• Wprowadzenie do inżynierii wiedzy. Omówienie metod reprezentacji wiedzy w systemach komputerowych.

• Logika rozmyta jako forma reprezentacji wiedzy w systemach komputerowych.
• Omówienie podstawowych pojęć z logiki rozmytej
  • zbiór rozmyty
  • zmienna lingwistyczna
  • funkcja przynależności
  • typy funkcji przynależności (trójkątna, gausowska, trapezowa, itd.)
  • reguły rozmyte - rozmyta baza wiedzy
  • T-normy
  • S-normy
• Wprowadzenie do wnioskowania w LR - tworzenie modeli rozmytych na bazie wiedzy eksperta (MAMDANI)

• Podstawowe pojęcia - zobacz

• Tworzenie modeli rozmytych na bazie wiedzy eksperta (model MAMDANI).
• Omówienie poszczególnych etapów wnioskowania:
  • rozmywanie
  • wnioskowanie
  • wyostrzanie
• Tworzenie systemów FIS (Fzzy Inference System) - realizacja przykładów w Matlab
• Analiza wynikowej funkcji przynależności. Wpływ poszczególnych czynników na wynik wnioskowania:
  • kształt i położenie zbiorów rozmytych zmiennych INPUTS
  • kształt i położenie zbiorów rozmytych zmiennych OUTPUTS
  • wpływ reguł rozmytych
  • wpływ przyjętych operatorów logivznych
  • wpływ metody wyostrzania na wynik
• Omówienie metod wyostrzania (wady, zalety, zastosowanie)

• MatlabFuzzyLogicToolboxUser'SGuide - zobacz
• FLToolbox_Estratto - pobierz
• mathworks - Fuzzy Logic Toolbox - zobacz
• MATLAB FIS to Arduino C Converter - zobacz
• fuzzylite - zobacz
• jfuzzylogic- zobacz
• Fuzzy Logic for Python - zobacz

• Kolokwium 1 (20 PKT)
• Tworzenie modeli rozmytych Takagi - Sugeno
• Omówienie wytycznych do projektu FUZZY (40 PKT)

• Systemy neuronowo-rozmyte (NFS).
• Omówienie algorytmu ANFIS (Adaptive Neuro Fuzzy Inference System)

• model sugeno+ANFIS
• dane KUCIE
• dane KLIMA
• dane ELEKTROWNIA

  Linki do repozytoriów z danymi:

  • https://archive.ics.uci.edu/ml/datasets.php
  • https://repod.pon.edu.pl
  • https://www.openml.org/home
  • https://zenodo.org/

• ANFIS (Adaptive Neuro Fuzzy Inference System) - C.D.
• Kolokwium 2 (20 PKT)

PREZENTACJA I ZALICZENIE PROJEKTÓW

• Zaliczeni przedmiotu