Zamierzam opowiedzieć o problemach i metodach radzenia sobie z brakującymi wartościami w oparciu o swoją pracę magisterską. Zaprezentuję również własną metodę wraz z jej wynikami eksperymentalnymi. Na zakończenie chciałbym omówić możliwe drogi dalszych badań tego zagadnienia.

W referacie przedstawię podsumowanie mojej pracy magisterskiej pod tytułem: "Redukcja liczby reguł decyzyjnych". W pracy tej zaproponowałem system decyzyjny oparty na odpowiednim grupowaniu i łączeniu reguł, uzyskując tą drogą niewielką liczbę bardziej skomplikowanych reguł. Zaproponowany system pozwala na znaczną redukcję liczby reguł decyzyjnych przy jednoczesnym zachowaniu wysokiej skuteczności na danych testowych.

Planowanie jest od wielu lat znaną dziedziną sztucznej inteligencji, która w ostatnich latach staje się coraz bardziej popularna. W Sztucznej Inteligencji termin planowanie jest używany do opisu konstrukcji sekwencji stanów. Dziedziną planowania jest zbiór operatorów lub typów akcji. Każdy operator może być użyty tylko w określonych stanach (tzw. warunki wstępne) i wywołuje pewne zmiany stanu (efekty). Problem planowania składa się z dziedziny planowania wraz ze stanem początkowym i stanem docelowym (czy też stanami docelowymi). System planujący rozwiązuje problem planowania przez wygenerowanie sekwencji akcji, które są dozwolone w kolejnych stanach i powodują przejście ze stanu początkowego do któregoś ze stanów końcowych.
Na seminarium zrobimy przegląd technik stosowanych przy konstruowaniu systemów planujących. Zwrócimy uwagę na systemy, które odniosły sukces w zawodach planowania AIPS'2000. Systemy te pokazują, że zastosowanie wiedzy specyficznej dla danego problemu może spowodować znaczną poprawę efektywności znajdowania rozwiązania. Ważnym i ciekawym problemem badawczym któremu zamierzamy poświęcić uwagę jest zastosowanie uczenia i technik wnioskowania w celu automatycznego generowania takiej wiedzy.

Rough set processor will be a key device of future information technology. The architecture, circuit design by VHDL (VHSIC Hardware Description Language) and implementation by FPGA (Field Programmable Gate Array) of rough set processor will be introduced.

An adaptive approach to the automatic construction of classifiers based on similarity and dissimilarity measures between digits' skeleton graphs will be described. New techniques, including multilevel hierarchy of classifiers and strategies for the synthesis of distance functions as well as experiments results will also be discussed.

Representation theorems for systems of regions have been of interest, and various contexts have been used for this purpose: Mormann has demonstrated the fruitfulness of the methods of continuous lattices to obtain a topological representation theorem for his formalization of Whitehedian ontological theory of space; similar results have been obtained by Roeper. We give a topological representation theorem for a connection based class of systems, using methods and tools from the theory of proximity spaces. The key novelty is a new proximity semantics for connection relations.

W dziedzinie indukcyjnego uczenia zaproponowano wiele podejść. Wśród nich ważne miejsce zajmują algorytmy związane z liczeniem reguł decyzyjnych, jak również metoda najbliższych sąsiadów.
Na seminarium zaprezentujemy algorytm łączący te dwa podejścia. Istotnym dla jakości klasyfikacji elementem tego algorytmu jest szukanie optymalnej liczby sąsiadów. Nowy algorytm porównamy z innymi podejściami pod względem jakości i wydajności, jak również omówimy wnioski wynikające z prac eksperymentalnych.
Zaprezentujemy też kierunki, w których widzimy perspektywy rozwoju omawianego podejścia i chcielibyśmy zaproponować współpracę osobom zainteresowanym.

In recent years a wide variety of intensional modal-like logics with the propositional operators determined by relations play an important role in a number of application areas such as spatial reasoning, cognitive agent technologies, knowledge-based systems, etc. Many of these applications require much more involved logical systems than the ordinary modal logics can offer, and one considers operations which are intended to express properties not expressible by the possibility operator, such as the inaccessibility of Humberstone (1983), or the suffiency operators of Gargov et al (1987). In the seminar, I will introduce and discuss algebraic counterparts of such logics with applications to information relations and spatial reasoning.

W dziedzinie indukcyjnego uczenia zaproponowano wiele podejść. Wśród nich ważne miejsce zajmują algorytmy związane z liczeniem reguł decyzyjnych, jak również metoda najbliższych sąsiadów.
Na seminarium zakładowym w piątek, 21.12.2001 przedstawialiśmy algorytm łączący te dwa podejścia. Na najbliższym seminarium trochę dokładniej przedstawimy pomysły użyte przy konstrukcji tego algorytmu oraz uwypuklimy wyprowadzone wnioski, które mogą mieć znaczenie przy konstrukcji innych algorytmów uczenia indukcyjnego. Skupimy się na następujących zagadnieniach:
1. Przypomnimy algorytm RIONA (Rule Induction with Optimal Neighbourhood Algorithm).
2. Pokażemy jak uogólniliśmy reguły stosowane w metodach symbolicznego wnioskowania jako pochodną dowolnej metryki. Okazuje się, że powszechnie stosowane reguły można wyprowadzić w przypadku zastosowania metryki Hamminga.
3. Omówimy empirycznie stwierdzony przez nas następujący fakt: W przypadku stosowania algorytmów indukcji za pomocą reguł decyzyjnych do poprawnej klasyfikacji wystarczy rozpatrywać niewielkie otoczenia (w stosunku do całej próbki treningowej) obiektu testowego. Powiemy też o możliwych zastosowaniach tego faktu w przypadku analizy dużych baz danych.

This seminar considers the possibility of approximate intelligence based on rough set theory. This form of intelligence is an ability of an agent to recognize patterns found in noisy sensor signals. That is, sensor measurements often contain a combination of useful information mixed with noise (e.g., listening to sounds of Chopin's music mixed with other sounds such as children's laughter in the background). Set approximation in rough set theory offers a means of discovering patterns in a set of sensor signals where there is some uncertainty about the information contained in the set. Approximate intelligence is associated with pattern recognition defined in the context of a parameterized approximation space. In a society of intelligent agents, each agent lives in its own local approximation space. The design of such agents has a number of fundamental features: sensors, channels, approximate reasoning, and learning. Each agent depends on many forms of sensors to acquire knowledge (granules of information) about its environment and other agents. Agents communicate with each other via channels designed for sending and receiving messages containing information granules. Approximate reasoning can be characterized by various forms of set approximation, sensor fusion, measurement and comparison of information granules with standards local to an agent. Learning (discovery of patterns) by an agent is realized by tuning parameters of operations used to construct and measure granules of information extracted from a sets of signals belonging to the universe of the approximation space. In considering the design of agents with approximate intelligence, it is helpful to consider examples of how pattern recognition is carried out by various life forms found in nature. This seminar begins by considering evidence of pattern recognition by seemingly simple life forms familiar to us. This is followed by a discussion of a rough neurocomputing approach to discovering patterns in sensor values and an informal description of a framework for designing approximate intelligent systems. Two recent examples of systems that are edging towards being intelligent are presented. Finally, the secret of humor (wit) is briefly considered.

Tematem seminarium były zagadnienia maszynowego uczenia w planowaniu oraz kierunki prac związanych z tym zagadnieniem, które zamierzamy podjąć w ramach badań do pracy doktorskiej.