ÚVOD DO STROJOVÉHO UČEN. STROJOVÉ UČENI (Machine, Learning je vedecká disciplines zabýva licí se- um**.j sviíem. SU (ML) tvtfí časí uméLé- mtt-Ľ^h. (Ai). Híavmí oblastí *Äimu ML ísoci zejm*.*, í aífjoťiítovj kieiré zl&t>Šuií svou výkowic*-; zkušeností. ML poskytuje nástroje- (aí^oťiímy} pfcft - ra,vny) umožňui/cŕ učehŕ umělých objektu (artefaktů). ML má své počátky někde v GO. letech^ av&ouk incivěis í rozvoj v ohlasíi olzontrnú a metool cmtowatí zovaného učení'mieliaenintch artefaktu pochází Z cca posledních 10£et, Strojové učení • Otázka, zda lze naprogramovat počítače tak, aby byly schopny se učit, je aktuální od okamžiku vynálezu počítače. • Pod pojmem "učit se" se rozumí schopnost automatického zlepšování výkonností s tím, jak vzrůstá znalost a zkušenost: Definice. O počítačovém programu říkáme, že se učí pomocí určité zkušenosti E vzhledem k nějaké třídě úloh T a míře výkonnosti P, pokud jeho výkonnost pro dané úlohy v T měřená P se zlepšuje použitím E. • Zatím není známo, jak uzpůsobit počítače tak, aby se učily jako lidé. • Pro určité druhy úloh již byly vyvinuty efektivní učící algoritmy. • Např. problémy typu rozeznávání řeči jsou řešeny pomocí strojového učení daleko lépe než pomocí jakýchkoliv jiných přístupů. • Úspěch zaznamenaly mj. následující aplikace založené na strojovém učení: ► programy schopné učit se rozeznávat vyslovovaná slova (l 989); ► predikce doby uzdravení pacientů s pneumonií (1997); ► detekce zneužití kreditních karet (1989); ► řízení autonomního vozidla na dálnicích (1989); ► hry obdobné backgamonu na úrovni mistra světa (l 992, 1995), aj. • V oblasti teorie strojového učení byly v současnosti nalezeny postupy umožňující např. charakterizovat základní vztah mezi počtem trénovacích příkladů, počtem uvažovaných hypotéz, a očekávanou chybou naučených hypotéz. • Byly také získány počáteční modely zvířecího a lidského učení pro porozumění vztahu vůči počítačovým učícím algoritmům. Některé příklady stanovení učících problémů vzhledem k všeobecné definici: • Hra v dámu - počítačový program, který by se učil např. hrát dámu, může zvyšovat svou výkonnost pomocí míry dané schopností zvítězit ve třídě úloh zahrnující dámu, pomocí zkušenosti získané hraním dámy proti sobě. Učení se hrát dámu: ► T: hra v dámu ► P: procento vyhraných partií proti protivníkům ► E: hraní partií proti sobě Rozeznávání rukopisu: ► T: rozeznání a klasifikace slov psaných rukopisem ► P: procento korektně klasifikovaných slov ► E: databáze rukopisných slov s danou klasifikací Řízení robota: ► T: jízda na veřejné čtyřproudé dálnici za použití senzorů ► P: průměrná vzdálenost dosažená před výskytem chyby (posuzováno dohlížejícím člověkem) ► E: posloupnost obrazů a řídicích příkazů zaznamenaných při sledování člověka-řidiče Některé z úspěšných aplikací strojového učení: • Rozeznávání mluvených slov - nejúspěšnější aplikace tohoto typu využívají v nějaké formě strojové učení. Např. systém SPHINX (1989) se učí strategie rozeznávání primitivních zvuků (fonémů) a slov pro specifické jedince ze zaznamenaného zvukového signálu. Jsou využity neuronové sítě a metody pro učení Markovových modelů pro automatické přizpůsobení se individuálním řečníkům, jejich slovníku, charakteristikám mikrofonů, šumu na pozadí apod. Tyto techniky mají použití i v mnoha dalších problémech interpretace signálů. • Učení jízdy autonomního vozidla - trénování počítačem řízeného vozidla tak, aby jelo správným způsobem po různých typech silnic. Např. systém ALVINN (1989) používal strategie strojového učení k autonomní jízdě při rychlosti 70 mil/hod na vzdálenost 90 mil po veřejné dálnici za běžného provozu. Obdobné techniky mají aplikace v mnoha problémech regulace a řízení založených na využití senzorů. • Klasifikace nových astronomických struktur - metody strojového učení byly využity v mnoha aplikacích na rozsáhlé datové báze k naučení se obecných pravidelností skrytých v datech. Např. NASA použila algoritmus rozhodovacího stromu pro zjišťování jak klasifikovat nebeské objekty na Palomarské observatoři v programu prohledávání oblohy (1995). Tento systém je nyní používán k automatické klasifikaci objektů na základě dat majících objem řádu terrabyte (obrazová data). • Naučení se hry v backgammon na úrovni mistra světa - program TD-Gammon (1992, 1995) se naučil svou strategii hraním více než 1 milionu partií sám se sebou a nyní hraje srovnatelně s mistrem světa. Techniky využité v TD-Gammonu jsou aplikovatelné v mnoha praktických problémech, kde je nutno provádět efektivní prohledávání rozsáhlých prostorů. Strojové učení nyní tvoří značnou část oboru zvaného umělá inteligence. Jako disciplína bylo ovlivněno mnoha obory: ► Umělá inteligence - učení se symbolických reprezentací konceptů. Problém prohledávání/vyhledávání. Učení jako přístup ke zlepšování řešení problémů. Využívání již zaznamenané znalosti spolu s trénovacími daty pro řízení procesu učení. *■ Bayesovské metody - Bayesův teorém jako základ pro výpočet pravděpodobností hypotéz. Naivní Bayesovský klasifikátor. Algoritmy pro odhad hodnot nenaměřených proměnných. ► Teorie výpočetní složitosti - teoretické hranice složitosti různých úloh učení, měřené v termínech nároků na výpočet, množství trénovacích příkladů, množství chyb apod., nutných pro požadované učení. ► Teorie řízení - procedury pro učení se řízení procesů za účelem optimalizace předem stanovených cílů a pro předpovědi následných stavů řízených procesů. ► Informační teorie - měření entropie a informačního obsahu. Optimální kódy a jejich vztah k optimálním tréninkovým sekvencím pro kódování hypotéz. ► Filosofie - Occamovo ostří (princip jenž stanovuje, že nejlepší je nejjednodušší hypotéza). Analýzy oprávněnosti generalizací přesahující naměřená data. ► Psychologie a neurobiologie - tzv. pravidlo praxe, podle kterého rychlost učení ve velmi širokém rozsahu úloh vzrůstá se získávanou praxí v daných úlohách (někdy také uváděno jako "čím více toho známe, tím snadněji se v tom dále zlepšujeme"). Neurobiologické studie motivovaly modely umělých neuronových sítí pro učení. ► Statistika - charakteristiky chyb, které se vyskytují při odhadu přesnosti hypotézy založené na omezeném vzorku dat. Intervaly spolehlivosti, statistické testy. Před tím, než začneme sestavovat učící algoritmus pro konkrétní úkol, je obvykle nutno zodpovědět některé otázky: • Jaké existují algoritmy pro učení obecných cílových funkcí ze specifických trénovacích příkladů? Za jakých podmínek budou konkrétní algoritmy konvergovat k požadované funkci vzhledem k daným trénovacím datům? Které algoritmy poskytují nejlepší výkonnost a pro které problémy a reprezentace? • Jak mnoho trénovacích dat je zapotřebí? Jaká obecná omezení mohou být nalezena, aby byl vytvořen vztah věrohodnosti naučených hypotéz k množství trénovacích dat a charakteru prostoru hypotéz? • Kdy a jak může apriorní znalost pomoci řídit proces generalizace z příkladů? Může tato znalost pomáhat i když je pouze přibližně správná? • Jaká je nejlepší strategie pro výběr použitelné trénovací zkušenosti a jak výběr této strategie mění složitost problému učení? • Jaký je nejlepší způsob jak redukovat problém učení na problém jedné či více aproximačních funkcí? Lze tento proces automatizovat? • Lze měnit reprezentaci problému tak, aby se zlepšila schopnost naučit se cílovou funkci? ZDROJE ML ML cchpo ze všech oblastí infotmaiik/j niate- maíikv; GLpcd*} kieté jÁcci U dcsAŽent ciJte* (i^ učení se^ umělých ohiekhu) ioskkoíiv po- užíietnď No-pi. kombinací toulky} cta-tc^kcí- ~zové teorie, a vhodných heuristik l^e \/ytvo^ řií System pto z/skávoitoť 'znaHosíí. Z hlediska, ML ie, podsia-índ znatost cl, imeícczncLŽost : meíozna íosí uholIoSÍ o 2hol£osíí (*+?£ u BS m&ic vneta,2.^*,£ost Ure/é, klc-td^ speiifccUdu baíz.aHa-íojK Se Mi*-) i (»4LpK j>rt#*cov&*tod, da.Í£L* I olata. úda>$e/hodnoty ddv*.\{cl smysfi * „Objckiy f>oíchc*ta,£ritli£> a.aLjmurt šurr\ obsahuješ vSe v tne\roz£'tSiteív\e srn is i posit dcfaJťcť srny s t ŕw*pŕ to>- MOY Wihoha Hid! Mtá^doptovdzený hlu- kew\ apod*) „Za,*lže,Y\a, da,íaf UČENI Schopnost učit se tvoří Jeden z úsíředrtťcJo tysů mtcli*ence>. Učeníiesiředobodevnzdivnu kognitivní psychologie Ol uméíé inie£ía ence--óbtoiove učeni obe zmíněné ai£ctpZi.ny castcj&vie. spojuje. Sitoiové učení studuje, (výpočtové) procesy, ktete tvoří zaklad učení uxk u žid!) tetk u sthoíu* ML se mu&i 2.a*býva.t dvěma. zolsolcIhIhií hledisky: — ptroblimy spotené s i-cptesentaďzhOrioséij ohta-hixcuci' pm,¥něéi} a výkonností (co£\'sou rovněž pt-obie>vny AI a, kognitivních Ve-d)* — učeni se mnuže vyskytnout v kteteko£iv cb£a.s4i vyžadujícíMe£i*ewci (di^^no^tika-j p£d,novd-ní, přitopený ^z/%J řU^MJégm^ ). HISTORICKÝ POHLEJ) A/A ML Asi od poloviny SV* let lze sledova-t zd/enn o učení 2 výpočtových hledisek (ht-a.*! het- laJco nafč. Šouc^y} \-ozpozna\vdiv\í písvncuj -Lvotba. a,bstf*-kt*tích konceptů, vetbdßnipouměV). N*. uZ**í &*> pobQlzefLo úslUo no-* hta,\/v\'\ vloL$tv\o&t inte£i*eviiních sysié-yniX ou vjzku,vn Je souséfedilt. iool, obe.cnd wecka.^ hisvny pozndvdníj vnívncCnía \edncCni Nikdy uprostřed (et GO. rozezncLČt, vsycko£oviých sysiávyiči. Hlwnt zdjem byt ov/seutf z*,mir~ev\ shxxHo, neu dom dno v e wezdvi&Ře,(A*eíooly phedevsim "*, *-f>t/kcLce- v ob£a,s4C i/w\md.v\(. AI«/ tozpoz.vtdvdVií \zzotcZ nadšení * me>ž-nos t t a+wt owä/í zova, t z/skd \zdm ! 2yia. 2&3& pr-o doménové specici^lckd zv\o^íostvtf bdz^. cu ko-neZne ve&kdÝiaudtie> i/kiddcuviéofo tM&deíOi/dutť Lidského uccvtf (i«f/i.WeH4i hatph* v* tobotiče). ML se AOLtko y/ýro~zv\d vetev Aľ pťofííova-2o behevv\ $D- JZct j kdy 5fr 2*ätÄ7 hozsihOi/a,t do chilskí e*p€C"-ka-ct \ccko ptcivwvcLv\lj dia**noSÍik&-j H*.\/rb0\/a.v\\ o* řízení, Kcmkťélnl aptika-ce- v ne-klcrýck obßcLS-tech tzv- ptobĚémuZ heá&vdko st/čta, (prtZmystj mediclnosj ľ/zenT-) spo&< vS pevné ii f metodo-tonickou. pcidou. pod nol>7GU¥v\cis prokcCze^iy prínos — nose a. použiíe£,v\e>2>-L technologie ML* Sys\-e\*ci-iicke &xpet*menty uiaty sdť/ehých dc^fech &-, pre -CxStot teoheíickd aiACL&ýzou se postuphe stct£y inormou (sptŠe hez výnimkou). CÍLE A VÝSLEDKY ML SfolvLnýn zaLlmem je uČcnfj <*vSeuk souZ**sny sl**v* dÍ€* ťtic^Ait^ty ndLZnoLČuIe. rozde>le\*Czdľmu djo eŕvh hĹavníoh SK Upi n: prwo^cwi y e- na,ph. prevar Kce* pruc-vsu Mccm <*• W6**fe< £ie ncLÍí^t Uu.pt. v ohJLa.sK návrhu instrukčních mm.~ i€t\a.íLS» pro pouští ve vzdc&JLvkéeristtkáLm mom c*s&*,(/rti**nfA9 n*o& 0i£?m*n«' **- ^xvmie-a^i^ dopad ±yto zmeny m*.if na. uceutí* \fý^ll^di f s t ^^ oh Hm JL} feiid* u zdíc*** e ,$rovnéiv\C idei e pro Sfkid* ztep$e*C &- pozud*,' zdroico z nichž prccvv\4M\ oblize* 9 (5) Matematické stud/UM HL : client íe, formufova-t a^ dokázat tcrorimy O Zv i cid nut l CC Žyck tři d probfewiui (Aotnf o* o a,Z40řitmech na.rr*.ených k resent' tickéo prob t im í. Typický pristu.p zde z&nhn uje* definici f\ei*.kcno probliknu uícrvu'. odhaudzdcu mu>ž*£i ne-m \jJzts být f-eseví pani od rozuvn n é ho pooUju cv i Zv\ýck yužlvčC n d sitové- a^ p0ß**y mfottnétiiky «• líky* Výpociovoí -Lt-ovíe* ucehTpčihe&lcL mnoho P^Ä?-nik^vých ou překvapivých ieot^^oL o r&JLeufcv*! ob~ ílzhosii uccaaÍ ol, o (metooíJLek k £ esem CížcMto pt~o- 4>y.5ééwty, kécté cLouslo vy£a,du>i{ vnwoUo „c&ovekotct" kcsvi.\m\A vývon a, odladení* ML uy»ípřei*iZnH iř-éu*?-v*.cí d*-ias *«* zne-HoSt (Wpr. n*, ptavidZas). Typioký postuu zde, zahhnuies fot*tu£, ptdec s u£iva,íc£i k aío p*>z*do\/ou*£ podoby* Tcv\ i o při S í u f» ved t /c **p £ík éLcím ML v diQ*anosíicc,j řízen rprocesu} pldnovcinrj «• To} co spojuje nvc dev\ é- p?! si upy dob ho ton ^ofVj a e *á*jet*i o vy vo iy r>otozubi€rVií cu 'zhodnocení u Č fetch a,£*oh!t -tnu- ML ic vžda* o cu£mob!tv*e>eh* l>iZta,^AC k£eJ$ew mos vyvinuté cct^ohiímy **> n** Je i iď vzoiiei*t*ý v^tcJn « RÁMEC ML TeftWn učení new/ snadné oicfínovout} vidy tie n«wít mnoho ptoliPt-fk&oudoi* TV* n*-I* <ícc£y vyskocti***' S poněkud nei^dnoz^tocc^ým vymezc-nlm poitnu: Učení íe- ztepsovoLní vjkohnesii ptovaLdených ciwosír v ncl*,ki,w phosíř*dr pomocí -zfákdtvA-ní zv\a,losiC vyplýv**ifcCck **- zkusehosi/ V d*,né*i ph&síy-eali'' TfetWitiy fct*fc0 výkonnosi, phosiředťyZH&ílostj zlcu£&.~ nos t isou ovsc\*n poněkud vdjinf. cJLc* to Meter" <*«. z«ŕ- Výkonnost tyředéfavutc, htv&kou IcvasníitcLiivvu^VAtl-U ntv*e>v\í viet* k ein o uko£u*} ovse>\*% 2.ra* uieŕíf ^e^zwtoS btediskou A«*ko píeshosi j účinnost j p*>eXiop«nf*.. Vrositedí pťcdfokiJLJoí hLicuk^ exiernC uspof-^LotaMÍ sľi$l&i*i't phOLvidly} a-v&a^ \*\či5.& býé eKíct-v\f vzUZed&ui k Učení (k uclc/mu *e ^y^/éuiu^ ^^ phe^-fe £»y£,*Ä?ť*£<^5kr Cc&kov4ko SySÍÁuvuA. iZv\4,Ĺo$t trnpiikuie- ntAouký feyp mí It* í (i *-f e *-n í) sh-ukiuty dout j QsJte, iou mSiZA býb jaiceiko&to* a i*té>i*Í*4&J)\a\ 2«3ha^ni/a>üaltw zkušenost VylaLolu.it, uteiie, uiCMÝ«Ĺ£vcť zphöLCOv/cCucLui kyioový vý&fuupj \a*\oodolcoiAc** u«^ uniíhViíclr*LUy» 2 £ ep 5 evt T -íäIi ^ nt4.i e- poíccdovcLnou. z »i e^^rex ty £*><* vtosvt* totidiíte^iŽišin 2\A<*lce\«\ u\zeJt*é'dtfiiAice* !*, foi^-Jm,v€k íaou toj í*- (ac€mC ncJZi*" pofisoua.t čxoÉot/a^e* Ucld *e- /e v*.*** jp^ew vS néjm*k*u, zt*<**£o*éy%t' hair* 2 níž mixe. vyvozovat (u&uioi/+,t) cc- cto m!£ uMÍL^do^ Obr.; i*iet>a.kcc mezí «cew/w^ KrýkovMoši^Zh^iostío^ pros-tře-dim- (-----------je. i/o/iťeÉný ^P*j ) DŮLEŽITÉ : Vrosié uklololdvíoio pevněli heiof u£en/■'!?■! Toio iviriCviť riei\$t>f£e< mevyvo&oZ podtypy — oioíak«' o,£e< i/, proč ? J)cZvool ie -(evij že- pouA»e wiewi*me-í.i n^pŕ- cit z£e,pscní*. u uoldck srn, kt.a.si£ikcl~ totu io i«-přednos i k£a.s)fikcLce>* Syslémy pto ŕejew/'pf-o-btímCL ^.t^psuií svou účinnost ... Charakteristiky íréttovacfclidat Vro(\rasm .se uíí a^na, lyžováni m kem^one,postoupnosti dají. TaAodaÁ*. se nazývají irénovo,cídaAa,, Consta po-ohoize.il z oup&koť&nC domény. UzAvtend ol otevřená doména,: domina- se> ntczývoL UZwFiv\6L) pokud cKtsítAic pouz €s om cz eviý poôet \ft*sstvtostr *** níekz ift/ezr^ sení'pm-Arfre--kiho V^cblimu pcuk etc mi n iA ntťzyi/d^i^ otevč^tooct. ?ť\kZ*,d- Rubikova* kosíka, je, kl&*řckýn pt-lkiouJ*,** u z«,r£cn£ domény* X kdy£~česen ť'je* colSÍo cse-l/ee obtížné^ (j>re nokicŕeTZ naisy Ypt-inc*pu mdme k drspezíc-í veSketou imfotmouci velebnou k Fesen/ - 2tskd,\*te**i ze* stavuj v nttiMz. £** ko$tk*~ nctckaT-T* iívisť ha, Os-L-Cfíoty CistJ, au z.*s6U,w\€>noicta,tasi Uče*t Jo tet*Mw€smoM-w£j pokud t/ -Irénoi/asor to#cž!*o yi&lscu chyby* Mtežinco &bs<*> b ty, l c t i e H <*f>e í eh €tV& 1?£lk £a>dfy &*■ n «siyvc<* cist oL(hc2- &(aa*iu) 4 (/ op+.Žrt Jim pPlp*M€ pm.k Uovo h í m & o &*<2u,*iŽHýeh declccb — imíZi^- v4$i k h«>pŕ. chybne k£*r*ifi\ko^cS( oup&ď Pouxe, po-ziéivnl Vhlkžady versus koťťkcc nebo #o**4't\/nr pŕfkzGsdy; do í i Sc (dot mCuvit *~ rozcomžt svtti \m*.iet-stcý jo-zylc potcot- (zpoo+ékt*.) u>**sC0ucfi+Mt*! \-od\ovL\toi <*s \fĹ9L*í*!mi pokusy foCuvit* M*»!e9 i+fioh phvw/ sloi/*L, býva-lťpto t-odtoc- &t-£>zu,(*tiícjCrtď* Je* i© p\-otc( že- dčíewi jitf £o phoofk£aĹdoíyiy pouczf ^pnIvw* phlk£a^p(y Pe&i — niko Civ &xp£?cién£ chybné^ přik£**(y. leieté p£e*s£c roz.e.z.n<£. Oprcii -totne* prett^et»y kuebůLp—z&Joócie&viík Sc-Uci meéoMeti pokusu gľ wyCi^ !<*sk uvaru wj/Čko o^ úvk hel-ký -íu,k vnd býé na-pcLvívi ^. Jsou zst-p&ire.Ĺ*/p>& — iHivn! i we-jPÄÄi/Mŕ ^ikuseM&ff-i/ft-tk&t^y* Ifavtožž uSet* MKÍH& kche.ícee.' nChybm,mi S&St&r+k&tSi''*. Vťck\f]<ÁolnQSh ctosifealí Číyhl koJkiory oviivnuj! ohifZtnoSÍ ct&tiAf •' ® SioŽiéosé Clto\t£ZV)0,2osti JeŽ \n*~ byt atskeĹnou* kt&ft koncept zcL.lntnun'cf mnoho ptlzviobUď **bc podmínek imuLž*. býí k m&uoen! sÍom^cCsi než ten j kiehý Tich **£. fajne* (E) Mnóžsiv! ttclev6L*\tvi!ch fŕl±v\*A tonoho H<*f£ &éhibutécZ jsouc/cA lot*, význam« pťo HétMceu/se kcncopůi*/ systím nul-ze »m/6 .á-wren/i* pt-olold^Yj ph€>ée>ž±~ he~mu*l t*ýé sekopen ŕoze2nai echo padsAashne phtf zatZfeneinf inst^vte*- do uteil é iřídy gl, co t*e> • (3) MtoŽsiví sumu v phoséfedť. tí'tíženého ucc*i ^som iť &d b) Jt6m«ÍH*buíu/2ť3tií»-wu/e 2klr€-s2cvi! ovh-iCi c Scc~ meine- MSioMc-L l^fclf hoM^otet* «vtWbutCA i*ic#>£^ fcýi VostAMu t ä, ž'! 2vw«nřH#jc. V<š"ecbec*fí p£ec£fj ŽC* S vyssiwi suwtew býtsóĹ uZe-viC cbh'žnčJsC Extskui! ovše>*\ -í^e^wxtky p**> zw\e\*$ev\r tohebo efekíu* Öd sunu loýi/nĹ toZkoly ot>ttzti& *o*2.ev2M<**\c£,viý hz.y. (Q Dhífí kohcepéuj ccž scuwis! s časovou lconsisle\*c* prosiíedť. V »Zkietých ph!p**>fecU mu£& otoiit k nikto ziwí'We plctínosii konceptu V&ii/e-i* "ZšívisHos^i V\Cl, coasts (ími/Shä- ťOČMiho obatot?/ --•)• Úženi řízené (»S učitele**") a, hehizcné („bez uČiteic") SttA-pcX(y*\t*ý i-ize^í ucc*\íovJíivf(utt> ucfcíphoce^s-V vitklchých phlpctdech Ucilct (nebo doménový ^Xpett) poskytuje u c letnu se phlmou zpětnou vojzIou o přibere-nosíi Íe^ vbkoMOStt. Totio vet-zbau chylo! u. nthCzCwéliO uZev\u Vettímu phoolevnjL ML ^e í^fei. řízen^U© uce**ú U fc£o4if;k n ej p ře su\ e i í^ p »■ e veté -Ée-n i © a/£ h í fc ic fc ( t««^r. ho 2poz ttA/eUt/ pís w* *>) * U teZileZCL ph-olo$é,m\L S<^ hlzemd uccv\r vyskytuje v j>h\ ~ po-dccL krty ucíict ukd£& Sph zphisCOvdvGst ptedktddo^nd oletou íuJT po iednot&ivýcii msíoMCtcin} což le> ízv. ink\-eme*\ioĹl*ť uoe,ulj heJoo taMé muže. zpha^oovojt vnhoi&tvt fastoAte*! nauhdstj cä£ iť naopak izv> neinktementdUHi uťenC Tícstože mkhemcnikiJLm tydoefy se zUoá! byt n^himehe^ nelítfreLvS PhO o«-^í*e ucenix <3U nti*kh4i\M4i,wicL}ÍH{pro of{->tiv\e,j \pMtěi\ií mít oloa, zpdisoloy oddelené* Jeé^íiz mo£ne aJhptova+t neinkhcmcntdiLiA f (Metodu *t«u . A&yot-íhmus \Cr heihkh^m^rltdžiŇr pckaef znovu 2fh*,covd\toL všechny ptedcUcxr&htkllQsdy* Qlotts přisíupy VH*U SVC výhody: / NeihkrOHicnídĚvii'; ii.c vyívouíei st*,üsUky o ttcHovcuclck Gr,kh*JecUs Ošitu* U,MnoÍMl 3.+,£,0&&*t+ *\ei, ?Jcu -seviosé t \e nut¥id zkušenost vhodne f-epreseif^ot/ďt* N€>Uesdfloctu6St ppls^p vyažtveL boots ke Či btnarttf vla,3Ív\osíi — speel^ikcuce, p^ltomnosfc nebo cobsence. MCtíd VJt«, si nosit. N^pf. pfedpokiaiJeimCj jl€, hcjcbkj tvor muže y/ykcc^oi/a.í 3 možné* phfznčvky: ch/u,p*,čos£ 3Í&ka>v0sl} h&asotov&éť Lze tedy tepte ze« tei&ttvottc VYk«sZUi!t>IUo 4* &~ 3* symptom . dLV6€Ľk nikoHW «2« x \ojco spfeS-enifree- používat hi tulného hitu odpovldsL tu-oi Aie přlíomnosi a, 0 tt*t>ti„_ .________________ Vekior i01 tedy p&pl$UX^ c*£"'P*'tdh*) he£heko\u~ clhpj htoudo\fd\Ao tvo+9<* PcnZkotdsioliíejIi'foŕto&JliéfiitfS p°Ft^ů(Je' kcJ£Joot instoxnci ícufeo sou+boh homirid£n/ob a*th'bu£tZ — obdobec booJtský&h vtiLsimast}\ kéehel vsc^k umožňuj e- vice* nez 4 vzdfemně se vy£uou*\!c>\ hodnoty, kupr. v uvzde-tiéw ph/kxo^du č-ze. M6bhhdLo(it di-UshocA vícusinost cvthibu-texv\ ZVUK} ktcfrý m&že, na-býve^t hodnot U+kinL mi**,-Venf; kvokdmťi i-zcs cvŠtAM vždy th<3UH$ VesLkcsi hLcuetu. ■zvninžnefao tyOfOi, Mum etické lomeny isou ve£**tte^ste. Je-Hi d&lno k nuvnetickýc-li Osíl-ťbutu pa,k tie hcpre$en-icvcL-i Hlbcvctnctí dchnou, instanci AcJko hod \t k-rozmet--nevn prostotu } kde a^tribuíy urcuJt osy. M ž kdy se tet-kovimus ptosichu řťkoC prostor ihsta,ttct\ Pain.- binárnívoktory Mze Neklete tílohy jsou ví^k ínheteni* t*eZa*o*\í'&pf-oé-o \fyHcudu,lCScýifiikov<*neič! fe?HHO,ß(SI*tUS* fi/a.ph. siluA.ce se 3 kcsíkcnvii a, s4o£ew: kenkhéůnť friíkuc^; My kcztky A ou 3 éeil not slote et. kosíka C &ež! na, kostem A: B 7 Dchnou »iéuevci lze popsat sotebchew) re£o,oHich Hiét,-UluLi (**Aslůi), (M.3síi2f), (n+CA)} (v*í*ý C)} (vo£ný B). lúAdý tUtte£l popisuje \edi*oi£i\tdhledisko, a,le Jejich poceí pto ttlzvid Situace máze být tdz*ý* He-lí&HÍsjAiyÁy z^hŕnuSí schémat*, vž«.si*o*ti) *emi*+£*i pote*) kd& ieJnoiici** Čihiteiewi ie-SPOÍeZný soubor o\LJi cu podobných vmiodolo^uč vyhodnocovoín'. Vťes^o e>xistuie~ ponnžynt \tjz\A.cn.\Mnc yo*d£Xcv\! ML (ť«*p- výskumníka v tito obJla.sU.) ue^ weLstcduxlc! skupiny (p«*hadi^nnaéa,) .* ^k»-2 vnitt-ní do výstupních. VcLhy ptifaiend j+dnottľ-vjw\ spovJLtn ync^l neuĽtovty utcu.ll množství sVYenefr*ktľ-vři v v jeotnoiiivýeh přípočetech. Aktiv+cc* výstupnick 142 ztZ slíč niíze> být pt-ev^cte^a, ***> mtM'Chckd phmatťket, nebo na ďsktdíní tozhodoi/oZní íiaplevtlp$es*tosii klasifikace o] ptmoíikce- se- dosahufe, -2Jm€nou (/oUi (£) UeeviS 2a,£oz*ne *a insane/eh (phĺpaxffeck): Xnatost ie teptese+rtovcina- Specifickými vh'paJly (otlktaMyý cu sfolíUd na,-flexi bi £w f vohvvtoiva*cMÍ v Zase, výbeH4* (5) Genetické Q*£*oríttoiy : 2Ln**£osé je tepye^seM te>vo#\Os louko soubor boolskyck nebo binatníc» "2V\**(cou (mi*kdy používaných JBtko podmínky ä.o^kce^pha.viofet)% you výkonnosti. © Indukce pravidel: vouživcL if-THEM phaviott-Ĺ. (tFsplněny podmínky THEM ndsleoiui* *ckce>) rozhodovacích sttotnCL. c i obdobne loaded sttuk-tuty zna.lo3Íí Infohvnccce, o cckclch ie. uÍož&viol, bud" v Usicck óttonntt nebo v THEřJ-cdish* pya-vidta,. V podsíněn d cdsťi Sei pouzivoí £o* ich/ Po~ tovndva,cl pyoce,s. Učicf alaotitmuS obvykle, pyovadx tiv* » Aaoný" pte-htcdavacfproce-$ v pyoséoyu irozJboot&vo^cCdn stto~ rv>fi,(ui€ko vs#u.botu pycKvideíJ z**, pouiiíf «éťff^ffe-(; kieyé **aif být lAcleviě-vxy do 2jvilostioisthuklxAt-y V«*t3íw«- uneiod tekursivnc hez*(řžu,Ae- t\-dviovoLci oiakou do disÁu me*š(m h&edanlm {nebo vysve dtí- h. dolcovice ^ev\ v jWhpw kťoku). Co je nutno vřed ?Motcv\fhr\ ttcldhc +£s0rtttoiu &tcit InktefiieviiÁln! ne-lvéékvkovi uoenl ? Kore,ža*tot*y obvykle musCudi-iovmA "ZéLiM^my o *oz.$AM-týcU souJootecU \\nS±**noí* Tťo mkt**iM€#iéůLCHť uô~c*nt é&ic Jp#,évie - tA*e*%! aC Sto^-zs! (ictnodiussi) yckuei pc Vt-a ~ -z/c«?^ci*i#W -t*-í\A€)\/asCA MStlasiAe-e- I i totZÍei*i€> 2***p<5>*»e-iflou.ť lnkre.\*te,H-be*u' i« ŕfízew© u» c/v u*/ ih$í*m^ ce-um* ou nepotřebuje uLcUoi/^iy/oA c~t-lou. Uistdiŕ* 3**i\HA*Ĺ fei pfcu*,a#u* odfyovZci") v*. ks>m/ehg euee k*, príšere u« odpovedi f $)\as*u&i«s ^e b*ď&y\-«.\}\aJu u\eho chybne him, po&faf? /éí- ceMť¥*£*>€'tyé ooLpo\fÍ<Á{ v!ce>> Ho%s*M ihe^kto^cLC'ť nnoHiny ? lep*/ OstfcrttiAyy SC UOt S *iJn£ pčlkčeuciuu. TöMud! pt-edk&JLal&wýcU tr£nova*c>icin mstatMc! ? Mdžc oi/tlv\Ai± /ctvcpŕ* tyokgosé uo€*iC (odjt^tnoetuck^ fan c I toZkjty fťoc&s cic en í f UzlitôviooL v£*u3>tv*0$bl Os&ffH'éwiu \e> hozpo^^A^i^C ok*ťnt*iku.j káfy n«n/ cose,ofaLt oocVfc. Je »MUceevKÍ ihfiot-meuc** PHsitopneC * u$tvcc(c£uL. frvuvVlft» £.S Č.-Z.-C- &n*ď*o ?obh*jzCí «c ťsu**£vzc>i/«ťŕ. TZozJÍcže-vtí \s+,h oc A/AJ múztrbýé Z*L-\n*sAv\€, as nn,$*€>x.t*m%tbetM£. INDUKTÍVNI U CENÍ V*t¥l k ncjc/tí£eži{e!s/frt v*t,ioJoim ML. Moi vyaviasfaWG frpílka^ces V toHohei, oho f-e, ch. Iniuii ivní cliaipaĹ n / in J u kíi i/n (ho u c e e~£ k u&uclkuj íe Ýt&inA, /e cetnaĹ ? - Ja, k £2e cotozbunZé konce-píu „prvočUio" zMeie*n „fčit-ozené, cisJlo " (*>£> 3> ••*,) a/ vv«m*im «.Kéme^ iičkých ope>hd>iohu ? Tpe*fkČ4(*ŕ<íme- &> f**iu,f>*ň, iwV-kL+dy ** phoílpčlkJLosJy ^voeiset} n*.f>h. &*<**}& #j*t>} i4**ipj 6 ne^ -W* Mc^ '/zS wc^ 34 «•(**>, p«v/c ^<*/«- *ie^2<^ i^í-fe utcťíj Zatcu titncĹ fhii-02. c>/s £«I/^ tf/ľ«. fhikíauJy (*4} 34) kou Z l 4 úu z*Ĺot«ý t »hoh*-ftlkžasat&ne, — took Si by ako»* usoudit (chybvi£)j £c přiVo*. ô. k***'*! 1 ~\$cu f>*-voc,!s&o^(z4 hen!)- Í2v* pČe-hncc-* na, (y\ťofrÍA/¥iívi+.) « ^ovwež ize ina/u-Uova.t (ŕf* -z^kJLo^Ál uiŕ*Je,Hýeli f>rťk£,<&c(tZ)) že, žJLJ*d f>hvoo!s£o ne*ť > *^# (chybnej tiv* f>exAce,v\e/v\ pheefsZežtný&h ^*t obe &f>hcivv\ é. Phi^fa.ÍC- Qc by chovu wccpK Ä^ we^ 469 «,vi©^ p^íc íe tnuinc č>be chybný ojeľ»eh«.j&xdt^e ^mrhHcť nebo opa^rf. ínolukl'tvnr infere-nce • vr-oces op*,kov*L,néko 9ÍemiÍbt/dMÍ a/ modi f f kauce, pt-edchozíeh hypoiéz o ko*cep6<* pomocf pf:!k£a,a/íZ au photťphik&G^afou* F ' t>fottpt Glieds irtdukiivní inference, íe konvergence, ke spťeivne. odpovidi z.*s p^eaípokžouaiu.) zt+J&ou atdukia, do*touteencc úleutau- JJÍÍ^€Lohrp^oCrBdoLtOL/. ktehaĹ maC /oLkto --------j—cn--------- STARS' PRl*i.AJ>r Z^í^em induktivní inference, je soubor koncepttí) kiery vyivoĹff možne* hypotéky- Každý konce-f>t repte-zewhu.je^ &ouhor 'm*ia,ncí(4f>eei«ĹQ\*ť koncepty reptezeniuj/etseMty sebe,) : in^lcLvso c - f PI to z,enec ei'sßcu} kencep ty - pooiiM*o jf— r>v pF/>03. ôÍBe£ v axieJlcniw\ pfikíadu« Tí-1to2.cn e Íä3^ e£ n e^ uspofdd^ni kone e pi u je* k Í e rauten Í& konceptu** protože ka,zoiý konce*pt 2»«*f M,pcu*- $cuA>or* 'm£t*»ncf} ffo,k nZj&ký koncept A Je pov*,iovaLn zký <\rouf. VrikZcudi * -w LS I 5£*fc/£cTr?r konce p ty: - konju.nki.ivni koncept (na.pK ZicMe A frvoc'ščo) - disjwikiiv*! koncept (WpŇ priroaevitZ el$£o &olJ* V ftvocUío) Kelpie* m í/í/ kou cepe y ^ol si tyt phi ivorb e hiet*j-eh ŕe, pt-edevn zahrnuty do 4r+*fu, fako (*z£y> » Hief^^enie- VZDr-(Z - VzOh je hcuspořJLdouAý seusbor p**ŕ*ekc pethjL vLaskmos\\' VĹcL*inoserje- posíoujptiost (uipohdUeiMeĹ) pevn-enepoZlu. OL*fekk&; euspckz je, bud"' xJLkíebJnitetm nebe tytnbot cÍMt*fkt< CV< Pfi/k£+*fy7/**P*£tr l (vUky, cenený, k+ou V/z,ot-eeVi wotafce fcyfc *©£©-£e*ty »fo /-«? fcöt-e^peWenee-. přičet*«*^ fc«.&í«í i/j&Líino-rf pn/ntho vzo< tu re buet* ("tflevtftCÍccC ^ odpcvtaLíuci víá^shtasH u*«*-cc ^ÍKuWeUo nebo 4pecíftc4€Jgr gu t»«^iM«/ue 4 olorátacsf-prw/foo ^/^©^-u /e ^h-iUt^c specižtcfátf tie* opIpovioIgluc* Hiet-m-rchie, V2X>f-(Z Se, pou.*fvdĹ éeha/y leatyzí f&ous tcoHce.péry -tovarfr. Vl-oto SA- pötti'UAj/ [MtÁo^y \fýpo£4u, €>h**MO*f-i Obecný cu jitikítoě' obecný Uv&z>t*\es zouJoot imtoMc/j ttouthní kli*,s* f C kovaných hyjpo-í^ZOvL \nA öu b%, Klade-£i hz mene omez€\A\'\^s\ (říj >í ^ ) ^UU/f pJ&t-