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

Σχετικά έγγραφα
Ασαφής Λογική (Fuzzy Logic)

Κεφάλαιο 14. Ασάφεια. Τεχνητή Νοηµοσύνη - Β' Έκδοση. Ι. Βλαχάβας, Π. Κεφαλάς, Ν. Βασιλειάδης, Φ. Κόκκορας, Η. Σακελλαρίου

Βασικές Έννοιες Ασαφών Συνόλων

ΑΣΑΦΗΣ ΛΟΓΙΚΗ. Οικονόμου Παναγιώτης Δρ. Ε. Παπαγεωργίου 1

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

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

ΠΟΛΥΚΡΙΤΗΡΙΑ ΥΠΟΣΤΗΡΙΞΗ ΑΠΟΦΑΣΕΩΝ. Χάρης Δούκας, Πάνος Ξυδώνας, Ιωάννης Ψαρράς


Διακριτά Μαθηματικά ΙΙ Χρήστος Νομικός Τμήμα Μηχανικών Η/Υ και Πληροφορικής Πανεπιστήμιο Ιωαννίνων 2018 Χρήστος Νομικός ( Τμήμα Μηχανικών Η/Υ Διακριτά

ΚΕΦΑΛΑΙΟ 1. Ασαφή Συστήματα. 1.1 Ασαφή Σύνολα. x A. 1, x

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

Δρ. Βασίλειος Γ. Καμπουρλάζος Δρ. Ανέστης Γ. Χατζημιχαηλίδης

ΠΟΛΥΚΡΙΤΗΡΙΑ ΥΠΟΣΤΗΡΙΞΗ ΑΠΟΦΑΣΕΩΝ. Χάρης Δούκας, Πάνος Ξυδώνας, Ιωάννης Ψαρράς

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

ΠΟΛΥΚΡΙΤΗΡΙΑ ΥΠΟΣΤΗΡΙΞΗ ΑΠΟΦΑΣΕΩΝ

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

ΔΙΑΧΕΙΡΙΣΗ ΓΛΩΣΣΙΚΩΝ ΜΕΤΑΒΛΗΤΩΝ. Πολυκριτήρια Ανάλυση Αποφάσεων

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

Εισαγωγή στις Βάσεις Δεδομζνων II

ΠΟΛΥΚΡΙΤΗΡΙΑ ΥΠΟΣΤΗΡΙΞΗ ΑΠΟΦΑΣΕΩΝ. Χάρης ούκας, Πάνος Ξυδώνας, Ιωάννης Ψαρράς

ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΠΛΗΡΟΦΟΡΙΚΗ

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

ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ ΥΠΟΛΟΓΙΣΜΟΣ Εντολές επιλογής και αποφάσεων 1 ο Φύλλο Εργασιών Εισαγωγικές ασκήσεις για την εντολή if ΑΠΑΝΤΗΣΕΙΣ

ΒΑΣΙΚΕΣ ΑΡΧΕΣ ΨΗΦΙΑΚΗΣ ΤΕΧΝΟΛΟΓΙΑΣ. Κεφάλαιο 3

x < y ή x = y ή y < x.

ΑΝΑΠΤΥΞΗ ΕΦΑΡΜΟΓΩΝ Κεφάλαιο 2 ο. Επικοινωνία:

HY118-Διακριτά Μαθηματικά

Περιεχόμενα. Πρόλογος 3

Ηλεκτρονικοί Υπολογιστές ΙΙ

Ελληνική Δημοκρατία Τεχνολογικό Εκπαιδευτικό Ίδρυμα Ηπείρου. Θεωρία Υπολογισμού. Ενότητα 1 : Σύνολα & Σχέσεις (1/2) Αλέξανδρος Τζάλλας

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

Μοντελοποίηση προβληµάτων

ΕΥΦΥΗΣ ΕΛΕΓΧΟΣ. Ενότητα #3: Αρχή της Επέκτασης - Ασαφείς Σχέσεις. Αναστάσιος Ντούνης Τμήμα Μηχανικών Αυτοματισμού Τ.Ε.

Κεφάλαιο 5 Αξιωματική Σημασιολογία και Απόδειξη Ορθότητας Προγραμμάτων

Περιεχόμενα 1 Πρωτοβάθμια Λογική Χρήστος Νομικός ( Τμήμα Μηχανικών Η/Υ Διακριτά και Πληροφορικής Μαθηματικά Πανεπιστήμιο ΙΙ Ιωαννίνων ) / 60

Βιομηχανικοί Ελεγκτές

Ανάκτηση Πληροφορίας

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

ο ό Α αφ ο ι α ι οί οι Α αφο ο ι Α αφ ο α ά ο ι αβ Α αφ α Α αφ ί α ό Α αφο ο ι ά ι Α αφ ο α ια ι α ι ο ι ά αι,, ό ι ι ά ι ά α α Ευφυής Έλεγχος 4

ΠΑΙΓΝΙΑ Παιχνίδια Γενική Θεώρηση μεγιστοποιήσει την πιθανότητά

ΚΕΦΑΛΑΙΟ Μηχανική Μάθηση

Υπολογιστικά & Διακριτά Μαθηματικά

ΚΕΦΑΛΑΙΟ 3 ο ΣΥΝΑΡΤΗΣΕΙΣ, ΤΡΙΓΩΝΟΜΕΤΡΙΑ( FUNCTIONS,TRIGONOMETRY)

ΑΝΑΠΤΥΞΗ ΕΦΑΡΜΟΓΩΝ Κεφάλαιο 2 ο

Αν Α και Β είναι δύο ενδεχόμενα ενός δειγματικού χώρου να αποδείξετε ότι: Αν Α Β τότε Ρ(Α) Ρ(Β)

Κεφάλαιο 5. Αλγόριθµοι Αναζήτησης σε Παίγνια ύο Αντιπάλων. Τεχνητή Νοηµοσύνη - Β' Έκδοση

Ανδρέας Παπαζώης. Τμ. Διοίκησης Επιχειρήσεων

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

Περιεχόμενα. Πρόλογος 3

Δρ. Βασίλειος Γ. Καμπουρλάζος Δρ. Ανέστης Γ. Χατζημιχαηλίδης

Γραμμική Άλγεβρα και Μαθηματικός Λογισμός για Οικονομικά και Επιχειρησιακά Προβλήματα

Επιµέλεια Θοδωρής Πιερράτος

Κατηγορηματικός Λογισμός (ΗR Κεφάλαιο )

2 ΟΥ και 7 ΟΥ ΚΕΦΑΛΑΙΟΥ

ΑΝΑΠΤΥΞΗ ΕΦΑΡΜΟΓΩΝ ΣΕ ΠΡΟΓΡΑΜΜΑΤΙΣΤΙΚΟ ΠΕΡΙΒΑΛΛΟΝ. 1 ο ΚΕΦΑΛΑΙΟ

ΕΓΧΕΙΡΙΔΙΟ ΧΡΗΣΗΣ ΤΟΥ ΠΡΟΓΡΑΜΜΑΤΟΣ MATLAB / FUZZY LOGIC TOOLBOX

β) 3 n < n!, n > 6 i i! = (n + 1)! 1, n 1 i=1

Χάραξης Ενεργειακών και Περιβαλλοντικών Πολιτικών

HY118-Διακριτά Μαθηματικά

Στατιστικοί πίνακες. Δημιουργία κλάσεων

Εξαγωγή κανόνων από αριθµητικά δεδοµένα

ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Ανώτατο Εκπαιδευτικό Ίδρυμα Πειραιά Τεχνολογικού Τομέα ΕΥΦΥΗΣ ΕΛΕΓΧΟΣ. Ενότητα #7: Σύστημα Ασαφούς Λογικής Μαθηματικές Εκφράσεις

ΜΟΝΤΕΛΟΠΟΙΗΣΗ ΔΙΑΚΡΙΤΩΝ ΕΝΑΛΛΑΚΤΙΚΩΝ ΣΕ ΠΡΟΒΛΗΜΑΤΑ ΣΧΕΔΙΑΣΜΟΥ ΚΑΙ ΣΥΝΘΕΣΗΣ ΔΙΕΡΓΑΣΙΩΝ

Τα παρακάτω σύνολα θα τα θεωρήσουμε γενικά γνωστά, αν και θα δούμε πολλές από τις ιδιότητές τους: N Z Q R C

ΕΥΦΥΗΣ ΕΛΕΓΧΟΣ. Ενότητα #8: Βελτιστοποίηση Συστημάτων Ασαφούς Λογικής. Αναστάσιος Ντούνης Τμήμα Μηχανικών Αυτοματισμού Τ.Ε.

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

K15 Ψηφιακή Λογική Σχεδίαση 3: Προτασιακή Λογική / Θεωρία Συνόλων

Ανάλυση Απαιτήσεων Απαιτήσεις Λογισµικού

Πανεπιστήμιο Δυτικής Μακεδονίας. Τμήμα Μηχανικών Πληροφορικής & Τηλεπικοινωνιών. Διακριτά Μαθηματικά. Ενότητα 6: Προτασιακός Λογισμός

ΑΚΑΔΗΜΑΪΚΟ ΕΤΟΣ: ΧΕΙΜΕΡΙΝΟ ΕΞΑΜΗΝΟ TMHMA ΜΗΧΑΝΙΚΩΝ ΠΛΗΡΟΦΟΡΙΚΗΣ ΤΕ

ΕΥΦΥΗΣ ΕΛΕΓΧΟΣ. Ενότητα #4: Ασαφής Λογική Συνεπαγωγές. Αναστάσιος Ντούνης Τμήμα Μηχανικών Αυτοματισμού Τ.Ε.

Στόχοι και αντικείμενο ενότητας. Βασικές κατασκευές ΓΠ. Έλεγχος ροής προγράμματος. #4.. Εντολές Επιλογής

ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ. Λογική. Δημήτρης Πλεξουσάκης

Μορφές αποδείξεων Υπάρχουν πολλά είδη αποδείξεων. Εδώ θα δούμε τα πιο κοινά: Εξαντλητική μέθοδος ή μέθοδος επισκόπησης. Οταν το πρόβλημα έχει πεπερασμ

Βασικοί τύποι δεδομένων (Pascal) ΕΠΑ.Λ Αλίμου Γ Πληροφορική Δομημένος Προγραμματισμός (Ε) Σχολ. Ετος Κων/νος Φλώρος

Πρόβλημα 29 / σελίδα 28

ΣΥΣΤHΜΑΤΑ ΑΠΟΦAΣΕΩΝ ΣΤΗΝ ΠΑΡΑΓΩΓH

Λογική. Φροντιστήριο 3: Συνεπαγωγή/Ισοδυναμία, Ταυτολογίες/Αντινομίες, Πλήρης Αλγόριθμος Μετατροπής σε CNF

Τι είναι βαθμωτό μέγεθος? Ένα μέγεθος που περιγράφεται μόνο με έναν αριθμό (π.χ. πίεση)

Προγραμματισμός Η/Υ. Ενότητα 4: Εντολές Επιλογής

K15 Ψηφιακή Λογική Σχεδίαση 7-8: Ανάλυση και σύνθεση συνδυαστικών λογικών κυκλωμάτων

Χρήστος Ι. Σχοινάς Αν. Καθηγητής ΔΠΘ. Συμπληρωματικές σημειώσεις για το μάθημα: «Επιχειρησιακή Έρευνα ΙΙ»

Ενότητα: Ο Δακτύλιος Πολυωνύμων μιας Μεταβλητής. Διδάσκων: Καθηγητής Μαρμαρίδης Νικόλαος - Θεοδόσιος

ΣΗΜΕΙΩΣΕΙΣ. x A αντιστοιχίζεται (συσχετίζεται) με ένα μόνο. = ονομάζεται εξίσωση της

ΑΕΠΠ Ερωτήσεις θεωρίας

ΣΤΑΤΙΣΤΙΚΟΙ ΠΙΝΑΚΕΣ. ΓΕΝΙΚΟΙ (περιέχουν όλες τις πληροφορίες που προκύπτουν από μια στατιστική έρευνα) ΕΙΔΙΚΟΙ ( είναι συνοπτικοί και σαφείς )

4. Ο,τιδήποτε δεν ορίζεται με βάση τα (1) (3) δεν είναι προτασιακός τύπος.

ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕΔΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΤΕΧΝΗΤΗ ΝΟΗΜΟΣΥΝΗ

Εισαγωγικά Παραδείγματα: Παρατηρήσεις:

Υπολογιστικά & Διακριτά Μαθηματικά

ΤΕΙ ΠΕΛΟΠΟΝΝΗΣΟΥ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΠΛΗΡΟΦΟΡΙΚΗΣ Τ.Ε.

Θέμα 1 ο (ΜΑΪΟΣ 2004, ΜΑΪΟΣ 2008) Να δείξετε ότι η παράγωγος της σταθερής συνάρτησης f (x) = c είναι (c) = 0. Απόδειξη

P (A B) = P (AB) P (B) P (A B) = P (A) P (A B) = P (A) P (B)

Ενότητα 1: Εισαγωγή. ΤΕΙ Στερεάς Ελλάδας. Τμήμα Φυσικοθεραπείας. Προπτυχιακό Πρόγραμμα. Μάθημα: Βιοστατιστική-Οικονομία της υγείας Εξάμηνο: Ε (5 ο )

2 n N: 0, 1,..., n A n + 1 A

Ευφυής Έλεγχος, Θεωρία και Εφαρμογές

Ενεργειακών και Περιβαλλοντικών Πολιτικών

Transcript:

Τεχνητή Νοημοσύνη (ΥΠ23) 6 ο εξάμηνο Τμήμα Πληροφορικής και Τηλεματικής Χαροκόπειο Πανεπιστήμιο Ουρανία Χατζή raniah@hua.gr 1

Ασάφεια (Fuzziness) Ποσοτικοποίηση της ποιοτικής πληροφορίας Οφείλεται κυρίως σε μη ακριβή δεδομένα Π.χ. «ο Νίκος είναι ψηλός» δεν προσδιορίζει με ακρίβεια το ύψος του Νίκου, αλλά επιτρέπει την εξαγωγή κάποιων σχετικών συμπερασμάτων ή τη λήψη σχετικών αποφάσεων Το πρόβλημα πηγάζει όχι από τις έννοιες που χρησιμοποιούνται, αλλά από την αντίληψη που έχει ο καθένας για λεκτικούς προσδιορισμούς ποσοτικών μεγεθών (σημασιολογική ασάφεια, εγγενές χαρακτηριστικό της γλώσσας) Είναι δυνατό να αποδοθούν συγκεκριμένες τιμές για να περιοριστεί η ασάφεια, αλλά κάτι τέτοιο οδηγεί συχνά σε λάθος κρίσεις (π.χ. ψηλός είναι όποιος έχει ύψος πάνω από 1.95μ, άρα αυτός που έχει 1.94 δεν είναι ψηλός) 2

Ασαφής Λογική Ασαφή Σύνολα Ασαφής Λογική: υπερσύνολο της κλασικής λογικής, με επεκτάσεις ώστε να μπορεί να χειριστεί τιμές αληθείας μεταξύ του «απολύτως αληθούς» και του «απολύτως ψευδούς». Ένα ασαφές σύνολο (fuzzy set) Α ορίζεται ως ένα σύνολο διατεταγμένων ζευγών (x, u A (x)) όπου x X και u A (x) [0,1]. X: universe of discourse Η τιμή u A (x) λέγεται βαθμός αληθείας (degree of truth) και συμβολίζει τον βαθμό της συγγένειας του x στο Α, δηλαδή κατά πόσο το στοιχείο x μπορεί να θεωρηθεί ότι ανήκει στο σύνολο Α. Η συνάρτηση u A ονομάζεται συνάρτηση συγγένειας (membership function). Η συνάρτηση συγγένειας προέρχεται από υποκειμενικές εκτιμήσεις, προκαθορισμένες και απλοποιημένες μορφές, συχνότητες εμφανίσεων και πιθανότητες, φυσικές μετρήσεις, διαδικασίες μάθησης και προσαρμογής. Στη κλασική θεωρία συνόλων u A (x) {0, 1} 3

Αναπαράσταση ασαφών συνόλων Αναλυτική έκφραση της συνάρτησης συγγένειας Τμηματικώς γραμμική απεικόνιση συνάρτησης συγγένειας Σύνολο ζευγών u A (x)/x ψηλός = {0/1.7, 0/1.75, 0.33/1.8, 0.66/1.85, 1/1.9, 1/1.95} 4

Ασαφείς μεταβλητές, ασαφείς αριθμοί Ασαφής μεταβλητή: η μεταβλητή της οποίας οι τιμές ορίζονται με ασαφή σύνολα π.χ. μεταβλητή ύψος με τιμές τα ασαφή σύνολα κοντός, μεσαίος, ψηλός λεκτική μεταβλητή και πρωταρχικές λεκτικές τιμές Ασαφείς αριθμοί: ασαφή υποσύνολα του συνόλου των πραγματικών αριθμών π.χ. η συνάρτηση συγγένειας του αριθμού «ασαφές 3» 7

Ασαφείς προτάσεις, ασαφείς κανόνες Μια ασαφής πρόταση θέτει τιμή σε μια ασαφή μεταβλητή «η ταχύτητα είναι μέτρια» Ένας ασαφής κανόνας είναι μια υπό συνθήκη έκφραση που συσχετίζει δύο ή περισσότερες ασαφείς προτάσεις «εάν η ταχύτητα είναι μέτρια τότε η πίεση στα φρένα πρέπει να είναι μέτρια» Ένας ασαφής κανόνας περιγράφεται αναλυτικά με μια σχέση συνεπαγωγής (implication relation) if x is A then y is B R(x, y) = φ(u A (X), u B (Y)) φ: τελεστής συνεπαγωγής 8

Αρχή της Επέκτασης Μαθηματική μέθοδος που επιτρέπει την επέκταση των εννοιών και των υπολογιστικών τεχνικών των κλασικών μαθηματικών στο πλαίσιο των ασαφών. Επιτρέπει σε υπαρκτούς αλγόριθμους που έχουν οριστεί για σαφή δεδομένα, να χρησιμοποιηθούν στην περίπτωση των ασαφών Έστω συνάρτηση f που απεικονίζει το σύνολο Χ={x 1, x 2,, x n ) στο σύνολο Υ=(y 1, y 2,, y n } έτσι ώστε y i =f(x i ). Έστω ασαφές σύνολο Α ορισμένο στα στοιχεία του Χ: Α={u A (x 1 )/x 1, u A (x 2 )/x 2,, u A (x n )/x n }. Η αρχή της επέκτασης επιτρέπει τον υπολογισμό του ασαφούς συνόλου Β που προκύπτει από την εφαρμογή της f στο A και ορίζεται ως Β=f(A)={u A (x 1 )/f(x 1 ), u A (x 2 )/f(x 2 ),, u A (x n )/f(x n )} 11

Ειδικές περιπτώσεις Σε περιπτώσεις συναρτήσεων που απεικονίζουν πολλά-προςένα, άρα περισσότερα του ενός x απεικονίζονται στο ίδιο y, η αρχή της επέκτασης ορίζει ότι ως βαθμός συγγένειας αυτού του y στο B επιλέγεται η μέγιστη τιμή συγγένειας των x. Αν για κάποιο y 0 δεν υπάρχει x 0 τέτοιο ώστε y 0 =f(x 0 ), τότε ο βαθμός συγγένειας του y 0 στο Β είναι 0. 12

Αρχή της επέκτασης - Παράδειγμα Πρόσθεση ασαφών αριθμών ασαφές 3 : {0/1, 0.5/2, 1/3, 0.5/4, 0/5} ασαφές 7 : {0/5, 0.5/6, 1/7, 0.5/8, 0/9} Κατασκευάζεται ο πίνακας Σύμφωνα με την αρχή της επέκτασης είναι 13

Αρχή της επέκτασης - Παράδειγμα Έστω z=9 Η τιμή συγγένειας του 9 στο ασαφές σύνολο C=A+B ισούται με το μέγιστο των ελαχίστων τιμών συγγένειας των κελιών που αντιστοιχούν στους δύο συνδυασμούς που δίνουν 9. u A+B (9) = max( min(u A (3),u B (6), min( u A (2),u B (7)))= max (min(1, 0.5), min(0.5, 1)) = max (0.5, 0.5) = 0.5 14

Αρχή της επέκτασης - Παράδειγμα Με παρόμοιο τρόπο προκύπτει u A+B (z) = {0.5/8, 0.5/9, 1/10, 0.5/11, 0.5/12} 15

Ασαφής Συλλογιστική Εξαγωγή συμπερασμάτων με χρήση ασαφών κανόνων. Στάδια: Υπολογισμός της συνάρτησης συνεπαγωγής για κάθε ασαφή κανόνα Παραγωγή επιμέρους αποτελεσμάτων μέσω κάποιας συλλογιστικής διαδικασίας Συνάθροιση των επιμέρους αποτελεσμάτων Αποσαφήνιση των αποτελεσμάτων 16

Ενδεικτική Βιβλιογραφία Ενότητες 14.1 και 14.2 (εισαγωγή) του βιβλίου «Τεχνητή Νοημοσύνη», Ι. Βλαχάβας, Π. Κεφαλάς, Ν. Βασιλειάδης, Φ. Κόκκορας και Η. Σακελλαρίου. 17