ajout du journal collectif de la semaine 6
This commit is contained in:
François Pelletier
parent
3905a70807
commit
68aa29c028
2 changed files with 91 additions and 4 deletions
66
semaine06jc.md
Normal file
66
semaine06jc.md
Normal file
|
|
@ -0,0 +1,66 @@
|
|||
---
|
||||
author: François Pelletier
|
||||
date: 11 octobre 2017
|
||||
header-includes:
|
||||
- \usepackage[T1]{fontenc}
|
||||
- \usepackage[french]{babel}
|
||||
- \usepackage{datetime}
|
||||
- \usepackage{hyperref}
|
||||
---
|
||||
|
||||
# Semaine 6: Journal collectif: La gestion de l'incertain dans les systèmes à base de connaissances
|
||||
|
||||
On parle d'incertain:
|
||||
|
||||
- Inconsistance
|
||||
- Incomplétude
|
||||
- Variabilité
|
||||
|
||||
Approches:
|
||||
|
||||
- Systèmes probabilistes dérivés du théorème de [Dempster–Shafer](https://fr.wikipedia.org/wiki/Th%C3%A9orie_de_Dempster-Shafer), qui est une généralisation du théorème de Bayes
|
||||
- Raisonnement bayesien (réseau bayesien)
|
||||
- Facteurs de certitude ou de croyance
|
||||
- Logique floue
|
||||
- Logique modale?
|
||||
|
||||
Est-ce que ces approches répondent aux mêmes objectifs?
|
||||
|
||||
- Logique floue:
|
||||
- Langage naturel
|
||||
- On peut tout convertir en logique floue
|
||||
- Approches probabilistes
|
||||
- Approches scientifiques dans la collecte de données
|
||||
|
||||
Pourquoi gérer l'incertain ?
|
||||
|
||||
- Plusieurs hypothèses possibles
|
||||
- Au niveau de la règle (force de la règle, mesure de la véracité, facteur de croyance)
|
||||
- Condition -(force)-> Conclusion
|
||||
- Héritage d'un facteur d'incertitude d'une règle appliquée précédemment au niveau des conditions.
|
||||
- Au niveau de l'utilisateur, les faits ou données du problème peuvent être incomplètes ou erronées
|
||||
- $CF(fait) \wedge CF(autres hypothèses) \rightarrow CF(conditions)$
|
||||
|
||||
Dans la conception:
|
||||
|
||||
- Quel niveau de complétude accepter
|
||||
- Représenter l'incertitude et raisonner avec
|
||||
|
||||
Avec les facteurs de croyances, est-il possible de multiplier deux facteurs négatifs pour obtenir un facteur positif.
|
||||
|
||||
- Serait en théorie possible (on s'approche de la négation de la négation)
|
||||
- On ne voudra pas de règles avec un facteur de croyance négative, mais plutôt la règle dérivée avec un facteur positif.
|
||||
- Aucune pertinence à conserver une règle fausse dans un système.
|
||||
- Dans le négatif, le meilleur des cas est "0"
|
||||
- $CF(\text{conditions}) \times CF(\text{force de la règle}) = CF(\text{Hypothèse})$
|
||||
|
||||
Possibilité d'un hybride en utilisant la règle de Bayes, mais avec les facteurs de croyances?
|
||||
|
||||
- Pas de notion de vrai ou faux en probabilités. S'applique sur la réalisation d'un évènement
|
||||
- Probabilité: déterministe ou expérimental
|
||||
- Facteur de croyance: très peu probable donne un facteur près de zéro.
|
||||
- Approche Valuation-based qui est une généralisation
|
||||
|
||||
On ne peut pas faire de chaînage arrière avec une règle négative.
|
||||
|
||||
|
||||
29
semaine07.md
29
semaine07.md
|
|
@ -61,16 +61,37 @@ Objectifs:
|
|||
- Cible de 80% de succès
|
||||
- Meilleure performance en situations critiques
|
||||
|
||||
|
||||
|
||||
Composantes:
|
||||
|
||||
- Algorithme sim_m basé sur les statistiques et la méthode U-Matrix pour explorer la structure de la carte de Kohonen, produite par un réseau de neurones automatiquement organisé non supervisé.
|
||||
- Extrait de l'article: Outils et procédures pour le développement d'un système expert hybride.
|
||||
|
||||
- Données du système COGENSYS
|
||||
- Pour les cas plus difficiles:
|
||||
- Réseau de Kohonen: visualisation de clusters dans l'espace-état des données d'entraînement
|
||||
- Lorsqu'on ne peut obtenir une réponse en utilisant le système expert, on utiliser cet algorithme supervisé qui donne une réponse, mais sans explication. On peut aussi utiliser pour compléter les valeurs manquantes.
|
||||
|
||||
## Lecture 3:
|
||||
## Lecture 3: Algorithme de Kohonen (en complément)
|
||||
|
||||
Source: [Kohonen's Self Organizing Feature Maps for Exploratory Data Analysis](https://www.uni-marburg.de/fb12/arbeitsgruppen/datenbionik/pdf/pubs/1990/ultschsiemon90.pdf)
|
||||
|
||||
L'algorithme de Kohonen est une fonction qui permet de projeter des données multidimensionnelles sur un treillis U de dimension inférieure, en préservant la notion de voisinage via une mesure de distance.
|
||||
|
||||
Si on applique seulement l'algorithme de Kohonen, on obtient des points assez uniformes dans le treillis U, ce qui nous fait perdre l'information des cluster, même si les points devant appartenir au même cluster sont ensemble. Ce n'est pas approprié pour faire un apprentissage non-supervisé.
|
||||
|
||||
La méthode Unified Matrix (U-Matrix) permet de retrouver les clusters en créant une matrice ayant des vallées et des murs. Un test a été effectué avec des données médicales et est concluant avec les diagnostics des experts.
|
||||
|
||||
## Lecture 4: Intégration des réseaux de neurones dans les SaBC avec la logique floue
|
||||
|
||||
[Using Fuzzy Logic to Integrate Neural Networks and Knowledge-based Systems}(https://ntrs.nasa.gov/archive/nasa/casi.ntrs.nasa.gov/19910012475.pdf)
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
Source: [Kohonen's SeIf Organizing Feature Maps for Exploratory Data Analysis](https://www.uni-marburg.de/fb12/arbeitsgruppen/datenbionik/pdf/pubs/1990/ultschsiemon90.pdf)
|
||||
Loading…
Reference in a new issue