Введение в когнитивный анализ данных Лекция 2.1 д.т.н. Загоруйко Николай Григорьевич

. В разработке описываемых методов кроме авторов курса активное участие принимали: Кутненко О.A., Дюбанов В.В., Леванов Д.А., Татарников В.B. Aвторы выражают им глубокую благодарность. Загоруйко Н.Г., Борисова И.А 2

Цель Слушатели данного курса узнают еще одну точку зрения на то, как человек получает и накапливает данные наблюдений, как он их систематизирует, как от данных переходит к знаниям и как использует знания для предсказания будущих событий. 3

Отличительные особенности Лекции рассчитаны на широкий круг слушателей, которые изучают, разрабатывают или используют алгоритмы анализа данных. Классические методы прикладной статистики и анализа данных рассматриваться не будут. На эту тему имеется много хороших учебников и монографий. Изучение анализа данных можно начать с прослушивания лекций Воронцова К.В. Мы будем рассматривать направление в анализе данных, использующее функцию конкурентного сходства (FRiS-функцию). Построенные на этой основе алгоритмы могут служить дополнением к алгоритмам, представленным в литературе и в таких системах, как MATLAB, Statistica, RapidMiner и других. 4

Экскурс в историю Коротко об истории Искусственного интеллекта. Широкие исследования этой проблемы начались в 60-х годах прошлого века. В 1969 году в Вашингтоне проходила Первая Объединенная Международная Конференция по Искусственному Интеллекту (IJCAI). Главный вопрос, который обсуждался на этой конференции, - что такое Искусственный интеллект? Какую систему можно называть интеллектуальной? Для оценки интеллекта предлагали использовать тест Тьюринга: эксперт задает вопросы двум системам, одна из которых есть человек, а вторая - машина. Если, эксперт за заданное время не сможет угадать, какая система человек, а какая машина, то считается, что эта машина обладает интеллектом. 5

Определение Д. Мики Более конструктивным можно считать определение ИИ, данное Д. Мики. Он считает, что интеллектуальная система должна: - строить модель проблемной ситуации; - создавать план действий с использованием этой модели; - уметь изменять план, если встречаются новые ситуации; - использовать опыт удач и неудач для улучшения модели. 6

Декатлон В 1972 году на Международном семинаре в Шотландии по робототехнике был разработан перечень из 10 задач, решение которых позволяло бы называть систему интеллектуальной. Шахматные программы; Машинное творчество в области музыки, живописи и поэзии; Машины, выдерживающие тест Тьюринга; Машинное доказательство теорем; Программа индуктивного вывода; Автоматическое реферирование; Автоматический перевод; Распознавание и синтез речи; Автоматическое вождение автомобилей; Роботы сборщики машин, роботы планетоходы. 7

Определение Интеллект – способность делать правильные предсказания Разум: Мудрость цель задача Интеллект план алгоритм Воля дело программа 8

Процесс познания 9 * * * * * * * * * * h0 h1=h0 Протокол X Y X Y

Процесс познания 10 * * * * * * * * * * h0 h1>h0 Протокол 1 X Y X Y * * * h2>h1 Y X Протокол 2 H max Y Y=f(X)

Эмпирическая гипотеза Эмпирическая гипотеза h - утверждение, которое говорит о том, что мы изучаем (W), чем измеряем свойства (О), как записываются результаты (V) и какие результаты, как нам кажется, не встретятся в будущих протоколах (Т): h=

Фальсификация гипотез Гипотезу нельзя доказать, но можно опровергнуть. Что делать, если эксперимент опровергает гипотезу? Во-первых нужно убедиться, что в ходе эксперимента не было ошибок. Если их не было, то приходится согласиться с тем, что гипотеза не верна, и нужно формулировать другую гипотезу, которая включала бы в число допустимых протоколов и тот протокол, который опроверг прежнюю гипотезу. 12

Характеристики гипотез Потенциальная опровержимость Q Степень подверженности (Р). Степень объясненности (R). Форма, в которой представлена гипотеза: -простота (S). изящество или красота формулировки (B). Т.е. мы имеем дело всегда с объектом Z =. Этот объект Z, т.е. гипотезу с ее характеристиками, мы и называем эмпирической закономерностью. 13

Схема усиления гипотез 14