Decision Systems
Преглед на темата
-
Priporočena literatura:
- D. Jannach et al., Recommender Systems: An Introduction, Cambridge University Press, 2011;
- M. Bohanec in V. Rajkovič, Večparametrski odločitveni modeli;
- I. H. Witten & E. Frank: Data Mining, Morgan Kaufmann, 2016;
- Tutoriali uporabljanih programov (predvsem HiView ima zelo dober tutorial/pomoč);
- Tekst: C. W. Kirkwood: Odločitvena drevesa skozi primere.
Posnetki do trenutne snovi so na voljo na OneDrive povezavi. Posnetki vaj so na voljo na povezavi.Govorilne ure:Oglasite se lahko vsak dan (predvsem popoldne) v Laboratoriju za umetno inteligenco, brez predhodne najave. Lahko pa me seveda kontaktirate tudi po elektronski pošti.
-
Прикачено 11/11/2020 18:17
-
V prvem delu predmeta smo se spoznali z različnimi tehnikami za podporo odločanju. Začeli smo s preprostimi tehnikami za osebno uporabo, kot npr. T-chart, seznam prednosti in slabosti, spoznali smo leksikografsko metodo, videli pa smo tudi brezkriterijsko rangiranje -- edino tehniko pri tem predmetu, kjer nismo uporabili kriterijev pri odločanju. Brezkriterijsko rangiranje (primerjava po parih) je lahko učinkovita metoda tudi kasneje pri določanju koristnosti (MACBETH).
Nato smo si ogledali podporo odločanju po principu MCDA (Multi-Criteria Decision Analysis). Gre za tehniko, ki variante med katerimi izbiramo (se odločamo) oceni na podlagi izbranih kriterijev. Surove vrednosti kriterijev predhodno preslika v koristnosti. Namen te preslikave je predvsem, da tako postanejo vrednosti primerljive med seboj (ker težko primerjamo npr. velikost diska v GB in trajanje baterije v urah). Kriterije tipično uredimo v hierarhijo. Poglavitni namen tega je, da tako med seboj v vsakem trenutku tehtamo le majhno število kriterijev (idealno 2-4). Kriterijem v hierarhiji pripišemo (po presoji) pomembnost, ki jo numerično izrazimo s pomočjo uteži. Nato sledi najpomembnejši del celotnega postopka: analiza odločitve. Spoznali smo analizo občutljivosti, primerjavo variant glede na dobre in slabe lastnosti, kaj-če analizo, primerjavo variant po dveh kriterijih (map), itd. HiView je orodje na katerem smo si postopek MCDA ogledali tudi praktično.
-
V družbi smo vajeni, da pogosto odločitve sprejemamo skupinsko. Kadar je skupina, ki se o nečem odloča, prevelika za medsebojno debato in usklajevanje, navadno o odločitvi glasujemo. Obstaja veliko različnih glasovalnih oz. volilnih sistemov, najpomembnejši/najpogostejši so opisani v povezavi spodaj -- kjer so nazorno prikazane tudi prednosti oz. slabosti vsakega izmed njih.
V kolikor je odločevalska skupina manjša, je seveda najbolje odločitev tehtno premisliti in medsebojno prediskutirati. Tipično velja, da je odločitev skupine boljša ali primerljiva odločitvi najboljšega posameznika v skupini. Načeloma več glav več ve. Ta rezultat pa lahko poslabša močna volja posameznika znotraj skupine, kakor tudi odločanje z glasovanjem v skupini -- veliko bolje je doseči konsenz. Tak primer smo si pogledali med predavanji, ko smo obtičali na luni. ;)
-
V tem poglavju ne govorimo o odločitvenih drevesih kot jih poznate iz strojnega učenja. Odločitvena drevesa (kot jih poznajo izven umetne inteligence, npr. v ekonomiji) so grafični pripomoček za lažjo predstavo o odločitvenem problemu in možnostih ter izhodih, ki so nam na voljo. Drevesna struktura omogoča lažji pregled alternativ.
Poznamo tri tipe vozlišč: odločitvena vozlišča (označena s kvadratom), verjetnostna vozlišča (označena s krogom) in liste v drevesu (označene s trikotnikom). Odločitvena vozlišča predstavljajo trenutek v procesu odločanja, ko sami sprejemamo odločitev po kateri poti naprej. Verjetnostna vozlišča so vozlišča kjer na odločitev nimamo vpliva, veje, ki takemu vozlišču sledijo imajo pripisane verjetnosti s katero se bodo zgodile. Seveda se v konkretnem primeru zgodi le ena od vej. Listi predstavljajo zaključek poti skozi drevo in imajo pripisan izhod, velikokrat je to finančna vrednost, lahko pa je seveda karkoli drugega kar nam je pomembno.
Vsaka pot od korena do nekega lista predstavlja eno možnost, ki se lahko zgodi. Z malo verjetnostnega računa lahko izračunamo najbolj ugodno možnost za nas. Začnemo od listov in računamo proti korenu drevesa, pri tem tipično uporabljamo pričakovano vrednost (angl. expected value) in se obnašamo kot da se bo situacija mnogokrat ponovila (četudi ta predpostavka ne drži nujno za dani primer).
Odločitvena drevesa lahko na enostaven način upoštevajo tudi rizik. Dostikrat namreč velja, da nam je bolj sprejemljiva manj donosna, a obenem varna (pred morebitno izgubo) možnost, kot pa bolj donosna, a hkrati bolj riskantna možnost. Vrednosti (surove) v listih preprosto pretvorimo v koristnosti in nadalje računamo s koristnosti povsem enako kot prej s surovimi vrednostmi.
-
Tekom predavanj smo si pogledali različne psihološke pasti, ki prežijo na nas pri odločanju. Naredili smo tudi več poskusov, večinoma so letos (tudi zaradi nekoliko večjih skupin kar seveda pomeni večjo statistično moč) ti poskusi tudi zelo dobro uspeli.
Videli smo, da je zelo pomembno že kako k odločanju pristopimo. Prvi informaciji s katero pridemo v stik pri danem odločitvenem problemu, ljudje tipično dajemo preveliko težo. Temu rečemo sidranje (angl. anchoring). Pazite pri pogajanjih, prva cena je dostikrat tista okoli katere se stvari dalje vrtijo. In koliko prebivalcev že ima... ? ;)
Enako odločitveno vprašanje, postavljeno na različen način (npr. z vidika rizika oz. z vidika gotovosti, različne izhodiščne točke, itd.) ima lahko zelo velik vpliv na odločitev. Spomnite se svojih odgovorov pri potapljajočih ladjah, ki ste jih reševali. Gre za uokvirjanje problema (angl. framing the question).
Status quo. V človeški naravi je, da se raje držimo ustaljene prakse kot da bi stvari spreminjali. A dostikrat se to ne splača, zato je vredno premisliti, če nas naša podzavest ne zavaja. No, letos bombonov žal v živo ni bilo.
O teh in še preostalih (tudi zelo pogostih in pomembnih) pasteh si več preberite v povezavi spodaj. Podan je res odličen pregled pasti!
-
-
Priporočilni sistemi, v svoji osnovi, napovedujejo kakšno oceno bi konkreten uporabnik dal konkretnemu izdelku. Gre torej za personalizirane ocene, ki jih navadno uporabimo za priporočanje izdelkov (npr. filmov, knjig, elektronike, itd.) konkretnemu uporabniku priporočilnega sistema.
V sklopu predmeta smo si ogledali dva razreda priporočilnih sistemov: sisteme, ki delujejo po principu sodelovanja uporabnikov (angl. collaborative filtering) in sisteme, ki priporočajo na podlagi vsebine (angl. content-based recommenders). Na njih smo predvsem gledali z očmi inženirja kot širši samostojen primer sistema, ki uporablja znanje/umetno inteligenco. Pri obeh razredih smo tako videli tudi uporabo različnih tehnik strojnega učenja. Navezava na odločitveni del predmeta pride skozi uporabo takih sistemov: kako znotraj uporabniškega vmesnika kar najbolje za dano situacijo uporabiti rezultate priporočilnega modula. Podobne dileme in razmišljanja srečamo tudi pri uporabi ekspertnih sistemov in sistemov za podporo odločanju (npr. v medicini).
Z inženirskega vidika smo si pogledali tudi načine evalvacije priporočilnih sistemov, kombiniranje različnih sistemov v hibridni priporočilni sistem ter na koncu še napade na priporočilne sisteme.
-
-
Прикачено 27/01/2019 07:31
-
-
-
-
-
Navodila po posameznih korakih implementacije osnovnega priporočilnega sistema v okviru drugega seminarja.
-
-