2. DIKW piramida
• Piramida ilustruje veze
između struktura na
različitim nivoima
složenosti
• Informacije se stvaraju od
podataka, znanje od
informacija, mudrost od
znanja
• Za razliku od podataka i
informacija, znanje je
subjektivno i može se
postaviti pitanje o
njegovoj proizvoljnosti i
istinitosti.
– Znanje je interni
fenomen, ne eksterni
(univerzalni, kolektivni)
3. Šta je podatak?
• Podatak je simbol ili znak, koji reprezentuje
nekakav stimulus (koji uočavamo čulima) ili
signal. Podaci su nekorisni, jer nemaju
značenje, po sebi.
• 00110, 45, 185cm, 22A,
53km/h, true, false,
operation
4. Šta je informacija?
• Informacija je prosti ili složeni iskaz koji nastaje
rasuđivanjem na osnovu podataka (npr.
postavljanjem pitanja ko, šta, gde, koliko, kada..).
• Informacija su podaci kojima je pridodato
značenje i svrha - kontekst.
– Dragan je visok 185cm; Moje sedište je 22A; Brzina
kretanja automobila je 53 km/h
• Informacija može biti tačna ili netačna.
5. Šta je znanje?
• Ne postoji univerzalno prihvaćena definicija
• Parcijalne definicije
– „Sinteza informacija iz više izvora, nastalih tokom vremena“
– „Kombinacija informacija i njihovog razumevanja“
• Subjektivno znanje
– Znanje je misao individualnog uma, koje karakteriše verovanje
(koje se može argumentovati) te individue da je ono istinito.
Može biti empirijsko ili ne (npr. logičko i matematičko znanje).
• Primeri
– „Ako se automobil X kreće brzinom 53 km/h, njegova dužina
kočenja je 2.2m“
– „Dragan je viši od 60% stanovništva u zemlji“
– „U regionalnim avionima, sediše 22A je u zadnjem delu, iza
krila“
6. Eksplicitno i tacitno znanje
Eksplicitno znanje Tacitno znanje
„Opipljivo“ „Neopipljivo“
Fizički objekti, npr. u
dokumentima ili bazama
podataka
Mentalni objekti, npr. u mozgu
Nezavisno od konteksta Na značenje utiče kontekst
Lako se deli Deljenje podrazumeva učenje
Lako se reprodukuje
Ne reprodukuje se u
identičnom obliku
7. Šta je mudrost?
• Sposobnost primene integrisanog znanja radi
efektivne procene, efektivnog donošenja
nekog suda.
8.
9. Upravljanje znanjem
• Proces kreiranja, deljenja, korišćenja i
upravljanja znanjem i informacijama u
organizaciji
• Naučna disciplina, uspostavljena
1991
• Upravljanje znanjem tipično ima
za cilj bolje performanse
preduzeća, konkurentnost,
inovaciju.
11. Računarska reprezentacija i korišćenje
znanja
• Osnovni problemi
– Otkrivanje znanja
– Reprezentacija i modeliranje znanja (podaci i
informacije se jednostavno reprezentuju)
– Proces rasuđivanja novog znanja, na osnovu
postojećeg (mudrost?)
• Primena
– Inteligentni sistemi za podršku odlučivanju
• Sistemi sa veštačkom inteligencijom
– Računarsko tumačenje prirodnog jezika
– ...
12. Otkrivanje znanja
• Cilj je transformacija podataka u informacije i znanje
• Data mining
– Proces automatskog ili poluautomatskog uočavanja obrazaca u
velikim skupovima podataka
• Koristi znanja iz raznih disciplina, npr. statistika, mašinsko učenje,
veštačka inteligencija, baze podataka,..
• Vrste obrazaca
– Uočavanje grupa „vezanih“ podataka, detekcija anomalija, uočavanje
zavisnosti podataka (i prirode zavisnosti - zakonitosti)
• Text mining
– Proces uočavanja informacije visokog kvaliteta iz
nestruktuiranog teksta
– Parsiranje teksta, interpretacija i razumevanje teksta
• Natural Language Processing (NLP)
13. Modeliranje i reprezentacija
informacija
• Model je fizička, matematička ili logička
reprezentacija realnog objekta, sistema,
fenomena ili procesa
– Potreban nam je za skladištenje, simulaciju,
dokumentovanje, itd.
• Da bi mogli da modeliramo znanje, najpre
moramo da imamo model informacija
– Entity-Relationship modeliranje
– UML (Unified Modeling Language) modeliranje
• Modele karakterišu potpunost i izražajnost
– Njih određuju meta-modeli
14. Modeliranje i reprezentacija znanja
• Modeliranje opštih zakonitosti na osnovu kojih
se mogu donositi specifični zaključci
– Jedan vid transformacije informacije u znanje je i
generalizacija.
• Modeliranje zakonitosti uzrok-posledica.
• Tehnologije za reprezentaciju znanja
– Matematička logika (iskazna logika, predikatska
logika, logika prvog reda, opisna logika)
– RDF, RDFS, OWL
15. Plan rada u okviru kursa
• Modeliranje informacija
– Entity-Relationship modeliranje
– Željeni ishod – veština modeliranja informacija i
razumevanje baza podataka
• Modeliranje znanja
– Semantičke mreže, RDF, RDFS, OWL
– Željeni ishod – veština modeliranja znanja
primenom opisne logike i razumevanje procesa
rasuđivanja znanja
16. Način rada
• Kombinacija teorijskog i praktičnog dela
• Kolokvijum
• Usmeni ispit – test
• Kontakt sa
predavačem
– Email: milan.zdravkovic@gmail.com
• Platforma za učenje
– http://ekursevi.masfak.ni.ac.rs
17. Mogućnost izbora teme završnog rada
• Modeliranje znanja u izabranom domenu –
izrada ontologija