Note về trí tuệ nhân tạo

By Vy Tien

Nội dung

Phép thử Turing (1950)

Khi nào máy tính gạt được giám khảo thì máy tính đó pass phép thử Turing.

flowchart
p1["Giám khảo"]
p2["1"]
p3["2"]
p1<-->p2
p1<-->p3

Đề tài nghiên cứu 2011: IBM Question-answering <=> Jeoparody (U.S.) Giá trị 6 tỷ USD Hệ thống question-answering

Vẫn là hệ thống thông minh giả

flowchart LR
p1["A.I."]
p2["NLP (Natural language processing)"]
p3["Machine learning"]
p1-->p2
p1-->p3

Flow trí tuệ nhân tạo

flowchart TD
p1["Training Data"]
p2["ML Model (Learning.Statistical)"]
p3["Result (Functions/rules) để giải quyết bài toán mới"]
p4["(New) Data"]
p5["Result"]
p1-->p2-->p3
p4-->p3
p3-->p5

Cây quyết định, đầu vào là bảng dữ liệu, kết quả là cây quyết định, rút ra được kết luận.

flowchart TD
p1["Training Data"]
p2["Learning (Decision tree model)"]
p3["Result (Decision tree)"]
p4["(New) Data"]
p5["Classification (1/0)"]
p1-->p2-->p3
p4-->p3
p3-->p5

Thuật toán Quinlan (John Ross Quinlan) năm 1979

Đưa vào trainning data dạng bảng

Mẫu Thời tiết Lá cây Nhiệt độ Quyết định (mùa)
1 Mưa Rụng Thấp Đông
2 Nắng Xanh Trung bình Xuân
3 - 12      
x,y,z Mưa Vàng Cao ?

enter image description here

a. Từ mẫu 1 - 12, rút ra bộ luật quyết định mùa theo thuật toán Quinlan b. Áp dụng cho mẫu x, y, z

enter image description here

enter image description here

Chọn thuộc tính tốt (Càng nhiều vector đơn vị càng tốt), nếu bằng nhau thì lấy ngẫu nhiên

*CSDL ⇒ Bảng enter image description here

enter image description here

Tập luật enter image description here

Từ tập luật ⇒ Xác định được kết quả.

Slide tài liệu học tập

Bài tập 1

enter image description here

  1. Hãy rút ra kết luận từ cây quyết định được xây dựng.
  2. Dùng các luật rút ra từ cây quyết định để phân loại dữ liệu sau a. (33, 70, 18, 1) b. (25, 65, 10, 0) c. (35, 60, 15, 1)

Đổi sang bảng dữ liệu theo tiêu chí

Nhiệt độ:

  • 15 - 19 (mát)
  • 20 - 24 (bình thường - BT)
  • 25 - 29 (nóng)
  • 30 - … (rất nóng)

Độ ẩm

  • 60 - 69 : thấp
  • 70 - 79 : trung bình (TB)
  • 80 - 89 : cao
  • 90 - … : rất cao

Gió

  • 1 - 4 : thấp
  • 5 - 9 : trung bình (TB)
  • 10 - 14 : cao
  • 15 : rất cao
Nhiệt độ Độ ẩm (%) Gió (km/h) Nắng Mang ô dù
Nóng Cao Cao
Cao Thấp Cao Không Không
BT TB TB
Mát Cao TB Không
Nóng Thấp Cao Không
BT TB TB Không
Nóng Cao TB Không
BT Thấp Thấp Không

B0: Gọi vector độ đo v = {Có, Không} B1: Tính vector độ đo của các thuộc tính ở cơ sở dữ liệu ban đầu. Thuộc tính Nhiệt độ Nóng: v= {1/3, 2/3}

Tags: basicai
Share: Twitter Facebook LinkedIn