PowerPoint Presentation

Слични документи
Tеорија одлучивања

ПА-4 Машинско учење-алгоритми машинског учења

Slide 1

Uvod u statistiku

Slide 1

Mere slicnosti

РЕШЕЊА 1. (2) Обележја статистичких јединица посматрања су: а) особине које су заједничке за јединице посматрања б) особине које се проучавају, а подр

УНИВЕРЗИТЕТ У БЕОГРАДУ МАШИНСКИ ФАКУЛТЕТ Предмет: КОМПЈУТЕРСКА СИМУЛАЦИЈА И ВЕШТАЧКА ИНТЕЛИГЕНЦИЈА Задатак број: Лист/листова: 1/1 Задатак 5.1 Pостоје

Техничко решење: Метода мерења ефективне вредности сложенопериодичног сигнала Руководилац пројекта: Владимир Вујичић Одговорно лице: Владимир Вујичић

Прва економска школа Београд РЕПУБЛИЧКО ТАКМИЧЕЊЕ ИЗ СТАТИСТИКЕ март године ОПШТЕ ИНФОРМАЦИЈЕ И УПУТСТВО ЗА РАД Укупан број такмичарских

Drveta odlucivanja - algoritmi

Microsoft PowerPoint - vezbe 4. Merenja u telekomunikacionim mrežama

Présentation PowerPoint

Извештај о резултатима завршног испита на крају основног образовања и васпитања у школској 2013/2014. години

PowerPoint Presentation

Microsoft Word - SIORT1_2019_K1_resenje.docx

Adresa: Maršala Tita 9a/I Telefon: (033) Faks: (033) Web: Datum i vrijeme slanj

Postojanost boja

PowerPoint Presentation

Slide 1

Адреса: Maršala Tita 9a/I Телефон: (033) Факс: (033) Е-маил: Wеб: Датум и вријеме слања

Technology management performance indicators in global country rankings

Microsoft Word - vodicitm.doc

С А Ж Е Т А К

Adresa: Maršala Tita 9a/I Telefon: (033) Faks: (033) Web: OBAVJEŠTENJE O NABAVC

Орт колоквијум

DUBINSKA ANALIZA PODATAKA

Адреса: Maršala Tita 9a/I Телефон: (033) Факс: (033) Е-маил: Wеб: Датум и вријеме слања

Структура модула студијског програма МЕНАЏМЕТ И ОРГАНИЗАЦИЈА

(Microsoft Word - LOCIRANJE ROBE U SKLADI\212TU-vezbe doc)

Microsoft PowerPoint - jkoren10.ppt

Strateski marketing

Адреса: Maršala Tita 9a/I Телефон: (033) Факс: (033) Е-маил: Wеб: Датум и вријеме слања

I колоквијум из Основа рачунарске технике I СИ- 2017/2018 ( ) Р е ш е њ е Задатак 1 Тачка А Потребно је прво пронаћи вредности функција f(x

Softversko inženjerstvo

Projektovanje informacionih sistema i baze podataka

DUBINSKA ANALIZA PODATAKA

Introduction to Programming

Електротехнички факултет Универзитета у Београду Катедра за рачунарску технику и информатику Kолоквијум из Интелигентних система Колоквију

Kreditni izvestaj

MP_Ocena hleba bodovanjem

Tema 8 – Ekspertni sistemi

Microsoft Word _stipendije.docx

F84 Zahtjev za priznavanje inostrane visokoškolske kvalifikacije (zaokružiti) Application for academic recognition of foreign higher qualification (ci

Adresa: Maršala Tita 9a/I Telefon: (033) Faks: (033) Web: Datum i vrijeme slanj

1

Microsoft PowerPoint - Pokazatelji TP i stopa TP_ za studente [Compatibility Mode]

Р273 Пројектовање база података Примери питања за колоквијум 1. Навести најважније моделе података кроз историју рачунарства до данас. 2. Објаснити ос

Београд, МАТРИЧНА АНАЛИЗА КОНСТРУКЦИЈА ЗАДАТАК 1 За носач приказан на слици: а) одредити дужине извијања свих штапова носача, ако на носач

DOKTORSKE STUDIJE IZ JAVNOG ZDRAVLJA 2009/2010

Адреса: Maršala Tita 9a/I Телефон: (033) Факс: (033) Е-маил: Wеб: Датум и вријеме слања

Banja Luka: Bosna i Hercegovina/RS, Pere Krece 13,, Pošt. fah 51 Banja Luka 78102; Studentska služba: Tel: +387 (0) ; 43

R u z v e l t o v a 5 5, B e o g r a d, t e l : ( ) , m a i l : c o n t a c p s i t. r s, w w w. p s i t. r s

Metode za automatsko podešavanje boje i svjetline slike

Kreditni izvestaj

3 Obrazac_Tekst_Konkursa_MasterSpecijalistickeDoktorske

Microsoft PowerPoint - 13 PIK (Mentor Graphic ASIC).ppt

08 RSA1

Microsoft Word - Plan raspodjele radio-frekvencija iz opsega MHz_predlog.docx

P9.1 Dodela resursa, Bojenje grafa

Microsoft Word - pravilnik o vrednovanju.doc

FAKULTET ORGANIZACIONIH NAUKA

Programiranje u C-u ili C++-u Pseudo-slučajni brojevi; Dinamička alokacija memorije 1 ZADACI SA ČASA Zadatak 1 Napraviti funkciju koja generišlučajan

Microsoft Word - inicijalni test 2013 za sajt

Izveštaj o rezultatima međulaboratorijskog poređenja Odabranih pokazatelja kvaliteta šećerne repe i šećera 1 Novembar-decambar godine

Zbirni izvjestaj za DZ za 2018

Pisanje predloga projekta

Slide 1

МЕГАТРЕНД УНИВЕРЗИТЕТ Булевар маршала Толбухина 8, Beograd Упутство за оцену наставног кадра Садржај: 1. ПРЕДМЕТ И ПОДРУЧЈЕ ПРИМЕНЕ 2. ВЕЗЕ СА Д

4 dan - DWeb

УНИВЕРЗИТЕТ У БЕОГРАДУ ФАКУЛТЕТ ЗА СПЕЦИЈАЛНУ ЕДУКАЦИЈУ И РЕХАБИЛИТАЦИЈУ Ha основу члана 100. Закона о високом образовању ( Сл. Гласник, бр. 88/17) и

Microsoft Word - Postupak za upravljanje korektivnim merama.doc

Образац 1 ФАКУЛТЕТ УНИВЕРЗИТЕТ У БЕОГРАДУ Број захтева: Датум: (Назив већа научних области коме се захтев упућује) ПРЕДЛОГ ЗА ИЗБОР У ЗВАЊЕ ДОЦЕНТА /

PowerPoint Presentation

Microsoft Word - 10 STUDENTI doc

Структура инкубаторских станица Референтни метаподаци према Euro SDMX структури метаподатака (ESMS) Републички завод за статистику Републике Српске 1.

Technology management performance indicators in global country rankings

Адреса: Maršala Tita 9a/I Телефон: (033) Факс: (033) Е-маил: Wеб: Датум и вријеме слања

РЕПУБЛИКА СРПСКА МИНИСТАРСТВО ПРОСВЈЕТЕ И КУЛТУРЕ РЕПУБЛИЧКИ ПЕДАГОШКИ ЗАВОД Милоша Обилића 39 Бањалука, Тел/факс 051/ , 051/ ; p

ТЕОРИЈА УЗОРАКА 2

FAKULTET ORGANIZACIONIH NAUKA

Microsoft Word - TO_Praktikum_v3.docx

Z-16-45

ASAS AS ASAS

PowerPoint Presentation

Наставно-научном већу Математичког факултета Универзитета у Београду На 305. седници Наставно-научног већа Математичког факултета Универзитета у Беогр

Test iz Linearne algebre i Linearne algebre A qetvrti tok, U zavisnosti od realnog parametra λ rexiti sistem jednaqina x + y + z = λ x +

Classroom Expectations

QUALITY AUSTRIA CENTER DRAVSKA 11, BEOGRAD /

FAKULTET ORGANIZACIONIH NAUKA

ANALIZA TRŽIŠTA NEKRETNINA 08

Microsoft Word - Raspored ispita Jun.doc

Vrjednovanje diplomskih studija od strane studenata koji su tijekom akademske godine 2015./2016. završili studij Hrvatski studiji Psihologija Ured za

Vrjednovanje diplomskih studija od strane studenata koji su tijekom akademske godine 2015./2016. završili studij Hrvatski studiji Kroatologija Ured za

ЈУ СТУДЕНТСКИ ЦЕНТАР НИКОЛА ТЕСЛА БАЊА ЛУКА Бања Лука, Булевар војводе Петра Бојовића 1А Контакт телефони: ЈИБ: Павиљон I и II: централа

About the Professional Job Task Analysis Process

Diskretna matematika Sveučilište u Rijeci ODJEL ZA INFORMATIKU Radmile Matejčić 2, Rijeka Akademska 2017./2018.godina DISKRETNA MATEMATIKA Studij: Pre

Транскрипт:

Факултет организационих наука Центар за пословно одлучивање Системи за препоруку

П8: Системи за препоруку Закључивање на основу случајева Системи за препоруку 2

Закључивање на основу случајева ПРОНАЂЕНО ЗНАЊЕ ПРОБЛЕМ, КОНТЕКСТ НОВО ЗНАЊЕ 5. Чување знања БАЗА ЗНАЊА 6. Рафинисање базе знања 2. Адаптација дела пронађеног знања МОГУЋЕ НОВО ЗНАЊЕ 3. Ревизија знања ИЗАБРАНО ЗНАЊЕ 3

Претпоставке ЗОС, али не само ЗОС Свет је заснован на одређеном реду, не на хаосу. Проблеми се понављају, зато је добро памтити их. Слични проблеми имају слична решења. 4

Шта је случај? Запис решења одређеног проблема из прошлости. Најчешће га структурирамо као ред у табели (исто као код ОЗП). Мора садржати вектор улазних атрибута и може садржати вектор излазних атрибута. 5

Изазови код ЗОС Индексирање случајева Које атрибути изабрати као индексе? Како изабрати индексе? Чување случајева (знања) У којој форми чувати случајеве? Проналажење случајева Коју методу користити за претраживање случајева? Адаптација случајева Како прилагодити старе случајеве новом проблему? 6

Мерење сличности проналежење случаја -Алгоритам најближег суседа к-нн, -Стабла одлучивања, -Кластеровање итд. 7

Алгоритам најближих суседа (NN) - knn F (P, S) = f (Pi, Si) * Ti i = (1, n) P: нови проблем; S : случај у бази знања; f(pi,si): сличност између атрибута i P, S; Тi: тежина атрибута ( Тi = 1); n: број атрибута. 8

Ограничења к-нн алгоритма Није скалабилан У основној верзији не ради са ненумеричким подацима Одређивање параметра к је оптимизациони проблем. Како да се реши? 9

Случај 1:Одобравање кредита Credit application form Credit application form Person Bank clerk Information system Credit Credit approved Solved demand Credit demand $ Bank KMS 10

База случајева Sex Years Years at address Owner status Phone Occupation Area of occupation Years work Years bank Guarant Account Expenses Balance Decision M 28.67 9.335 owner given office_st government 5 6 no given 381 168 accept M 33.5 1.75 owner given expert government 4 4 yes given 253 857 accept M 33.58 2.75 owner given manager private 4 6 no given 204 0 accept M 31.92 4.46 owner given semi-expert government 6 3 no given 311 300 accept M 27 0.75 owner given creative government 4 3 yes given 312 150 accept F 60.92 5 owner given salesperson private 4 4 no given 0 99 accept M 27.58 3.25 rent not_given office_st government 5 2 yes given 369 1 reject F 25 12.33 owner given semi-expert government 3 6 no given 400 458 accept M 28.25 5.125 owner given expert private 4 2 no given 420 7 accept M 22.67 1.585 rent not_given production private 3 6 no given 80 0 accept F 30 5.29 owner given executive студент 2 5 yes given 99 500 accept M 29.17 3.5 owner given production private 3 3 yes given 329 0 reject M 28 2 owner given worker government 4 2 yes given 181 0 accept M 33.17 3.165 rent not_given expert private 3 3 yes given 380 0 accept F 58.67 4.46 owner given office_st government 3 6 no given 43 560 accept F 45.83 10.5 owner given office_st private 5 7 yes given 0 0 accept F 31.92 3.125 owner given unemployeed unemployeed 3 2 yes given 200 4 reject M 34.92 5 owner given expert government 7 6 yes given 0 1000 accept M 35.17 2.5 owner given worker private 4 7 no given 150 1270 accept F 23.5 9 owner given office_st private 8 5 yes given 120 0 accept M 26.67 2.71 rent not_given semi-expert private 5 1 no given 211 0 accept M 22.17 12.125 owner given creative private 3 2 yes given 180 173 reject F 21.5 6 owner given salesperson private 2 3 no given 80 918 accept M 29.58 4.5 owner given production private 7 2 yes given 330 0 accept F 47.75 8 owner given creative private 7 6 yes given 0 1260 accept 11

Индекси 1. Years with bank; 2. Years at work; 3. Balance; 4. Monthly expenses; 5. Years at address 6. Age 12

Алгоритам најближег суседа F (P, S) = f (Pi, Si) * Ti, i = (1, n) P: нови проблем; S : случај у бази знања; f(pi,si): сличност између атрибута i P, S; Тi: тежина атрибута ( Тi = 1); n: број атрибута. 13

Мерење сличности (Валидација знања) Preference functions P(х) Criteria Type 1 0 P(x) х P(x) = Type 1. Simple criteria 0, x 0 1, x > 0 1 0 P(x) m х P(x) = Type 2: Quasi criteria 0, x m 1, x > m m 1 0 P(x) n х P(x) = Type 3: Linear criteria 0, x < 0 х/n, 0 х n 1, x > n n 1 1/2 0 P(x) m n х P(x) = Type 4. Level criteria 0, x m 1/2, m < х < 1, x n m, n 1 0 P(x) m n х P(x) = Type 5. Indifference criteria 0, x m (х-m) / (n-m), m < х n 1, x > n м, н 1 0 P(x) х Type 6. Gauss criteria P(х) = 1 - е х / 2* 14

Параметри Атрибут Тип преф. m ( ) n Years with bank 6 5 Years at work 6 3 Balance 5 500 5000 Monthly 3 760 expenses Years at address 3 28 Years 2 10 15

Одређивање тежина код ЗОС Како бисте одредили тежине код ЗОС? Експертски приступ Приступ вођен подацима 16

Тежине добијене АХП методом Експертски приступ 17

Тежине критеријума 1. Years with bank (38,2%); 2. Years at work (25%); 3. Balance (16%); 4. Monthly expenses (10,1%); 5. Years at address (6,4%); 6. Years (4,3%). 18

Улазни подаци 19

Препорука - излаз 20

Евалуација решења 65535 тест примера Еуклидска удаљеност Теорија преф. Разлика Тачан 63871 65384 1513 одговор Проценат 97,46% 99,77% 2,31% 21

Случај 2: Саветник за студирање (ФОН) 1. Који одсек да упишем? 2. Колико дуго ћу студирати? 3. Која ће ми бити просечна оцена? Студент БП СС ФОН База случајева 22

База података студената (4.688) 23

База случајева(167) 24

Улазни подаци 25

Препорука 26

Препорука (детаљно) 27

Евалуација решења Избор одсека: 74% Просечна оцена: грешка 0,29 Трајање студија: грешка 1,06 28

Системи препоруке Колаборативно филтрирање Филтрирање базирано на садржају Хибридни приступи 29

Почеци Филтрирање садржаја Корисници нису посматрани као социјална мрежа, већ је Проблем посматран у почетку као проблем класификације ОЗП, ЗОС Нетфликс (Netflix) награда Факторизација матрице, техника линеарне алгебре и статистичке анализе матрица, се истакла као најпогоднија за дати проблем 30

Матрица оцена корисника 31

Колаборативно филтрирање Засновано на суседима (neighborhoodbased) Засновано на производима (item-based) Засновано на моделима (model-based) 32

Колаборативно филтрирање засновано на суседима 1. Сваком кориснику се додељује тежина у односу на активног корисника. 2. Бира се к корисника са највећом сличношћу са активним корисником тзв. суседство, комшилук. 3. Предикција представља отежану суму оцена корисника из суседства. 33

Колаборативно филтрирање засновано на суседима W a,u представља сличност између активног и изабраног корисника. Најчешће се та тежина одређује помоћу коефицијента корелације. 34

Колаборативно филтрирање засновано на суседима Предикције се рачунају као просек отежаних девијација од просека суседства. 35

Колаборативно филтрирање (КФ) засновано на производима КФ нису скалабилна решења, па су предложена и КФ алгоритми засновано на производима (item-to-item) 36

Колаборативно филтрирање засновано на моделима Некадашњи приступ: Модел класификације за сваког корисника Напреднији приступ: Модел латентних (скривених) фактора и факторизација матрице Претпоставља да везу између корисника и одговарајућег производа одређује одређена латентна структура фактора. 37

Колаборативно филтрирање засновано на моделима факторизација матрице 38

Колаборативно филтрирање засновано на моделима факторизација матрице 39

Филтрирање базирано на садржају Додатни критеријуми за одлучивање Демографски подаци Подаци о производу, о произвођачу итд. 40

Евалуационе метрике Обично RMSE и слично али су могуће и мере као што су AUC, alfa greška, beta greška 41

Изазови и ограничења Проређеност података Хладан старт Преваре 42

Факултет организационих наука Центар за пословно одлучивање Системи за препоруку