Reprezentowanie wiedzy

+ Reguły indukcyjne
+ Zapis i interpretacja reguł
+ Interpretacja zbioru reguł

Reguły indukcyjne

Reguła indukcyjna jest najbardziej naturalnym sposobem reprezentowania wiedzy. Poprzez regułę rozumiemy zwykłą logiczną implikację postaci: jeżeli przesłanki to konkluzja lub jeżeli warunki to decyzja, np. jeżeli Jasio z Olsztyna kupił motor i Stasio z Olsztyna kupił motor, to prawdopodobnie Kazio z Olsztyna również kupi motor.

Można wykorzystać reguły do zapisu wiedzy dotyczącej klasyfikacji, czyli indukcyjnego uczenia się pojęć. Część przesłankowa (warunkująca) opisuje wówczas warunki dotyczące atrybutów klasyfikowanego pojęcia, natomiast konkluzją (część warunkowa) będzie odpowiednia kategoria, do której dodamy klasyfikowany przykład. My natomiast skupimy się bardziej na wykorzystaniu reguł do reprezentacji wiedzy dotyczącej asocjacji, czyli uczenia się, jakie atrybuty najczęściej występują razem. Część przesłankowa opisuje tutaj warunki dotyczące wartości atrybutów sprawdzanego rekordu, natomiast wnioskiem będzie wartość atrybutu, który najprawdopodobniej wystąpi wraz z badanymi. Przy pomocy takich reguł możemy sprawdzić poprawność zbioru wartości atrybutów, uzupełnić lub przewidzieć przyszłe wartości atrybutów. Właśnie mechanizm przewidywania przyszłych wartości atrybutów zastosowałem w swojej aplikacji, która na podstawie zgromadzonej wiedzy stara się przewidzieć, które towary klient wrzuci do koszyka.


Strony: 1 2 3 4

Zobacz też inne materiały

» Eksploracja danych - data mining
» Systemy uczące się
» Problemy związane z analizą rzeczywistych danych - duże zbiory danych
» Problemy związane z analizą rzeczywistych danych - liczne atrybuty
» Problemy związane z analizą rzeczywistych danych - niekompletne dane
» Problemy związane z analizą rzeczywistych danych - niepoprawne dane
» Reguły asocjacyjne - istota asocjacji
» Reguły asocjacyjne - reprezentowanie danych i hipotez
» Generowanie reguł asocjacyjnych

Powiązane kategorie

» Eksploracja danych - data mining

Komentarze

  • Jeszcze nie ma komentarzy.

Aby dodać komentarz, zaloguj się.
Jeżeli nie masz jeszcze swojego konta, utwórz je w kilka sekund.

Eksploracja danych - data mining

Już od zarania dziejów informacja miała dla człowieka kluczowe znaczenie w walce o przetrwanie. To informacja o zbliżających się stadach dzikich zwierząt pozwalała na przygotowanie pułapek i upolowanie pożywienia. To informacja jest podstawowym czynnikiem potrzebnym do kształtowania czegoś o bardziej wysublimowanym charakterze – wiedzy.

W dzisiejszym świecie znaczenie informacji nie tylko się nie zatarło, ale się jeszcze bardziej pogłębiło. Błyskawicznie rozwijające się gałęzie nauki, jak telekomunikacja czy informatyka nie tylko ułatwiają szybki dostęp do poszukiwanej informacji, ale również pomagają na szybsze i trafniejsze podejmowanie strategicznych decyzji decyzji. Ogromne ilości informacji wcale jednak bezpośrednio nie ułatwiają podjęcia trafnej decyzji, ponieważ człowiek nie jest w stanie ich wszystkich ogarnąć i wyciągnąć sensownych konkluzji. Z pomocą przychodzi nowa dziedzina nauki: eksploracja danych.

Systemy odkrywające wiedzę w danych powstawały i wciąż powstają na całym świecie. Jako, że problem jest palący, potrzebne są wciąż szybsze i dokładniejsze algorytmy, które poradzą sobie z odnalezieniem nowego rodzaju wiedzy w coraz większych zbiorach danych. Rozwiązania, które opisałem w niniejszej pracy pojawiały się i będą pojawiały się w wielu systemach, zarówno komercyjnych, jak i amatorskich.

Łukasz Gołaszewski, ADAPTACYJNY SKLEP INTERNETOWY
» strona główna

Szukaj

Eksploracja danych - data mining - artykuły:

Pokrewne serwisy

Informatyka

Subskrypcja

Chcesz być na bieżąco? Dodaj swój adres e-mail do newslettera!

Wpisz adres E-mail: