Wydział*	Zarządzania i Administracji
Katedra*	Katedra Informatyka
Rok akademicki	2014/2015
Semestr*	zimowy (I)
Student	Vasylyna Deshchakivska
Nr albumu	17837
Grupa**	3 ITD GPrl01
Przedmiot**	Sztuczna inteligencja
Prowadzący**	dr inż. Andrzej Burda
Temat	Yeast Data Set

Spis treści

1. Cel projektu………………………………………………………………………………..3

2. Opis bazy informacyjnej…………………………………………………………………..3-4

3. Opis użytej metody/algorytmu…………………………………………………………….4-5

4. Wyniki eksperymentu …………………………………………………………………….5-9

5. Omówienie uzyskanych wyników…………………………………………………….......10

6. Wnioski……………………………………………………………………………………10-11

1. Cel projektu:

Celem naszego projektu jest tworzenie reguł wnioskowania przy pomocy sieci przekonań Bayesowskie , formalnie taka sieć jest modelowana za pomocą skierowanego grafu acyklicznego, w którym wierzchołki reprezentują zdarzenia, a łuki związki przyczynowe pomiędzy tymi zdarzeniami, celem projektu jest : analiz algorytmu, przedstawienie problemu decyzyjnego przygotowania zbiorów: uczącego i testowego. Wygenerowanie reguł i ich ocen.

2. Opis bazy informacyjnej:

Baza informacyjna składa się z zbioru który zawiera w sobie 148 przypadków. Bazę informacyjną podziel na 2 podzbiory: uczący i testujący. Zadanie wykonane było w Excelu: losowo uporządkowane dane, następnie początkowy przypadki wykorzystano było do utworzenia podzbioru uczącego (92) , a pozostałe (55) do testującego. Plik był zapisany w przyjętym rozszerzeniu *tab. Plik ujmujący dane o badanych obiektach reprezentuje domyślną tablicę decyzji. Ciało pliku rozpoczyna linia sterująca, , deklarująca liczbę, typ oraz rodzaj atrybutów. W naszym przypadku wszystkie atrybuty opisujące (zmienne niezależne, tutaj 8) są numeryczne, (n), zaś zmienna zależna (atrybut decyzyjny, tylko 1 ), (d), jest umieszczony w skrajnej, prawej kolumnie tablicy. Kolejnym elementem struktury pliku z danymi jest lista nazw atrybutów, ujęta w nawiasach kwadratowych, ([…]).

Ocenianie podzbioru uczącego:

3. Opis użytej metody/algorytmu:

Sieci bayesowskie to jedna z metod reprezentowania i odkrywania wiedzy oparta na rachunku prawdopodobieństwa. Prawdopodobieństwo bezwarunkowe (a priorii)określa liczbowo szansę wystąpienia jakiegoś zjawiska, gdy nie są znane żadne okoliczności związane z tym zjawiskiem. Prawdopodobieństwo warunkowe (a posteriori) P(A│B) jest to prawdopodobieństwo zdarzenia A obliczane tylko w sytuacjach, w których zaszło zdarzenie B. Prawdopodobieństwo wyraża się wzorem:

Prawdopodobieństwo warunkowym musimy posługiwać się, kiedy chcemy wyliczyć prawdopodobieństwo jakiegoś zdania i posiadamy wiedzą o innych zdaniach zależnych. P(A) jest poprawnym prawdopodobieństwem zdarzenia A o ile nie posiadamy żadnej wiedzy. Jeżeli wiemy że zachodzi jeszcze B, to poprawnym prawdopodobieństwem zdarzenia A jest , jeżeli wiemy że zachodzi jeszcze C to poprawnym prawdopodobieństwem jest: Sieć Bayesowska służy do przedstawiania zależności pomiędzy zdarzeniami bazując na rachunku prawdopodobieństwa. Klasycznym przykładem jest reprezentowanie zależności pomiędzy symptomami a chorobą.

Sieć Bayesowska to acykliczny (nie zawierający cykli) graf skierowany, w którym znajduje się:

• węzły reprezentują zmienne losowe (np. temperaturę jakiegoś źródła, cechę obiektu itp.)

• łuki (skierowane) reprezentują zależność typu „ zmienna X ma bezpośredni wpływ na zmienna Y”,

• każdy węzeł X ma stowarzyszona z nim tablice prawdopodobieństw warunkowych określających wpływ wywierany na X przez jego poprzedników (rodziców) w grafie,

• Zmienne reprezentowane przez węzły przyjmują wartości dyskretne (np.: TAK, NIE).