7.1? 專家系統的產生和發展? 7.2? 專家系統的概念? 7.3? 專家系統的工作原理 7.4? 知識獲取的主要過程與模式 7.5? 機器學習 7.6? 知識發現與數據挖掘 7.7? 專家系統的建立 7.8? 專家系統實例 7.9? 專家系統的開發工具

?

特點：高度的專業化。???????? 專門問題求解能力強。???????? 結構、功能不完整。???????? 移植性差。???????? 缺乏解釋功能。

?

專家系統的定義：

1、具有專家水平的專業知識。 2、能進行有效的推理。?? 3、啟發性。 4、靈活性。 5、透明性。 6、交互性。

專家系統與傳統程序的比較：

1、編程思想

傳統程序 = 數據結構+算法

專家系統 = 知識+推理

2、傳統程序關于問題求解的知識隱含于程序中。

????? 專家系統知識單獨組成知識庫，與推理機分離。

3、處理對象

??????? 傳統程序數值計算和數據處理。

????????? 專家系統符號處理。

4、傳統程序不具有解釋功能。

????? 專家系統具有解釋功能。

5、傳統程序產生正確的答案。

????? 專家系統通常產生正確的答案，有時產生錯誤的答案。

6、系統的體系結構不同。

工作原理

抽取知識、知識的轉換、知識的輸入、知識的檢測 。

知識獲取的模式：非自動知識獲取、自動知識獲取、半自動知識獲取。

機器學習

機器學習Machine learning、使計算機能模擬人的學習行為，自動地通過學習來獲取知識和技能，不斷改善性能，實現自我完善。

一個學習系統一般應該有環境、學習、知識庫、執行與評價（à學習）等四個基本部分組成。

“示例空間”是所有可對系統進行訓練的示例集合。

“搜索”的作用是從示例空間中查找所需的示例。

“解釋”是從搜索到的示例中抽象出所需的有關信息形成知識。

“形成知識”是把解釋得到的信息綜合、歸納形成一般性的知識。

“驗證”的作用是檢驗所形成的知識的正確性。

知識發現與數據挖掘

31? 知識發現和數據挖掘的目的：從數據集中抽取和精化一般規律或模式。

知識發現過程分為數據準備、數據挖掘以及結果的解釋評估等三步。

數據準備數據選、數據預處理和數據變換。

數據選取就是根據用戶的需要從原始數據庫中抽取的一組數據。

數據預處理一般可能包括消除噪聲、推導計算缺值數據、消除重復記錄、完成數據類型轉換等。

數據變換是從初始特征中找出真正有用的特征以減少數據開采時要考慮的特征或變量個數

數據挖掘

數據挖掘階段首先要確定挖掘的任務或目的是什么，如數據總結、分類、聚類、關聯規則或序列模式等。

確定了挖掘任務后，就要決定使用什么樣的挖掘算法。同樣的任務可以用不同的算法來實現。

選擇實現算法有兩個考慮因素：

?一是不同的數據有不同的特點，因此需要用與之相關的算法來挖掘

 二是用戶或實際運行系統的要求，有的用戶可能希望獲取描述型的、容易理解的知識，而有的用戶系統的目的是獲取預測準確度盡可能高的預測型知識。

結果解釋和評價

數據挖掘階段發現的知識模式中可能存在冗余或無關的模式，所以還要經過用戶或機器的評價。

若發現所得模式不滿足用戶要求，則需要退回到發現階段之前，如重新選取數據，采用新的數據變換方法，設定新的數據挖掘參數值，甚至換一種挖掘算法。

由于KDD最終是面向人的，因此可能要對發現的模式進行可視化，或者把結果轉換為用戶易懂的另一種表示，如把分類決策樹轉換為“if-then…”規則。

知識發現的任務：

 數據總結：對數據進行濃縮，給出它的緊湊描述。

概念描述：從學習任務相關的數據中提取總體特征。

分類：提出一個分類函數或分類模型 也常常稱作分類器，該模型能把數據庫中的數據項映射到給定類別中的一個。

聚類：根據數據的不同特征，將其劃分為不同的類。包括統計方法、機器學習方法、神經網絡方法和面向數據庫的聚類方法等。 （聚類-無監督學習）

相關性分析：發現特征之間或數據之間的相互依賴關系。

偏差分析：尋找觀察結果與參照量之間的有意義的差別。

建模：通過數據挖掘，構造出能描述一種活動、狀態或現象的數學模型。

知識發現的主要方法： 1.統計方法：從事物的外在數量上的表現去推斷事物可能的規律性。常見的有回歸分析、判別分析、聚類分析以及探索分析等。 2.粗糙集：粗糙集是具有三值隸屬函數的模糊集，即是、不是、也許。常與規則歸納、分類和聚類方法結合起來使用。 3.可視化：把數據、信息和知識轉化為圖形等，使抽象的數據信息形象化。信息可視化也是知識發現的一個有用的手段。 4.傳統機器學習方法：包括符號學習和連接學習。

?

知識發現的對象 1.數據庫當前研究比較多的是關系數據庫的知識發現。 2.數據倉庫數據挖掘為數據倉庫提供深層次數據分析的手段，數據倉庫為數據挖掘提供經過良好預處理的數據源。 3. Web信息Web知識發現主要分內容發現和結構發現。內容發現是指從Web文檔的內容中提取知識;結構發現是指從Web文檔的結構信息中推導知識。 4. 圖像和視頻數據圖像和視頻數據中也存在有用的信息。比如，地球資源衛星每天都要拍攝大量的圖像或錄像。

專家系統的建立

什么情況下開發專家系統是可能的

1，主要依靠經驗性知識，不需運用大量常識性知識就可解決的任務。 2，存在真正的領域專家。 3，有明確的開發目標且任務不太難實現。

什么情況下開發專家系統是合理的

1，具有較高的經濟效益。? 2，人類專家奇缺但在許多地方又十分需要。 3，人類專家經驗不斷丟失。? 4，危險場合需要專業知識 。

什么情況下開發專家系統是合適的

1，本質問題能通過符號操作和符號結構進行求解且需使用啟發式知識、經驗規則才能得到答案。?? 2，復雜性。? 3，范圍所選任務的大小可駕馭、 任務有實用價值。

?

專家系統的設計原則與開發步驟

專家系統的評價

1.? 正確性? ? 1，系統設計的正確性:? ? 系統設計思想的正確性。 ?? 系統設計方法的正確性。 ?? 設計開發工具的正確性。? ? 2，系統測試的正確性: ?? 測試目的、方法、條件的正確性。 ?? 測試結果、數據、記錄的正確性。3系統運行的正確性 ? 推理結論、求解結果、咨詢建議的正確性。 ? 推理解釋及可信度估算的正確性。 ?? 知識庫知識的正確性。

2.? 有用性?

?

專家系統實例

專家系統的開發工具

骨架型工具

骨架型工具是從被實踐證明了有實用價值的專家系統中，抽出了實際領域的知識背景，并保留了系統中推理機的結構所形成的一類工具。EMYCIN、EXPERT和PC等均屬于此類型。EMYCIN疾病診斷專家系統MYCIN的基礎上，抽去了醫療專業知識，修改了不精確推理，增強了知識獲取和推理解釋功能之后構造而成的世上最早的專家系統工具之一。EXPERT是從石油勘探和計算機故障診斷專家系統中抽象并構造出來的，適用于開發診斷解釋型專家系統。

通用型知識表達語言OPS5

專家系統開發環境：AGEattempt to generalize)一種典型的模塊組合式開發工具。

專家系統程序設計語言

符號處理語言(面向 AI 的語言或 AI 語言

PROLOG語言 LISP語言

2.? 面向問題的語言C語言、 C++語言。

總結

以上是生活随笔為你收集整理的人工智能 7.专家系统的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。