4.Выводы в логике высказываний. Принцип резолюций.

Правило резолюции для логики высказываний можно сформулировать следующим образом.

Если для двух дизъюнктов существует атомная формула, которая в один дизъюнкт входит положительно, а в другой отрицательно, то, вычеркнув соответственно из одного дизъюнкта положительное вхождение атомной формулы, а из другого — отрицательное, и объединив эти дизъюнкты, мы получим дизъюнкт, называемый резольвентой. Исходные дизъюнкты в таком случае называются родительскими или резольвируемыми, а вычеркнутые формулы — контрарными литералами. Другими словами, резольвента — это дизъюнкт, полученный из объединения родительских дизъюнктов вычеркиванием контрарных литералов.

Для применения правила резолюции необходимо :

1. Привести все посылки и отрицания заключения КНФ.

2.Выписывается каждый дизъюнкт с новой строки. Все они истинны, т.к. конъюнкция истинна по предположению.

3.Каждый дизъюнкт это дизъюнкция , возможно одночленная, состоящая из предложений и отрицаний. Именно к ним применяется метод резолюции.

4.Резолюция продолжается до тех пор, пока не получим 2 одинаковых атома с противоположным знаком.

Известно :Палец часть кисти. Доказать, что палец часть. Кисть часть руки человека. Рука часть человека. Р  является частью.

1 P(x,y)   P(x,y)   P(y,z)

2 P(п,к)

3 P(к,р)

4 P(р,ч)

5 P(п,ч)

P(п,ч) - получить

(x)( y)( z)(P(x,y)  P(y,z)  P(x,z)

P(x,y)   P(y,z)  P(x,z)

(1,2) Q₁=(x=n, y=k)

P(n,z )  P(n,k)  P(k,z)  P(n,z )   P(k,z)

(3) Q₂=(z=p)

P(n,р )  P(к,р)  P(n,р )

Q₃=(z=ч)  P(к,ч)

Q₄=(x=к, y=р)

P(к,z )  P(p,z)

Q₅=(z=ч)  P(к,ч)

При подстановках Q₃=(z=ч)  P(к,ч) и Q₅=(z=ч)  P(к,ч) , т.е. получено противоречие.

13.Знания. Data Mining и Knowledge in db.

Знание — в теории искусственного интеллекта, базах знаний и экспертных системах — совокупность данных, фактов и правил вывода (у индивидуума, общества или у системы ИИ) о мире, включающих в себя информацию о свойствах объектов, закономерностях процессов и явлений, а также правилах использования этой информации для принятия решений. Правила использования включают систему причинно-следственных связей. Главное отличие знаний от данных состоит в их активности, то есть появление в базе новых фактов или установление новых связей может стать источником изменений в принятии решений.

Data Mining – это процесс обнаружения в "сырых" данных ранее неизвестных нетривиальных практически полезных и доступных интерпретации знаний, необходимых для принятия решений в различных сферах человеческой деятельности. Data Mining является одним из шагов Knowledge Discovery in Databases.

Знания должны описывать новые связи между свойствами, предсказывать значения одних признаков на основе других и т.д. Найденные знания должны быть применимы и на новых данных с некоторой степенью достоверности. Полезность заключается в том, что эти знания могут приносить определенную выгоду при их применении. Знания должны быть в понятном для пользователя не математика виде. В случае, когда извлеченные знания непрозрачны для пользователя, должны существовать методы постобработки, позволяющие привести их к интерпретируемому виду.

Алгоритмы, используемые в Data Mining, требуют большого количества вычислений.

Задачи, решаемые методами Data Mining:

– Классификация – это отнесение объектов (наблюдений, событий) к одному из заранее известных классов.

– Регрессия, в том числе задачи прогнозирования. Установление зависимости непрерывных выходных от входных переменных.

– Кластеризация – это группировка объектов (наблюдений, событий) на основе данных (свойств), описывающих сущность этих объектов.

– Ассоциация – выявление закономерностей между связанными событиями.

– Последовательные шаблоны – установление закономерностей между связанными во времени событиями, т.е. обнаружение зависимости, что если произойдет событие X, то спустя заданное время произойдет событие Y.

– Анализ отклонений – выявление наиболее нехарактерных шаблонов.