1 / 15

Inteligenta Artificiala

Inteligenta Artificiala. Universitatea Politehnica Bucuresti Anul universitar 2005-2006 Adina Magda Florea http://www.cs.pub.ro/ia_06. Curs nr. 12. Invatare bazata pe explicatii Invatarea prin generalizare explicata Invatarea utilizand macro-operatorii. 2. Invatarea bazata pe explicatii.

salim
Download Presentation

Inteligenta Artificiala

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Inteligenta Artificiala Universitatea Politehnica BucurestiAnul universitar 2005-2006 Adina Magda Florea http://www.cs.pub.ro/ia_06

  2. Curs nr. 12 Invatare bazata pe explicatii • Invatarea prin generalizare explicata • Invatarea utilizand macro-operatorii 2

  3. Invatarea bazata pe explicatii Sistemul invata un concept sau o regula pornind de la un singur exemplu de invatare – sintetic /analitic Analiza motivelor – explicatie Generalizarea unui exemplu Reguli operationale 2 etape: • Explicatie • Analiza exemplu 3

  4. 1 Generalizare bazata pe explicatii • EBG • Explicatie = demonstratiile scopului de rezolvat Problema EBG • Conceptul scop • Exemplul de invatare • Teoria domeniului • Criteriul de operationalitate Cum le reprezentam 4

  5. Generalizare bazata pe explicatii Sistemul trebuie sa reformuleze conceptul scop in termenii unei noi descrieri care satisface conditiile: • Este o generalizare a ex de invatare • Este o conditie suficienta pt caracterizarea conceptului scop • Satisface criteriul de operationalitate Metoad EGB • Explicare • Generalizare 5

  6. Concept scop: sigurpeste(x,y) Exemplul de invatare: sigurpeste(cub1,masa1) peste(cub1,masa1) vol(cub1,10) isa(cub1,cub) isa(masa1,masa) culoare(cub1,rosie) culoare(masa1, alba) dens(cub1,10) Teoria domeniului maiusor(x,y)  sigurpeste(x,y) gr(x,w1)  gr(y,w2)  maimic(w1,w2)  maiusor(x,y) isa(x,masa)  gr(x,500) vol(x,v)  dens(x,d)  inm(v,d,y)  gr(x,y) Criteriul de operationalitate Predicate specifice domeniului vol(x,y), dens(x,y) culoare(x,y), isa(x,y) Predicate generale inm(x,y,z), maimic(x,y) 6

  7. Exemplul de invatare: sigurpeste(cub1,masa1) • peste(cub1,masa1) • vol(cub1,10) • isa(cub1,cub) • isa(masa1,masa) • culoare(cub1,rosie) • culoare(masa1, alba) • dens(cub1,10) • Teoria domeniului • maiusor(x,y)  sigurpeste(x,y) • gr(x,w1)  gr(y,w2)  maimic(w1,w2)  maiusor(x,y) • isa(x,masa)  gr(x,500) • vol(x,v)  dens(x,d)  inm(v,d,y)  gr(x,y) 7

  8. 8

  9. Exemplul de invatare peste(cub1,masa1). volum(cub1,10). isa(cub1,cub). isa(masa1,masa). culoare(cub1,rosie). culoare(masa1,alba). dens(cub1,10). Teoria domeniului sigurpeste(X,Y):-maiusor(X,Y). maiusor(X,Y):-gr(X,W1),gr(Y,W2),maimic(W1,W2). gr(X,500):-isa(X,masa). gr(X,Y):-volum(X,V),dens(X,D),inm(V,D,Y). maimic(X,Y):-X<Y. inm(X,Y,Z):-Z is X*Y. Criteriul de operationalitate operational(Scop):-member(Scop,[inm(_,_,_),maimic(_,_),peste(_,_), volum(_,_),isa(_,_),culoare(_,_),dens(_,_)]). 9

  10. gbe (Frunza, FrGen, FrGen) :- operational (Frunza), !, call (Frunza). gbe ((Scop1, Scop2), (Scop1Gen, Scop2Gen), (Frunze1, Frunze2)) :- gbe (Scop1, Scop1Gen, Frunze1), gbe (Scop2, Scop2Gen, Frunze2). gbe (Scop, ScopGen, Frunze) :- clause (ScopGen, ClauzaGen), duplicate_term ((ScopGen :- ClauzaGen), (Scop :- Clauza)), gbe (Clauza, ClauzaGen, Frunze). ?- gbe(sigurpeste(cub1,masa1),sigurpeste(X,Y),Ref). X = _G476 Y = _G477 Ref = (volum(_G476, _G651), dens(_G476, _G654), inm(_G651, _G654, _G599)), isa(_G477, masa), maimic(_G599, 500)) 10

  11. 2 Invatarea macro-operatorilor • Sistemul de planificare automata STRIPS • macro-operator LA: ARMEMPTY LP LE LA 11

  12. Macro1 LP LE LA LP LE LA Macro2 LP LE LA

  13. Tabela triunghiulara - Algoritm 1 Numeroteaza liniile tabelei de la 1 la N+1 si coloanele de la 0 la N 2 pentru i=1,N executa TAVB[i,i]=P[i] 3 pentru i=1,N executa TAB[i,0]=toate faptele din Si care sunt adevarate inainte de aplicarea P[i] 4 TAB[N+1,0]=faptele din Si adevrate in Sf 5 pentru i=1,N executa pentru j=i+1 la N executa TAB[j,i]=faptele adaugate de P[i] adevarate inainte de aplicare P[j] 6 pentru i=1,N executa TAB[N+1,i]=faptele adaugate de P[i] care raman adevarate in Sf 7 pentru i=1,N executa marcheaza cu * fiecare fapt din TAB[i,_] care a fost utilizat in demonstrarea preconditiilor P[i] sfarsit 13

  14. 1. 2. ARMEMPTY 14

  15. 1. 2. • Algoritm: Generalizarea planului în sistemul STRIPS • 1. Generalizeaza tabela triunghiulara • 1.1. Înlocuieste fiecare constanta distincta din coloana 0 a tabelei TABT • cu o variabila distincta • 1.2. pentru i=1 la N executa • - Înlocuieste fiecare formula din coloana i a tabelei TABT cu • formula (neinstantiata) corespunzatoare din lista adaugarilor • operatorului i • 1.3. Redenumeste variabilele astfel încat formulele obtinute prin • aplicarea operatorilor distincti sa conþina variabile cu nume diferite • Executa din nou validarea preconditiilor utilizînd demonstratii similare cu cele • ale planului original • 2.1. Fiecare noua validare a unei precondiþii se va face pe baza formulelor • generalizate marcate cu * • 2.2. Fiecare noua demonstraþie considera aceleasi perechi de formule • în rezolutie si aceleasi perechi de literali în unificare • 2.3. Substitutiile generate în timpul unificarii sînt aplicate întregii tabele • sfîrsit. 15

More Related