Föreläsning 15. Logik med tillämpningar
|
|
- Sven Fredriksson
- för 7 år sedan
- Visningar:
Transkript
1 Föreläsning 15 Logik med tillämpningar
2 Innehåll Exempel på expertsystem Eliza Min forskning Vad är ett beslutsstöd? Exempel på byggda beslutsstöd The production line för beslutsstöd. Extraktionsfasen Analysfasen Neurala nätverk, Fuzzylogik Syntesfasen Fuzzylogik
3 Expertsystem Ska härma en mänsklig expert och fatta de beslut hon skulle ha gjort. Kan likna ett expertsystem med en svart låda. Vi skickar in ett antal input och vill få ett (el. flera) svar. Hur fyller man lådan på bästa sätt? Logiska regelbaser, fuzzy logik, artificiella neurala nätverk, statistiska formler m.m. En tillämpning inom AI - Artificiell Intelligens och eller KI - Komputationell intelligens.
4 Några andra tillämpningar inom AI Behandling av naturligt språk Teorembevisning Robotar Automatisk programmering Kombinatoriska och schemaläggningsproblem Perception - syn, hörsel etc
5 Turingtestet En utmaning: Kan man programmera en dator så att den beter sig som en människa? eller Kan manseskillnadpåendatorskonversationoch en människas? Alan Turing, (Innan begreppet AI fanns!) En fråga får två svar via terminal ett av dator och ett av människa. Vilket är vilket? Brister med testet...
6 Eliza Joseph Weizenbaum skrev ett program som skulle härma en psykoterapeuts sätt att närma sig en patient. (Och lura Turingtestet!) Referens: Weizenbaum: Eliza - A computer program for the study of natural langauage communication between man and machine. Communications of the ACM, Volym 9, Nummer 1, Januari Finns implementerad i Emacs som kommandot doctor Lyckades för bra! Weizenbaum lämnade forskningen inom AI! What I had not realized is that extremely short exposures to a relatively simple computer program could induce powerful delusional thinking in quite normal people.
7 Exempel på dialog: Iamunhappy. How long have you been unhappy? Six months. Can you help me? What makes you think I can help you? You remind me of my father and brother. Please tell me more about father
8 Hur fungerar Eliza? Matcha det som ges som input mot ett mönster som bildar ett standardsvar. Ex. I am (*). How long have you been (*)? I like (*). Does anyone else in your family like (*)? (*) you (**) me. What makes you think I (**) you?
9 1989: MNL 1991: Började som amanuens 1994: Filosofie magister 1995: Forskarutbildningen Min bakgrund 1998: Filosofie licentiat 2001? Doktorsexamen
10 160 poäng Forskarutbildning: 80p teori och 80p avhandling Licentiatexamen: 40p teori och 40p avhandling Doktorandtjänst bra finansiering 80% forskning + 20% undervisning (> 33% ) Vad gör man? Läser in nytt material/hålla sig uppdaterad med fronten Utför experiment/skapar program/testkörningar Skriver artiklar/rapporter/papers/konferensbidrag Informerar om sin forskning (tredje uppgiften) MÅLET: Ta fram ny och god kunskap
11 Mitt forskningsområde Medicinsk informatik: Användandet av information och IT (informationsteknologi) inom hälso- och sjukvården i praktik, undervisning och forskning. Beslutsstöd för diagnos av sjukdomar Utveckla analysmetoder Neurala nätverk Fuzzylogik Hybrider
12 Vad är ett beslutsstöd? Datorbaserat system som tar fram fakta och information. Ska hjälpa och stötta vid beslutsfattande. Systemet bör kunna beskriva hur det resonerar. Kan basera sig på Läkarens kunskaper i form av regler Befintliga datamassor (journaler).
13 Läkarens kunskaper i form av regler Svårt formulera regler, ofta sitter kunskapen i ryggmärgen. Regler kan vara motsägande. Svårt dra gränser. Regler föråldras. Internationella guidelines finns. Fuzzylogik gör beslutsstöden bättre?
14 Skärmdump 1 och 2
15 Hur används befintliga fakta? Relevanta fakta om en sjukdom från många journaler tillsammans med diagnosen (facit). Samlaenmängdmeddatafrånfriskaochsjuka patienter. Använd olika matematiska metoder för att få systemet att lära sig ställa rätt diagnos.
16 Ett exempel på ett beslutsstöd dg Decision Maker Läkaren front-end Ett system somfor sköter navigering navigation mot en diagnos. towards diagnosis I C D dg dg... dg
17 Skärmdumpar
18 Domain expert... Support Systems Synthesis Analysis Extraction Data... Information Bank Automatiserad produktion av beslutsstöd. Ska kunna användas av domänexperten (läkaren) utan inblandning av datavetare. Ett enda programsystem istället för flera.
19 Den svarta lådan y f(x 1,x 2,...,x n )... x 1 x 2 x 3 x 4 x n
20 Den svarta lådan Om feber < 37.5 och sänkan < 5 så... Om feber > 39 och sänkan > 15 så... Logisk modell e (0.286 * (AGE 0.5)) 1: LR * ( e (0.286 * (AGE 0.5)) ) y Statistisk modell y f(x 1,x 2,...,x N )... x 1 x 2 x 3 x 4 x N Neural modell y Hybridmodell x 1 x 2 x 3 x 1 x 2 x 3
21 Statistiska metoder y e (0.286 * (AGE 0.5)) 1: LR * ( e (0.286 * (AGE 0.5)) )... x 1 x 2 x 3 x 4 x n
22 Logiska metoder y Om feber < 37.5 och sänkan < 5 så... Om feber > 39 och sänkan > 15 så x 1 x 2 x 3 x 4 x n
23 Perceptronen y w 1 w 2 w 3 w 4... w n... x 1 x 2 x 3 x 4 x n
24 Multi-layer perceptroner (MLP) y x 1 x 2 x 3 x 4 x n
25 Träning av neurala nätverk Backpropagationalgoritmen populär Bygger på gradient-descent algoritmen. Kan fastna i lokala minima Algoritmen: ❶Upprepa ett lämpligt antal gånger: ❶Kör en omgång data genom nätet. ❷Jämför nätets svar med facit ❸Räkna ut felen, skicka dem bakåt i nätet och uppdatera vikterna. Samma idé vid träning av hybridnätverk
26 Preprocessande perceptronen y x 1 x 2 x 3 x 4 x n
27 Sigmoiden g(x) Olika analysmetoder The s igm oid Slope at inflexion point beta/4 = 2.5 In fle x io n p o in t alpha = x g [ α, β]( x) = β( x α) 1+ e 1
28 Ett (fuzzy)logiskt synsätt... Hur kommer läkaren fram till sin diagnos? Kombinera fakta med befintliga kunskaper och sedan härleda en lösning. Varje symptom bidrar till diagnosen med en viss grad av osäkerhet. x w i i o Alla dessa implikationer vägs samman på något sätt för att nå en slutsats. Använd fuzzylogiska konnektiv för att hantera detta.
29 Den generaliserade preprocessande perceptronen o N = i = [ υ ] ( ϕ [ ψ ]( w, g [ ω ]( x ))) Φ 1 i i i i i i
30 Den svarta lådan Om feber < 37.5 och sänkan < 5 så... Om feber > 39 och sänkan > 15 så... Logisk modell e (0.286 * (AGE 0.5)) 1: LR * ( e (0.286 * (AGE 0.5)) ) y Statistisk modell y f(x 1,x 2,...,x N )... x 1 x 2 x 3 x 4 x N Neural modell y Hybridmodell x 1 x 2 x 3 x 1 x 2 x 3
31 Infoga det nya systemet När analysfasen är klar har man stommen till ett färdigt beslutstödssystem klart. Denna stomme ska automatiskt infogas i det gamla systemet. Viktigt att information finns: Vem har byggt systemet? Vilka data ligger till grund för det? När är det byggt? Hur använder man det och tolkar resultaten? Hur säkert är systemet?
32 µ A ( x) Fuzzy logik I klassisk logik är saker antingen sanna (1) eller falska (0). Fuzzy logik generalisering av klassisk logik där sanningsvärdet ligger i intervallet [0, 1]. Tillhörigheten av x i en mängd A definieras i klassisk mängdlära av: = 1, 0, x x A A
33 Fuzzymängder Sanningsvärdet för påståendet x finns i A bestäms av (x, µ A (x)). Zadeh, 1965: En fuzzymängd A definieras på ett liknande sätt. Andra komponentens värden kan tas från hela intervallet I = [0, 1]. µ A (x) : X I Sanningsvärdena representerar då en grad av tillhörighet. 0 - icke-tillhörighet ( helt falskt ) 1 - fullständig tillhörighet ( helt sant )
34 Fuzzymängd A ( nära 4 ) A = {(1, 0.0), (2, 0.2), (3, 0.6), (4, 1.0), (5, 0.6), (6, 0.2), (7, 0.0)}
35 Oftast beskrivs µ A som en funktion Lättare att utföra matematiska beräkningar på en funktion. Exempel: Normal rumstemperatur: µ A ( x) = 0, ( x 16)/ 2, 1, ( 24 x)/ 2, 0, x < x < x < x 24 x >
36 Vanliga tillhörighetsfunktioner: 1 1 α β α γ β 1 1 α β α β γ δ
37 En mängd av tillhörighetsfunktioner bildar en fuzzyfamilj. Fuzzylogiska mängdoperationer och konnektiv uttrycks som funktioner som arbetar på [0,1]- intervallet. µ µ µ A B = max{ A, B}
38 Sanningstabeller? Fungerar inte eftersom vi har ett kontinuerligt intervall [0, 1]. Vi får se varje operation som en funktion från [0,1] 2 =[0,1] (eller [0,1] =[0,1] för negation). Funktionerna kan variera (måste dock följa vissa regler ) Om φ är en sats och [[φ]] dess sanningsvärde så brukar negationen oftast definieras som [[φ]]===1= =[[φ]]
39
40 Olika sätt att definiera disjunktion (eller) Unionen mellan två fuzzymängder max(a, b) a+b-a*b min{a+b,1} min{[a p +b p ] 1/p, 1}, p>0 Zadeh Produktkonnektiv Lukasiewicz Yager
41 Olika sätt att definiera konjunktion (och) Snittet mellan två fuzzymängder min(a, b) Zadeh 1965 a*b Produktkonnektiv max{0, a+b-1} Lukasiewicz 1-min{[(1-a) p +(1-b) p ] 1/p,1}, Yager p>0
42 Fuzzymängd a och b
43 a =b
44 a =b
45 De Morgans lagar gäller fortfarande Tack vare villkoren som ställs på funktionstyperna [[φ]] =[[φ]] = [[φ]] och [[φ]] =[[φ]] = [[φ]] endast om min används för och max för. Implikationen kan också uttryckas med olika typer av funktioner. Uttryck som är ekvivalent i klassisk logik behöver inte vara det i fuzzy logik eftersom uttrycken sträcker över hela intervallet.
46 Sammanfattning Beslutsstöd inom hälso- och sjukvården kan skapas på flera sätt: System som bygger på regler (Blodtryck) System som bygger på befintliga fakta (Polycystic ovary syndrome) Viktigt att ett beslutstöd kan beskriva hur resultatet kommit fram. Fortfarande läkaren som tar det avgörande beslutet!
47 En fuzzy controller knowledge base fuzzification interface fuzzy decision logic fuzzy defuzzification interface not fuzzy measured values controlled system controller output not fuzzy
48 Inverterade pendeln Problem: Balansera en påle på en vagn som kan röra sig i två riktningar. Indata: Hastigheten på vagnen Vinkeln mellan pålen och vagnen Vinkelhastigheten Utdata: Ändring av vagnhastigheten
49 Tillhörighetsfunktioner
50 Regler If angle is zero and angular velocity is zero then speed shall be zero. If angle is zero and angular velocity is pos. low then speed shall be pos. low. Angle Angular velocity Speed NH NL Z PL PH NH NH NL NL Z Z NH NL Z PL PH PL Z PL PH PH
51 Hur får man ett output utifrån givna input? Titta på varje regel för sig och beräkna till vilken grad man kan tillämpa den. De värden man får fram används sedan för att skära topparna av resultatgrafen. Resultatgrafen måste sedan omvandlas till ett värde som inte är fuzzifierat. Vanligaste sättet är att välja ett av de värden som ger ett maximalt värde i grafen.
52
53 If angle is zero and angular velocity is zero then speed shall be zero.
54 Bara tre regler till ger ett resultat: If angle is zero and angular velocity is neg. low then speed is neg. low. If angle is pos. low and angular velocity is zero then speed is pos. low. If angle is pos. low and angular velocity is neg. low then speed is zero.
55 Sammanfattning av alla regler:
Fuzzy Logic. När oskarpa definitioner blir kristallklara. Åsa Svensson. Linköpings Universitet. Linköping
Fuzzy Logic När oskarpa definitioner blir kristallklara Linköpings Universitet Linköping Sammanfattning I denna fördjupningsuppgift har jag fokuserat på Fuzzy Logic och försökt att beskriva det på ett
Läs merFUZZY LOGIC. Christopher Palm chrpa087
FUZZY LOGIC 900223-1554 Innehållsförteckning INLEDNING...2 HUR DET FUNGERAR...3 Crisp Sets och Fuzzy Sets...3 Operatorer...5 IF THEN regler...7 FUZZY INFERENCE...7 Fuzzification...8 Regelsättning...8
Läs merUtsagor (Propositioner) sammansatta utsagor sanningstabeller logisk ekvivalens predikat (öppna utsagor) kvantifierare Section
Föreläsning 1 Utsagor (Propositioner) sammansatta utsagor sanningstabeller logisk ekvivalens predikat (öppna utsagor) kvantifierare Section 1.1-1.3 i kursboken Definition En utsaga (proposition) är ett
Läs merSanningsvärdet av ett sammansatt påstående (sats, utsaga) beror av bindeord och sanningsvärden för ingående påståenden.
MATEMATISK LOGIK Matematisk logik formaliserar korrekta resonemang och definierar formellt bindeord (konnektiv) mellan påståenden (utsagor, satser) I matematisk logik betraktar vi påståenden som antingen
Läs mer729G11 Artificiell Intelligens Marcus Johansson Marjo581. Fuzzy logic. Marcus Johansson Marjo581
Fuzzy logic 880328-2535 Innehåll Fuzzy logic... 1 1. Inledning... 4 2. Jämförelse mellan fuzzy logic och tvåvärdeslogik.... 4 3. Fuzzy sets.... 4 4. Linvistiska variabler... 5 5. Operatorer... 5 6. If-
Läs merMA2047 Algebra och diskret matematik
MA2047 Algebra och diskret matematik Något om logik och mängdlära Mikael Hindgren 5 september 2018 Utsagor Utsaga = Påstående som har sanningsvärde Utsagan kan vara sann (S) eller falsk (F) öppen eller
Läs mer1 Suddig logik och gitter
UPPSALA UNIVERSITET Matematiska institutionen Erik Palmgren Kompletterande material Algebra DV2 ht-2000 1 Suddig logik och gitter Suddig logik (engelska: fuzzy logic) är en utvidgning av vanlig boolesk
Läs merp /\ q r DD1350 Logik för dataloger Kort repetition Fö 3 Satslogikens semantik
DD1350 Logik för dataloger Fö 3 Satslogikens semantik 1 Kort repetition Satslogik formellt språk för att uttrycka påståenden med variabler och konnektiv /\, \/,, t.ex. p /\ q r 1 Kort repetition Naturlig
Läs merFuzzy Logic Linköpings Universitet
Fuzzy Logic Linköpings Universitet 2 Innehållsförteckning 1. Inledning... 4 2. Bakgrund... 4 3. Fuzzy Logic... 5 3.1. Fuzzy Sets... 6 4. Operatorer... 7 4.1. Union och snitt... 7 4.2. IF, THEN, AND och
Läs merLINKÖPINGS UNIVERSITET. Fuzzy Logic. Johan Brage 9/16/2012
LINKÖPINGS UNIVERSITET Fuzzy Logic Johan Brage 9/16/2012 Innehållsförteckning 1. Inledning... 1 2. Fuzzy Logic... 2 3. Crisp Sets... 3 4. Fuzzy Sets... 4 4.1 Operatorer... 5 4.2 IF-THEN... 7 4.3 Hedges...
Läs merEn introduktion till logik
rasmus.blanck@gu.se FT1200, LC1510 och LGFI52 VT2017 Först: Tack till Martin Kaså, som gett mig tillstånd att använda och bearbeta dessa ljusbilder. Vad är logik? Slogan: Logik undersöker vilka argument
Läs merFUZZY LOGIC. - Var går gränsen? Lovisa Rönmark lovro
FUZZY LOGIC - Var går gränsen? Sammanfattning Det här fördjupningsarbetet är gjort I kursen Artificiell Intelligens 2 på Linköpings Universitet. Syftet med arbetet är att ta upp och förklara ämnet Fuzzy
Läs merVarför är logik viktig för datavetare?
Varför är logik viktig för datavetare? 1. Datavetenskap handlar ofta om att automatisera processer som tidigare styrts av människor. Intuition, intelligens och mänskliga resonemang ersätts av beräkningar.
Läs merMATEMATIKENS SPRÅK. Avsnitt 1
Avsnitt 1 MATEMATIKENS SPRÅK Varje vetenskap, liksom varje yrke, har sitt eget språk som ofta är en blandning av vardagliga ord och speciella termer. En instruktionshandbok för ett kylskåp eller för en
Läs merSemantik och pragmatik (Serie 3)
Semantik och pragmatik (Serie 3) Satser och logik. Mats Dahllöf Institutionen för lingvistik och filologi April 2015 1 / 37 Logik: språk tanke (Saeed kapitel 4.) Satser uttrycker (ofta) tankar. Uttrycksrikedom
Läs merRegisterforskning Oktober 2018, Stockholm City Conference Centre. Möjligheter med Artificiell Intelligens inom registerforskningen
Registerforskning 2018 17 Oktober 2018, Stockholm City Conference Centre Möjligheter med Artificiell Intelligens inom registerforskningen Peter Funk Mälardalens Högskola Vem är Peter Funk? Artificiell
Läs merGrundläggande logik och modellteori
Grundläggande logik och modellteori Kapitel 4: Konjunktiv och disjunktiv normalform Henrik Björklund Umeå universitet 15. september, 2014 CNF och DNF Konjunktiv normalform (CNF) Omskrivning av en formel
Läs mer7, Diskreta strukturer
Objektorienterad modellering och diskreta strukturer 7, Diskreta strukturer Sven Gestegård Robertz Datavetenskap, LTH 2013 1 Inledning 2 Satslogik Inledning Satslogiska uttryck Resonemang och härledningar
Läs merLogik och kontrollstrukturer
Logik och kontrollstrukturer Flödet av instruktioner i ett programmeringsspråk bygger vi upp med hjälp av dess kontrollstrukturer. I C har vi exemplen if, if else, while, do while. Dessutom finns switch
Läs merFuzzy control systems
Institutionen för datavetenskap Artificiell intelligens II, 729g11 Projekt HT-12 LINKÖPING UNIVERSITET Fuzzy control systems Användning av fuzzy logic I tvättmaskiner Karolin Nissa 9/17/2012 Abstract Den
Läs merLogik. Dr. Johan Hagelbäck.
Logik Dr. Johan Hagelbäck johan.hagelback@lnu.se http://aiguy.org Vad är logik? Logik handlar om korrekta och inkorrekta sätt att resonera Logik är ett sätt att skilja mellan korrekt och inkorrekt tankesätt
Läs merHornklausuler i satslogiken
Hornklausuler i satslogiken Hornklausuler (efter logikern Alfred Horn) är ett viktigt specialfall som tillåter effektiva algoritmer och ligger till grund för regelbaserade expertsystem och logiska programspråk
Läs merLogik: sanning, konsekvens, bevis
Logik: sanning, konsekvens, bevis ft1100 samt lc1510 HT 2016 Giltiga argument (Premiss 1) (Premiss 2) (Slutsats) Professorn är på kontoret eller i lunchrummet Hon är inte på kontoret Professorn är i lunchrummet
Läs merSemantik och pragmatik
Semantik och pragmatik OH-serie 4 http://stp.lingfil.uu.se/~matsd/uv/uv12/semp/ Mats Dahllöf Institutionen för lingvistik och filologi Januari 2012 Om barnet har svårt att andas eller har ont i bröstet
Läs mer729G04 Programmering och diskret matematik. Python 2: Villkorssatser, sanningsvärden och logiska operatorer
729G04 Programmering och diskret matematik Python 2: Villkorssatser, sanningsvärden och logiska operatorer Föreläsningsöversikt Vad händer när vi kör vår pythonkod? Programmerare Villkorssatser Jämförelser
Läs merFuzzy logic. Julia Birgersson, julbi
Fuzzy logic, Innehållsförteckning Inledning 3 Vad är Fuzzy Logic, varför finns det? 3 Fuzzy sets och crisp sets 4 Medlemsfunktioner 4 Operationer 7 Lingvistiska termer och lingvistiska variabler 9 Artificiell
Läs merD. x 2 + y 2 ; E. Stockholm ligger i Sverige; F. Månen är en gul ost; G. 3 2 = 6; H. x 2 + y 2 = r 2.
Logik Vid alla matematiskt resonemang måste man vara säker på att man verkligen menar det man skriver ner på sitt papper. Därför måste man besinna hur man egentligen tänker. Den vetenskap, som sysslar
Läs merGrundläggande logik och modellteori
Grundläggande logik och modellteori Kapitel 6: Binära beslutsdiagram (BDD) Henrik Björklund Umeå universitet 22. september, 2014 Binära beslutsdiagram Binära beslutsdiagram (Binary decision diagrams, BDDs)
Läs merDD1350 Logik för dataloger. Fö 2 Satslogik och Naturlig deduktion
DD1350 Logik för dataloger Fö 2 Satslogik och Naturlig deduktion 1 Satslogik En sats(eller utsaga)är ett påstående som kan vara sant eller falskt. I satslogik(eng. propositionallogic) representeras sådana
Läs merWilliam Hernebrink
Fuzzy Logic @student.liu.se 1 Sammanfattning Följande arbete är ett individuellt kursmoment som omfattar 3hp i kursen Artificiell Intelligens II (729G11) vid Linköpings universitet. I denna litteraturstudie
Läs merMATEMATIKENS SPRÅK. Syftet med denna övning är att med hjälp av logik lära oss att uttrycka matematik mer exakt, lära oss
Explorativ övning 1 LMA100 vt 2003 MATEMATIKENS SPRÅK Syftet med denna övning är att med hjälp av logik lära oss att uttrycka matematik mer exakt, lära oss förstå språket. Vi skall försöka utveckla vårt
Läs merde var svåra att implementera och var väldigt ineffektiva.
OBS! För flervalsfrågorna gäller att flera alternativ eller inget alternativ kan vara korrekt. På flervalsfrågorna kan man bara ha rätt eller fel, dvs frågan måste vara helt korrekt besvarad. Totalt kan
Läs merKomponentvisa operationer,.-notation Multiplikation (*), division (/) och upphöj till (ˆ) av vektorer följer vanliga vektoralgebraiska
Matlab-föreläsning 3 (4), 17 september, 2015 Innehåll Sekvenser (från förra föreläsningen) Upprepning med for-slingor och while-slingor Villkorssatser med if - then -else - Logik Sekvenser - repetion från
Läs merViktiga frågor att ställa när ett argument ska analyseras och sedan värderas:
FTEA12:2 Föreläsning 2 Grundläggande argumentationsanalys II Repetition: Vid förra tillfället började vi se närmre på vad som utmärker filosofisk argumentationsanalys. Vi tittade närmre på ett arguments
Läs merVad är det? Översikt. Innehåll. Vi behöver modeller!!! Kontinuerlig/diskret. Varför modeller??? Exempel. Statiska system
Vad är det? Översikt Discrete structure: A set of discrete elements on which certain operations are defined. Discrete implies non-continuous and therefore discrete sets include finite and countable sets
Läs merTänk på följande saker när du skriver tentan:
Ämne: AI med inriktning mot kognition och design Kurskod: KOGB05 / TDBB21 Datum: 2005-04-01 Antal uppgifter: 12 Skrivtid: 09:00 15:00 Max poäng: 54 Betygsgränser: 27 x
Läs mer7, Diskreta strukturer
Objektorienterad modellering och diskreta strukturer 7, Diskreta strukturer Sven Gestegård Robertz Datavetenskap, LTH 2015 Modeller Matematiska modeller Kontinuerliga modeller Kontinuerliga funktioner
Läs merFördjupningsarbete HT 2012 FUZZY LOGIC
FUZZY LOGIC 1 Innehåll Bakgrund & Introduktion till fuzzy logic... 3 Syfte... 3 Fuzzy sets... 4 Hedges... 5 Fuzzy set logic... 6 IF-THEN relger... 7 Fuzzy Inference... 7 Användandet utav fuzzy logic i
Läs merANDREAS REJBRAND NV3ANV Matematik Matematiskt språk
ANDREAS REJBRAND NV3ANV 2006-02-14 Matematik http://www.rejbrand.se Matematiskt språk Innehållsförteckning MATEMATISKT SPRÅK... 1 INNEHÅLLSFÖRTECKNING... 2 INLEDNING... 3 MÄNGDER... 4 Att uttrycka en mängd...
Läs merBakgrund. Bakgrund. Bakgrund. Håkan Jonsson Institutionen för systemteknik Luleå tekniska universitet Luleå, Sverige
Är varje påstående som kan formuleras matematiskt*) alltid antingen sant eller falskt? *) Inom Institutionen för systemteknik Luleå tekniska universitet Luleå, Sverige Exempel: 12 = 13 nej, falskt n! >
Läs mer729G06 Logik FÖRELÄSNING 1 ANDERS MÄRAK LEFFLER IDA/HCS
729G06 Logik FÖRELÄSNING 1 ANDERS MÄRAK LEFFLER IDA/HCS 160127 Vad är logik? Som ämne, område... 2 Läran om korrekta resonemang Följer slutsatserna av ens antaganden? 3 Alla hundar är djur. Alla enhörningar
Läs merK2 Något om modeller, kompakthetssatsen
KTH Matematik Bengt Ek Maj 2005 Kompletteringsmaterial till kursen 5B1928 Logik för D1: K2 Något om modeller, kompakthetssatsen Vi skall presentera ett enkelt (om man känner till sundhets- och fullständighetssatsen
Läs merBeräkning med ord. -hur en dator hanterar perception. Linköpings universitet Artificiell intelligens 2 2010-10-03 Erik Claesson 880816-1692
Beräkning med ord -hur en dator hanterar perception 2010-10-03 Erik Claesson 880816-1692 Innehåll Inledning... 3 Syfte... 3 Kan datorer hantera perception?... 4 Naturligt språk... 4 Fuzzy Granulation...
Läs merLogisk semantik I. 1 Lite om satslogik. 1.1 Konjunktioner i grammatisk bemärkelse. 1.2 Sant och falskt. 1.3 Satssymboler. 1.
UPPSALA UNIVERSITET Datorlingvistisk grammatik I Institutionen för lingvistik och filologi Oktober 2007 Mats Dahllöf http://stp.ling.uu.se/ matsd/uv/uv07/dg1/ Logisk semantik I 1 Lite om satslogik 1.1
Läs merInnehållsförtekning Sida. Inledning 3 Vad är fuzzy logic? 3 Mängder 3 Medlemsfunktioner 5 Operationer 6 Fuzzification 8 Litteraturförteckning 9
Fuzzy Logic Innehållsförtekning Sida Inledning 3 Vad är fuzzy logic? 3 Mängder 3 Medlemsfunktioner 5 Operationer 6 Fuzzification 8 Litteraturförteckning 9 2 Inledning Med detta fördjupningsarbete vill
Läs merKompletteringsmaterial. K2 Något om modeller, kompakthetssatsen
KTH Matematik Bengt Ek Maj 2008 Kompletteringsmaterial till kursen SF1642, Logik för D1 och IT3: K2 Något om modeller, kompakthetssatsen Vi skall presentera ett enkelt (om man känner till sundhets- och
Läs merLite om bevis i matematiken
Matematik, KTH Bengt Ek februari 2013 Material till kursen SF1662, Diskret matematik för CL1: Lite om bevis i matematiken Inledning Bevis är centrala i all matematik Utan (exakta definitioner och) bevis
Läs merMATEMATIKENS SPRÅK. Syftet med denna övning är att med hjälp av logik lära oss att uttrycka matematik mer exakt,
Explorativ övning 1 MATEMATIKENS SPRÅK Syftet med denna övning är att med hjälp av logik lära oss att uttrycka matematik mer exakt, lära oss förstå språket. Vi skall försöka utveckla vårt matematiska språk,
Läs merMolly Lundberg 729G43 Kognitionsvetenskap mollu341 Artificiell Intelligens Linköpings Universitet. Fuzzy Logic. Vad är det och hur fungerar det?
Fuzzy Logic Vad är det och hur fungerar det? Molly Lundberg Sammanfattning Den här rapporten har ämnat att skapa förståelse i vad Fuzzy Logic är för något, hur det fungerar och hur det används. Traditionell
Läs merAI FÖR FRAMTIDENS VÄLFÄRD. Caroline Andersson
AI FÖR FRAMTIDENS VÄLFÄRD Caroline Andersson 2019-10-02 Dagens agenda Vad är det som händer? Vad är AI? Exempel på tillämpningar Konsekvenser av AI Hur långt har Sverige som land kommit och vad behöver
Läs merLinköpings universitet
Översikt Kognitionsvetenskaplig introduktionskurs Föreläsning 4 Informationsbearbetningsmodeller Vad är kognitionsvetenskap? Kort bakgrund/historik Representation och bearbetning av information Vetenskapliga
Läs merÖvningshäfte 1: Logik och matematikens språk
GÖTEBORGS UNIVERSITET MATEMATIK 1, MMG200, HT2014 INLEDANDE ALGEBRA Övningshäfte 1: Logik och matematikens språk Övning A Målet är att genom att lösa och diskutera några inledande uppgifter få erfarenheter
Läs merDigital- och datorteknik
Digital- och datorteknik Föreläsning #3 Biträdande professor Jan Jonsson Institutionen för data- och informationsteknik Chalmers tekniska högskola Logikgrindar Från data till digitala byggblock: Kursens
Läs merSF1901: Sannolikhetslära och statistik Föreläsning 2. Betingad sannolikhet & Oberoende
SF1901: Sannolikhetslära och statistik Föreläsning 2. Betingad sannolikhet & Oberoende Jan Grandell & Timo Koski 21.01.2015 Jan Grandell & Timo Koski () Matematisk statistik 21.01.2015 1 / 1 Repetition:
Läs merFormell logik Kapitel 3 och 4. Robin Stenwall Lunds universitet
Formell logik Kapitel 3 och 4 Robin Stenwall Lunds universitet Kapitel 3: De Booleska konnektiven Vi sade att predikaten och namnen kan variera mellan olika FOL Vi ska nu titta på några språkliga element
Läs merDatorrepresentation av vårdriktlinjer
Datorrepresentation av vårdriktlinjer Innehåll Introduktion/bakgrund Behov Uppdateringsproblem Metoder PROforma Asgaard/Arbru Arden Praktiska implementeringar Hypertoni-behandling Guidelines/vårdriktlinjer
Läs merSatslogik grundläggande definitioner 3. Satslogik. Uppgift 1. Satslogikens syntax (välformade formler) Satslogikens semantik (tolkningar)
Satslogik grundläggande definitioner Satslogikens syntax (välformade formler) Satslogikens semantik (tolkningar) Modeller, logisk konsekvens och ekvivalens Några notationella förenklingar Kompletta mängder
Läs merFilosofisk Logik (FTEA21:4) föreläsningsanteckningar/kompendium. v. 2.0, den 29/ III. Metalogik 17-19
Filosofisk Logik (FTEA21:4) föreläsningsanteckningar/kompendium IV v. 2.0, den 29/4 2013 III. Metalogik 17-19 Modeller för satslogiken 18.1 Vi har tidigare sagt att en modell är en tolkning av en teori
Läs merOm semantisk följd och bevis
Matematik, KTH Bengt Ek december 2017 Material till kursen SF1679, Diskret matematik: Om semantisk följd och bevis Logik handlar bla om studiet av korrekta slutledningar, dvs frågan om när det är riktigt
Läs merLogik. Boolesk algebra. Logik. Operationer. Boolesk algebra
Logik F4 Logik Boolesk algebra EDAA05 Roger Henriksson Jonas Wisbrant Konsten att, och vetenskapen om, att resonera och dra slutsatser. Vad behövs för att man ska kunna dra en slutsats? Hur kan man dra
Läs merFormell logik Kapitel 7 och 8. Robin Stenwall Lunds universitet
Formell logik Kapitel 7 och 8 Robin Stenwall Lunds universitet Kapitel 7: Konditionalsatser Kapitlet handlar om konditionalsatser (om-så-satser) och deras logik Idag: bevismetoder för konditionalsatser,
Läs merResonemang under osäkerhet. Bayes Certainty factors Dempster-Schafer Fuzzy logic
Resonemang under osäkerhet Bayes Certainty factors Dempster-Schafer Fuzzy logic Varför resonera med sannolikheter? Om agenten vet tillräckligt om världen, kan den med logik få fram planer som garanterat
Läs merGrundläggande logik och modellteori (5DV102)
Tentamen 2014-01-10 Grundläggande logik och modellteori (5DV102) M. Berglund och K. Markström Totalt antal uppgifter 10 Maximalt antal poäng 30 Krav för 3 i betyg 1 Krav för 4 i betyg 19 poäng, vara minst
Läs mer10. Mängder och språk
Objektorienterad modellering och diskreta strukturer 10. Mängder och språk Sven Gestegård Robertz Institutionen för datavetenskap, LTH 2013 Rekaputilation Vi har talat om satslogik, predikatlogik och härledning
Läs merGrundläggande logik och modellteori (5DV102)
Tentamen 2013-10-31 Grundläggande logik och modellteori (5DV102) M. Berglund och K. Markström Totalt antal uppgifter 11 Maximalt antal poäng 30 Krav för 3 i betyg 14 poäng Krav för 4 i betyg 19 poäng,
Läs merSanningens paradoxer: om ändliga och oändliga lögnare
STEN LINDSTRÖM Sanningens paradoxer: om ändliga och oändliga lögnare 1. Inledning Lögnarparadoxen, i dess olika versioner, tycks ge vid handen att vår naiva förståelse av sanningspredikatet, uttryckt i
Läs merFöreläsningsanteckningar och övningar till logik mängdlära
Inledande matematisk analys tma970, 010, logik, mängdlära Föreläsningsanteckningar och övningar till logik mängdlära Dessa öreläsningsanteckningar kompletterar mycket kortattat kap 0 och appendix B i Persson/Böiers,
Läs merDD1350 Logik för dataloger
DD1350 Logik för dataloger Fö 8 Axiomatiseringar 1 Modeller och bevisbarhet Sedan tidigare vet vi att: Om en formel Φ är valid (sann i alla modeller) så finns det ett bevis för Φ i naturlig deduktion.
Läs merKap. 7 Logik och boolesk algebra
Ka. 7 Logik och boolesk algebra Satslogik Fem logiska konnektiv: ej, och, eller, om-så, omm Begre: sats, sanningsvärde, sanningsvärdestabell tautologi, kontradiktion Egenskaer: Räkneregler för satslogik
Läs merFöreläsning 5. Deduktion
Föreläsning 5 Deduktion Hur ett deduktivt system fungerar Komponenter - Vokabulär Ett deduktivt system använder ett visst slags språk som kan kallas för systemets vokabulär. I mindre formella fall är kanske
Läs merInduktion och rekursion
Matematik, KTH Bengt Ek november 2016 Material till kursen SF1679, Diskret matematik för F: Induktion och rekursion 1. Om välgrundade binära relationer Låt R vara en binär relation på en mängd D. Vi skriver
Läs mer2. (a) Skissa grafen till funktionen f(x) = e x 2 x. Ange eventuella extremvärden, inflektionspunkter
Matematik Chalmers Tentamen i TMV225 Inledande matematik M, 2009 08 21, f Telefon: Jonatan Vasilis, 0762 721861 Inga hjälpmedel. Kalkylator ej tillåten. Varje uppgift är värd 10 poäng, totalt 50 poäng.
Läs merMedicinsk Informatik VT 2005
Medicinsk Informatik VT 2005 Introduktion till Medicinsk Informatik Informationsteknologi Teknikgrad Information technology Datavetenskap Computer science Systemvetenskap System analysis and design Informatik
Läs merSF1901: Sannolikhetslära och statistik Föreläsning 2. Betingad sannolikhet & Oberoende
SF1901: Sannolikhetslära och statistik Föreläsning 2. Betingad sannolikhet & Oberoende Jan Grandell & Timo Koski 14.01.2013 Jan Grandell & Timo Koski () Matematisk statistik 14.01.2013 1 / 25 Repetition:
Läs merOptimera, inte eliminera, den mänskliga hjärnan genom AI. Anna-Karin Edstedt Bonamy, MD, PhD Chief Medical Officer, Doctrin AB
Optimera, inte eliminera, den mänskliga hjärnan genom AI Anna-Karin Edstedt Bonamy, MD, PhD Chief Medical Officer, Doctrin AB En av sjukvårdens största utmaningar är ökande personalbrist 4 av 10 läkare
Läs merFuzzy Logic: Den oskarpa skarpheten
Fuzzy Logic: Den oskarpa skarpheten Av: 1 Innehåll Inledning... 3 Vad är Fuzzy Logic?... 4 Fuzzy sets... 4 Medlemsskapsfunktion... 5 Operatorer... 7 Union... 7 Snitt... 8 Komplement... 8 Exempel med de
Läs merSemantik och pragmatik (Serie 4)
Semantik och pragmatik (Serie 4) Satser och logik. Mats Dahllöf Institutionen för lingvistik och filologi April 2015 1 / 30 Så här långt (satslogik) Konjunktion (p q): att två enklare satser båda är uppfyllda.
Läs merI en deterministisk omgivning beror nästa tillstånd bara av agentens handling och nuvarande tillstånd.
OBS! För flervalsfrågorna gäller att ett, flera eller inget alternativ kan vara korrekt. På flervalsfrågorna ges 1 poäng för korrekt svar och 0,5 poäng om skillnaden mellan antalet korrekta svar och antalet
Läs merArtificiell Intelligens
Omtentamen Artificiell Intelligens Datum: 2014-02-20 Tid: 14.00 18.00 Ansvarig: Resultat: Hjälpmedel: Gränser: Anders Gidenstam Redovisas inom tre veckor Inga G 8p, VG 12p, Max 16p Notera: Skriv läsbart!
Läs mer5B1134 Matematik och modeller
KTH Matematik 1 5B1134 Matematik och modeller 2006-09-11 2 Andra veckan Trigonometri Veckans begrepp enhetscirkeln, trigonometriska ettan trigonometrisk funktion, sinuskurva period, fasförskjutning, vinkelhastighet
Läs merHur implementera algoritmerna på maskinnivå - datorns byggstenar
Hur implementera algoritmerna på maskinnivå - datorns byggstenar Binära tal Boolesk logik grindar och kretsar A A extern representation intern representation minnet i datorn extern representation 1000001
Läs merFuzzy Logic. Ellinor Ihs Håkansson, ellih
Fuzzy Logic, 2016-01-09 Innehållsförteckning Introduktion... 3 Vad är Fuzzy Logic?... 3 Fuzzy eller crisp?... 4 Fuzzy set... 5 Medlemskapsfunktioner... 6 Operationer... 8 Fuzzy expert systems och Fuzzy
Läs merOskarp logik - en flervärdeslogik för framtiden? Karl Bruno Linköpings universitet 2006-10-15
- en flervärdeslogik för framtiden? Karl Bruno Linköpings universitet 2006-10-15 Sammanfattning Oskarp logik är en utvidgning av den klassiska logiken. Den baseras på oskarpa mängder, mängder till vilka
Läs merSF1901: Sannolikhetslära och statistik Föreläsning 2. Betingad sannolikhet & Oberoende
SF1901: Sannolikhetslära och statistik Föreläsning 2. Betingad sannolikhet & Oberoende Jan Grandell & Timo Koski 21.01.2016 Jan Grandell & Timo Koski Matematisk statistik 21.01.2016 1 / 39 Lärandemål Betingad
Läs merArtificiell Intelligens II, 729g11 Linköpings universitet Fuzzy logic
Fuzzy logic Sammanfattning Inom klassiska logiska system är ett påstående antingen sant eller falskt. Fuzzy logic använder sig istället av grader av medlemskap som är värden mellan 0(inte alls sant) och
Läs merProbabilistisk logik 1
729G43 Artificiell intelligens / 2016 Probabilistisk logik 1 Marco Kuhlmann Institutionen för datavetenskap Osäkerhet 1.01 Osäkerhet Agenter måste kunna hantera osäkerhet. Agentens miljö är ofta endast
Läs merRegression med Genetiska Algoritmer
Regression med Genetiska Algoritmer Projektarbete, Artificiell intelligens, 729G43 Jimmy Eriksson, jimer336 770529-5991 2014 Inledning Hur många kramar finns det i världen givet? Att kunna estimera givet
Läs merFormell logik Kapitel 5 och 6. Robin Stenwall Lunds universitet
Formell logik Kapitel 5 och 6 Robin Stenwall Lunds universitet Kapitel 5 Bevismetoder för boolesk logik Visa att en sats är en tautologisk konsekvens av en mängd premisser! Lösning: sanningstabellmetoden
Läs mer1 Föreläsning Implikationer, om och endast om
1 Föreläsning 1 Temat för dagen, och för dessa anteckningar, är att introducera lite matematisk terminologi och notation, vissa grundkoncept som kommer att vara genomgående i kursen. I grundskolan presenteras
Läs merAlgoritmer, datastrukturer och komplexitet
Algoritmer, datastrukturer och komplexitet Övning 10 Anton Grensjö grensjo@csc.kth.se 9 november 2017 1 Idag En konstruktionsreduktion Fler bevis av NP-fullständighet 2 Teori Repetition Ett problem tillhör
Läs merInstitutionen för datavetenskap vid Helsingfors universitet
Institutionen för datavetenskap vid Helsingfors universitet PB 68 Gustaf Hällströms gata 2b Helsingfors universitet www.cs.helsinki.fi www.cs.helsinki.fi/index.sv.html Datavetenskap Datavetenskapen försöker
Läs merPYTHON SNABBREPETITION MEN FÖRST LITE ALLMÄNT OM PROGRAMMERING 729G04 PYTHON 2. Dagens Python
Dagens Python 729G04 PYTHON 2 Mer om funktioner Villkorssatser JODY FOO Department of Computer and Information Science (IDA) Linköping University, Sweden Linköpings universitet 1 2 MEN FÖRST LITE ALLMÄNT
Läs mer729G43 Artificiell intelligens / Maskininlärning 3. Marco Kuhlmann
729G43 Artificiell intelligens / 2015 Maskininlärning 3 Marco Kuhlmann Förra gången: Perceptroninlärning Beslutsregel predicerat y-värde Exempel: AND Välj parametrar θ 0, θ 1, θ 2 sådana att perceptronen
Läs merMA 11. Hur starkt de binder. 2 Reella tal 3 Slutledning 4 Logik 5 Mängdlära 6-7 Talteori 8 Diofantiska ekvationer 9 Fördjupning och kryptografi
MA 11 Talteori och logik 2 Reella tal 3 Slutledning 4 Logik 5 Mängdlära 6-7 Talteori 8 Diofantiska ekvationer 9 Fördjupning och kryptografi propositionssymboler: bokstäver konnektiv Paranteser konnektiv
Läs merInduktion och rekursion
Matematik, KTH Bengt Ek november 2017 Material till kursen SF1679, Diskret matematik för F: Induktion och rekursion 1. Om välgrundade binära relationer Låt R vara en binär relation på en mängd D. Vi skriver
Läs merLogik och modaliteter
Modallogik Introduktionsföreläsning HT 2015 Formalia http://gul.gu.se/public/courseid/70391/lang-sv/publicpage.do Förkunskaper etc. Logik: vetenskapen som studerar argument med avseende på (formell) giltighet.
Läs merKvalitetsarbete I Landstinget i Kalmar län. 24 oktober 2007 Eva Arvidsson
Kvalitetsarbete I Landstinget i Kalmar län 24 oktober 2007 Eva Arvidsson Bakgrund Sammanhållen primärvård 2005 Nytt ekonomiskt system Olika tradition och förutsättningar Olika pågående projekt Get the
Läs merBilaga 5 till rapport 1 (5)
Bilaga 5 till rapport 1 (5) EEG som stöd för diagnosen total hjärninfarkt hos barn yngre än två år en systematisk litteraturöversikt, rapport 290 (2018) Bilaga 5 Granskningsmallar Instruktion för granskning
Läs merC R M. Crew Resource Management. Vad visste Chesley Sullenberger när han i januari 2009 landade Cactus 1549 i Hudsonfloden?
C R M Crew Resource Management Vad visste Chesley Sullenberger när han i januari 2009 landade Cactus 1549 i Hudsonfloden? Han visste att: Saker och ting går fel Kommunikationsbrister är den vanligaste
Läs merFramtidens vårdinformationsstöd FVIS 12 OKTOBER 2017
Framtidens vårdinformationsstöd FVIS 12 OKTOBER 2017 Vad är Framtidens Vårdinformationsstöd Framtidens Vårdinformationsstöd (FVIS) är en sammanhållen digital vårdmiljö som ska innehålla stöd för verksamhetens
Läs mer