Er zijn in 2003 op de volgende data bijeenkomsten gehouden:

• 6 december 2003
  (Extra bijeenkomst ter kennismaking met de nieuwe locatie: 't Dok in Nieuwegein)
  lezing "Intelligent Agents" door Willem Gobel (AIgg)
• 22 november 2003
  workshop Java programmeren, door Patrick Molenaar en Gerard Vriens
  lezing "Data modelleren met grafische modellen" door Alexander Ypma (Stichting Neurale Netwerken, Nijmegen)
• 25 oktober 2003
  geen lezing; geen verdere gegevens
• 27 september 2003
  geen lezing; geen verdere gegevens
• 28 juni 2003
  Java workshop "TaalExperiment", door Patrick Molenaar en Gerard Vriens, 7e sessie
  lezing "Robocode", door Enno Peters (RUG)
  lezing "Een 3D-variant van het Lee-algoritme", door Bert de Vries en Ben Hiep (ABB)
• 24 mei 2003
  lezing Regeling van automotor met Fuzzy Logic, door Dr.Ir. Stanimir Mollov (FCS Control Systems)
  lezing Support Vector Machines als alternatief voor Neurale Netwerken, door Dr. Uwe Thissen (Laboratorium voor Analytische Scheikunde, KUN)
  Java workshop "TaalExperiment", door Patrick Molenaar en Gerard Vriens
• 26 april 2003
  Java workshop "TaalExperiment", door Patrick Molenaar en Gerard Vriens
  lezing "Mixture Models en het EM-algoritme", door Drs. J.J. Verbeek (UvA)
  lezing "Illusie en waarheid: AI en de filosofie van L.E.J. Brouwer", door Henk Palstra (AIgg)
• 22 maart 2003
  lezing "Bayesiaans netwerk voor juridisch redeneren", doorPaul Huygen (VUA)
  Algemene Ledenvergadering (ALV)
  Java workshop "TaalExperiment", door Patrick Molenaar en Gerard Vriens
• 22 februari 2003
  Java workshop "TaalExperiment", door Patrick Molenaar en Gerard Vriens
  lezing Lerende systemen en Natuurlijke Taalverwerking, door Antal van den Bosch (KUB)
  (Onder voorbehoud:) lezing "Intelligent Agents", door Jo Brants
• 25 januari 2003 lezing: Frans Voorbraak (AMC), BIO-Informatica

Van de bijeenkomsten in 2003 zijn geen verslagen beschikbaar; de hierna volgende aankondigingen van de lezingen geven echter wel een goed beeld van wat er zoal de revue is gepasseerd. De web-links die in de toelichtingen staan zullen waarschijnlijk verouderd zijn en niet meer werken.

Toelichting op de lezing "Grafische modellen voor data modelleren", door Alexander Ypma (Stichting Neurale Netwerken, Nijmegen)

Veel problemen zijn zo ingewikkeld, dat we ze niet met eenvoudige wiskundige formules nauwkeurig kunnen beschrijven. Voorbeelden zijn het gedrag van consumenten ("hoeveel omzet zal een winkel morgen of volgende week hebben") of de trillingen die ontstaan als een draaiende machine aan het verslijten is. Vaak zijn er wel gegevens uit het verleden beschikbaar, en we kunnen proberen om uit deze voorbeelden te leren, zodat we ook in nieuwe situaties voorspellingen kunnen doen.
We kunnen hiervoor grafische modellen gebruiken. Hierin geven we oorzaken en gevolgen weer met behulp van knopen en pijlen in een netwerk. De pijlen geven aan hoe de oorzaken op de gevolgen inwerken (bijvoorbeeld: wat is de omzet op een regenachtige dag, en wat is de kans dat het morgen regenachtig zal zijn als het weerbericht regen voorspelt). Deze inwerkingen kunnen uit de voorhanden gegevens berekend (geschat) worden met wiskundige technieken, zoals Bayesiaanse waarschijnlijkheid, Markov modellen en Kalman filters.

Toelichting op de lezing "Robocode", door Enno Peters (RUG)

Figuur 1: Het Robocode logo

"Build the best. Destroy the rest." Dit is het motto van Robocode. Het is een computerspel, waarin twee spelers een tankslag tegen elkaar moeten leveren met virtuele tanks. De spelers kunnen hun tank echter niet zelf besturen, maar moeten er een zo slim mogelijk Java programma voor schrijven. Daarna kunnen ze alleen maar toekijken hoe de tank het doet. U kunt het zelf ook spelen; kijk bijvoorbeeld op http://www.robocode.net.

Figuur 2: Een tank kan rijden, de geschutskoepel draaien, een radarantenne draaien en natuurlijk schieten. Met de radar kan de tank zijn tegenstanders zien. In de basis is Robocode vergelijkbaar met de programmeertaal logo.

Robocode lijkt een beetje op de educatieve programmeertaal Logo, maar dan met schietmogelijkheid. Het is echter net iets veelzijdiger, en het bevat een spelelement. Het is mogelijk om er heel geavanceerde technieken uit de kunstmatige intelligentie in te programmeren. Ook zonder programmeerervaring kan een speler binnen enkele minuten zijn eerste robot-tank programmeren, en bij het ontwerpen van steeds betere programma's leert hij of zij vanzelf in de taal Java te programmeren. Bovendien zijn er discussiepanels waarin spelers van elkaar kunnen leren.

Figuur 3: Screen shot van Robocode

In augustus 2002 organiseerde IBM een Internationale Robocode wedstrijd. Kampioen werd Yngwie - de creatie waarmee Enno Peters, student Kunstmatige Intelligentie uit Groningen, zijn 500 mededingers versloeg. Het geheim van zijn succes schuilt in de superieure manier waarop zijn robot het gedrag van zijn opponenten voorspelt. Meer informatie over Robocode en de winnende robots is te vinden op: http://www.alphaworks.ibm.com/tech/robocode of http://www-106.ibm.com/developerworks/java/library/j-robowrap.html.

Toelichting op de lezing "Een 3D-variant van het Lee-algoritme", door Bert de Vries en Ben Hiep (ABB)

Het is heel ingewikkeld om een printplaat te ontwerpen waarop een zeer groot aantal verbindingen gemaakt moet worden. Om dit probleem op te lossen wordt vaak het zogenaamde Lee algoritme gebruikt. Hiermee kunnen echter alleen verbindingen in een tweedimensionaal vlak maken, terwijl in printplaten verbindingen in lagen boven elkaar kunnen liggen. Daarom is er een variant bedacht die wel in drie dimensies werkt. Bert de Vries en Ben Hiep ontwikkelden deze variant door. Het ontwikkelde algoritme is niet alleen van belang voor het ontwerp van printplaten, maar ook voor het ontwerp van de pijpleidingen in chemische reactoren.

Toelichting op de lezing "Fuzzy Logic aansturing van de GDI automotor", door dr.ir. Stanimir Mollow (FCS)

Dr.Ir. Stanimir Mollov (FCS Control Systems) heeft bij de Technische Universiteit Delft een proefschrift geschreven over de besturing van de injectie van benzine in een injectie motor. Het precieze verloop van het verbrandingsproces in deze motor is ingewikkeld. Als het nauwkeurig bestuurd kan worden, dan wordt de motor zuinig en produceert hij weinig afvalgassen.
Mollov bouwde een regelaar, gebaseerd op fuzzy logic, die tegelijkertijd de hoeveelheid ingelaten lucht, het moment van injectie en de hoeveelheid geïnjecteerde benzine en het moment van ontsteking bestuurt. Tot nu toe was het niet goed mogelijk om zulke ingewikkelde, niet-lineaire, besturingen goed te analyseren, en te garanderen dat ze stabiel zijn. De ontwikkelde regeling is eenvoudiger te ontwerpen en aan te passen aan andere omstandigheden dan tot nu toe gangbare regelaars.

Toelichting op de lezing "Support Vector Machines als alternatief voor Neurale Netwerken", door dr. Uwe Thissen (KUN)

Een Support Vector Machine (SVM) is een relatief nieuwe methode die, net als neural netwerken, gebruikt kan worden voor niet-lineaire taken. Deze taken kunnen zijn classificatie of regressie (het vinden van een relatie tussen enkele grootheden). Voor een deel kunnen de principes van SVMs vertaald worden naar neurale netwerk principes. Het is ook bekend dat verschillende typen neurale netwerken speciale gevallen zijn van SVMs. Het voordeel echter van SVMs t.o.v. neurale netwerken is dat SVMs minimaal zo goed presteren als standaard neurale netwerken en dat de gevonden oplossing uniek en optimaal is. In deze lezing zullen de principes van SVMs besproken worden en er wordt een vergelijking gemaakt met standaard neurale netwerken. Tevens wordt een toepassing besproken op het gebied van regressie en van hersentumor classificatie. Bij het plaatje: Een voorbeeld van een MRI plaatje van een hersentumor dat gebruikt wordt door artsen om een medische diagnose uit te voeren. Deze plaatjes worden ook gebruikt als invoer in een neuraal netwerk en in SVMs met als doel automatische tumorclassificatie.

Toelichting op de lezing "Mixture Models en het EM-algoritme", door drs. J.J. Verbeek (UVA)

Probabilistische mixture modellen vormen een rijke klasse van kansverdelingen. Mixture modellen kunnen eenvoudig voor klassificatiedoeleinden worden ingezet, door voor elke klasse een mixture model te schatten en dan te kijken welke klasse de grootste kans heeft gegeven nieuwe data. Ook kunnen mixture modellen gebruikt worden om te kijken of nieuwe data 'lijkt' op eerder geobserveerde data, door te kijken naar de kans die het, aan de hand van eerder gegeven data, getrainde mixture model aan de nieuwe data geeft.
Het EM algoritme is een populair algoritme om de parameters van een mixture model te "tunen" op gegeven data. In mijn lezing zal ik het EM algoritme uitleggen en ingaan op het specifieke EM algoritme voor Gaussische mixture modellen.
Mixture modellen kunnen ook gebruikt worden voor niet lineaire feature extractie. Een specifieke methode daarvoor lijkt sterk op Kohonen's Self-Organizing Map (SOM), en ik zal de relatie tussen beide methoden bespreken.
Tenslotte wil ik kort ingaan op recent ontwikkelde methoden die mixture modellen gebruiken en lijken op de SOM maar waarvoor direct de, globaal, optimale parameter waarden voor kunnen worden gevonden. (Voor verdere details zie de website van de spreker)

Toelichting op de lezing "Gebruik van Bayesiaanse waarschijnlijkheid in de rechtspraak", door Paul Huygen (VUA)

Juristen, bijvoorbeeld rechters, moeten vaak beslissingen nemen op basis van onzekere feiten. De meestgebruikte logica systemen kunnen daarmee niet helpen, omdat daarin de mate van zekerheid dat een bewering waar is niet aangegeven kan worden.
Een paradigma dat goed aansluit bij juridisch redeneren is de Bayesiaanse waarschijnlijkheidsrekening. Hiermee kunnen voorwaardelijke kansen omgekeerd worden. Als bijvoorbeeld op de plaats van een misdaad een haar van de misdadiger gevonden is, en het bekend is hoeveel procent van de bevolking hetzelfde type haar heeft, dan kan van een gegeven verdachte die hetzelfde haartype heeft, de kans berekend worden dat hij de misdadiger is (gegeven een a-priori kans dat de verdachte de dader is).
Het laatste decennium is Bayesiaanse waarschijnlijkheid sterk in de belangstelling gekomen, en zijn er computerprogramma's (Bayesian Belief Networks, BBN's) ontwikkeld waarmee Bayesiaanse waarschijnlijkheidsrekening kan worden toegepast op complexe problemen. Om deze software toe te kunnen passen is geen statistische expertkennis nodig.
Als demonstratie hebben wij een juridische casus gemodelleerd met een BBN. Conclusies zijn, dat juridische casus goed met BBN's geanalyseerd kunnen worden, en dat deze analyse het inzicht in de casus verdiept. BBN's zouden ook geschikt kunnen zijn tijdens de opleiding van juristen, om inzicht in waarschijnlijkheidsrelaties te verdiepen en fouten op dat gebied te vermijden.

Toelichting op de lezing "Taal en spraak", door Antal van den Bosch (KUB)

Antal van den Bosch ontwikkelde een computerprogramma dat automatisch woorden moet leren uitspreken (met behulp van verschillende "machine learning" algoritmen). Het bleek dat hoe minder taaltheorie in het computerprogramma werd gestopt, hoe beter het programma de uitspraak kon leren. Het bleek, dat door de ingeprogrammeerde voorkennis het computerprogramma niet goed meer in staat was om algemene trends in de voorbeelden die hij gebruikt om te leren kon herkennen. Antal zal een overzicht geven van de nieuwste technieken die voor taalkundig onderzoek worden gebruikt.

GV 07-03-2012