Các ứng dụng thực tế áp dụng kỹ thuật khai phá tri thức/Bài toán xây dựng hệ chuyên gia trong lĩnh vực y học

ĐẠI HỌC ĐÀ NẴNG
TRƯỜNG ĐẠI HỌC BÁCH KHOA
KHOA CÔNG NGHỆ THÔNG TIN

GVHD : PGS. TS. Phan Huy Khánh
HVTH : Nguyễn Thị Thùy
Phan Thị Lệ Thuyền
Nguyễn Văn Thẩm
LỚP : Khoa học máy tính
KHÓA : 11 (2009 – 2011)
Đà Nẵng, tháng 04/2010
LỜI MỞ ĐẦU
Trong thời đại ngày nay, với sự phát triển vượt bật của công nghệ thông tin các
hệ thống thông tin có thể lưu trữ một khối lượng lớn dữ liệu về hoạt động hàng ngày
của chúng. Những năm gần đây, khi nền khoa học công nghệ thông tin đang ngày càng
phát triển như vũ bão thì vấn đề khai thác dữ liệu đã trở thành một trong những hướng
nghiên cứu chính trong lĩnh vực khoa học máy tính và công nghệ tri thức. Khai thác
dữ liệu đã và đang ứng dụng thành công vào rất nhiều các lĩnh vực khác nhau như:
thương mại, tài chính, thị trường chứng khoán, y học, thiên văn học, sinh học, giáo dục
và viễn thông v.v.
Mỗi lĩnh vực hoạt động cần có một chuyên gia để hỗ trợ tư vấn trong quá trình
hoạt động. Việc áp dụng hệ chuyên gia là một việc rất quan trọng, chúng ta có thể tạo
ra một chuyên gia thật sự trên một lĩnh vực nào đó. Từ đó chúng ta có thể xây dựng
nhiều chuyên gia khác nhau trên tất cả các lĩnh vực để phục vụ đời sống xã hội.
Chữa bệnh bằng cây thuốc nam là lĩnh vực rất gần gũi và cần thiết trong cuộc
sống của mỗi người. Nó hướng dẫn bạn biết tận dụng các loại cây cỏ rất quen thuộc
xung quanh, thậm chí ở ngay trong khu vườn của bạn để điều trị một số loại bệnh hay
gặp trong cuộc sống hằng ngày.
Trong khuôn khổ đề tài này chúng tôi trình bày những hiểu biết về khai phá tri
thức và bài tập hệ chuyên gia chẩn đoán và điều trị bệnh bằng thuốc nam. Đề tài gồm

các phần chính như sau:
Phần 1: Khai phá tri thức
Chương 1: Tổng quan về khai phá tri thức
Chương 2: Các ứng dụng thực tế áp dụng kỹ thuật khai phá tri thức
Phần 2: Hệ chuyên gia
Chương 1: Kiến thức cơ bản về hệ chuyên gia
Chương 2: Bài toán xây dựng hệ chuyên gia trong lĩnh vực y học
Mặc dù đã nghiên cứu kỹ phần lý thuyết để có được cách giải quyết bài tập đúng
đắn nhưng chúng tôi không thể tránh khỏi những thiếu sót, kính mong nhận được sự
góp ý kiến của Thầy giáo hướng dẫn PGS.TS. Phan Huy Khánh và các anh chị trong
lớp để đề tài được tốt hơn.
Chúng tôi xin chân thành cảm ơn thầy giáo PGS.TS. Phan Huy Khánh đã tận tình
giảng dạy và hướng dẫn để chúng tôi hoàn thành tiểu luận này.
Học viên thực hiện
Nguyễn Thị Thùy
Phan Thị Lệ Thuyền
Nguyễn Văn Thẩm
MỤC LỤC
Phần 1. KHAI PHÁ TRI THỨC 1
Phần 2. HỆ CHUYÊN GIA 15
KẾT LUẬN 25
TÀI LIỆU THAM KHẢO 26
Tiểu luận Công nghệ tri thức GVHD: PGS.TS. Phan Huy Khánh
Phần 1. KHAI PHÁ TRI THỨC
Chương 1. Tổng quan về khai phá tri thức
Sự phát triển của công nghệ thông tin và việc ứng dụng công nghệ thông tin
trong nhiều lĩnh vực của đời sống kinh tế xã hội trong nhiều năm qua cũng đồng nghĩa
với lượng dữ liệu đã được các cơ quan thu thập và lưu trữ ngày một tích luỹ nhiều lên.
Họ lưu trữ các dữ liệu này vì cho rằng trong nó ẩn chứa những giá trị nhất định nào đó.
Tuy nhiên, theo thống kê thì chỉ có một lượng nhỏ của những dữ liệu này (khoảng từ

5% đến 10%) là luôn được phân tích, số còn lại họ không biết sẽ phải làm gì hoặc có
thể làm gì với chúng nhưng họ vẫn tiếp tục thu thập rất tốn kém với ý nghĩ lo sợ rằng
sẽ có cái gì đó quan trọng đã bị bỏ qua sau này có lúc cần đến nó. Mặt khác, trong môi
trường cạnh tranh, người ta ngày càng cần có nhiều thông tin với tốc độ nhanh để trợ
giúp việc ra quyết định và ngày càng có nhiều câu hỏi mang tính chất định tính cần
phải trả lời dựa trên một khối lượng dữ liệu khổng lồ đã có. Với những lý do như vậy,
các phương pháp quản trị và khai thác cơ sở dữ liệu truyền thống ngày càng không đáp
ứng được thực tế đã làm phát triển một khuynh hướng kỹ thuật mới đó là Kỹ thuật
khai phá tri thức và khai phá dữ liệu (KDD - Knowledge Discovery and Data Mining).
Kỹ thuật khai phá tri thức và khai phá dữ liệu đã và đang được nghiên cứu, ứng
dụng trong nhiều lĩnh vực khác nhau ở các nước trên thế giới, tại Việt Nam kỹ thuật
này tương đối còn mới mẻ tuy nhiên cũng đang được nghiên cứu và dần đưa vào ứng
dụng
HVTH: Nguyễn Thị Thùy - Phan Thị Lệ Thuyền Nguy– ễn V n Thă ẩm 1
Có sẵn khối dữ liệu lớn:
Có sẵn khối dữ liệu lớn:
- Các CSDL khổng lồ
- Dữ liệu từ Internet
Tiểu luận Công nghệ tri thức GVHD: PGS.TS. Phan Huy Khánh
1.1 Khai phá tri thức là gì?
Trong cuộc sống nói chung và trong tin học nói riêng, thông tin và tri thức hiện
đang là tiêu điểm của một lĩnh vực mới trong nghiên cứu và ứng dụng về khai phá tri
thức (Knowledge Discovery) và khai phá dữ liệu (Data Mining).
Thông thường chúng ta coi dữ liệu như một dãy các bit, hoặc các số và các ký
hiệu, hoặc các “đối tượng” với một ý nghĩa nào đó khi được gửi cho một chương trình
dưới một dạng nhất định. Chúng ta sử dụng các bit để đo lường các thông tin và xem
nó như là các dữ liệu đã được lọc bỏ các dư thừa, được rút gọn tới mức tối thiểu để đặc
trưng một cách cơ bản cho dữ liệu. Chúng ta có thể xem tri thức như là các thông tin
tích hợp, bao gồm các sự kiện và các mối quan hệ giữa chúng. Các mối quan hệ này có
thể được hiểu ra, có thể được phát hiện, hoặc có thể được học. Nói cách khác, tri thức

có thể được coi là dữ liệu có độ trừu tượng và tổ chức cao.
Khai phá tri thức trong các cơ sở dữ liệu là một qui trình nhận biết các mẫu hoặc
các mô hình trong dữ liệu với các tính năng: hợp thức, mới, khả ích, và có thể hiểu
được.
1.2 Quá trình phát hiện tri thức
Hình 1: Quá trình phát hiện tri thức
Phát hiện tri thức từ CSDL là một quá trình có sử dụng nhiều phương pháp và
công cụ tin học nhưng vẫn là một quá trình mà trong đó con người là trung tâm. Do
đó, nó không phải là một hệ thống phân tích tự động mà là một hệ thống bao gồm
nhiều hoạt động tương tác thường xuyên giữa con người và CSDL, tất nhiên là với sự
hỗ trợ của các công cụ tin học. Người sử dụng hệ thống ở đây phải là người có kiến
thức cơ bản về lĩnh vực cần phát hiện tri thức để có thể chọn được đúng các tập con dữ
HVTH: Nguyễn Thị Thùy - Phan Thị Lệ Thuyền Nguy– ễn V n Thă ẩm 2
Tiểu luận Công nghệ tri thức GVHD: PGS.TS. Phan Huy Khánh
liệu, các lớp mẫu phù hợp và đạt tiêu chuẩn quan tâm so với mục đích. Tri thức mà ta
nói ở đây là các tri thức rút ra từ các CSDL, thường để phục vụ cho việc giải quyết
một loạt nhiệm vụ nhất định trong một lĩnh vực nhất định. Do đó, quá trình phát hiện
tri thức cũng mang tính chất hướng nhiệm vụ, không phải là phát hiện mọi tri thức bất
kỳ mà là phát hiện tri thức nhằm giải quyết tốt nhiệm vụ đề ra. Vì vậy, quá trình phát
hiện tri thức là một quá trình hoạt động tương tác giữa con người (người sử dụng hoặc
chuyên gia phân tích) với các công cụ tin học để thực hiện các bước cơ bản sau:
• Tìm một cách hiểu (bằng ngôn ngữ tin học) lĩnh vực ứng dụng và nhiệm
vụ đặt ra, xác định các tri thức đã có và các mục tiêu của người sử dụng.
• Tạo một tập dữ liệu đích bằng cách chọn từ CSDL một tập dữ liệu với
các giá trị biến và các mẫu được quan tâm, trên đó ta thực hiện quá trình
phát hiện tri thức.
• Làm sạch và tiền xử lý dữ liệu
• Thu gọn và rút bớt số chiều của dữ liệu để tập trung vào những thuộc
tính chủ chốt đối với việc phát hiện tri thức.
• Chọn nhiệm vụ khai phá dữ liệu dựa vào mục tiêu của quá trình phát

hiện tri thức: xếp loại, phân nhóm hay hồi quy, v.v…
• Chọn thuật toán khai phá dữ liệu thích hợp và thực hiện việc khai phá dữ
liệu để tìm được các mẫu hình (pattern) có ý nghĩa dưới dạng biểu diễn
tương ứng (luật xếp loại, cây quyết định, luật sản xuất, biểu thức hồi
quy, v.v…)
• Đánh giá, giải thích, thử lại các mẫu hình đã được khai phá, có thể lặp lại
một hoặc nhiều bước kể trên.
• Củng cố, tinh chế các tri thức đã được phát hiện. Kết hợp các tri thức
thành hệ thống. Giải quyết các xung đột tiềm tàng trong tri thức khai
thác được. Sau đó, tri thức được chuẩn bị sẵn sàng cho ứng dụng.
Nếu phát hiện tri thức là toàn bộ quá trình chiết xuất tri thức từ các CSDL thì
khai phá dữ liệu là giai đoạn chủ yếu của quá trình đó. Như trên đã trình bày, trong
quá trình phát hiện tri thức, khâu khai phá dữ liệu được thực hiện sau các khâu tinh lọc
và tiền xử lý dữ liệu, tức là việc khai phá để tìm ra các mẫu hình có ý nghĩa được tiến
hành trên tập dữ liệu có hy vọng là sẽ thích hợp với nhiệm vụ khai phá đó chứ không
phải là khai phá hết dữ liệu với một thời gian đủ dài để lấy được một mẫu không thực
sự có ích như khái niệm trong thống kê trước đây.
HVTH: Nguyễn Thị Thùy - Phan Thị Lệ Thuyền Nguy– ễn V n Thă ẩm 3
Tiểu luận Công nghệ tri thức GVHD: PGS.TS. Phan Huy Khánh
1.3 Qui trình khai phá tri thức
Bắt đầu của quá trình là kho dữ liệu thô và kết thúc với tri thức được chiết xuất
ra. Về lý thuyết thì có vẽ rất đơn giản nhưng thực sự đây là một quá trình rất khó khăn
gặp phải rất nhiều vướng mắc như: quản lý các tập dữ liệu, phải lặp đi lặp lại toàn bộ
quá trình,.v.v.
Qui trình khai phá tri thức được mô tả tóm tắt trên Hình 2:
Hình 2. Quy trình khai phá tri thức
Bước thứ nhất là tìm hiểu lĩnh vực ứng dụng và hình thành bài toán, bước này sẽ
quyết định cho việc rút ra được các tri thức hữu ích và cho phép chọn các phương
pháp khai phá dữ liệu thích hợp với mục đích ứng dụng và bản chất của dữ liệu.
Bước thứ hai là thu thập và xử lý thô, còn được gọi là tiền xử lý dữ liệu nhằm

loại bỏ nhiễu, xử lý việc thiếu dữ liệu, biến đổi dữ liệu và rút gọn dữ liệu nếu cần thiết,
bước này thường chiếm nhiều thời gian nhất trong toàn bộ qui trình khai phá tri thức.
Bước thứ ba là khai phá dữ liệu, hay nói cách khác là trích ra các mẫu hoặc/và
các mô hình ẩn dưới các dữ liệu.
Bước thứ tư là hiểu tri thức đã tìm được, đặc biệt là làm sáng tỏ các mô tả và dự
đoán. Các bước trên có thể lặp đi lặp lại một số lần, kết quả thu được có thể được lấy
trung bình trên tất cả các lần thực hiện.
HVTH: Nguyễn Thị Thùy - Phan Thị Lệ Thuyền Nguy– ễn V n Thă ẩm 4
Tiểu luận Công nghệ tri thức GVHD: PGS.TS. Phan Huy Khánh
Hình 3: Tiến trình KDD (Knowledge discovery in databases) tiêu biểu
1.4 Quá trình khai phá tri thức từ dữ liệu
Quá trình khai phá tri thức từ dữ liệu bao gồm một số bước từ các bộ dữ liệu đến
tri thức mới.
• Làm sạch dữ liệu (Data cleaning) và tích hợp dữ liệu (Data integration): giai
đoạn này là tạo ra nguồn dữ liệu cho việc khai phá tri thức. Dữ liệu được làm
sạch từ các nguồn khác và và tích hợp với nhau.
• Lựa chọn dữ liệu (Data selection): dữ liệu không liên quan được phân tích để
quyết định giữ lại hay loại bỏ khỏi tập dữ liệu. Giai đoạn này thực hiện việc lựa
chọn các trường của mỗi mẫu dữ liệu để thực hiện khai phá tri thức thu được kết
quả cao.
• Biến đổi dữ liệu (Data transformation): dữ liệu được lựa chọn được biến đổi
vào các mẫu thích hợp cho quá trình khai phá.
• Khai phá dữ liệu (Data mining): giai đoạn quyết định của quá trình khai phá
tri thức từ dữ liệu. Các kỹ thuật được sử dụng trong giai đoạn này nhằm lấy ra
các mẫu hữu ích tiềm ẩn.
• Đánh giá các mẫu (Pattern evaluation): các mẫu biểu diễn tri thức hấp dẫn
được nhận biết dựa trên các độ đo được đưa ra.
• Biểu diễn tri thức (Knowledge representation): là giai đoạn cuối của quá trình
khai phá tri thức từ dữ liệu, nhằm biểu diễn trực quan tri thức cho người dùng.
Bước quan trọng này sử dụng các kỹ thuật trực quan để giúp người sử dụng hiểu

và biểu diễn các kết quả khai phá dữ liệu.
KDD là một quá trình lặp. Mỗi khi tri thức khai phá được biểu diễn cho người
dùng, các độ đo đánh giá có thể được nâng cao, khai phá có thể được cải tiến trong
HVTH: Nguyễn Thị Thùy - Phan Thị Lệ Thuyền Nguy– ễn V n Thă ẩm 5
Data
Data
mining
mining
Data
Data
mining
mining
Input data
Input data
Input data
Input data
Results
Results
Results
Results
Postprocessi
Postprocessi
ng
ng
Operational
Operational
Database
Database
Operational
Operational

Database
Database
S
e
l
e
c
t
i
o
n
S
e
l
e
c
t
i
o
n
S
e
l
e
c
t
i
o
n
S

e
l
e
c
t
i
o
n
Utilization
Utilization
Utilization
Utilization
Eval. of
interes-
tingness
Raw
data
Time
based
selection
Selecte
d
usable
patter
ns
1
3
2
Tiểu luận Công nghệ tri thức GVHD: PGS.TS. Phan Huy Khánh
tương lai, dữ liệu mới có thể được chọn hoặc biến đổi trong tương lai, hoặc các nguồn

dữ liệu mới có thể được tích hợp nhằm thu được các kết quả khác, thích hợp hơn. Khai
phá dữ liệu đã được ứng dụng trong nhiều lĩnh vực khoa học khác nhau nhằm khai
thác nguồn dữ liệu phong phú được lưu trữ trong các hệ thống thông tin.
Tùy theo bản chất của từng lĩnh vực, việc vận dụng khai phá dữ liệu có những
cách tiếp cận khác nhau. Trong lĩnh vực tài chính ngân hàng, khai phá dữ liệu đã được
ứng dụng để phân tích rủi ro tín dụng, phát hiện gian lận, tiếp thị, quan hệ khách hàng,
dự báo tỷ giá ngoại tệ, quản lý rủi ro tác nghiệp, làm sạch dữ liệu
1.5 Các phương pháp khai phá dữ liệu
Với hai đích chính của khai phá dữ liệu là dự đoán (Prediction) và Mô tả
(Description), người ta thường sử dụng các phương pháp sau cho khai phá dữ liệu:
- Phân loại (Classification)
- Hồi qui (Regression)
- Phân nhóm (Clustering)
- Tổng hợp (Summarization)
- Mô hình ràng buộc (Dependency modeling)
- Dò tìm biến đổi và độ lệch (Change and Deviation Dectection)
- Biểu diễn mô hình (Model Representation)
- Kiểm định mô hình (Model Evaluation)
- Phương pháp tìm kiếm (Search Method)
Một quá trình KPDL bao gồm năm giai đoạn chính sau:
(1) Tìm hiểu nghiệp vụ và dữ liệu
(2) Chuẩn bị dữ liệu
(3) Mô hình hóa dữ liệu
(4) Hậu xử lý và đánh giá mô hình
(5) Triển khai tri thức
Quá trình này có thể được lặp lại nhiều lần một hay nhiều giai đoạn dựa trên
phản hồi từ kết quả của các giai đoạn sau. Tham gia chính trong quá trình khai phá
dữ liệu là các nhà tư vấn và phát triển chuyên nghiệp trong lĩnh vực khai phá dữ
liệu.
HVTH: Nguyễn Thị Thùy - Phan Thị Lệ Thuyền Nguy– ễn V n Thă ẩm 6

Tiểu luận Công nghệ tri thức GVHD: PGS.TS. Phan Huy Khánh
Hình 4. Giao diện trực quan của môi trường KPDL Clementine
1.6 Các lĩnh vực liên quan đến Khai phá tri thức
Khai phá tri thức và khai phá dữ liệu liên quan đến nhiều ngành, nhiều lĩnh vực:
thống kê, trí tuệ nhân tạo, cơ sở dữ liệu, thuật toán học, tính toán song song và tốc độ
cao, thu thập tri thức cho các hệ chuyên gia, quan sát dữ liệu Đặc biệt khai phá tri
thức và khai phá dữ liệu rất gần gũi với lĩnh vực thống kê, sử dụng các phương pháp
thống kê để mô hình dữ liệu và khai phá các mẫu, luật Ngân hàng dữ liệu (Data
Warehousing) và các công cụ phân tích trực tuyến (OLAP) cũng liên quan rất chặt chẽ
với khai phá tri thức và khai phá dữ liệu.
1.7 Các ứng dụng của Khai phá tri thức
Mặc dù còn rất nhiều vấn đề mà khai phá dữ liệu quyết nhưng tiềm năng của nó
đã được khẳng định bằng Khai phá dữ liệu được ứng dụng rất thành công trong “cơ sở
dữ liệu thị trường” (database marketing), đây là một phương pháp phân tích cơ sở dữ
liệu khách hàng, tìm kiếm,…Tạp chí Business Week của Mỹ đã đánh giá hơn 50% các
nhà bán lẻ đang và có ý định sử dụng “cơ sở dữ liệu thị trường” cho hoạt động kinh
doanh của họ (Berry 1994). Kết quả ứng dụng cho thấy số lượng thẻ tín dụng
American Express bán ra đã tăng 15% - 20% (Berry 1994). Các ứng dụng khác của
khai phá dữ liệu trong kinh doanh như phân tích chứng khoán và các văn kiện tài
chính; phân tích và báo cáo những thay đổi trong dữ liệu, bao gồm Coverstory của IRI
(Schmitz, Armstrong, & Little 1990), Spotlight của A.C Nielsen (nand & Kahn 1992)
đối với các dữ liệu bán hàng trong siêu thị, KEFIR của GTE cho cơ sở dữ liệu y tế
(Matheus, Piatetsky-Shapiro, & McNeil); phát hiện và phòng chống gian lận cũng
HVTH: Nguyễn Thị Thùy - Phan Thị Lệ Thuyền Nguy– ễn V n Thă ẩm 7
Tiểu luận Công nghệ tri thức GVHD: PGS.TS. Phan Huy Khánh
thường là bài toán của khai phá dữ liệu và phát hiện tri thức. Ví dụ như hệ thống phát
hiện gian lận trong dịch vụ y tế đã được Major và Riedinger phát triển tại Travelers
insurance năm 1992. Internal Revenue Service đã phát triển một hệ thống chọn thuế
thu để kiểm toán. Nestor FDS (Blanchard 1994) được phát triển dựa trên mạng neuron
để phát hiện ra gian lận trong thẻ tín dụng.

Vì vậy khám phá tri thức từ cơ sở dữ liệu được ứng dụng rộng rãi trong các lĩnh
vực như:
- Thông tin thương mại:
+ Phân tích dữ liệu marketing, khách hàng
+ Phân tích đầu tư
+ Phê duyệt cho vay vốn
+ Khai phá gian lận
- Thông tin kỹ thuật:
+ Điều khiển và lập lịch trình
+ Quản trị mạng
+ Phân tích các kết quả thí nghiệm
- Thông tin khoa học
- Thông tin cá nhân
1.8 Các thách thức với Khai phá tri thức và khai phá dữ liệu
- Các cơ sở dữ liệu lớn
- Số chiều lớn
- Thay đổi dữ liệu và tri thức có thể làm cho các mẫu đã khai phá không còn phù
hợp.
- Dữ liệu bị thiếu hoặc nhiễu
- Quan hệ giữa các trường phức tạp
- Giao tiếp với người sử dụng và kết hợp với các tri thức đã có.
- Tích hợp với các hệ thống khác
HVTH: Nguyễn Thị Thùy - Phan Thị Lệ Thuyền Nguy– ễn V n Thă ẩm 8
Tiểu luận Công nghệ tri thức GVHD: PGS.TS. Phan Huy Khánh
Chương 2. Các ứng dụng thực tế áp dụng kỹ thuật
khai phá tri thức
2.1 Ứng dụng hệ thống mờ dùng trong khai phá dữ liệu điều trị bệnh sốt
- IF sốt nhẹ THEN liều lượng asperine thấp
- IF sốt THEN liều lượng asperine bình thường
- IF sốt cao THEN liều lượng asperine cao

- IF sốt rất cao THEN liều lượng asperine cao nhất
Hình 5. Lược đồ nhiệt độ và liều lượng asperine
Ví dụ: Một bệnh nhân sốt ở 38.7 độ. Hãy xác định liều lượng asperince cần thiết
để cấp cho bệnh nhân
- Bước 1: Mờ hóa giá trị x = 38.7 đã cho ta thấy 38.7 thuộc về các tập mờ
như sau:
Hình 6. Lược đồ nhiệt độ thực tế
µSốt nhẹ (x) = 0.3 µSốt (x) = 0.7
µSốt cao (x) = 0 µSốt rất cao (x) = 0
− Bước 2: Ta thấy có 2 luật 1 và 2 có thể áp dụng cho ra hai liều lượng
aspirine:
HVTH: Nguyễn Thị Thùy - Phan Thị Lệ Thuyền Nguy– ễn V n Thă ẩm 9
SC
41
37 38 39 40
0
C
SN S
SRC
0 200 400 600 800 1000 mg
CN
1200
CBTT
38.7
SC
41
37 38 39 40
0
C
SN S

SRC
0.3
0.7
1
Tiểu luận Công nghệ tri thức GVHD: PGS.TS. Phan Huy Khánh
µThấp (x) = 0.3
µBình thường (x) = 0.7
Kết hợp các giá trị mờ này lại ta được vùng được tô màu sau đây:
Hình 7. Lược đồ liều lượng asperine thực tế
− Bước 3: Phi mờ hóa kết quả bằng cách tính trọng tâm của diện tích được tô
trong hình trên:
Chiếu xuống trục hoành ta được giá trị ±480mg
- Kết luận: liều lượng aspirine cần cấp cho bệnh nhân là 480mg.
2.2 Ứng dụng kỹ thuật mạng Neuron để giải quyết vấn đề học tiếng
Anh trong mạng NetTalk.
Mạng NETtalk là một ví dụ hay cho việc sử dụng giải pháp mạng neuron để giải
quyết một vấn đề học khó. NETtalk học để đọc được văn bản tiếng Anh. Đây là một
nhiệm vụ khó khăn đối với tiếp cận học dựa trên ký hiệu, vì phát âm trong tiếng Anh
mang tính bất quy tắc. Mặc dù có các chương trình dựa trên luật (rule-based) đã được
viết để giải quyết vấn đề này, nhưng chúng đều phức tạp và thực hiện chưa hoàn hảo.
NETtalk học để đọc một chuỗi văn bản và trả về một âm vị cùng với trọng âm
liên hệ cho mỗi chữ cái trong chuỗi. Vì phát âm của một chữ cái đơn nhất phụ thuộc
vào các chữ cái xung quanh nó, người ta đưa vào NETtalk một cửa sổ gồm 7 ký tự.
Khi văn bản dịch chuyển qua cửa sổ này, NETtalk trả về một cặp âm vị/trọng âm cho
mỗi chữ cái.
Hình 8 minh họa kiến trúc của mạng NETtalk. Mạng gồm có 3 tầng neuron.
Các neuron đầu vào tương ứng với cửa sổ 7 ký tự của văn bản. Mỗi vị trí trong cửa
sổ được biểu diễn bởi 29 neuron đầu vào, 26 neurons cho 26 ký tự alphabet, và 3
neurons cho dấu và khoảng trắng. Ký tự ở mỗi ví trí trong cửa sổ sẽ kích hoạt
neuron tương ứng. Các neuron đầu ra mã hóa âm sử dụng 21 đặc điểm khác nhau

của cách phát âm của con người. 5 neurons còn lại mã hóa dấu nhấn và giới hạn âm
tiết. NETtalk có 80 neuron ở tầng ẩn, 26 giá trị đầu ra và 18.629 kết nối.
HVTH: Nguyễn Thị Thùy - Phan Thị Lệ Thuyền Nguy– ễn V n Thă ẩm 10
Tiểu luận Công nghệ tri thức GVHD: PGS.TS. Phan Huy Khánh
Hình 8. Hình thái mạng của NETtalk.
Kết quả của NETtalk là có thể phát âm đúng 60% sau khi rèn luyện với một tập
dữ liệu rèn luyện gồm 500 ví dụ và lặp lại 100 lượt.
Ngoài kết quả đạt được trên, NETtalk còn cho thấy một số tính chất đáng chú ý
của mạng neuron, có nhiều tính chất trong số đó phản ánh bản chất tự nhiên của việc
học ở người. Chẳng hạn như, việc học, khi được đo bằng phần trăm câu trả lời đúng,
sẽ tiến triển nhanh lúc đầu, sau đó chậm dần khi tỉ lệ đúng tăng lên. Và cũng như con
người, khi neuron càng học phát âm được nhiều từ, thì nó càng phát âm đúng các từ
mới nhiều hơn.
2.3 Ứng dụng trong bài toán dự báo từ thông tin kinh tế - xã hội
Trong ứng dụng, nhóm sẽ lấy một bài toán dự báo về dân số thế giới đến năm
2015 dựa trên những số liệu thống kê dân số thế giới từ năm 1950 - 2002 bằng phương
pháp hồi quy (Regression). Mặc dù số lượng các dữ liệu không lớn như trong các dữ
liệu kinh tế - xã hội khác, nhưng bài toán này cũng cho ta thấy các mô hình phân tích
khác nhau và các kết quả khác nhau khi khai phá những dữ liệu đó. Để đơn giản, ta
không đề cập đến bước thu thập và tiền xử lý dữ liệu, các dữ liệu tại bảng dưới được
coi là hoàn thiện trong bài toán này. Mặt khác, các dữ liệu thực tế được tính vào giữa
các năm do vậy các dữ liệu dân số ta tính toán cũng được hiểu ngầm định là vào giữa
năm.
Sau khi thực hiện khai phá dữ liệu dân số bằng phương pháp hồi qui đơn với bốn
mô hình khác nhau: Linear (hàm tuyến tính), Logarit (hàm lôgarit tự nhiên),
Polynomial (hàm đa thức - trong ví dụ này ta chọn đa thức bậc 2), Exponential (hàm
mũ), ta xác định được kết quả (Xem bảng 2, 3, hình 2, 3, 4, 5).
HVTH: Nguyễn Thị Thùy - Phan Thị Lệ Thuyền Nguy– ễn V n Thă ẩm 11
Tiểu luận Công nghệ tri thức GVHD: PGS.TS. Phan Huy Khánh
Hình 9. Đồ thị biểu diễn dân số thế giới thực tế và lý thuyết theo năm với mô

hình Linear
Hình 10. Đồ thị biểu diễn dân số thế giới thực tế và lý thuyết theo năm với mô
hình Logarit (Ln)
HVTH: Nguyễn Thị Thùy - Phan Thị Lệ Thuyền Nguy– ễn V n Thă ẩm 12
Tiểu luận Công nghệ tri thức GVHD: PGS.TS. Phan Huy Khánh
Hình 11. Đồ thị biểu diễn dân số thế giới thực tế và lý thuyết theo năm với mô
hình Polynomial
Hình 12. Đồ thị biểu diễn dân số thế giới thực tế và lý thuyết theo năm với mô
hình Exponential
Trong các kết quả đó, ta thấy mô hình đa thức bậc 2 - Polynomial có độ tương
quan cao hơn các mô hình khác, do vậy, trong trường hợp cụ thể này ta có thể sử dụng
các kết quả dự báo của mô hình này. Tác giả xin dừng tại đây và không đi sâu phân
tích việc áp dụng dữ liệu đã dự báo được vào các lĩnh vực khác nhau.
HVTH: Nguyễn Thị Thùy - Phan Thị Lệ Thuyền Nguy– ễn V n Thă ẩm 13
Tiểu luận Công nghệ tri thức GVHD: PGS.TS. Phan Huy Khánh
2.4 Kết luận
Qua các vấn đề được trình bày trong mục 1 và bài toán ứng dụng trong mục 2,
chúng ta nhận thấy với một lượng dữ liệu thực tế nhỏ và với mục đích bài toán cụ thể
nhưng ta có thể tiếp cận theo nhiều hướng khác nhau của cùng một phương pháp khai
phá dữ liệu và đạt được kết quả khác nhau, điều đó càng làm sáng tỏ khả năng ứng
dụng thực tế to lớn đồng thời với những thách thức đối với kỹ thuật khai phá tri thức
và khai phá dữ liệu trong các bài toán kinh tế - xã hội và trong nhiều lĩnh vực khác.
HVTH: Nguyễn Thị Thùy - Phan Thị Lệ Thuyền Nguy– ễn V n Thă ẩm 14
Tiểu luận Công nghệ tri thức GVHD: PGS.TS. Phan Huy Khánh
Phần 2. HỆ CHUYÊN GIA
Chương 1. Kiến thức cơ bản về hệ chuyên gia
1.1 Khái niệm
Theo E. Feigenbaum : “Hệ chuyên gia (Expert System) là một chương trình máy
tính thông minh sử dụng tri thức (knowledge) và các thủ tục suy luận (inference
procedues) để giải những bài toán tương đối khó khăn đòi hỏi những chuyên gia mới

giải được”.
1.2 Hoạt động của một hệ chuyên gia
Một hệ chuyên gia bao gồm ba thành phần chính là cơ sở tri thức (knowledge
base), máy suy diễn hay mô tơ suy diễn (inference engine), và hệ thống giao tiếp với
người sử dụng (user interface). Cơ sở tri thức chứa các tri thức để từ đó, máy suy diễn
tạo ra câu trả lời cho người sử dụng thông qua hệ thống giao tiếp.
Người sử dụng cung cấp sự kiện (fact) là những gì đã biết, đã có thật hay những
thông tin có ích cho hệ chuyên gia, và nhận được những câu trả lời là những lời
khuyên hay những gợi ý đúng đắn (expertise).
Hoạt động của hệ chuyên gia dựa trên tri thức được minh họa như sau:
Hình 13. Hoạt động của hệ chuyên gia
Mỗi hệ chuyên gia chỉ đặc trưng cho một lĩnh vực vấn đề (problem domain) nào
đó, như y học, tài chính, khoa học hay công nghệ ,… mà không phải cho bất cứ một
lĩnh vực vấn đề nào.
Tri thức chuyên gia để giải quyết một vấn đề đặc trưng được gọi là lĩnh vực tri
thức
Hình 14. Quan hệ giữa lĩnh vực vấn đề và lĩnh vực tri thức
HVTH: Nguyễn Thị Thùy - Phan Thị Lệ Thuyền Nguy– ễn V n Thă ẩm 15
Người sử dụng
(User)
Hệ thống
giao tiếp
(User
Interface)
Cơ sở tri thức
(Knowledge Base)
Máy suy diễn
(Interface Engine)
Lĩnh vực vấn đề
(Problem Domain)

Lĩnh vực tri thức
(Knowledge Domain)
Tiểu luận Công nghệ tri thức GVHD: PGS.TS. Phan Huy Khánh
1.3 Kiến trúc của hệ chuyên gia
Những thành phần cơ bản của một hệ chuyên gia:
Hình 15. Những thành phần cơ bản của một hệ chuyên gia
 Cơ sở tri thức (Knowledge base). Gồm các phần tử (hay đơn vị) tri thức
thông thường được gọi là luật (Rule), được tổ chức như một cơ sở dữ liệu.
 Máy suy diễn (Inference Egine). Công cụ (chương trình, hay bộ xử lý) tạo
ra sự suy lụân bằng cách sẽ quyết định xem những luật nào sẽ làm thỏa mãn
các sự kiện, các đối tượng, chọn ưu tiên các luật có tính ưu tiên cao nhất.
 Lịch công việc (agenda). Danh sách các luật ưu tiên do máy suy diễn tạo ra
thỏa mãn các sự kiện, các đối tượng có mặt trong bộ nhớ làm việc.
 Bộ nhớ làm việc (working memory). Cơ sở dữ liệu toàn cục chứa các sự
kiện phục vụ cho các luậh.
 Khả năng giải thích (explaination facility). Giải nghĩa cách lập luận của hệ
thống cho người sử dụng.
 Khả năng thu nhận tri thức (explaination facility). Cho phép người sử dụng
bổ sung các tri thức vào hệ thống một cách tự động thay vì tiếp nhận tri
thức vào hệ thống một cách tự động thay vì tiếp nhận tri thức vào hệ thống
bằng cách mã hóa tri thức một cách tường minh. Khả năng thu nhận tri thức
là yếu tố mặc nhiên của nhiều hệ chuyên gia.
 Giao diện người sử dụng (User interface). Là nơi người sử dụng và hệ
chuyên gia trao đổi với nhau.
Cơ sở tri thức còn được gọi là bộ nhớ sản xuất (production memory) trong hệ
chuyên gia. Trong một cơ sở tri thức, người ta thường phân biệt hai loại tri thức là tri
thức phán đoán (assertion knowledge) và tri thức thực hành (operating knowledge).
HVTH: Nguyễn Thị Thùy - Phan Thị Lệ Thuyền Nguy– ễn V n Thă ẩm 16
Cơ sở trí thức
Các luật

Bộ nhớ làm việc
Máy suy diễn
Lịch công việc
Khả năng giải thích Khả năng
thu nhận tri thức
Giao diện người sử dụng
Tiểu luận Công nghệ tri thức GVHD: PGS.TS. Phan Huy Khánh
Các tri thức phán đoán mô tả các tình huống đã được thiết lập hoặc sẽ được thiết
lập. Các tri thức thực hành thể hiện những hậu quả rút ra hay những thao tác cần phải
hoàn thiện khi một tình huống đã được thiết lập hoặc sẽ được thiết lập trong lĩnh vực
đang xét. Các tri thức thực hành thường được thể hiện bởi các biểu thức để dễ hiểu và
dễ triển khai thao tác đối với người sử dụng.
Hình 16. Quan hệ giữa máy suy diễn và cơ sở tri thức
Từ vệc phân biệt hai loại tri thức, người ta nói máy suy diễn là công cụ triển khai
các cơ chế (hay kỹ thuật) tổng quát để tổ hợp các tri thức phán đoán và các tri thức
thực hành. Hình trên đây mô tả quan hệ hữu cơ giữa máy suy diễn và cơ sở tri thức.
1.4 Biểu diễn tri thức trong hệ chuyên gia
Có rất nhiều phương pháp biểu diễn tri thức trong máy
 Dùng luật sản xuất, hệ chuyên gia dựa trên các luật
 Mạng ngữ nghĩa
 Ngôn ngữ nhân tạo
 Bộ OAV(Object Attributes Values)
 Khung (Frame)
HVTH: Nguyễn Thị Thùy - Phan Thị Lệ Thuyền Nguy– ễn V n Thă ẩm 17
Máy
suy diễn
Cơ sở tri thức
Tri thức phán đoán
Tri thức thực hành
Tiểu luận Công nghệ tri thức GVHD: PGS.TS. Phan Huy Khánh

Chương 2. Bài toán xây dựng hệ chuyên gia trong y
học
2.1 Phát biểu bài toán.
2.1.1 Phát biểu
Xây dựng Hệ Chuyên Gia để chẩn đoán và điều trị bệnh bằng thuốc nam (từ
các loại trái cây).
2.1.2 Mục đích.
Nắm được cơ sở lý thuyết liên quan. Từ đó, áp dụng để xây dựng chương
trình thực hiện các chức năng theo yêu cầu bài toán.
Từ những kiến thức đã học được ta đi áp dụng vào bài toán thực tế. Thấy rõ
được tầm quan trọng của môn hệ chuyên gia, nâng cao kỹ năng về lập trình logic, biết
cách sử dụng thao tác với ngôn ngữ lập trình prolog. Từ đề tài này chúng ta có thể phát
triển được hệ chuyên gia với những đề tài phức tạp và khó hơn.
2.1.3 Nội dung thực hiện.
- Xây dựng tập các sự kiện.
- Xây dựng tập các luật.
- Chuyển các luật, sự kiện trên thành logic mệnh đề.
- Chuyển các luật, sự kiện trên thành logic vị từ.
- Xây dựng chương trình Prolog.
- Xây dựng hệ thống đặt câu hỏi.
2.2 Phân tích bài toán.
Mỗi loại bệnh sẽ có những triệu chứng khác nhau, dựa vào những triệu chứng đó
chúng ta sẽ chẩn đoán được các loại bệnh.
Trên cơ sở đó, chúng ta sẽ xây dựng các bài thuốc nam từ các loại trái cây để
chữa các bệnh sao cho hiệu quả nhất.
IF bệnh nhân bị sốt AND bệnh nhân bị ngạt mũi, chảy mũi trong THEN
Bệnh nhân mắc bệnh cảm cúm thể phong hàn.
Biểu diễn tri thức nhờ mạng ngữ nghĩa:
- Trong phương pháp này, ta sử dụng một đồ thị gồm các nút (node) và
các cung (arc) nối các nút để biễu diễn tri thức. Nút dùng để thể hiện các

đối tượng, thuộc tính của đối tượng và giá trị của thuộc tính. Còn cung
dùng để thể hiện quan hệ giữa các đối tượng. Các nút và các cung đều
được gắn nhãn.
HVTH: Nguyễn Thị Thùy - Phan Thị Lệ Thuyền Nguy– ễn V n Thă ẩm 18
Tiểu luận Công nghệ tri thức GVHD: PGS.TS. Phan Huy Khánh
- Ví dụ để thể hiện “Cảm cúm thể phong hàn là bệnh bị sốt và có triệu
chứng ngạt mũi, hay chảy mũi trong” ta dùng mạng ngữ nghĩa sau:
Hình 13 . Biểu diễn tri thức nhờ mạng ngữ nghĩa
2.3 Thiết kế chương trình
2.3.1 Xây dựng một số hàm cho chương trình
a. Hàm disease(X, Y)
X là các bệnh tương ứng trong cơ sở dữ liệu.
Y là tập hợp các câu hỏi từ Hệ Chuyên Gia.
Ví dụ: disease (sot_xuat_huyet, [1, 2, 4, 5, 6]).
b. Hàm remedy(X)
Đưa ra các thành phần, cách chế, công hiệu và cách dùng của bài
thuốc trị bệnh X.
c. Hàm question(so), hàm answer(so)
so mang giá trị là các số nguyên tương ứng với mỗi câu hỏi và mỗi
câu trả lời.
Ví dụ:
question(1) :-
write('ban co ho khong ?'),
nl,
!,
answer(1).
Hệ thống sẽ hỏi bạn các câu hỏi như: bạn có ho không?, bạn có đau
đầu không? Nếu bạn đồng ý với các câu hỏi thì bạn trả lời yes., ngược lại,
bạn trả lời no.
d. Hàm diagnose

diagnose :-
disease (X,Y),
put_questions(Y),
symptom(X,Y),
HVTH: Nguyễn Thị Thùy - Phan Thị Lệ Thuyền Nguy– ễn V n Thă ẩm 19
BệnhCảm cúm
thể
phong
hàn
Sốt
Ngạt
mũi, chảy
mũi trong
là
bị
Có triệu chứng
Tiểu luận Công nghệ tri thức GVHD: PGS.TS. Phan Huy Khánh
bolish(discovery,2).
Hàm này dùng để xác định các bệnh có những triệu chứng gì và có
những câu hỏi tương ứng cho các bệnh đó.
e. Hàm symptom(X,Y)
Đưa ra lời mô tả về các triệu chứng Y của bệnh X.
2.3.2 Thiết kế chương trình
a. Giới thiệu chương trình và hướng dẫn sử dụng.
b. Các sự kiện
c. Các bài thuốc trị bệnh
remedy(sot_xuat_huyet) :-
write('Thanh phan: Lá tre 60g, rễ cỏ tranh 16g, lá
khế 60g, kim ngân hoa 12g,
cỏ nhọ nồi 16g, cam thảo

8g.'),nl,
write('Cach dung: Mỗi ngày sắc uống 1 thang,
ngày uống 2 lần.'),nl.
remedy(cam_cum_phong_han) :-
HVTH: Nguyễn Thị Thùy - Phan Thị Lệ Thuyền Nguy– ễn V n Thă ẩm 20
Tiểu luận Công nghệ tri thức GVHD: PGS.TS. Phan Huy Khánh
write('Thanh phan: Lá tía tô 15g, kinh giới 10g,
hương nhu 10g, cúc tần 10g,
gừng tươi 3g.'),nl,
write('Cach dung: Đun sôi các thành phần trên
cùng với 2 lít nước trong 15
phút, uống ấm, đắp chăn cho
ra mồ hôi.'),nl.
remedy(cam_cum_phong_nhiet) :-
write('Thanh phan: Lá cỏ chỉ thiên 20g, lá cối
xây 20g, cam thảo đất 10g,
bạc hà 10g, gừng tươi
3g.'),nl,
write('Cach dung: Đun sôi các thành phần trên
cùng với 2 lít nước trong 15
phút, uống ấm, đắp chăn cho
ra mồ hôi.'),nl.
remedy(viem_loet_da_day) :-
write('Thanh phan: Gạo nếp, mai mực, cam thảo,
hàn the phi, mẫu lệ nung,
hoàng bá, kê nội kim mỗi thứ
50g.'),nl,
write('Cach dung: Làm khô các thành phần trên,
tán nhỏ, rây bột mịn, ngày
uống 20-30g với nước

ấm.'),nl.
remedy(tieu_chay) :-
write('Thanh phan: Búp ổi 8g, củ riềng 8g, củ sả
12g.'),nl,
write('Cach dung: Sao qua các thành phần trên,
sắc uống.'),nl.
d. Các câu hỏi để biết triệu chứng về bệnh
HVTH: Nguyễn Thị Thùy - Phan Thị Lệ Thuyền Nguy– ễn V n Thă ẩm 21