Kutatás-fejlesztési eredmények a Számítógépes Algoritmusok és Mesterséges Intelligencia Tanszéken. Dombi József

Átírás

1 Kutatás-fejlesztési eredmények a Számítógépes Algoritmusok és Mesterséges Intelligencia Tanszéken Dombi József

2 Mesterséges intelligencia Klasszikus megközelítés (A*, kétszemélyes játékok, automatikus tételbizonyítás, prolog ) Modern megközelítés (genetikus algoritmusok, rajoptimalizálás, neurális hálók, tanuló algoritmusok, folytonos és fuzzy logikák, természetes nyelvi interfészek )

3 Adatelemzésen alapuló algoritmusok fejlesztése Adatelemzés: adatvizualizáció 1997 Jacques Santer 1999 Los Angeles-i COMDEX

4 Intelligens vizualizációs eljárások CEEPUS Linz, Klagenfurt, Kolozsvár, Maribor 1 hónapos Intelligens vizualizáció kurzus Nokia Érzelem vizualizáció (személyre szabott horoszkóp késztése, életmódhoz kapcsolódó)

5 Adatelemzés: Nokia (titkos) Személyre szabott horoszkóp Életmódhoz kapcsolódó ajánlórendszer

6 Horoszkóp: párkapcsolat elemzés (alprogram) Hívás kezdeményezés Hívás időpontok SMS Nincs szövegértés, se témaanalízis

7 Kapcsolat Kezdő, felfutó, boldog, konfliktusokkal terhelt viszonyok felderítése adatelemzéssel Tanácsgenerálás Az adatelemzés előbb veszi észre az új állapotot mint a kapcsolatban levők! Szabadalom

8 Többtényezős döntés alkalmazás OTDK elemzés Résztvevők Helyezések Utolsó négy alkalom eredményei alapján (8 év) Karok teljesítményének vizsgálata!

9 TDK és OTDK Kétszintű verseny Intézményenként TDK, 3 helyi forduló OTDK kétévente OTDK XXXI. megmérettetés, 62 év

10 Díjak Első, második, harmadik helyezés Pro Scientia Aranyérem Minőségbiztosított tudományos fórum A díjak száma korlátozott OTDT felügyeli (országosan elismert szakemberek) Verseny Hallgatók értékelése (explicit eredmény) Intézmények értékelése (implicit eredmény)

11 Rangsorok és a felsőoktatás A továbbtanulási döntéseket befolyásolja Hallgatók és szülők Intézményi támogatásra hatással van A felsőoktatási intézmény értékelésének egydimenziós projekciója Rangsorok helyett minősítések

12 Az OTDK, mint intézményi mérőszám Az intézményi rangsor tudományos és oktatói teljesítményt vesz figyelembe Az OTDK eredmény mindkettő tevékenységet méri

13 Adatelemzés Három OTDK forduló adatbázisa (karonként) Intézményi résztvevők száma Első helyezettek száma Második helyezettek száma Harmadik helyezettek száma Pro Scientia díjazottak száma Intézmények létszámadatbázisa (karonként) 175 kar szerepel

14 Tényezők Résztvevők száma Pro Scientia pontozása OTDK pontozási súlyozásának időbeli változása Pontozási rendszer meghatározása Kategóriák bevezetése

15 Kategóriahatárok meghatározása A pontozásban a hirtelen változások határozzák meg a kategóriahatárokat Matematikai analízis szükséges Az adatbázis alapján a következő eredmények adódtak, kerekítve

16 Kategóriahatárok értékei kiemelkedő minősítést a karok 5%-a, jelentős minősítést a karok 10%-a, jó minősítést a karok 15 %-a, közepes minősítést a karok 20 %, fejlesztendő minősítést a karok 40 %-a, értékelhetetlen minősítést a karok 10%-a kapott (a három vizsgált OTDK-n nem értek el helyezést).

17 Kiemelkedő minősítés, karokra nem bontható intézmények, karok: Elemzés eredménye Budapesti Corvinus Egyetem Gazdálkodástudományi Kar (BCE GTK) Budapesti Műszaki és Gazdaságtudományi Egyetem Villamosmérnöki és Informatikai Kar (BME VIK) Debreceni Egyetem Bölcsészettudományi Kar (DE BTK) Debreceni Egyetem Természettudományi és Technológiai Kar (DE TTK) Eötvös Loránd Tudományegyetem Bölcsészettudományi Kar (ELTE BTK) Eötvös Loránd Tudományegyetem Természettudományi Kar (ELTE TTK) Pécsi Tudományegyetem Bölcsészettudományi Kar (PTE BTK) Szegedi Tudományegyetem Bölcsészettudományi Kar (SZTE BTK) Szegedi Tudományegyetem Természettudományi és Informatikai Kar (SZTE TTIK)

18 Egyedi valószínűségek aggregálása Aggregatív operátorok, uninormák Súlyozott aggregatív operátorok Ön-DeMorgan azonosság Pan operátorok Pliant operátorok Bayes hálók és aggregatív operátor Szakértői vélemények aggregálása és az aggregatív operátor

19 A súlyozott aggregatív operátor n Ha i=1 w i = 1, akkor a ν* (w, x) független ν*-tól, és

20 A súlyozott aggregatív operátor Dombi operátor esetében

21 Speciális eset Ha w i =1,

22 Bayes háló A Naív-Bayes osztályozót reprezentáló Bayes háló

23 Függetlenség

24 Bayes háló megoldása Mivel a komplemens esemény valószínűsége egy, az esemény valószínűsége leírható

25 Aggregatív operátor és Bayes háló Legyen P(A)=ν 0, Ekkor így és ez az aggregatív operátor!

26 Szakértői vélemények aggregálása Az eredmény p-re ahol p a prior valószínűség.

27 Példa Legyenek [0.2;0.8;0.3;0.2;0.3] a szakértői vélemények egy esemény bekövetkezésének valószínűségéről és legyenek (1; 7; 2; 3; 2) a döntéshozók (súlyozott) fontossági vektorai Az aggregált érték (ha a valószínűségi értékelésünk 0,5 )

28 Képfeldolgozás: asszociatív ekvivalencia operátor egy folytonos leképezés

29 Lemma (ekvivalencia reláció paradoxona) Nincs olyan ekvivalencia reláció, amire 4 és 5 egyszerre teljesülne.

30 Szimmetrikus differencia operátor A Pliant rendszerben

31 Definíció A Pliant rendszerben az ekvivalencia operátor

32 Az ekvivalencia általános alakja

33 Ha n=2, ν*=1/2 és α=1, Ha n=2, ν*=1/2, α=1,w 1 =1 és w 2 =1

34 Szimmetrikus ekvivalencia n=2, α=1, ν*=1/2, u=1/2 és v=1/2

35 Aszimmetrikus ekvivalencia

36 Köszönöm a figyelmet!