====== Historia spotkań ======
===== 080311 =====

===== 080401 =====
  * jak metodami uczenia maszynowego //automatycznie// budować model ARD?
  * jak uczenie maszynowe może prowadzić do rozbudowy bazy reguł?


===== 080520 =====
  * Zaimplementować uczenie maszynowe dla [[hekate:hekate_case_thermostat|Termostatu]].
    * Zastosowano algorytm ID3, lecz wtedy tworzy sie zbyt wiele gałęzi. 
    * Pójście w stronę C4.5 na początku następuje agregacja (wartości są uporządkowane) i zmiana atrybutów porządkowych na inne o mniejszej ilości możliwych wartości.















===== 080527 =====


  * Pytania:
    * Czy jako zbiór uczący może być cała dziedzina, czyli 'dni x godziny x miesiące'?
    * Czy musimy obsługiwać przekłamane przykłady uczące i braki (brak któregoś atrybutu)?

  * Testy:
    * Losowy zbiór uczący składający sie z 150 przykładów
    * Dziedzina składa się z 2016 przypadków
    * Najpierw algorytm buduje drzewo z 150 przykładów zbioru uczącego, następnie pozostałe 1866 są testowane w zbudowanym drzewie

  * Testy algorytmu ID3
    * [[ http://student.agh.edu.pl/~morcinek/AGH/MIW/No_aggregate.gif |Przykładowe drzewo]] które nie zostało w pełni wygenerowane ponieważ program graphviz nie poradził sobie. Było to związane z tym, że atrybuty początkowe zawierały zbyt wiele wartości i każda z nich była w każdym wyniku testu opierającego się o ten atrybut. Czasochłonne i pamięciochłonne było też konstruowanie i przechowywanie w pamięci takiego drzewa. Ilość liści takiego drzewa wynosi 7 (dni) x 24 (godziny) x 12 (miesięcy) = 2016.
    * Wykonano 20 testów.
    * Średnia skuteczność wynosiła 55.3%
    * Poprawnie sklasyfikowane przykłady testowe wahały się od 904 do 1111




===== 080610=====


  * Testy(przeprowadzane jak przy ID3) algorytmu ID3 uzupełnionego o występujące w C4.5 agregowanie wartości porządkowych i zmianę atrybutów na prostsze
 
  * Wyniki:
    * [[ :pl:miw:miw08_rbs_ml:tree1 |Przykładowe drzewo 1]] oraz [[:pl:miw:miw08_rbs_ml:aggregate1 |Aggregate1.txt]] odwzorowujący atrybuty początkowe na te atrybuty po agregacji
    * [[ :pl:miw:miw08_rbs_ml:tree2 |Przykładowe drzewo 2]] oraz [[:pl:miw:miw08_rbs_ml:aggregate2 |Aggregate2.txt]] odwzorowujący atrybuty początkowe na te atrybuty po agregacji
    * Wykonano 20 testów
    * Średnia skuteczność wynosiła 91.2%
    * Poprawnie sklasyfikowane przykłady testowe wahały się od 1488 do 1866
    * Wyniki uzyskane ulepszonym algorytmem ID3 są lepsze ponieważ już przed rozpoczęciem budowy drzewa zamieniamy wielowartościowe atrybuty na prostsze (mniejsza ilość wartości). Korzystam ze zbioru uczącego się zawierającego 7,4% przykładów (150 / 2016). Zwykły algorytm ID3 dobrze dopasuje każdy ze 150 przykładów, lecz zabraknie mu ogólności dla przykładów spoza tego zbioru. Agregacja pozwala nam podzielić wartości zbyt licznych atrybutów i przejść na prostsze biorąc pod uwagę przyrost informacji (entropię). Najbardziej pożądane jest tak podzielić wartości aby w danym zbiorze występowała przewaga jednych pojęć docelowych (np jednego, kilku) nad pozostałymi (najlepiej żeby ich nie było). 

    * Przerobienie całości projektu z języka **C#** na język **Java**