Seminarji Laboratorija za umetno inteligenco 1994

4.1.1994: Vijay Raghavan (Department of Computer Science, Vanderbilt University, Nashville, Tennessee): The Problem of Learning DNF Formulas
1.2.1994: Matevz Kovacic (FER): Uporaba MDL hevristike v induktivnem logicnem programiranju
10.2.1994: Andrej Zalar (FER): Avtomatsko ucenje vodenja dinamicnega sistema
15.2.1994: Edi Simec (FER): Indukcija odlocitvenih dreves z algoritmom za ocenjevanje atributov RELIEFF
22.2.1994: Blaz Zupan (IJS): Optimizacija ekspertnih sistemov, ki delujejo v realnem casu in so osnovani na odlocitvenih pravilih
1.3.1994: Viljem Krizman (IJS): Obravnavanje sumnih podatkov pri avtomatskem modeliranju dinamicnih sistemov
8.3.1994: Saso Dzeroski (IJS): jk-klavzalne teorije prvega reda so PAC-naucljive
29.3.1994: Borut Hribovsek (Elektrooptika): Inteligentni operacijski vmesnik VAX/VMS
7.6.1994: Marcin Paprzycki (Department of Mathematics and Computer Science, University of Texas of the Permian Basin, Odessa): Introduction to High Performance Computing
21.6.1994: Darko Zupanic (IJS): Constraint Logic Programming
6.7.1994: Tjasa Makse: Uporaba induktivnega logicnega programiranja v glasbi
5.10.1994: Matija Drobnic (IJS): Analiza vecstrategijskega strojnega ucenja
25.10.1994: Marko Robnik (FER): Konstruktivna indukcija
22.11.1994: Uros Pompe (FER): RELIEF v induktivnem logicnem programiranju
29.11.1994: J. Sturm, B. Leskosek, V. Kapus (Fakulteta za sport): Razvoj racunalnisko podprtega sistema zacetnega izbora in usmerjanja otrok v sportne panoge
6.12.1994: Matjaz Kukar (FER): Uporaba strojnega ucenja pri prognozi komplikacij po operativni oskrbi zloma stegnenicnega vratu
13.12.1994: Matjaz Gams (IJS): Fizikalne osnove naravne in umetne inteligence

Matevz Kovacic (FER): Uporaba MDL hevristike v induktivnem logicnem programiranju: MDL (Minimum Description Length Principle) je metoda za ocenjevanje kvalitete estimatorjev. Ce je dana mnozica estimatorjev R(x1,...,xn), je potrebno dolociti vrednosti parametrov x1,...,xn in stevilo parametrov n. Rissanen je pokazal, da je najboljsi tisti estimator R(x1,..xn) sigala E, ki minimizira I(E|R) + I(R). V ILP so znane tri implementacije MDL principa: Quinlan in Rivestova v FOIL-u, Muggleton in Srinivasanova v Golem-u in Muggletonova. Opisana bo zadnja metoda. Pokazalo se je, da ta implemetacija MDL hevristike ni primerna za ocenjevanje nekonsistentnih hipotez in za probleme, kjer je stevilo ucnih primerov majhno. Prikazali bomo izboljsavo Muggletonove hevristike, ki lahko ocenjuje tudi nekonsistentne hipoteze in je primerna tudi za probleme, kjer je na voljo malo ucnih primerov. Izpeljali smo meje za vrednosti MDl, ki ucinkovito rezejo v prostoru moznih hipotez, kar nam je omogocilo, da smo poiskali optimalne hipoteze po obeh variantah MDL ocene za problema dolocevanje mreze koncnih elementov in KRK.
Andrej Zalar (FER): Avtomatsko ucenje vodenja dinamicnega sistema: Avtor bo predstavil svoje diplomsko delo, v okviru katerega je delal poskuse z avtomatskim ucenjem (kloniranjem) vodenja dinamicnega sistema vozicek-palica iz primerov rocnega vodenja. Poskusi so bili narejeni s sistemoma RETIS in MAGNUS ASISTENT. Z razlicnimi parametri obeh sistemov so bila zgenerirana razlicno dobra pravila za vodenje sistema. Predstavljeni bodo rezultati na razlicno definiranih problemih ucenja (ucenje z zamikom, ucenje iz vec zaporednih opisov stanja...).
Edi Simec (FER): Indukcija odlocitvenih dreves z algoritmom za ocenjevanje atributov RELIEFF: Na seminarju bo avtor predstavil svoje diplomsko delo, v okviru katerega je reimplementiral sistem Assistant, tako da implementirana verzija Assistant-R uporablja za ocenjevanje atributov algoritem RELIEFF. Prikazan bo Assistant-R z razlicnimi izpopolnitvami (m-ocena) ter rezultati na mnozici umetnih in realnih problemov.
Blaz Zupan (IJS): Optimizacija ekspertnih sistemov, ki delujejo v realnem casu in so osnovani na odlocitvenih pravilih: Ekspertni sistemi, ki so osnovani na odlocitvenih pravilih in delujejo v realnem casu, morajo zadovoljiti stroge casovne omejitve. Na seminarju bo predstavljen nov pristop k optimizaciji casovnega odziva tovrstnih sistemov. Optimizacijska metoda na podlagi vhodnega (neoptimiziranega) ekspertnega sistema zgradi zreduciran aciklicen koncen sistem prehajanja stanj (prva faza) in ga dodatno izboljsa s pomocjo metode simuliranega ohlajanja (simulated annealing, druga faza).
Z avtomatsko sintezo na podlagi zgrajenega sistema prehajanja stanj zgradimo novi optimiziran ekspertni sistem. Ta ima (1) krajsi casovni odziv od originalnega neoptimiziranega sistema, (2) je stabilen in (3) ne vsebuje redundantnih pravil. Metoda sinteze lahko tudi doloci natancno zgornjo mejo za casovni odziv sistema. Rezultat uporabe tako zgrajenega sistema je neodvisen od nacina casovnega razporejanja prozenja pravil.
Viljem Krizman (IJS): Obravnavanje sumnih podatkov pri avtomatskem modeliranju dinamicnih sistemov: Na seminarju bo predstavljen sistem GoldHorn, ki je namenjen avtomatskemu modeliranju dinamicnih sistemov. Analiza vpliva sumnih podatkov na odkrivanje zakonitosti dinamicnih sistemov je omogocila identifikacijo glavnih slabosti, ki najveckrat vodijo k identifikaciji nepravilnih (neprimernih) modelov. Pri tem je bila uporabljena metoda za avtomatsko odkrivanje zakonitosti, ki je implementirana v sistemu Lagrange. Predstavljene bodo izboljsave metode, ki so sestavni del sistema GoldHorn: digitalno filtriranje podatkov; primernejse preiskovanje prostora enacb in vecdimezijski optimizacijski algoritem za dolocanje vrednosti koeficientov enacb. Testiranje sistema je pokazalo, da je tako izboljsan sistem skoraj vedno odkril pravilni model dinamicnega sistema.
Saso Dzeroski (IJS): jk-klavzalne teorije prvega reda so PAC-naucljive: Vecina rezultatov o PAC-naucljivosti logicnih programov v obicajni semantiki induktivnega logicnega programiranja govori o nezmoznosti ucinkovitega ucenja v logiki prvega reda. Na seminarju bo predstavljen pozitivni rezultat o PAC-naucljivosti v alternativni (ne-monotoni) semantiki induktivnega logicnega programiranja. Bolj specificno, klavzalne teorije prvega reda, ki vsebujejo stavke z najvec k pojavitvami (v enem stavku) predikatnih in funkcijskih simbolov, ki so najvec j mestni, so PAC-naucljive v polinomskem casu.
Borut Hribovsek (Elektrooptika): Inteligentni operacijski vmesnik VAX/VMS: Razvili smo prototip inteligentnega operacijskega vmesnika za operacijski sistem VAX/VMS. Vmesnik ima znanje o sistemu, znanje o ukazih in znanje o uporabniku. Omogoca resevanje dvoumnosti, odkrivanje in popravljanje jezikovnih napak, robustno komunikacijo, prilagajanje uporabniku in ucenje. Kot temeljno metodo smo uporabili pomnilniski pristop, ki dodaja nove dimenzije resevanja problemov v umetni inteligenci. Ta pristop temelji na masivno paralelnih racunalnikih, ki jih odlikuje velika hitrost in velika pomnilniska kapaciteta.
Marcin Paprzycki (Department of Mathematics and Computer Science, University of Texas of the Permian Basin, Odessa): Introduction to High Performance Computing: Recent years can be characterized by a definitive advances of computing performed by more than one processor at a time. There are many names for this type of processing. Depending on particular interests it can be named: high performance computing, supercomputing, parallel computing or distributed computing. To further confuse the audience each one of these terms may have a different meaning to different people. Whichever way we name it is clear to us that the future of computing will consist of multiple processor environments executing users applications. The aim of this tutorial will be twofold. First, to introduce the basic ideas in parallel computing and, second, using case studies to show some these ideas in work.
Darko Zupanic (IJS): Constraint Logic Programming: Constraint Logic Programming (CLP) je dobro desetletje staro podrocje v umetni inteligenci. Izhaja iz logicnega programiranja in razresevanja omejitev (constraint solving). Njegova prednost je v izrazni moci in prilagodljivosti. Na seminarju bo poudarek na pregledu podrocja in prakticnih vidikih CLP. Dotaknili pa se bomo tudi nekaterih mehanizmov in problemov, ki so specificni za to podrocje.
Tjasa Makse (FER): Uporaba induktivnega logicnega programiranja v glasbi: Na seminarju bo avtorica predstavila svoje diplomsko delo, v okviru katerega je uporabila sistem za induktivno logicno programiranje SFOIL za generiranje pravil za komponiranje kontrapunkta. Predstavila bo rezultate in analizirala moznosti uporabe ILP na tem podrocju.
Matija Drobnic (IJS): Analiza vecstrategijskega strojnega ucenja: Vsebina seminarja je predstavitev magistrskega dela. Predlagana je splosna topoloska shema vkljucevanja posameznih strategij v vecstrategijski sistem, posebej pa sta obravnavana dva posebna primera, zaporedno in vzporedno kombiniranje posameznih metod. Za primer vzporednega kombiniranja metod je bil razvit analiticni model vecstrategijskega ucenja, s katerim smo dolocili pogoje, ki morajo biti izpolnjeni, da pri opisanem pristopu dosezemo povecanje klasifikacijske tocnosti. Model je bil najprej razvit za primer dveh neodvisnih klasifikatorjev, nadaljnja analiza pa je pokazala, da vzajemna odvisnost posameznih klasifikatorjev sicer vpliva na povecanje klasifikacijske tocnosti, ne pa tudi na same pogoje, pod katerimi jo lahko dosezemo. Model je bil dodatno posplosen za primer vec neodvisnih klasifikatorjev. S pomocjo integracije preko verjetnostnih porazdelitev je bilo izracunano pricakovano povecanje klasifikacijske tocnosti pri danih pogojih.
V nadaljevanju bo prikazana uporaba tehnik vecstrategijskega ucenja na realnih domenah. V ta namen je bilo implementirano okolje za vecstrategijsko ucenje GOLDING, ki obsega preglednico za vnos in obdelavo podatkov, stiri razlicne metode za avtomatsko ucenje, kot tudi vec mehanizmov kombiniranja znanja. Eksperimenti so pokazali, da je s preprostimi mehanizmi kombiniranja znanja zelo tezko doseci bistveno izboljsanje klasifikacijske tocnosti. Nasprotno pa smo z mehanizmi, zasnovanimi na meta ucenju, dosegli zelo dobre rezultate, cetudi je izbira pravega mehanizma se vedno odvisna od znacilnosti dane domene.
Marko Robnik (FER): Konstruktivna indukcija: Na seminarju bo podan pregled metod konstruktivne indukcije v avtomatskem ucenju s posebnim poudarkom na treh podrocjih: odlocitvena pravila, odlocitvena drevesa in induktivno logicno programiranje.
Uros Pompe (FER): RELIEF v induktivnem logicnem programiranju: Algoritem RELIEF se je v avtomatskem ucenju izkazal kot ucinkovit ocenjevalnik pomembnosti atributov, zato je postalo zanimivo vprasanje, kaj lahko ta algoritem prispeva k razvoju ILP. Na seminarju bo predstavljen pristop k vkljucitvi RELIEF-a v ILP kot ocenjevalca kvalitete literalov. Poudarjene bodo prednosti, ki jih RELIEF prinasa, vkljucno z novimi moznostmi obravnave pogleda naprej. Prikazanih bo nekaj osnovnih rezultatov, dobljenih z naso implementacijo algoritma (ILP-R) in nakazane bodo smeri nadaljnega razvoja.
J. Sturm, B. Leskosek, V. Kapus (Fakulteta za sport): Razvoj racunalnisko podprtega sistema zacetnega izbora in usmerjanja otrok v sportne panoge: V okviru projekta z zgornjim naslovom so bili izdelani trije modeli odlocitvenih ekspertnih sistemov za zacetni izbor in usmerjanje otrok v sportne panoge. Prvi model temelji na lupini ekspertega sistema DECMAK in je bil na tem seminarju ze predstavljen. Tokrat bo predstavljen reduciran in poenostavljen sistem odlocanja ND v dveh variantah: z minimalno baterijo meritev, ki je primerna za vecino sportnih panog, in z razsirjeno baterijo, ki je primerna za ugotavljanje nadarjenosti za plavanje. Prikazana bo tudi organizacija aplikativnega dela projekta.
Matjaz Kukar (FER): Uporaba strojnega ucenja pri prognozi komplikacij po operativni oskrbi zloma stegnenicnega vratu: Zlom stegnenicnega vratu (kolka) je stanje, ki v vecini primerov zahteva operativen poseg. Ker so tipicni pacienti starejsi ljudje, je vsaka komplikacija po operaciji lahko zivljenjsko nevarna. Prikazani bodi rezultati poskusov napovedovanja komplikacij z razlicnimi algoritmi s podrocja strojnega ucenja: nevronska mreza, Bayesov klasifikator, K najblizjih sosedov, Asistent, Relief, LFC (lookahead feature construction) in moznost uporabe le-teh v praksi. Opisan bo tudi vecstrategijski pristop, ki zdruzuje zgoraj navedene metode, in prikazane njegove prednosti in pomanjkljivosti.
Matjaz Gams (IJS): Fizikalne osnove naravne in umetne inteligence: Predstavljene bodo nekatere fizikalne teorije, ki so morda potrebne za doseganje inteligentnosti pri zivih bitjih in strojih. Te hipoteze kazejo, da s t.i. klasicnim pristopom ni mogoce doseci prave inteligence na se tako hitrih racunalnikih. Omenjeni bodo interdisciplinarni, t.j. fizikalni, matematicni, bioloski in filozofski pristopi k omenjeni tematiki. Posebej bodo omenjeni Roger Penrose, Searle, Dreyfus, Goedel, Turing, Wheeler, DeWitt, Deutsch. Predavanje bo pregledno in za sirsi krog, ki ga zanimajo vprasanja inteligence.