Nội dung
Phép thử Turing (1950)
Khi nào máy tính gạt được giám khảo thì máy tính đó pass phép thử Turing.
Đề tài nghiên cứu
2011: IBM Question-answering <=> Jeoparody (U.S.)
Giá trị 6 tỷ USD
Vẫn là hệ thống thông minh giả
Flow trí tuệ nhân tạo
Cây quyết định, đầu vào là bảng dữ liệu, kết quả là cây quyết định, rút ra được kết luận.
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 | ? |
a. Từ mẫu 1 - 12, rút ra bộ luật quyết định mùa theo thuật toán Quinlan b. Áp dụng cho mẫu x, y, z
Chọn thuộc tính tốt (Càng nhiều vector đơn vị càng tốt), nếu bằng nhau thì lấy ngẫu nhiên
*CSDL ⇒ Bảng
Tập luật
Từ tập luật ⇒ Xác định được kết quả.
Bài tập 1
- Hãy rút ra kết luận từ cây quyết định được xây dựng.
- 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 | Có | Có |
Cao | Thấp | Cao | Không | Không |
BT | TB | TB | Có | Có |
Mát | Cao | TB | Không | Có |
Nóng | Thấp | Cao | Có | Không |
BT | TB | TB | Không | Có |
Nóng | Cao | TB | Có | Không |
BT | Thấp | Thấp | Không | Có |
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}