Krzysztof Morcinek, krzysztof.morcinek@gmail.com

Uczenie maszynowe w RBS, jako metoda rozbudowy/rozszerzania istniejącego systemu o nowe reguły, modyfikacja reguł, przykłady.

• jak metodami uczenia maszynowego automatycznie budować model ARD?
• jak uczenie maszynowe może prowadzić do rozbudowy bazy reguł?

• Zaimplementować uczenie maszynowe dla 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.

• 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: (NUnitTests - plik z testem)
  • Losowy zbiór uczący składający sie z 126 przykładów
  • Dziedzina składa się z 2016 przypadków
  • Najpierw algorytm buduje drzewo z 126 przykładów zbioru uczącego, następnie pozostałe 1890 są testowane w zbudowanym drzewie

• Wyniki:
  • Wykonano 23 testy
  • Średnia skuteczność wynosiła 83.3%
  • Poprawnie sklasyfikowane przykłady testowe wahały się od 1428 do 1771

• Projekt pisany jest w języku C#.

• Używane pliki:
  • DecisionTree.cs
  • Class1.cs
  • Enums.cs

• Aktualna implementacja w języku C#

Wiele linków o ML z Politechniki Poznańskiej

SWI/IFIP Machine Learning Education Strona zawiera niemalże wszystkie rodzaje materiałów edukacyjnych na temat ML. Przeznaczona jest jednocześnie dla fachowców, studentów jak i dla laików. Wiele linków i dostęp do danych testowych ML

Wodzislaw Duch Home page Kolejna polska strona Włodzisława Ducha. Zawiera dużo ciekawych linków, informacji na temat lokalnych metod uczenia się, algorytmów ML, a także szerszych niz komputeryzacja

Książka Systemy uczące sie. Cichosz P., WNT, Warszawa, 2000, zwłaszcza cały rozdział 3. Indukcja drzew decyzyjnych. oraz 7. Przekształcanie atrybutów.

ID3_algorithm C4.5_algorithm Decision_tree Drzewo decyzyjne na Wikipedii