Artificial Intelligence
Minggu 7
Sesi 11
Knowledge in Learning
LO4: Terapkan berbagai teknik ke agen saat bertindak di bawah kepastian dan
bagaimana mengolah bahasa alami dan tanda perseptual lainnya agar agen
bisa berinteraksi secara cerdas dengan dunia.
Contoh dalam Xi
Contoh Pertama :
Alternate (X1) Bar(X1) Fri/Sat(X1) Hungry(X1) …
Dan klasifikasinya
WillWait(X1)
Ingin menemukan hipotesis yang konsisten dengan contoh pelatihan.
o False negative :hipotesis mengatakan itu harus negatif tapi positif.
o False positive :hipotesis mengatakan itu harus positif tapi negatif.
Komitmen setidaknya:
Alih-alih menyimpan satu hipotesis dan menggunakan pengulangan, simpan
semua hipotesis konsisten (dan hanya itu).
Kami melanjutkan operasi ini untuk setiap contoh baru sampai satu dari
tiga hal terjadi:
1) Kami memiliki satu hipotesis yang tersisa di ruang versi, dalam hal
ini kami mengembalikannya sebagai hipotesis unik.
2) Ruang versi jatuh - baik S atau G menjadi kosong, menunjukkan
bahwa tidak ada hipotesis yang konsisten untuk rangkaian pelatihan.
Ini adalah kasus yang sama dengan kegagalan versi sederhana dari
algoritma decision tree.
3) Tidak ada lagi contoh dan memiliki beberapa hipotesis yang tersisa
di ruang versi. Ini berarti ruang versi mewakili disjungsi hipotesis.
Untuk contoh baru, jika semua disjuncts setuju, maka kita dapat
mengembalikan klasifikasi contohnya. Jika mereka tidak setuju, satu
kemungkinan adalah mengambil suara terbanyak.
Kami meninggalkan sebagai latihan penerapan algoritma VERSION-
SPACE-LEARNING pada data restoran.
1) Jika domain berisi atribut noise atau tidak cukup untuk klasifikasi
yang tepat, ruang versi akan selalu runtuh.
b) Langkah 2
c) Langkah 3
a) Langkah 1
b) Langkah 2
d) Langkah 4.
Langka penyelesaian
1) Inisialisasi G untuk mengandung satu elemen: deskripsi null
(semua fitur adalah variabel).
2) Inisialisasi S mengandung satu elemen: contoh positif pertama.
3) Menerima contoh pelatihan baru.
o Jika itu adalah contoh positif, pertama keluarkan dari G dari
semua deskripsi yang tidak mencakup contoh. Kemudian,
perbarui S set agar berisi kumpulan deskripsi paling spesifik
di ruang versi yang mencakup contoh dan elemen arus dari
S set. Artinya, generalisasikan elemen S sesedikit mungkin
sehingga mencakup contoh pelatihan baru.
o Jika itu adalah contoh negatif, pertama hapus dari S
deskripsi yang mencakup contoh. Kemudian, perbarui G set
agar berisi deskripsi paling umum di ruang versi yang tidak
mencakup contoh. Artinya, urutkan unsur G sesedikit
mungkin sehingga contoh negatifnya tidak lagi ditutupi oleh
unsur G.
o Jika S dan G keduanya set tunggal, maka jika keduanya
identik, keluarkan nilainya dan hentikan. Jika mereka
berdua tunggal set tetapi mereka berbeda, maka kasus
o Diagram
Step 1
Step 2
Step 3
Contoh :
Contoh Konsep Positif dan Negatif “Japanese economy car”
o G = {(x1,x2,x3,x4,x5)}
o S = {(Japan, Honda, Blue, 1980, Economy)}
o G = {(x1, Honda,x3,x4,x5),(x1,x2,Blue,x4,x5),
(x1,x2,x3,1980,x5),(x1,x2,x3,x4,Economy)}
o S = {(Japan, Honda, Blue, 1980, Economy)}
o G = {(Japan,x2,x3,x4,Economy)}
o S = {(Japan,x2,x3,x4,Economy)}
Hipotesis :
Decision-Tree-Learning
o Grandparent (⟨Mum , Charles ⟩) . . .
o FirstElementIsMotherOfElizabeth(⟨Mum,Charles⟩) .