Kutatás-fejlesztési eredmények a Számítógépes Algoritmusok és Mesterséges Intelligencia Tanszéken Dombi József
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…)
Adatelemzésen alapuló algoritmusok fejlesztése • Adatelemzés: adatvizualizáció ▫ 1997 Jacques Santer ▫ 1999 Los Angeles-i COMDEX
Intelligens vizualizációs eljárások • CEEPUS Linz, Klagenfurt, Kolozsvár, Maribor – 1 hónapos Intelligens vizualizáció kurzus • Nokia Érzelem vizualizáció (személyre szabott horoszkóp késztése, életmódhoz kapcsolódó)
• Adatelemzés: Nokia (titkos) ▫ Személyre szabott horoszkóp ▫ Életmódhoz kapcsolódó ajánlórendszer
▫ Horoszkóp:
párkapcsolat elemzés (alprogram) Hívás kezdeményezés Hívás időpontok SMS Nincs szövegértés, se témaanalízis
Kapcsolat • Kezdő, felfutó, boldog, konfliktusokkal terhelt viszonyok felderítése adatelemzéssel • Tanácsgenerálás ▫ Az adatelemzés előbb veszi észre az új állapotot mint a kapcsolatban levők!
• Szabadalom
Többtényezős döntés alkalmazás • OTDK elemzés ▫ Résztvevők ▫ Helyezések ▫ Utolsó négy alkalom eredményei alapján (8 év)
• Karok teljesítményének vizsgálata!
TDK és OTDK • Kétszintű verseny
• Intézményenként TDK, 3 helyi forduló • OTDK kétévente
• OTDK XXXI. megmérettetés,
62 év
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)
Rangsorok és a felsőoktatás • A továbbtanulási döntéseket befolyásolja
Hallgatók és szülők • Intézményi támogatásra hatással van • A felsőoktatási intézmény értékelésének egydimenziós projekciója • Rangsorok helyett minősítések
Az OTDK, mint intézményi mérőszám • Az intézményi rangsor tudományos és oktatói teljesítményt vesz figyelembe
• Az OTDK eredmény mindkettő tevékenységet méri
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
Tényezők • Résztvevők száma
• Pro Scientia pontozása • OTDK pontozási súlyozásának időbeli változása • Pontozási rendszer meghatározása
• Kategóriák bevezetése
Kategóriahatárok meghatározása • A pontozásban a hirtelen változások határozzák meg a kategóriahatárokat • Matematikai analízis szükséges • Az adatbázis alapján a következő eredmények adódtak, kerekítve
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).
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)
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
A súlyozott aggregatív operátor
• Ha és
𝑛 𝑖=1 𝑤𝑖
= 1, akkor aν*(w, x) független ν*-tól,
A súlyozott aggregatív operátor Dombi operátor esetében
Speciális eset • Ha wi=1,
Bayes háló
• A Naív-Bayes osztályozót reprezentáló Bayes háló
Függetlenség
Bayes háló megoldása • Mivel a komplemens esemény valószínűsége egy, az esemény valószínűsége leírható
Aggregatív operátor és Bayes háló • Legyen P(A)=ν0 , Ekkor
ez az aggregatív operátor!
és így
Szakértői vélemények aggregálása • Az eredmény p-re
• ahol p a prior valószínűség.
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 ) • 0.6834.
Képfeldolgozás: asszociatív ekvivalencia operátor egy folytonos leképezés
Lemma (ekvivalencia reláció paradoxona) • Nincs olyan ekvivalencia reláció, amire 4 és 5 egyszerre teljesülne.
Szimmetrikus differencia operátor • A Pliant rendszerben
Definíció • A Pliant rendszerben az ekvivalencia operátor
Az ekvivalencia általános alakja
• Ha n=2, ν*=1/2 és α=1,
• Ha n=2, ν*=1/2, α=1,w1=1 és w2=1
Szimmetrikus ekvivalencia • n=2, α=1, ν*=1/2, u=1/2 és v=1/2
Aszimmetrikus ekvivalencia
Köszönöm a figyelmet!
