικός Τίτλος Μαθήματος ΠΜ ΕΠΛ 341 Τεχνητή Νοημοσύνη 7.5. Ελπίδα Κεραυνού-Παπαηλιού

Πληροφοριακά Συστήματα & Περιβάλλον

ΠΛΗ 405 Τεχνητή Νοηµοσύνη

ΠΑΡΆΡΤΗΜΑ Β Ενδεικτική Λίστα Διδασκόντων Μελών Δ.Ε.Π. του Τμήματος

ΚΕΦΑΛΑΙΟ 3 - Συστήματα Κανόνων

ΠΛΗ 405 Τεχνητή Νοηµοσύνη

4.3. Γραµµικοί ταξινοµητές

Κεφάλαιο 13. Αβεβαιότητα. Τεχνητή Νοηµοσύνη - Β' Έκδοση. Ι. Βλαχάβας, Π. Κεφαλάς, Ν. Βασιλειάδης, Φ. Κόκκορας, Η. Σακελλαρίου

ΠΡΟΓΡΑΜΜΑ ΠΡΟΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ

Πανεπιστήμιο Δυτικής Μακεδονίας. Τμήμα Μηχανικών Πληροφορικής & Τηλεπικοινωνιών. Τεχνητή Νοημοσύνη. Ενότητα 5: Αναπαράσταση Γνώσης με Λογική

ΠΡΟΓΡΑΜΜΑ ΠΡΟΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ

ΣΧΟΛΗ ΘΕΤΙΚΩΝ ΚΑΙ ΕΦΑΡΜΟΣΜΕΝΩΝ ΕΠΙΣΤΗΜΩΝ

Παρουσίαση Αποτελεσµάτων Έργου SPERO. Παρασκευή Τζούβελη Υποψήφια ιδάκτωρ ΕΜΠ

Δέντρα Απόφασης (Decision(

Ευφυής Προγραμματισμός

Ασαφής Λογική (Fuzzy Logic)

ΠΕΡΙΕΧΟΜΕΝΑ ΚΕΦΑΛΑΙΟ 1: ΕΙΣΑΓΩΓΗ ΕΙΣΑΓΩΓΗ ΣΤΟΝ ΕΡΕΥΝΗΤΙΚΟ ΧΩΡΟ ΤΗΣ ΙΑΤΡΙΒΗΣ ΑΝΤΙΚΕΊΜΕΝΟ ΤΗΣ ΙΑΤΡΙΒΉΣ ΟΜΉ ΤΗΣ ΙΑΤΡΙΒΉΣ...

Ελληνική Δημοκρατία Τεχνολογικό Εκπαιδευτικό Ίδρυμα Ηπείρου. Πληροφορική II. Ενότητα 9 : Τεχνητή νοημοσύνη. Δρ. Γκόγκος Χρήστος

ΕΥΦΥΕΣ ΣΥΣΤΗΜΑ ΧΟΡΗΓΗΣΗΣ ΑΣΦΑΛΕΙΩΝ

Εξόρυξη Γνώσης από εδοµένα (data mining)

ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΠΛΗΡΟΦΟΡΙΚΗ

ΜΕΤΑΒΑΤΙΚΕΣ ΠΡΟΫΠΟΘΕΣΕΙΣ ΑΠΟΚΤΗΣΗΣ ΠΤΥΧΙΟΥ

Δομή του Προγράμματος Σπουδών

Διαχείριση Πολιτισμικών Δεδομένων

ΠΡΟΓΡΑΜΜΑ ΠΡΟΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ

ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ. Λογική. Δημήτρης Πλεξουσάκης

Ανάκτηση Πληροφορίας

Μετρητής Ριπής ΛΟΓΙΚΗ ΣΧΕΔΙΑΣΗ. Αναφορά 9 ης. εργαστηριακής άσκησης: ΑΦΡΟΔΙΤΗ ΤΟΥΦΑ Α.Μ.:

Λογικός Προγραμματισμός

Ειδικής Υποδομής Υποχρεωτικό

Μορφολογική Παραγωγή. 3 ο φροντιστήριο ΗΥ180 Διδάσκων: Δ. Πλεξουσάκης Τετάρτη 15/03/2017 Ζωγραφιστού Δήμητρα

ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ

2 ο Θερινό Σχολείο: ICT και Εφαρμογές»

Θεωρητική προσέγγιση του Σημασιολογικού Ιστού στο χώρο της πολιτισμικής πληροφορίας: μία πρότυπη εφαρμογή στη βιβλιοθηκονομία

Να οδηγηθούμε σε μια αρχιτεκτονική που έχει μεγάλο αριθμό καταχωρητών και να εφαρμόσουμε τεχνική ελαχιστοποίησης καταχωρητών

Ωρολόγιο Πρόγραµµα Μαθηµάτων Εαρινού Εξαµήνου

ΓΛΩΣΣΙΚΗ ΤΕΧΝΟΛΟΓΙΑ. Μάθημα 2 ο : Βασικές έννοιες. Γεώργιος Πετάσης. Ακαδημαϊκό Έτος:

Transcript:

Πανεπιστήµιο Πατρών Τµήµα Μηχ/κών Η/Υ & Πληροφορικής ΜΠΣ ΕΠΙΣΤΗΜΗ ΚΑΙ ΤΕΧΝΟΛΟΓΙΑ ΤΩΝ ΥΠΟΛΟΓΙΣΤΩΝ ΕΥΦΥΗ ΣΥΣΤΗΜΑΤΑ ΑΠΟΦΑΣΕΩΝ Ι. Χατζηλυγερούδης

ΩΡΟΛΟΓΙΟ ΠΡΟΓΡΑΜΜΑ Τετάρτη/Τρίτη 5.00-7.00 µ.µ. (ΠΡΟΚΑΤ Τµήµατος Η/Υ) ΙΣΤΟΣΕΛΙ Α ΜΑΘΗΜΑΤΟΣ http://mmlab.ceid.upatras.gr/aigroup/postgrad/ids/ ΑΞΙΟΛΟΓΗΣΗ Ευφυές Σύστηµα σε FuzzyCLIPS µε παρουσίαση Εργασία Θεωρητική µε παρουσίαση

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

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

ΠΥΡΗΝΑΣ ΕΣ ΜΕΣ ΒΓ Μέθοδος/Αλγόριθµος Παραγωγής Γνώσης (εξαγωγή συµπερασµάτων από κανόνες) Γλώσσα/Σχήµα Αναπαράστασης Γνώσης (βασισµένη σε κανόνες)

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

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)

ΒΑΣΙΚΗ ΑΡΧΙΤΕΚΤΟΝΙΚΗ ΒΚΕΣ εδοµένα Συµπεράσµατα ΜΕ (γεγονότα) Κ (κανόνες) ΒΚ

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>

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)

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)

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)]

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)

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)

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)

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)

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.

ΕΞΑΓΩΓΗ ΣΥΜΠΕΡΑΣΜΑΤΩΝ (2) 1 ΜΕ 2 Σύνολο Σύγκρουσης 5 3 Ενδιάµεσα Συµπεράσµατα 4 Επιλεγείς Κανόνας

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}

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}

ΓΡΑΦΙΚΗ ΑΝΑΠΑΡΑΣΤΑΣΗ ΣΥΛΛΟΓΙΣΜΟΥ A B G C D H F E I A B G C D H F E I