Самообучающиеся системы

Самообучающаяся система – это интеллектуально-информационная система, которая на основе примеров реальной практики автоматически формируют единицу знаний. В основе самообучающихся систем лежат методы автоматической классификации примеров ситуаций реальной практики (обучение на примерах). Примеры реальных ситуаций накапливаются за некоторый исторический период и составляют обучающую выборку. Эти примеры описываются множеством признаков классификации. Обучающая выборка Мб 2 варианта:

1. С учителей – предполагает задание специалистам для каждого примера значения признаков, показывающих его принадлежность к определённому классу ситуаций.

2. Без учителя – системы должна самостоятельно выделять классы ситуаций, по степени близости значений классифицирующих признак.

В результате обучения системы автоматически строится обобщённое правило или функция определяющее принадлежность ситуаций к классам, которыми обученная система пользуется при интерпретации новых возникающих ситуаций. Т.обр. автоматически формируется база знаний используемая при решении задач классификации и прогнозирования. Эта база знаний периодически автоматически корректируется по мере накопления опыта что позволяет сократить затраты на её создание и обновление.

Самообучающиеся системы имеют следующие недостатки:

1. Относительно низкую адекватность баз знаний, возникающие в реальных проблемах из-за неполноты или зашумлённой обучающей выборки.

2. Низкую степень объяснимости полученных результатов.

3. Поверхностное описание предметной области и узкую направленность применения из-за ограничения размерности признакового пространства.

Индуктивные системы.

Они используют индуктивный вывод. Индуктивные системы позволяют обобщать примеры, на основе принципа индукции, от частного к общему. Процедура обобщения сводится к классификации примеров по значимым признакам. Алгоритм классификации примеров включает следующие шаги:

1. Выбор классификационного признака из множества заданных.

2. Разбиение множества примеров на подмножества, по значению выбранного признака.

3. Проверка принадлежности каждого подмножества примеров к одному из классов.

4. Проверка окончания процесса классификации.

5. Для подмножества примеров с не совпадающими значениями классификационных признаков, процесс распознавания продолжается начиная с 1го шага, при этом каждое подмножество примеров становится классифицируемым множеством.

В ИС использующих индукционный вывод работает механизм позволяющий при формировании гипотезы приписывать ей оценку правдоподобно. Индукционный вывод является средством получения новых знаний.

Примеры:

1^st Class

Rulemaster

ИЛИС

КАД

Система основанная на прецедентах.

В этих системах база знаний содержат описание конкретных ситуаций.

Прецедент – описание проблемы или ситуаций в совокупности с подробным указанием действий предпринимаемых в данных ситуаций, или для решений данной проблемы. Поиск решений осуществляется на основе аналогий.

Аналогии – метод выводов, при которых обнаруживается подобие между несколькими заданными объектами, благодаря переносу знаний справедливых для одних объектов, на основе этого подобия на совсем другие объекты, либо определяется способ решения задач, либо предсказываются неизвестные факты знаний.

Поиск включает следующие факты:

1. Получение информации о текущей проблеме.

2. Сопоставление полученной информации со значении признаков прецедентов из базы знаний.

3. Выбор прецедента из базы знаний наиболее близкого из рассматриваемой проблемы. (наиболее популярным является метод ближайшего соседа). В его основе лежит тот или иной признак степени прецедента и текущего случая по каждому признаку. В общем случае всегда вводится метрика на пространстве всех признаков и в этом пространстве определяется точка соответствия текущему случаю и в рамках этой метрики находится ближайшая к ней точка, из точек представляющих прецеденты.

Основные Метрики:

1. Евклидовое расстояние,

2. Манхэттенская метрика,

3. мера сходства Хэмминга,

4. мера сходства Роджерса-Таниното, расстояние Махолобиса,

5. расстояние Журавлёва.

4. Адаптация выбора к текущей проблеме.

5. Проверка корректности каждого полученного решения

6. Занесение детальной информации о полученном решении в базе знаний.

Строятся индексы быстрого поиска. Эффективность способа прецедентного текущего случая во многом зависит от того по каким признакам организован индекс в базе прецедентов. В системах основанных на прецедентах в отличие от индуктивных систем допускается не чёткий поиск с получением множества допустимых альтернатив. Каждый из которых оценивается некоторым коэффициентом уверенности. Наиболее эффективное решение адаптироваться к реальным ситуациям с помощью специальных алгоритмов.CHEF, PROTOS, MEDIATOR.

PROTOS была разработана для диагностирования нарушений слуха

MEDIATOR для разрешения спорных ситуаций в суде.

CHEF – кулинарных рецептов