Referat Inteligenta Artificiala Prof univ.dr. Dzitac Ioan Tema referat: Invatarea Automata Student: Baciu S. Ionut Informatica Anul:III Invatarea… [617437]

Universitatea “Aurel Vlaicu”, Arad
Facultatea de Stiinte Exacte
30 ianuarie 2017

Referat Inteligenta Artificiala
Prof univ.dr. Dzitac Ioan

Tema referat: Invatarea Automata
Student: [anonimizat]:III

Invatarea automata

1.Introducere
Invatarea automata este unul din principalele sub -domenii ale Inteligentei
Artificiale. Acesta ofera unui sistem informatics capacitatea de a invata reguli, date
si algoritmi.
Invatarea are scopul de a creste performanta sistemului ata t prin rezolvarea de
probleme repetitive , dar in special, prin rezolvarea de probleme noi, desi, acest
proces nu are la baza un set mare de cunostinte datorita costurilor ridicate a unei
baze mari de informatii. Asadar se creeaza un algoritm ce reprezinta o generalizare
a unei metode de rezolvare a unei probleme, dar si pentru verificarea generalizarii
facute sau a regulilor pentru a vedea daca se aproprie de solutia ideala.

2.Caracteristici
Pentru creearea unei metode de invatare trebuie sa specificam datele necesare,
scopul acesteia, operatiile aplicate metodei si spatiu general.
Trebuie sa stim ce vrem sa obtinem din metoda respectiva avand o baza de
cunostine necesara. Datele in urma car ora se formeaza metoda de invatare sunt
exemple negative, dar si pozitive ce trebuie sa aiba o acuratete si calitate ridicata
prin preluarea acestora din surse sigure sau cu o incredere cat mai mare.
Datele de la care pleaca algoritmul de invatare sunt def inite prin expresii sau
obiecte cu proprietati numarabile.
Exemplu:

pret(obj1, redus) ^ tip(obj1, clasa mica) ^ motorizare(obj1, benzina)
pret(obj2, mediu) ^tip(obj2, clasa medie)^motorizare(obj2, electrica).
Astfel se poate crea un concept general pe baza datelor de mai sus:
Pret(x,y) ^ tip(x,y) ^ motorizare(x,y).
Asupra acestor date are loc operatii de modificare, de adaugare sau de cautare in
spatiul problemei.
Exemple:
-inlocuirea unei constante cu variabila:
Tip(obj1, clasa mica)
Se generalizeaza:
Tip(x , clasa mica) ^ tip(x, y)
-stergerea de conditii:
Pret(obj1,redus) ^ tip(obj1, clasa mica) ^ motorizare(obj1, benzina)
Se generalizeaza:
Tip(obj1, clasa mica) ^ motorizare(obj1, benzina)
-introducerea unei disjunctii:
Pret(obj1, pret redus) ^ tip(obj1, clasa mica) ^ motorizare(obj1, benzina)
Se generalizeaza:
Pret(obj1, pret redus) ^ tip(obj1, clasa mica) ^ motorizare(obj1, benzina) ^ tip(obj1,
mediu)
-schimbarea unei caracteristici cu una generala:

Tip(obj1, clasa mica)
Se generalizeaza
Tip(obj1, clasa_principala)
Cu cat utilizam mai multe operatii, cu atat numarul solutiilor posibile se reduce .
Aceasta etapa este una foarte importanta in definirea sistemului de invatare
automata. Spatiul problemei este redat de toate aceste operatiuni, precum si d e
limbajul de prezentare.
Invatarea supervizata
Invatarea supervizata este un tip de invatare inductiva are la baza un sablon ce
permit rezolvarea altor instante. :
I1: (tip(obj1, clasa mica) ^ motorizare(obj1, benzina), f(obj1) = „masina_oras”)
I2:(pret(obj2, pret mare) ^ motorizare(obj2, electrica), f(obj2) = „masina_eco”)
Arborele de decizie
Arborii de decizie este foarte utilizat in invatarea automata, avand scopul de a
verifica diferite proprietati pentru „ a naviga prin arbore si a aj unge la o frunza care
va fi eticheta acelei instante”. Un nod reprezinta un test asupra caracteristicilor, iar
ramurile sunt considera a fi una din solutiile testului.
Suprapunerea seturilor reprezinta una din problemele ce pot aparea in timpul
utilizarii unui arbore de decizie. Acesta presupune gasirea de caracteristici
nerelevante, dar considerate esentiale, existand un numar mare de caracteristici, dar
unul redus de exemple. Solutia o reprezinta adaugarea unei valori implicite acelei
caracteristic i cu relevanta ridicata, iar prin gasirea unei cai directe catre solutie,
sunt eliminate caracteristicile irelevante, dar care algoritmul le poate gasi relevante.

Aceasta este si solutia la o alta problema in care s -ar putea adauga un nou nod, desi
acesta ar putea reduce precizia in arborele respectiv. Mai exista o alta solutie
denumita validarea incrucisata ce presupune testarea submultimilor de instante
pentru a determina daca sunt corect clasificate utilizand testul respectiv. Apoi se
realizeaza o medie a rezultatelor, fiind folosita ulterior la urmatoarele teste.
Existenta unui set complet de caracteristici pentru instantele probleme
reprezinta o alta problema. In cazul in care setul de caracteristici este incomplet,
cea mai simpla solutie este sa dam acelei proprietati valoarea cea mai utilizata.

Inducerea s abloanelor logice
Metoda sablonului prezent optim si metoda angajamentului minim sunt modurile
prin care are loc cautarea instantelor clasificate incorect si corectarea sablonului.
Prin metoda sablonului prezent, in cazul gasirii unei instante incorect cla sificate,
atunci aceasta metoda modifica sablonul prin specializarea sablonului renuntandu –
se la disjunctii sau adaugand noi termeni. O alta caracteristica a acestei metode
este generalizarea sablonului adaugandu -se disjunctii sau stergand termeni daca
instanta este fals negativa. O ultima caracteristica este intoarcerea la optimul
anterior daca nu se gaseste un sablon valid. Faptul ca trebuie realizate teste la
fiecare modificare a sablonului reprezinta principalul dezavantaj al acestei metode.
Prin metod a angajamentului minim are loc eleminarea din spatiul versiunilor
sabloane inconsistente si retinerea sabloanelor consistente, utilizandu -se
„algoritmul de invatare prin eliminarea candidatilor”(Mitchell, 1982).
Forma acestui algoritm este:
„1, Initialize aza G cu cel mai general concept din spatiu

Initializeaza S cu prima instanta pozitiva din intrare
2.Pentru fiecare insanta pozitiva p
begin
3.Sterge toate instantele din G care nu se potrivesc cu p
4.Pentru fiecare s S, daca s nu se potriveste cu p, inlocuieste s cu cea mai specifica
generalizare care se potriveste cu p.
5.Sterge din S toate instantele mai generale decat alta din S
6.Sterge din S toate instantele mai putin specifice decat alta din G
end;
7.Pentru fiecare instanta negativa n
Begin
8.Sterge toate instantele din S care se potrivesc cu n
9.Pentru fiecare g G care se potriveste cu n, inlocuieste g cu cea mai generala
specializare care nu se potriveste cu n
10. Sterge din G toate instantele mai specifice decat alta din G
11.Sterge din G toate instantele mai specifice decat alta din S
end;
12.Daca G=S si ambele contin o singura instanta, atunci acea instanta este
conceptul cautat
13.Daca G si S sunt vide, atunci nu exista un concept care sa acopere toate
instantele pozitive si niciuna din cele negative

end
Retele neuronale
O retea neuronala este alcatuita din mai multe noduri si legaturi intre acestea. Atat
intrarile cat si iesirile pot fi realizate din interior, dar si din exterior. Insa exista un
cost pentru fiecare actiune, influentand semnalul transmis prin aceasta.
Primul tip de retea neuronala este reteaua cu flux unidirectional prin care neuronii
organizati in straturi ce transmit semnalul mai departe, adica preia de la straturile
de dinainte si sunt trasnsmise mai depar te la urmatoarele straturi din respectiva
structura de retea.
Al doilea tip de retea este cea recurenta, divizata la randul ei in retele Hopfield ce
au conectori in ambele sensuri si masini Boltzmann cu conectori unidirectionali.
Retelele recurente ofera o complexitate mai mare a problemelor, dar, totodata si
analiza si evaluarea retelei se face mai greu.
Stabilirea topologiei retelei este principala problema in folosirea retelelor
nueronale, dar ea se poate rezolva fie prin a incepe de la o retea minima de zvoltata,
urmand sa se introduca ulterior noduri si legaturi, fie prin folosirea la inceput a
unei retele complexe peste care se aplica metode in vederea elminarii anumitor
legaturi care nu influnteaza eficienta si eficacitatea retelei.

Invatarea prin inc urajare
Acest sistem de invatare se deosebeste de cel anterior prin faptul ca are loc o
comparatie intre sablonul obtinut si rezultatele obtinute. Invatarea prin incurajare
este mai dificila decat cea supervizata deoarece acest tip de invatare stie doar da ca
se departeaza sau se apropie de rezultatul optim., neprimind informatii directe.

Concluzii &Rezumat
Modelul rational al lumii fizice, existente a pus bazele invatarii automate. De -a
lungul anilor ea a devenit din ce in ce mai complexa, oferind posibilitatea
rezolvarii problemelor din ce in ce mai dificile. In acelasi timp, dorindu -se a fi cat
mai aproape de inteligenta biologica prin a fi „inteleasa” de inteligenta artificiala.
Asa au aparut retelele neuronale, algoritmii genetic si chiar a rationamentelor
empirice foarte apropiate de ce ale oamenilor.
Invatarea automata reprezinta baza sistemelor din ce in ce mai complexe de
inteligenta artificiala.
Deoarece in prezent se doreste crearea de sisteme informatice cat mai independente
dar si adaptabile face ca in vatarea automata sa ramana unul dintre cele mai
interesante domenii de cercetare in inteligenta artificiala.
BIBILOGRAFIE
… – Legături utile: http://www.aaai.org/AITopics/html/machine.html
…- Cursuri disponibile on -line:
http://www.cs.iastate.edu/~honavar/Courses/cs673/machine -learningcourses.
html
– European Conference on Machine Learning: http://www.ecmlpkdd2007.org/
– Knowledge Discovery and Data: http://www.acm.org/sigs/sigkdd/kdd/2007/
– Association for the Advance ment of Artificial Intelligence's national
Conferene on Artificial Intelligence:
http://www.aaai.org/Conferences/AAAI/aaai07.php

Alpaydin E. – Introduction To Machine Learning , MIT Press, 2004
DeJong G, Mooney R. – Explanation -based learning. An alternative view,
Machine Learning, 1986
Fisher J. – Concept Formation: Knowledge and Experience in Unsupervised
Learning, Lawrence Erlbaum, 1991
Jebara T. – Machine Learning: discriminative and generative , Springer, 2004
Mitchell T.M. – Machine Learning, McGraw -Hill, 1997
Quinlan, J.R. – Learning Efficient Classification Procedures And Their
Application To Chess End Games ., Michalski, Ryszard S., J. G. Carbonell . T.
M. Mitchell, : Machine Learning – An Artifical Intelligence Approach, . 463 -482.
Tioga Pub lishing Company., 1983
Quinlan J.R. – Induction of Decision Trees, Machine Learning, 1986
Quinlan J.R. – Programs for Machine Learning, Morgan Kaufmann, 1993
Shannon C.E. – A Mathematical Theory of Communication , Bell System
Technical Journal, Vol. 27, pp. 379–423, 623 –656, 1948
Shavlik J., Mooney R.J., Towell G.G. – Machine Learning, Morgan Kaufmann,
1991
Utgoff P. – ID5: An incremental ID3 . In Proceedings of the Fifth International
Conference on Machine Learning, pages 107 -120, Ann Arbor, MI, Morgan
Kaufm ann, 1988

Valiant, L. G. – A theory of the learnable . Communications of the ACM 1984
pp1134 -1142, 1984
Weiss S.M., Kuliowski G – Computational systems that learn: classification
and prediction methods from statistics, neural nets, machine learning and
expert systems, Morgan Kaufmann, 1993
Mill, J. S. – Collected Works , Toronto: University of Toronto Press, 1963 -89),
XIII, 566., 1843