Dokumentacja techniczna

do projektu z NAI

Nazwisko studenta

Numer indeksu

1. Spis treści (najważniejsze punkty w dokumentacji):

1. Opis problemu

2. Opis metody rozwiązywania

3. Opis implementacji

4. Wynik eksperymentu

5. Wnioski, podsumowanie

2. Bliższe wyjaśnienie:

1. Opis problemu:

• Dokładna specyfikacja problemu.

• Opis zbioru uczących i zbioru testowych: liczba obiektów, liczba atrybutów warunkowych, liczba klas decyzyjnych.

• Znaczenie atrybutów warunkowych i interpretacja klas decyzyjnych.

2. Opis metody rozwiązywania:

• Przygotowaniu danych (przeróbka danych)

• Czy to implementacja własna czy zastosowanie gotowego systemu?

• Który klasyfikator jest wybrany do rozwiązywania problemu (sieć neuronowa, drzewo decyzyjne, klasyfikator bayesowski, czy k-NN)

3. Opis implementacji: (bez kodu)

• Język programowania, środowisko programowania

• Krótki opis o strukturze danych

• Najważniejsze moduły czy metody w programie

• Zadania modułów (metod)

4. Wynik eksperymentu:

1. Sieć neuronowa:

• Architektura sieci

Typ neuronu (ciągły czy dyskretny)

Funkcja aktywacji (podać wzór i nazwę)

Metoda kodowania sygnałów wyjściowych („1-1” czy binarna)

• Wyznaczyć optymalny współczynnik uczenia:

Dla ustalonych początkowych wag, wybierać współczynnik uczenia (miarą jakości jest szybkość uczenia i jakość klasyfikacji sieci).

• Dla ustalonych początkowych wag oraz optymalnego współczynnika uczenia, sporządzić wykres opisujący zależność błędu sieci od liczby cykli uczenia (liczby epok).

• Klasyfikować przykłady w zbiorze testowym. Zapisać jakość klasyfikacji.

1. Drzewo decyzyjne:

• Rodzaj drzewa: binarne czy niebinarne?

• Rodzaje testów na poszczególnych atrybutach

• Wyznaczyć optymalne parametry (występujące warunku stopu):

• Liczba obiektów przy liściu

• Ułamek klasy dominującej w zbiorze obiektów przy liściu

• Wynik klasyfikacji i wielkość drzewa.

• Czy przycinanie drzewa jest stosowane?

1. k-NN:

• Wybór funkcji odległości

• Wybór parametru k

• Wynik klasyfikacji obiektów w zbiorze uczącym

1. Klasyfikator Bayesowski:

• Wyniki klasyfikacji z użyciem oryginalnego klasyfikatora Bayesa (oryginalny wzór prawdopodobieństwa warunkowego)

• Wyniki klasyfikacji z użyciem modyfikowanego klasyfikatora Bayesa (modyfikowany wzór prawdopodobieństwa warunkowego, żeby unikać prawdopodobieństwa zerowego)

• Porównywać wyniki klasyfikacji.

5. Wnioski, podsumowanie:

• Własne wnioski czy komentarze.

---