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 algorytmu ID3
  • 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.

• Projekt pisany jest w języku C#.

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

• Aktualna implementacja w języku C#
• http://packages.debian.org/etch/mono

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 Zawiera dużo ciekawych linków, informacji na temat lokalnych metod uczenia się, algorytmów ML

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