• Nie Znaleziono Wyników

Spis tre´sci

N/A
N/A
Protected

Academic year: 2021

Share "Spis tre´sci"

Copied!
2
0
0

Pełen tekst

(1)

Spis tre´sci

Streszczenie... 7

1. Wst˛ep... 11

2. Uczenie w systemach agentowych... 17

2.1. Agent i system agentowy ... 17

2.2. Metody uczenia maszynowego ... 19

2.3. Uczenie ze wzmocnieniem ... 20

2.4. Uczenie si˛e poj˛e´c ... 22

2.5. Inferencyjna teoria uczenia si˛e i logika wiarygodnego rozumowania .... 24

2.6. Konwersja wiedzy... 27

2.7. Podsumowanie ... 28

3. Uczenie si˛e poj˛e´c jako metoda samouczenia si˛e agentów ... 31

3.1. Architektura ... 31

3.1.1. Uczenie z nadzorem ... 32

3.1.2. Uczenie ze wzmocnieniem... 35

3.1.3. Uczenie bez nadzoru ... 36

3.1.4. Wymiana wiedzy... 36

3.2. Opó´znione efekty akcji w uczeniu pod nadzorem ... 36

3.3. Ł ˛ aczenie uczenia si˛e poj˛e´c z uczeniem ze wzmocnieniem... 39

3.4. Podsumowanie ... 40

4. Integracja uczenia si˛e poj˛e´c i wnioskowania ... 41

4.1. Adaptacja LPR do automatycznego wnioskowania... 41

4.1.1. J˛ezyk... 42

4.1.2. Reguły dowodzenia ... 47

4.1.3. Siła wyrazu j˛ezyka ... 52

4.2. Rozszerzenie LPR o mechanizm uczenia si˛e poj˛e´c ... 57

5

(2)

4.2.1. Zło˙zone reguły wnioskowania ... 58

4.2.2. Algorytm dowodzenia ... 58

4.3. Podsumowanie ... 63

5. Konwersja i wizualizacja wiedzy ... 65

5.1. Konwersja modelu Naïve Bayes do reguł... 65

5.2. Konwersja sieci Bayesa do reguł ... 67

5.2.1. Etykiety ... 67

5.2.2. Przycinanie... 69

5.2.3. Reguły domy´slne... 70

5.2.4. Algorytm B2R konwertuj ˛ acy sieci Bayesa do reguł ... 70

5.2.5. Stosowanie wygenerowanych reguł ... 71

5.3. Wizualizacja wiedzy regułowej ... 72

5.4. Podsumowanie ... 76

6. Eksperymentalna weryfikacja opracowanych rozwi ˛ aza ´n ... 77

6.1. Uczenie si˛e poj˛e´c ... 77

6.1.1. Gra Fish-Banks ... 78

6.1.2. ´Srodowisko Predator-Prey... 89

6.1.3. Systemy transportowe ... 93

6.1.4. ´Srodowisko Farmer-Pest ... 102

6.1.5. Adaptacja systemów opartych na serwisach ... 115

6.1.6. Wnioski ... 121

6.2. Integracja uczenia maszynowego i wnioskowania ... 121

6.2.1. Wiedza o krajach... 122

6.2.2. Agent rekomenduj ˛ acy ... 126

6.2.3. Wnioski ... 128

6.3. Konwersja modeli probabilistycznych do reguł... 129

6.3.1. Konwersja modeli Naïve Bayes do reguł ... 129

6.3.2. Konwersja sieci Bayesa do reguł ... 134

6.3.3. Wnioski ... 139

6.4. Wizualizacja wiedzy regułowej ... 140

6.5. Podsumowanie ... 146

7. Zako ´nczenie ... 147

Bibliografia ... 151

Cytaty

Powiązane dokumenty

Obliczy´c moment p¸edu cz¸astki wzgl¸edem punktu odleg lego o d od prostej, po kt´orej porusza si¸e cz¸astka.. Znajd´z moment p¸edu cz¸astki wzgl¸edem punktu O po up lywie

Kombinacj¸e (wariacj¸e) z powt´orzeniami mo˙zna uwa˙za´c za wynik losowania ze zwracaniem k element´ow ze zbioru [n] przy czym w przypadku wariacji istotna jest kolejno´s´c w

(najcz¸e´sciej dobieramy

Kt´orych koleg´ow powinny zaprosi˙c aby w wybranym zbiorze ka˙zda z nich znalaz la dok ladnie jed- nego koleg¸e, kt´ory jej si¸e podoba oraz koszt poniesiony na nakarmienie

5. Przy masowych prze´swietleniach ma loobrazkowych prawdopodobie´nstwo trafienia na cz lowieka chorego na gru´zlic¸e wynosi 0.01. Niech X oznacz liczb¸e chorych na

Rachunek prawdopodobieństwa bada zjawiska i doświadczenia (eksperymenty) losowe, to znaczy takie, których skutku(wyniku) nie można przewidzieć w ramach posiadanej wiedzy.Liczba

• Test wielokrotnego wyboru (mo˙ze by´c wi ˛ecej ni˙z jedna poprawna odpowied´z; wszystkie odpowiedzi mog ˛ a by´c fałszywe).. • Link do karty odpowiedzi znajduje si ˛e

Wysoko´s´c poprowadzona w trójk ˛ acie mo˙ze pada´c na bok, wierzchołek lub przedłu˙zenie boku przeciwległego wierzchołkowi, z którego jest wyprowadzona. Je˙zeli na ka˙zdym