0.1 Vrste Znanja

7/24/2019 0.1 Vrste Znanja

1/53

Vrste znanja

Prof. dr Lazo Rolji


2/53


3/53

Vrste znanja

Denicija znanja u poslovnoj inteligenciji po Tiwana: inf

sa akcijom raspoloiva u pravom formatu, u pravo vrempravom mestu za odluivanje.

Znanje je uvijek vezano za kontekst a to zna!i da znan

va"i u odre#eno$ kontekstu ne $ora da va"i u drugo$

%ada se javi odre#eni pro&le$ koji tre&a da se rije'i &itkontekst u ko$e se javlja jer on zajedno sa pro&le$o$

odre#uje rje'enje koje se tra"i.

Znanje predstavlja trojku problema, konteksta i rjeenja

Rje'enje predstavlja prijedlog akcije koji predla"e D(.


4/53

%onteksttre&a s)vatiti kao ograni!enja koja postosiste$u dok pro&le$ deni'e cilj koji je potre&no

sprovesti.

Zapravo znanje je $odel koji predla"e rje'enje

odre#enog pro&le$a u odre#eno$ kontekstu. * rpri$jena$a znanja u poslovnoj inteligenciji se do

jedan za)tjev da znanje tre&a da pro#e iskustven

provjeru.


5/53

Za znanjeva"i da: Posjedovanje znanja je preduslov dono'enja ispr

upravlja!ki) poslovni) odluka

Znanje u se&i sadr"i ko$ponentu akcije

Znanje je vezano za kontekst Znanje $o"e da se predstavi trojko$ + pro&le$

kontekst i rje'enje

Znanje predstavlja pri)vatljivo rje'enje odre#nopro&le$a koje naj!e'e nije opti$alno

,vako znan e tra"i e$ iri sku otvrdu.


6/53

Znanje $o"e da se podijeli na:

Proceduralno znanje+ o&ja'njava proceduru rje'a

pro&le$a. %arakteristika ovog znanja je da onoo&ja'njava kako se rje'ava pro&le$.

(vo znanje odgovara na pitanje %ako- ali ne i Za

Znanje predstavljeno u vidu proceduralnog znanja

one$oguava korisnika siste$a da &ude kreativa

unapre#enju odre#enog znanja i da raz$i'lja za't

ne'to radi ve korisniku isklju!ivo po$a"e da rije

odre#eni pro&le$ pri$jer uputstvo za popravku


7/53

Deskriptivno znanje 0 opisuje sa vi'e detalja odre

pro&le$ sa cilje$ da se o&jasne poj$ovi vezani z

konkretnu pro&le$atiku. (vo$ znanju nedostaje

organizacija znanja u o&liku pro&le$ kontekst rje

(vo znanje ipak $o"e da po&olj'a proceduralno%ao deskriptivno znanje $ogu da se s$atraju

nestrukturisana nesiste$atizovana uputstva za

rje'avanje odre#enog pro&le$a.


8/53


9/53

Epizodno znanje + sastavljeno je iz niza povezani) iskustven

zapisa tj slu!ajeva. (vi slu!ajevi $ogu se zvati scenarija ili

1pizode su odre#ena iskustvena znanja a iz$e#u nji) posto

odre#ena organizacija.

1pizodno znanje sadr"i ko$ponentu akcije i predstavlja zap

sekvencu/ epizoda iz$e#u koji postoji odre#eni redosljed psvaka epizoda u se&i sadr"i rje'enje odre#enog $alog pro&

2z epizodnog znanja $o"e da se sazna 'ta uraditi ali i za'to

uraditi.


10/53

1pizodno znanjeje najupotre&ljivije za dono'enje pos

odluka. 3ilj je da svako znanje pre#e put od procedur

deskriptivnog do epizodnog da &i se na kraju pro&le$

za)tijeva epizodno znanje $ogao rje'avati na proced

na!in.

Deskriptivno znanje slu"i kao polazna osnova iz njeguo!ava se$anti!ko znanje da &i se na kraju do'lo do

epizodnog znanja koje tre&a da &ude u for$i proced

2z epizodnog znanja $o"e da se do&ije proceduralno

koje je &olje od prvo&itnog proceduralnog.


11/53


12/53

5edna od najpoznatiji) podjela znanja u svijetu

$enad"$enta je podjela na eksplicitnoi i$plicitn

preutnoznanje!

(va denicija je korisna jer nagla'ava razliku iz$ljudske i ra!unarske ko$ponente znanja.


13/53

Eksplicitno znanjeje znanje sadr"ano u knjiga$a

doku$enti$a izvje'taji$a ta&ela$a i sl.

(vo znanje $o"e jednostavno da se for$alizuje

predstavi i sa!uva u elektronskoj for$i.

1ksplicitno znanje organizacije !uvaju u 6P ili sistza !uvanje znanja.

Zapravo eksplicitno znanje je ono znanje koje $o

se for$alizuje.


14/53

Preutno znanjeti)o tacitno i$plicitno/je onaj di

pojedinaca koji se te"e for$alizuje. To je znanje koje

pro'lo iskustvenu provjeru.

Te'ko je rje'avati odre#ene pro&le$e tako 'to se pr

knjiga ili uputstvo za rad.7ko odre#eni pojedinac ne posjeduje prakti!nu stra

rje'avanja pro&le$a njegova znanja su $anje upot


15/53

4ajzani$ljiviji dio preutnog znanja je zapravoekspertsko znanje koje i$a veliku vrijednost i kojeorganizacije !esto poku'avaju da uskladi'te u svopodataka.

8e#uti$ ekspertsko znanje je nekada te'ko zapistrenutno je ne$ogue cjelokupno znanje jednog es$jestiti u ra!unar.

9jeruje$o ipak da preutno znanje $o"e da se za


16/53


17/53

5edan o&lik predstavljanja znanja jeste patern (uzorak, omustra).

Paternje nosilac znanja ali je i gradivni ele$ent znanja. uspostaviti razliku iz$e#u paterna i slu!aja.

,lu!ajiz pro'losti transakcija/ predstavlja jedan vid !uva2pak slu!ajevi ne$aju sve oso&ine paterna u s$islu da da se lako iskoriste za generisanje novi) rje'enja kao 'topaterni.


18/53

Pattern i pattern pokret

Paternipredstavljaju iskustveno dokazana rje'enja za pu odre#eno$ kontekstu. 8ogu da se predstave trojko$pro&le$ kontekst rje'enje/.

Za razliku od slu!ajeva i drugi) o&lika znanja koji i$ajufor$u paterni su pro'li iskustvenu validaciju.

Znanje eksperta $o"e da se $odelira preko paterna. ,ekspert je toko$ svog procesa u!enja savladao odre#e

paterna koji ga !ine eksperto$ u toj o&lasti. Danas se paterni prou!avaju najvi'e u softversko$ in"

gdje se generi'u velike koli!ine koda i grade veliki siste ,a$a pri$jena paterna kao nosioca znanja je po!ela d

razvija kao disciplina u ar)itekturi ali se koristi i u softvin"enjerstvu teleko$unikacioni$ organizacija$a upra

projekti$a.


19/53


20/53


21/53

Pattern, osim izvjesnosti, mora sadravati i neka dodatna

kao to su0

- netrivijalnost(zna$i da pattern nije jednostavno izvodlj

podataka),

- mora predstavljati novost za korisnika (mora biti do tad

korisniku nepoznat, tj. nov),- mora biti koristan i primjenljiv (pattern kojim se izraa

mora biti primjenjiv i pomo%i korisniku u rjeavanju zad


22/53

,vr)a algorit$a apriori je pronala"enje asocijativ

pravila. To su pravila o&lika 7;6.

7lgorita$ apriori preveden na relacione &aze pod

izra"ava tvrdnju da slog koji sadr"i skup ele$enat

sadr"i i skup ele$enata 6 uz uslov da je nji)ov p

prazan skup 7


23/53

Za asocijativna pravila vezuju se faktori povjerenja i p

(ni su dva pokazatelja jakosti u pravilu:

Podr'kasupport/ 7 ; 6 >76? @ 4 gdje je 4 &roj slo

ta&eli.

Podr'ka pravilu 7 ; 6 je proporcija &roja pojavljivan

pravila.

Povjerenjecondence/ je 7 ; 6/ >76? @ >7?

Povjerenje pravilu 7 ; 6/ je proporcija koja pokazuj


24/53

7lgorita$ apriori pri$jenjuje se za otkrivanje jaki

asocijativni) pravila.5aki skupovi ele$enata su skupovi asocirani) ele$

sa stepeno$ podr'ke siznad neke unaprijed zada

vrijednosti.

Drugi va"an poja$ tog algorit$a je nadovezivanj

skupova koji se ozna!avaju operatoro$ .

Za skupove skupova od jednog ele$enta

,A,B Ck l $ Ck l $ Ckl k$ l$.


25/53

Pri$jeri pri$jene apriornog algorit$a

8arketin'ki odjeli veliki) super$arketa !esto se s

sa odluka$a na koje proizvode staviti popuste ka

dizajnirati kupone kako rasporediti proizvode na

tako da &i se poveala prodaja itd.

%ako &i donosili takve odluke analiziraju podatke

prodaji kori'tenje$ razli!iti) $etoda. 5edna od $e

kojoj s$o pret)odno govorili je apriori algorita$.


26/53

Eta i$a$o-

F 2$a$o super$arket u koje$ se prodaju odre#e

proizvodi te ga pro$atra$o u neko$ vre$enskoperiodu. ,vaki kupac u super$arketu kupi neke p

ko'aric kupca/

F * ter$ini$a na'eg pro&le$a:

2$a$o veliku &azu podataka koja se sastoji od trans

ko'arica pojedini) kupaca/. 1le$enti transakcija su e

iz skupa svi) proizvoda iz super$arketa


27/53

Eta "eli$o-

F 2z &aze podataka "eli$o izvui neka pravila. 4a

pri$jer:

"#$ ljudi koji kupe kru% i maslac, tako&e kup

mlijeko!

F %ru) i $aslac !ine pre$isu tog pravila a $lijek

konkluziju. 6roj GHI ozna!ava pouzdanost pravila

E


28/53

Eta e$o s ti$ pravili$a-F 7ko prona#e$o sva pravila koja i$aju !okoladu kao konkluzi

na$ $ogu rei 'ta trgovina $o"e preduzeti da &i poveala pro

!okoladeF 7ko prona#e$o pravila koja i$aju !okoladu u pre$isi $o"e

koje &i sve proizvode uticalo kada &i trgovina prestala prodava

F 7ko prona#e$o sva pravila koja sadr"e )renovke u pre$isi i

konkluziji $o"e$o saznati koji jo' proizvod &i se tre&ao kupiti

kako &i &ilo jako vjerovatno da e kupac kupiti i senf

F 7ko prona#e$o sva pravila koja sadr"e proizvode sa police 7

$o"e$o vidjeti kako prodaja proizvoda s police 7 uti!e na prod

proizvoda s police 6


29/53

%ako e$o pronai pravila-

F Pa naravno apriori algorit$o$. :/

P j i


30/53

Poj$ovi

F Skup proizvoda 2C2A 2B ... 2$C$lijeko k

F Baza podatakaTCtA tB ... tn + sastoji se otransakcija tikupac i je kupio proizvode iz ti/

F Transakcija ti0 vektor koji se sastoji od nula il

jedinica

t>j?A ako je proizvod j kupljen u transakciji i H in

npr. t>J?A H H A/ /


31/53

Poj$ovi

F 4eka je K skup proizvoda K. %a"e$o da transak

zadovoljava K ako za svaki 2k vrijedi t>k?A

F Pravilo asocijacijeje i$plikacija o&lika K ;

je K skup proizvoda iz 2

F Pravilo asocijacije je zadovoljeno u skupu transa

sa faktoro$ pouzdanosti c ako cI transakcija izzadovoljavaju K tako#e zadovoljavaju i 2k

F Znaaj pravila je udio transakcija koje zadovolj

pravilo u ukupno$ &roju transakcija u &azi podata

P i j


32/53

Pri$jer

I kupaca koji kupe proizvod 7 tako#e kupe i pro6.

F Zna!aj tog pravila predstavlja frekvenciju pojavskupa C7 6 u svi$ transakcija$a. 9rijedi:

F 7ko je zna!aj7/AHI i zna!aj7 6/I tada pouzdanost pravila jednaka HI. 9rijedi:


33/53

(grani!enja

M l d i ij &l


34/53

Mor$alna denicija pro&le$a


35/53

N t ki l it i


36/53

Nenetski algorit$i

Planiranje

Nenetic 7lgorit)$s N7/ $o"e se upotre&iti za pro&

planiranja. 8o"e prikazati ograni!enja i ciljeve i to inu jednu $etodu opti$izacije. Ra!unarske igre

Ire

Nenetic 7lgorit)$s se $o"e upotre&iti za prikaz stratigra!a.

Stock !arket Tradin

Nenetic 7lgorit)$s se $o"e upotre&iti za trgovanje n&erza$a. 8o"e opti$izirati ulaze indikatore i pravila siste$u trgovanja i poveati pri)ode.

!edicina

2 * d N ti l it)


37/53

2. *vod Nenetic algorit)$sDio su evolucijskog co$putinga evolutionarO co$putingdijela u$jetne inteligencije.

2nspirisan je Darwinovo$ teorijo$ evolucije. Pro&le$ sepri$jeno$ evolucijskog procesa prilago#avanja i selekc

jedinki populacije. 5ednostavno lazanorje'enje evolvira.

Istorijat

1volutionarO co$puting je uvedeno AGHs &O 2. Rec)en&Q1volution strategiesQ 1volutions strategie u orginalu/.

pri)vatili i razvijali i drugi istra"iva!i.

Nenetic 7lgorit)$s N7s/ were invented &O 5o)n ollanddeveloped &O )i$ and )is

S Q


38/53

2n AGGB 5o)n %oza )as used genetic algorit)$ to eprogra$s to perfor$ certain tasks. e called )is $Qgenetic progra$$ingQ NP/.

L2,P progra$s were used &ecause progra$s in t)language can eUpressed in t)e for$ of a Qparse tr

w)ic) is t)e o&ject t)e N7 works on.c/ 8arek (&itko AGGV


39/53


40/53


41/53


42/53


43/53


44/53


45/53


46/53


47/53


48/53


49/53


50/53


51/53


52/53


53/53

0.1 Vrste Znanja

Documents

Transcript of 0.1 Vrste Znanja