Bab 1: Pengenalan Sistem PakarSistem pakar adalah sistem komputer yang mengemulasi, atau bertindak dalam segala hal, dengan kemampuan pengambilan keputusan dari ahli manusia. (Profesor Edward Feigenbaum - Stanford University)Ahli teknologi sistem? mungkin termasuk :Khusus bahasa sistem pakar - KLIPProgramHardware yang dirancang untuk memfasilitasi pelaksanaan sistem-sistem.Sistem Pakar Komponen Utama :Pengetahuan dasar - diperoleh dari buku, majalah, orang berpengetahuan, dll.Mesin inferensi - menarik kesimpulan dari basis pengetahuan.Masalah Domain vs Pengetahuan Domain :Pengetahuan seorang ahli khusus untuk satu masalah domain - obat, keuangan, ilmu pengetahuan, teknik, dllPengetahuan ahli tentang pemecahan masalah tertentu disebut domain pengetahuan.Domain masalah selalu superset dari domain pengetahuan.Keuntungan Sistem Pakar:peningkatan ketersediaanmengurangi biayabahaya berkurangprestasibeberapa keahlianpeningkatan kehandalanpenjelasanrespon cepatTanggapan stabil, emosional, dan lengkap setiap saatcerdas gurucerdas Database

Mewakili PengetahuanPengetahuan tentang sistem pakar dapat direpresentasikan dalam berbagai cara, termasuk IF-THEN aturan: JIKA Anda lapar MAKA makan

Rekayasa pengetahuanProses membangun sistem pakar:

Insinyur pengetahuan membentuk dialog dengan ahli manusia untuk memperoleh pengetahuan.Pengetahuan Kode engineer pengetahuan eksplisit dalam basis pengetahuan.Ahli mengevaluasi sistem pakar dan memberikan kritik kepada insinyur pengetahuan.

Peran AISebuah algoritma merupakan solusi ideal dijamin untuk menghasilkan solusi dalam jumlah waktu yang terbatas.Ketika algoritma tidak tersedia atau tidak cukup, kita mengandalkan kecerdasan buatan (AI).Sistem pakar mengandalkan inferensi - kita menerima "solusi yang masuk akal."

KetidaktentuanKedua ahli manusia dan sistem pakar harus mampu menangani ketidakpastian.Hal ini lebih mudah untuk program sistem pakar dengan pengetahuan dangkal dibandingkan dengan pengetahuan yang mendalam.Pengetahuan dangkal - berdasarkan pengetahuan empiris dan heuristik.Dalam pengetahuan - berdasarkan struktur dasar, fungsi, dan perilaku objek.

Keterbatasan Sistem PakarSistem pakar khas tidak bisa menggeneralisasi melalui analogi untuk alasan tentang situasi baru dalam cara orang bisa.

Sebuah hambatan akuisisi pengetahuan hasil dari tugas yang memakan waktu dan tenaga untuk membangun sistem pakar.

Sistem Pakar awalDENDRAL - digunakan dalam spektroskopi massa kimia untuk mengidentifikasi kandungan kimiaMYCIN - diagnosa medis penyakitDIPMETER - analisis data geologi untuk minyakPROSPECTOR - analisis data geologi untuk mineralXCON / R1 - mengkonfigurasi sistem komputer

Masalah dengan algorithmic SolusiProgram komputer konvensional umumnya memecahkan masalah memiliki solusi algoritmik.Bahasa algoritmik termasuk C, Java, dan C #.Bahasa AI klasik termasuk LISP dan PROLOG.

Pertimbangan untuk Membangun Sistem PakarDapatkah masalah diselesaikan secara efektif dengan pemrograman konvensional?Apakah ada kebutuhan dan keinginan untuk sistem pakar?Apakah ada setidaknya satu ahli manusia yang bersedia untuk bekerja sama?Dapatkah ahli menjelaskan pengetahuan untuk insinyur pengetahuan dapat memahaminya.Apakah pengetahuan pemecahan masalah terutama heuristik dan tidak pasti?

Bahasa, Kerang, dan AlatBahasa sistem pakar adalah generasi pasca-ketiga.Bahasa prosedural (misalnya, C) fokus pada teknik untuk merepresentasikan data.Lebih bahasa modern (misalnya, Jawa) fokus pada abstraksi data.Bahasa sistem pakar (misalnya KLIP) fokus pada cara-cara untuk mewakili pengetahuan.

Elemen Sistem PakarUser interface - mekanisme yang pengguna dan sistem berkomunikasi.Fasilitas Eksplorasi - menjelaskan penalaran sistem pakar untuk pengguna.Bekerja memori - database global fakta yang digunakan oleh aturan.Mesin inferensi - membuat kesimpulan memutuskan aturan puas dan memprioritaskan.

Agenda - daftar prioritas aturan yang dibuat oleh mesin inferensi, yang pola puas dengan fakta atau objek dalam memori kerja.Pengetahuan fasilitas akuisisi - cara otomatis untuk pengguna untuk memasukkan pengetahuan dalam sistem melewati pengkodean eksplisit oleh insinyur pengetahuan.

Aturan produksiPengetahuan dasar juga disebut memori produksi.Aturan produksi dapat dinyatakan dalam IF-THEN Format pseudocode.Dalam sistem berbasis aturan, mesin inferensi menentukan aturan anteseden puas dengan fakta-fakta.

Metode Umum InferensiaForward chaining - penalaran dari fakta kepada kesimpulan yang dihasilkan dari fakta-fakta - terbaik untuk prognosis, monitoring, dan kontrol.

Mundur chaining - penalaran secara terbalik dari hipotesis, kesimpulan potensial dibuktikan dengan fakta-fakta yang mendukung hipotesis - terbaik untuk masalah diagnosis.

Sistem produksiSistem pakar berbasis aturan - jenis yang paling populer saat ini.Pengetahuan direpresentasikan sebagai beberapa aturan yang menentukan apa yang harus / tidak disimpulkan dari situasi yang berbeda.Forward chaining - mulai w / fakta dan aturan penggunaan lakukan menarik kesimpulan / mengambil tindakan.Backward chaining - mulai w / hipotesis dan mencari aturan yang memungkinkan hipotesis harus dibuktikan benar.

Maju / Mundur ChainingForward chaining - terutama data-driven.

Backward chaining - terutama tujuan didorong.

Sistem Pasca ProduksiIde dasar - setiap matematis / logis sistem hanyalah seperangkat aturan yang menentukan bagaimana mengubah satu string simbol ke dalam string lain simbol.

Dasar pembatasan - kurangnya mekanisme kontrol untuk memandu penerapan aturan.

Algoritma MarkovSebuah kelompok memerintahkan produksi yang diterapkan dalam rangka atau prioritas ke input string.

Jika aturan prioritas tertinggi tidak berlaku, kami menerapkan berikutnya, dan seterusnya.

Algoritma yang efisien untuk sistem dengan banyak aturan.

Algoritma reteFungsi seperti jaring - memegang banyak informasi.Waktu respon lebih cepat dan aturan pemecatan bisa terjadi dibandingkan dengan sekelompok besar IF-THEN aturan yang harus diperiksa satu per satu dalam program konvensional.Mengambil keuntungan dari redundansi temporal dan kesamaan struktural.Kelemahan adalah memori tinggi syarat-syarat ruang.

Bab 3: Metode InferensiTujuan Pelajari definisi pohon, kisi, dan grafikPelajari tentang ruang negara dan masalahPelajari tentang DAN-OR pohon dan tujuanMengeksplorasi metode yang berbeda dan aturan inferensiPelajari karakteristik orde pertama logika predikat dan sistem logikaDiskusikan aturan resolusi inferensi, sistem penyelesaian, dan deduksiBandingkan penalaran dangkal dan kausalBagaimana menerapkan resolusi untuk orde pertama logika predikatPelajari arti maju dan mundur chainingMengeksplorasi metode tambahan inferensiPelajari arti MetaknowledgeJelajahi proses keputusan Markov

Pohon Sebuah pohon adalah struktur data hirarkis yang terdiri dari:Node - menyimpan informasiCabang - menghubungkan node

Atas node akar, menempati hirarki tertinggi.Daun di bagian bawah, menempati Hierarcy terendah.Setiap node, kecuali akar, memiliki tepat satu orangtua.Setiap simpul dapat menimbulkan nol atau lebih node anak.Sebuah pohon biner membatasi jumlah anak per node untuk maksimal dua.Pohon merosot hanya memiliki jalur tunggal dari akar ke daun satu nya.

Grafik Grafik kadang-kadang disebut jaringan atau net.Sebuah grafik dapat memiliki nol atau lebih link antara node - tidak ada perbedaan antara orang tua dan anak.Kadang-kadang link memiliki bobot - bobot grafik; atau, panah - diarahkan grafik.Grafik yang sederhana tidak memiliki loop - link yang datang kembali ke node itu sendiri.Sebuah sirkuit (siklus) adalah jalan melalui grafik dimulai dan berakhir dengan simpul yang sama.

Grafik asiklik tidak memiliki siklus.

Grafik terhubung memiliki link ke semua node.

Digraf adalah grafik dengan link diarahkan.

Kisi adalah grafik asiklik diarahkan.

Membuat KeputusanPohon / kisi berguna untuk mengklasifikasikan benda-benda di alam hirarkis.

Pohon / kisi yang berguna untuk membuat keputusan.

Kami mengacu pohon / kisi sebagai struktur.

Pohon keputusan yang berguna untuk mewakili dan penalaran tentang pengetahuan.

Pohon Keputusan BinerSetiap pertanyaan membawa kita turun satu tingkat di pohon.Sebuah pohon keputusan biner memiliki N node:

Semua daun akan jawaban.Semua node internal pertanyaan.Akan ada maksimal jawaban 2N untuk N pertanyaan.Pohon keputusan dapat belajar mandiri.Pohon keputusan dapat diterjemahkan ke dalam aturan produksi.