LECTURE NOTES

Artificial Intelligence

Minggu 7
Sesi 11

Knowledge in Learning

COMP6275 – Artificial Intelligence

 LEARNING OUTCOMES

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.

OUTLINE MATERI (Sub-Topic):

 Perumusan Logika Pembelajaran
 Pengetahuan dalam Belajar
 Penjelasan Berbasis Pembelajaran
 Belajar Menggunakan relevansi Informasi
 Pemrograman Logika Induktif

COMP6275 – Artificial Intelligence

 ISI MATERI

1. Perumusan Logika Pembelajaran

Pelajari metode belajar yang bisa memanfaatkan pengetahuan sebelumnya
tentang dunia. Dalam kebanyakan kasus, pengetahuan sebelumnya diwakili
sebagai teori logika orde pertama yang umum; Dengan demikian untuk
pertama kalinya, kami mengumpulkan karya tentang representasi
pengetahuan dan pembelajaran.
Perumusan logis pembelajaran mungkin tampak seperti banyak pekerjaan
ekstra pada awalnya, tapi ternyata memperjelas banyak masalah dalam
belajar. Hal ini memungkinkan kita untuk melampaui metode pembelajaran
sederhana Bab 18 dengan menggunakan kekuatan penuh kesimpulan logis
dalam pelayanan pembelajaran.
Belajar deskripsi logis umum
Goal predicate Q e.g. WillWait
Candidate (definition hypothesis) Ci
Hypothesis: i(x)

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.

Hapus hipotesis yang tidak konsisten

Dalam prakteknya, jangan gunakan resolusi melalui penghitungan ruang
hipotesis

COMP6275 – Artificial Intelligence

Pencarian hipotesis terbaik saat ini adalah mempertahankan satu hipotesis
tunggal, dan menyesuaikannya sebagai contoh baru datang untuk menjaga
konsistensi. Algoritma dasar dijelaskan oleh John Stuart Mill (1843), dan
mungkin telah muncul lebih awal. Contoh yang benar-benar telah dilihat
sejauh ini ditunjukkan sebagai "+" atau "-", dan kami melihat bahwa
semuanya telah mengkategorikan semua contoh sebagai contoh positif atau
negatif dari WillWait.

(a) Sebuah hipotesis yang konsisten.

(b) False negatif
(c) Hipotesis digeneralisasi.
(d) False positif
(e) Hipotesisnya yang spesialisasi.

Generalisasi mis. melalui kondisi dropping

Patrons(x, Some)

Spesialisasi mis. melalui menambahkan kondisi atau melalui

menghilangkan disjuncts

Algoritma pembelajaran terbaik saat ini. Ini mencari hipotesis yang

konsisten yang sesuai dengan semua contoh dan backtracks bila tidak ada
spesialisasi / generalisasi yang konsisten. Untuk memulai algoritma,
hipotesis dapat dilewatkan; itu akan menjadi khusus atau umum sesuai
kebutuhan..

COMP6275 – Artificial Intelligence

Tetapi
o Memeriksa semua kejadian sebelumnya lagi adalah mahal.
o Sulit menemukan heuristik yang baik, dan kemunduran lamban di
ruang hipotesis (yang dua kali lipat eksponensial)

Komitmen setidaknya:
Alih-alih menyimpan satu hipotesis dan menggunakan pengulangan, simpan
semua hipotesis konsisten (dan hanya itu).

Algoritma pembelajaran ruang versi. Ini menemukan subset dari V yang

konsisten dengan semua contoh.
Note : Tambahan: contoh lama tidak perlu diperiksa ulang

 Versi Ruang belajar

Ruang hipotesis, yaitu generalisasi / spesialisasi. Ini adalah pemesanan
parsial, yang berarti bahwa setiap batas tidak akan menjadi titik
melainkan seperangkat hipotesis yang disebut himpunan batas (Boundary
Set).

Tidak perlu mencantumkan semua hipotesis konsisten:

Mempertahankan :
o batas paling umum (G-Set)
o batas paling spesifik (S-Set)
Segala sesuatu di antaranya konsisten.
Segala sesuatu di luar tidak konsisten.
Inisialisasi : G-Set={true}
S-Set={False}

Versi ruang berisi semua hipotesis yang konsisten dengan contoh-

contohnya.

COMP6275 – Artificial Intelligence

 Algoritma
1) Flase positif untuk Si:
Si terlalu umum, dan tidak ada spesialisasi yang konsisten untuk Si,
jadi buang Si dari S-Set
2) False negatif untuk Si:
Si terlalu spesifik, jadi ganti dengan semua generalisasi langsungnya.
3) False positif untuk Gi:
Gi terlalu umum, jadi ganti dengan semua spesialisasi langsungnya.
4) False negatif untuk Gi:
Gi terlalu spesifik, tapi tidak ada generalisasi yang konsisten dari Gi,
jadi buang Gi dari G-Set

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.

COMP6275 – Artificial Intelligence

2) Jika kita membiarkan disjungsi tak terbatas di ruang hipotesis, S-set
akan selalu mengandung satu hipotesis paling spesifik, yaitu
disjungsi dari deskripsi contoh positif yang terlihat sampai saat ini.
Demikian pula, G-set hanya akan berisi negasi dari disjungsi
deskripsi dari contoh negatif.
3) Untuk beberapa ruang hipotesis, jumlah elemen dalam S-set atau G-
set dapat tumbuh secara eksponensial dalam jumlah atribut,
walaupun algoritma pembelajaran yang efisien ada untuk ruang
hipotesis tersebut.

Sebuah Konsep dan Versi Spaces

o Di bagian atas ruang konsep adalah deskripsi kosong, hanya terdiri
dari variabel.
o Di bagian bawah semua contoh pelatihan mungkin, yang tidak
mengandung variabel.
o Sebelum menerima contoh pelatihan, konsep target terletak di suatu
tempat di ruang konsep.
o Jika setiap deskripsi yang mungkin adalah turunan dari konsep yang
dimaksud, deskripsi null adalah definisi konsep karena cocok dengan
semuanya.
o Jika konsep target hanya mencakup satu contoh saja, maka salah satu
deskripsi di bagian bawah ruang konsep adalah definisi konsep yang
diinginkan.
o Kebanyakan konsep target, tentu saja, terletak di antara kedua
ekstrem ini.

Bagaimana kita bisa mewakili Ruang Versi

o Ruang Versi terdiri dari dua subset ruang konsep.
o G berisi deskripsi yang paling umum sesuai dengan contoh
pelatihan.
o S berisi deskripsi paling spesifik yang sesuai dengan contoh
pelatihan.
o Ruang versi adalah himpunan semua deskripsi yang terletak di antara
beberapa elemen G dan elemen S pada urutan parsial ruang konsep.
o Pelatihan positif adalah membuat S lebih umum

COMP6275 – Artificial Intelligence

 o Pelatihan negatif adalah membuat G lebih spesifik
o Jika S dan G mengatur konvergensi, hipotesis jangkauan kita akan
menyempit menjadi deskripsi konsep tunggal.
o Algoritma untuk mempersempit ruang versi disebut algoritma
eliminasi kandidat.

Spesifik untuk Algoritma Pencarian Umum

1) Pencarian Inisialisasi S
Begin
Inisialisasi S ke posisi pertama. contoh pelatihan
For each positive instance p:
Jika s tidak cocok dengan p, ganti s dengan generalisasi yang
paling spesifik yang cocok dengan p
For each negative instance n:
Hapus semua anggota s yang cocok dengan n

Algoritma Pencarian General dan Khusus

Versi pencarian spasi (G to S) untuk konsep "Ball"
a) Langkah 1

b) Langkah 2

c) Langkah 3

COMP6275 – Artificial Intelligence

2) Pencarian Inisialisasi G
Begin
Inisialisasi G mengandung konsep yang paling umum dalam ruang
For each positive instance p:
Untuk semua g tyang cocok dengan n, ganti g dengan generalisasi
yang paling spesifik yang tidak cocok dengan p
For each negative instance n:
Hapus semua G semua hipotesis yang tidak cocok dengan p

Algoritma Pencarian General dan Khusus

Versi pencarian spasi (S to G) untuk konsep "Ball"

a) Langkah 1

b) Langkah 2

COMP6275 – Artificial Intelligence

c) Langkah 3

d) Langkah 4.

COMP6275 – Artificial Intelligence

 Algoritma kandidat Eliminasi
o Diberikan: Bahasa representasi dan sekumpulan contoh positif dan
negatif yang diungkapkan dalam bahasa tersebut.
o Hitunglah: Deskripsi konsep yang konsisten dengan semua contoh
positif dan tidak ada contoh negatifnya.

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

COMP6275 – Artificial Intelligence

 pelatihan tidak konsisten. Keluarkan hasil ini dan hentikan.
Jika tidak, lanjutkan ke langkah 3.

o Diagram
Step 1

Step 2

Step 3

COMP6275 – Artificial Intelligence

 Step 4

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)}

COMP6275 – Artificial Intelligence

 o G = {(x1,x2, Blue, x4,x5), (x1,x2,x3,x4,Economy)}
o S = {(Japan, x2, Blue, x4, Economy)}

o G = {(x1,x2, Blue, x4,x5), (x1,x2,

Blue,x4,Economy), (Japan,x2,x3,x4, Economy)}
o S = {(Japan,x2, Blue,x4, Economy)}

o G = {(Japan,x2,x3,x4,Economy)}
o S = {(Japan,x2,x3,x4,Economy)}

2. Pengetahuan dalam Belajar

Bagian sebelumnya menggambarkan setting paling sederhana untuk
pembelajaran induktif. Untuk memahami peran pengetahuan sebelumnya,
kita perlu membicarakan hubungan logis antara hipotesis, contoh deskripsi,
dan klasifikasi.
Biarkan Deskripsi menunjukkan gabungan semua deskripsi contoh di bagian
pelatihan, dan biarkan Klasifikasi menunjukkan gabungan semua contoh
Klasifikasi. Kemudian sebuah Hipotesis bahwa "menjelaskan pengamatan"
harus memenuhi properti berikut (ingat bahwa | = berarti "logis
memerlukan"):
Hipotesis  Deskripsi | = Klasifikasi

3. Penjelasan Berbasis Pembelajaran

Pembelajaran berbasis penjelasan adalah metode untuk mengekstrak aturan
umum dari pengamatan individu.
Teknik memorisasi telah lama digunakan dalam ilmu komputer untuk
mempercepat program dengan menyimpan hasil perhitungan. Ide dasar
fungsi memo adalah mengumpulkan database pasangan input-output; Saat
fungsi dipanggil, pertama-tama cek database untuk melihat apakah bisa
menghindari pemecahan masalah dari nol.
Pembelajaran berbasis penjelasan memerlukan banyak hal lebih jauh,
dengan membuat peraturan umum yang mencakup keseluruhan kelas kasus.
Proses Explanation-Based Learning (EBL) dasar bekerja sebagai berikut

COMP6275 – Artificial Intelligence

 o Dengan sebuah contoh, buatlah bukti bahwa predikat tujuan berlaku
untuk contoh menggunakan pengetahuan latar belakang yang tersedia.
o Secara paralel, buatlah pohon bukti umum untuk tujuan yang variabilis
menggunakan langkah inferensi yang sama seperti pada bukti aslinya.
o Buatlah aturan baru yang sisi kirinya terdiri dari daun pohon bukti dan
sisi kanannya adalah tujuan variabilis (setelah menerapkan binding
yang diperlukan dari bukti umum).
o Jatuhkan kondisi apapun dari sisi kiri yang benar terlepas dari nilai
variabel pada tujuannya.

4. Belajar Menggunakan relevansi Informasi

Algoritma pembelajaran yang kita sajikan saat ini didasarkan pada usaha
yang mudah untuk menemukan ketetapan yang paling sederhana yang
sesuai dengan pengamatan.
Oleh karena itu, tekad konsisten dengan serangkaian contoh jika setiap
pasangan yang cocok dengan predikat di sisi kiri juga cocok dengan
predikat gol.
Algoritma untuk menemukan determinasi minimal yang konsisten.

5. Pemrograman Logika Induktif

Pemrograman logika induktif (ILP) menggabungkan metode induktif
dengan kekuatan representasi orde pertama, berkonsentrasi khususnya pada
representasi hipotesis sebagai program logika.
Ini telah mendapatkan popularitas karena tiga alasan:
a) ILP menawarkan pendekatan yang ketat terhadap masalah pembelajaran
induktif berbasis pengetahuan umum.

COMP6275 – Artificial Intelligence

b) ILP menawarkan algoritma lengkap untuk menginduksi teori orde
pertama dari contoh, yang karenanya dapat dipelajari dengan sukses di
domain di mana algoritma berbasis atribut sulit diterapkan.
c) Pemrograman logika induktif menghasilkan hipotesis yang (relatif)
mudah dibaca manusia.
Contoh :
Deskripsi koresponden adalah sebagai berikut :

Masalah induksi berbasis pengetahuan umum adalah untuk "memecahkan"

kendala entailment
“Background ∧ Hypothesis ∧ Descriptions |= Classifications”
Kalimat dalam Klasifikasi bergantung pada konsep target yang sedang
dipelajari.
Klasifikasi :
Grandparent , BrotherInLaw , or Ancestor
Untuk Grandparent, kumpulan Klasifikasi lengkap berisi 20 × 20 = 400
bentuk konjungsi.

Hipotesis :

Decision-Tree-Learning
o Grandparent (⟨Mum , Charles ⟩) . . .
o FirstElementIsMotherOfElizabeth(⟨Mum,Charles⟩) .

COMP6275 – Artificial Intelligence

Pembaca pasti akan menyadari bahwa sedikit pengetahuan latar belakang
akan membantu representasi definisi Grandparent. Misalnya, jika
Background termasuk kalimatnya
Parent(x,y) ⇔ [Mother(x,y)∨Father(x,y)],
maka definisi Grandparent akan dikurangi menjadi:
Grandparent(x,y) ⇔ [∃z Parent(x,z)∧Parent(z,y)]
Gambar Pohon keluarga.

Algoritma yang dapat menghasilkan predikat baru disebut algoritma induksi

konstruktif. Jelas, induksi konstruktif merupakan bagian penting dari
gambaran pembelajaran kumulatif. Ini adalah salah satu masalah tersulit
dalam pembelajaran mesin, namun beberapa teknik Inductive Logic
Programming (ILP) memberikan mekanisme yang efektif untuk
mencapainya.
Metode Pendekatan ILP :
a) Pendekatan pertama untuk ILP bekerja dengan memulai dengan
peraturan yang sangat umum dan secara bertahap
mempersonalisasikannya sehingga sesuai dengan data. Ini pada
dasarnya adalah apa yang terjadi dalam pembelajaran pohon keputusan,
di mana pohon keputusan tumbuh secara bertahap sampai konsisten
dengan pengamatan. Untuk melakukan ILP kita menggunakan literal
orde pertama, bukan atribut, dan hipotesisnya adalah seperangkat klausa
dan bukan pohon keputusan.
Seperti halnya, decision-tree learning kita bisa membagi contoh
menjadi contoh positif dan negatif. Contoh positifnya adalah :
⟨George,Anne⟩, ⟨Philip,Peter⟩, ⟨Spencer,Harry⟩, ...
dan contoh negatifnya adalah

COMP6275 – Artificial Intelligence

 ⟨George,Elizabeth⟩, ⟨Harry,Zara⟩, ⟨Charles,Philip⟩, ...
Algoritma ini berulang kali menyusun klausa, literal secara literal,
sampai ia setuju dengan beberapa subset dari contoh positif dan tidak
ada contoh negatifnya. Kemudian contoh positif yang tercakup dalam
klausa dikeluarkan dari perangkat pelatihan, dan proses berlanjut
sampai tidak ada contoh positif yang tersisa.
NEW-LITERALS mengambil sebuah klausa dan menyusun semua
kemungkinan literal "berguna" yang bisa ditambahkan ke klausa. Mari
kita gunakan sebagai contoh klausa
Dua subrutin utama yang akan dijelaskan adalah :
o NEW-LITERALS, yang membangun semua kemungkinan literal
baru untuk ditambahkan ke klausa, dan
o CHOOSE-LITERAL, yang memilih literal untuk ditambahkan.
NEW-LITERALS mengambil sebuah klausa dan menyusun semua
kemungkinan literal "berguna" yang bisa ditambahkan ke klausa. Mari
kita gunakan sebagai contoh klausa.
Ada tiga jenis literal yang bisa ditambahkan:
o Literal yang menggunakan predikat: literal dapat dinegasikan atau
tidak dikenali, predikat yang ada (termasuk predikat gol) dapat
digunakan, dan semua argumen harus menjadi variabel. Setiap
variabel dapat digunakan untuk argumen predikat mana pun,
dengan satu batasan: setiap literal harus mencakup setidaknya satu
variabel dari literal sebelumnya atau dari kepala klausa. Literal
seperti Ibu (z, u), Menikah (z, z), ¬Male (y), dan Kakek (v, x)
diperbolehkan, sedangkan Menikah (u, v) tidak. Perhatikan bahwa
penggunaan predikat dari kepala klausul memungkinkan FOIL
untuk mempelajari definisi rekursif.
o Kesetaraan dan ketidaksetaraan literal: variabel-variabel relasi ini
sudah muncul dalam klausa. Sebagai contoh, kita bisa
menambahkan z  x. Literal ini juga dapat mencakup konter
pengguna yang ditentukan. Untuk belajar aritmatika kita bisa
menggunakan 0 dan 1, dan untuk fungsi daftar belajar kita bisa
menggunakan daftar kosong [].
o Perbandingan aritmatika: ketika berhadapan dengan fungsi variabel
kontinyu, literal seperti x> y dan y ≤ z dapat ditambahkan. Seperti

COMP6275 – Artificial Intelligence

 dalam pembelajaran pohon keputusan, nilai ambang konstan dapat
dipilih untuk memaksimalkan kekuatan uji yang diskriminatif.
Sketsa algoritma FOIL

CHOOSE-LITERAL menggunakan heuristik yang agak mirip dengan

gain informasi untuk menentukan literal mana yang akan ditambahkan.
Rincian yang tepat tidak penting di sini, dan sejumlah variasi yang
berbeda telah dicoba. Salah satu fitur tambahan yang menarik dari
FOIL adalah penggunaan pisau cukur Ockham untuk menghilangkan
beberapa hipotesis. Jika sebuah klausul menjadi lebih panjang (menurut
beberapa metrik) daripada panjang keseluruhan dari contoh positif yang
klausa menjelaskan, klausa tersebut tidak dianggap sebagai hipotesis
potensial. Teknik ini memberikan cara untuk menghindari klausa
overcomplex yang sesuai dengan noise dalam data.
b) Pendekatan utama kedua untuk ILP melibatkan pembalikan proses
pembuktian deduktif normal. Resolusi terbalik didasarkan pada

COMP6275 – Artificial Intelligence

pengamatan bahwa jika contohnya Classifications ikuti dari
Background ∧ Hypothesis ∧ Descriptions maka seseorang harus bisa
membuktikan fakta ini dengan resolusi (karena resolusi sudah
selesai). Jika kita bisa "run the proof backward," maka kita bisa
menemukan hipotesis sedemikian rupa sehingga buktinya terus
berlanjut. Kuncinya, kemudian, adalah menemukan cara untuk
membalikkan proses resolusi.
Sejumlah besar kemungkinan berarti faktor bercabang besar (dan
karenanya pencarian tidak efisien) tanpa kontrol tambahan. Sejumlah
pendekatan untuk menjinakkan pencarian telah dicoba dalam sistem
ILP yang diterapkan:
1) Pilihan yang berlebihan dapat dihilangkan - misalnya, dengan
hanya menghasilkan hipotesis yang paling spesifik yang
mungkin dan dengan mensyaratkan bahwa semua klausa yang
dihipotesiskan konsisten satu sama lain, dan dengan
pengamatannya. Kriteria terakhir ini akan mengesampingkan
klausa ¬Parent (z, y) ∨ ¬GrandParent (George, y), yang
tercantum sebelumnya.
2) Strategi pembuktiannya bisa dibatasi. Misalnya, resolusi linier
adalah strategi yang lengkap dan terbatas. Resolusi linier
menghasilkan pohon bukti yang memiliki struktur percabangan
linier - seluruh pohon mengikuti satu baris, dengan hanya satu
klausa yang bercabang dari garis itu.
3) Bahasa representasi dapat dibatasi, misalnya dengan
menghilangkan simbol fungsi atau hanya dengan membiarkan
klausa Horn. Misalnya, PROGOL beroperasi dengan klausa
Horn menggunakan inverse entailment. Idenya adalah untuk
mengubah kendala entailment
Background ∧ Hypothesis ∧ Descriptions |= Classifications
ke bentuk logis setara
Background ∧ Descriptions ∧ ¬Classifications |=
¬Hypothesis .
Dari sini, seseorang dapat menggunakan proses yang mirip
dengan rumusan Prolog Horn-clause yang normal, dengan
negasi-sebagai-kegagalan untuk menurunkan Hipotesis. Karena
dibatasi pada klausa Horn, ini adalah metode yang tidak
lengkap, namun bisa lebih efisien daripada resolusi penuh. Hal

COMP6275 – Artificial Intelligence

 ini juga memungkinkan untuk menerapkan kesimpulan lengkap
dengan inverse entailment
4) Langkah awal dalam proses resolusi terbalik. Klausa yang teduh
dihasilkan oleh langkah-langkah resolusi terbalik dari klausul di
sebelah kanan dan klausul di bawah ini. Klausa yang tidak
diarsipkan berasal dari Deskripsi dan Klasifikasi (termasuk
klasifikasi yang ditolak).

5) Inferensi dapat dilakukan dengan klausa proposisional tanah

daripada logika orde pertama. Sistem LINUS (Lavrauc dan
Duzeroski, 1994) bekerja dengan menerjemahkan teori orde
pertama ke logika proposisional, menyelesaikannya dengan
sistem pembelajaran proposisional, dan kemudian
menerjemahkannya kembali.
Contoh Pemrograman Logika.
Perhatikan contoh program logika berikut:
parent_of(charles,george).
parent_of(george,diana).
parent_of(bob,harry).
parent_of(harry,elizabeth).
grandparent_of(X,Y) :- parent_of(X,Z), parent_of(Z,Y).
Dari program tersebut, kita bisa bertanya tentang Grandparent
Queri : grandparent_of(X,Y)?
Jawaban :
grandparent_of(charles,diana).
grandparent_of(bob,elizabeth).

COMP6275 – Artificial Intelligence

 Bentuk Penalaran
Deduksi: Dari sebab yang mempengaruhi (Prediksi)
fact a, rule a => b
INFER b (*First-order logic*)
Abduction: From effects to possible causes (Explanation)
rule a => b, observe b
AN EXPLANATION a
Induction: Dari pengamatan yang berkorelasi dengan peraturan
(Learning)
amati korelasi antara a1, b1, ... an, bn
LEARN a -> b

Apakah Inductive Logic Programming (ILP)

o Pembelajaran otomatis tentang aturan logika dari contoh dan
pengetahuan latar belakang
o Misalnya, pelajari peraturan untuk kakek-nenek, diberi pengetahuan
latar belakang Parent dan contoh GrandParent
ILP dapat digunakan untuk klasifikasi dan prediksi
ILP telah memberikan kontribusi terhadap ilmu lain selain biologi. Salah
satu yang terpenting adalah pengolahan bahasa alami, dimana ILP telah
digunakan untuk mengekstrak informasi relasional yang kompleks dari teks.
Mengapa ILP ? - banyak hubungan
Contoh silsilah:
o Mengingat hubungan yang dikenal ...
father(Old,Young) and mother(Old,Young)
male(Somebody) and female(Somebody)
o ... belajar hubungan baru
parent(X,Y) :- father(X,Y).
parent(X,Y) :- mother(X,Y).
brother(X,Y) :-

COMP6275 – Artificial Intelligence

 male(X),father(Z,X),father(Z,Y).
Kebanyakan teknik Multi Language (ML) tidak bisa menggunakan lebih
dari satu relasi misalnya, pohon keputusan, jaringan syaraf tiruan, ...
ILP – Definisi Formal
Given
o sebuah program logika B mewakili pengetahuan latar belakang
o satu set contoh positif E +
o satu set contoh negatif E-
Temukan hipotesis H sedemikian rupa sehingga:
o B U H ‡ e untuk setiap e E +.
o B U H ‡ f untuk setiap f E-.
o B U H ‡ konsisten.
Asumsikan bahwa B ‡ e untuk beberapa e E +.
ILP - Fondasi logis
Prolog = Pemrograman dengan Logika digunakan untuk mewakili:
o Pengetahuan latar belakang (dari domain): fakta
o Contoh (dari hubungan yang harus dipelajari): fakta
o Teori (sebagai hasil belajar): aturan
Mendukung dua bentuk penalaran logis
o Deduction
o Induction

COMP6275 – Artificial Intelligence

 SIMPULAN
1. Penggunaan pengetahuan sebelumnya dalam pembelajaran mengarah pada
gambaran pembelajaran kumulatif, di mana agen pembelajaran
meningkatkan kemampuan belajar mereka karena mereka memperoleh lebih
banyak pengetahuan.
2. Explanation-based learning (EBL) mengekstrak aturan umum dari contoh
tunggal dengan menjelaskan contoh dan generalisasi penjelasannya. Ini
menyediakan metode deduktif untuk pengetahuan menjadi keahlian yang
berguna, efisien, khusus-tujuan.
3. Relevance-based learning (RBL) menggunakan pengetahuan sebelumnya
dalam bentuk determinasi untuk mengidentifikasi atribut yang relevan,
sehingga menghasilkan ruang hipotesis yang dikurangi dan mempercepat
pembelajaran. RBL juga memungkinkan deduktif generalisasi dari satu
contoh.
4. Teknik pemrograman logika induktif dilakukan pada pengetahuan yang
diekspresikan dalam logika orde satu. Metode ILP dapat mempelajari
pengetahuan relasional yang tidak dapat diekspresikan dalam sistem
berbasis atribut

COMP6275 – Artificial Intelligence

 DAFTAR PUSTAKA

 Stuart Russell, Peter Norvig,. 2010. Artificial intelligence : a modern

approach. PE. New Jersey. ISBN:9780132071482, Chapter 19
 http://l3d.cs.colorado.edu/courses/AI-96/learning-2.pdf
 http://yann.lecun.com/exdb/publis/pdf/bengio-lecun-07.pdf

COMP6275 – Artificial Intelligence