计算类神经网路节点数步骤五.ppt

曾憲雄、黃國禎 人工智慧與專家系統 Chapter 4 人工智慧演算法 Case-based Reasoning(案例式推論) 案例式推論解決問題的流程: 確認問題的狀態 由過去案例中找尋相似的案例 由相似的案例獲取經驗以解決目前的問題 將目前的問題及解決的方法加入案例中 案例式推論解題的關鍵因素 案例特徵(參數)之訂定 案例特徵(參數)權重之訂定 案例特徵(參數)比對演算法之訂定 案例式推論運作流程 案例式推論實例:自動化郵件回覆客戶服務系統 以郵件進行客戶服務己成趨勢 現有的郵件客服有下列缺點 郵件回覆為人工進行 需要浪費人力回答重覆問題 無法保證即時回覆 目標: 將傳統郵件回覆自動化 縮短客戶等待時間 提高客戶的滿意度 節省客服中心的人力應用 自動化郵件客服系統功能 自動辨識郵件目的及問題 搜尋最適合客戶的解決方案 即時產生回覆郵件 調查客戶滿意度 從雙方面調整資料庫 客服系統權重演算法 權重調整： 一名詞在所有集合中出現的頻率愈多，代表此詞為一冗詞 一名詞在所屬集合中出現的頻率愈多，其他集合中出現的頻率愈少，即有可能就是關鍵詞 客服系統權重演算法(cont.) Wij=(??pij – ??nij)/N wij 關鍵字i對在文章j的權重 N 取樣總篇數 pij 關鍵字i在文章j出現的次數 nij 關鍵字i在文章j之外出現的次數 客服系統關鍵詞比對演算法 FAQ關鍵詞比對： 比對客戶詢問問題與資料庫中的資料相似程度 給予一個問題與資料庫中各筆資料介於0至1的分數，並找出分數最高的資料 模糊邏輯(Fuzzy Logic) 1965年由加州大學柏克萊分校的L. A. Zadeh教授提出 目前廣泛使用於控制、預測、分析、決策等領域 Definition 1 若A為X的一個模糊子集，對每個x∈X都指定一個數μA(x) ∈[0,1]，用它表示x對A的歸屬度，而μA(x)被稱做A的成員函數： μA：X→[0,1]，x→ μA(x) ， x∈X 分別以100、85、65、54、0分為一個測驗是否理想的集合，則模糊子集為{100/1, 85/0.8, 65/0.6, 54/0.4, 0/0} Definition 2 假設有兩個模糊集合F與M，其相似程度S(F,M)可以下面公式求得： S(F,M)= F·M / max(F·F, M·M)其中F = μF(x1) , μF(x2) , μF(x3) ,… M = μM(x1) , μM(x2) , μM(x3) ,… X = {x1, x2, x3,…} S(F,M)的值將在[0,1]之間，若為1則代表兩個模糊集合集合完全一樣 Fuzzy Logic example 1 F={0/0, 0/20, 0.8/40, 0.9/60, 1/80, 1/100}M={0/0, 0/20, 0.6/40, 0.8/60, 0.2/80, 0/100} 則F·F=0.64+0.81+1+1=3.45 M·M=0.36+0.64+0.04=1.04 F·M=0.48+0.72+0.2=1.4 S(F,M)= 1.4/max(3.45, 1.04) = 1.4 / 3.45 = 0.41 Fuzzy Logic example 2 集合A={0, 20, 40, 60, 80, 100} 五個評核等級(優秀的→不滿意的)： E = {0, 0, 0.8, 0.9, 1, 1} V = {0, 0, 0.8, 0.9, 0.9, 0} G = {0, 0.1, 0.8, 0.9, 0.4, 0.2} S = {0.4, 0.4, 0.9, 0.6, 0.2, 0} U = {1, 1, 0.4, 0.2, 0, 0} Neural Networks (類神經網路) 1943　McCulloch 與 Pitts首度提出正式的類神經計算單元。 　 1949　Donald Hebb提出第一個學習法則---Hebbian learning rule。 1954　Minsky 首度建造類神經電腦並測試。　 1958　Frank Rosenblatt 發明感知機 (Perceptron)﹐可調整連接值。 1960　Bernard Widrow 與 Marcian Hoff 提出 Widrow-Hoff 學習法則　 1965　Nils Nilsson 綜合當代研究並提出學習機所受的限制。 　 1972　Sun-Ichi Amari 提出有關臨界值的數學理論。 1982　Kohonen 研究非監督模式網路﹐建立陣列式神經元。 　 1982　Stephen Grossberg 與