Στην εργασία αυτή παρουσιάζεται μια εναλλακτική διαδικασία διάσπασης ενός μη διαχωρίσιμου συνόλου εκπαίδευσης για την παραγωγή νευρωκανόνων. Η υπάρχουσα διαδικασία παρήγαγε νευρωκανόνες από μη γραμμικά σύνολα διασπώντας τα σε δύο υποσύνολα με βάση την «απόσταση» των προτύπων καταλήγοντας συχνά σε πολλαπλή αναπαράσταση της ίδιας γνώσης. Με την παρούσα εργασία διερευνάται η δυνατότητα της διάσπασης ενός μη διαχωρίσιμου συνόλου σε k υποσύνολα με χρήση μεθόδων συσταδοποίησης. Το k μπορεί είτε να αποτελεί είσοδο της διαδικασίας είτε να υπολογίζεται δυναμικά από ένα συγκεκριμένο εύρος τιμών. Η δεύτερη στρατηγική διάσπασης (δυναμικός k-modes) φαίνεται να έχει τα καλύτερα αποτελέσματα, ενώ η πρώτη (τροποποιημένος k-modes) παρουσιάζει συγκρίσιμα αποτελέσματα με την υπάρχουσα μέθοδο για μικρά k. Και οι δύο στρατηγικές διάσπασης μπορούν να συνδυαστούν με μία μέθοδο εύρεσης εκτόπων που αφαιρεί από το αρχικό σύνολο εκπαίδευσης μεμονωμένα παραδείγματα που αποκλίνουν «περισσότερο» από τα υπόλοιπα. / In this thesis we present an alternative splitting policy of a non separable training set used for the production of neurules. The existing method produced neurules from non linear training sets by “breaking” them into two subsets based on “distance” between patterns often leading to multiple representations of the same knowledge. The present thesis looks into the possibility of splitting a non separable training set into k subsets using clustering methods. The number k can be treated as an input to the process or it can be calculated dynamically from a specific range of values. The second splitting strategy (dynamic k-modes) appears to have the best results, while the first one (modified k-modes) gives similar results to the existing method for small values of k. Moreover, both splitting strategies can be combined with an outlier detection process which removes from the initial training set remote examples that deviate more from the rest, thus improving their performance.

Στην ιατρική, συχνά χρησιμοποιούνται τεχνολογίες πληροφοριών και επικοινωνιών για να βοηθήσουν τους γιατρούς στις διαδικασίες διάγνωσης, ιδιαίτερα σε προβλήματα διαφορικών διαγνώσεων σε ασθένειες. Μέθοδοι Τεχνητής Νοημοσύνης (ΤΝ) μας δίνουν την δυνατότητα αναπαράστασης της ιατρικής γνώσης και των τρόπων χρήσης της (π.χ. για διάγνωση ασθενειών) σε όλους τους τομείς της Ιατρικής. Η ομάδα ΤΝ του Τμήματος Μηχ/κών Η/Υ & Πληροφορικής έχει δημιουργήσει ένα πρωτότυπο (prototype) ενός ιατρικού ευφυούς/έμπειρου συστήματος διαφορικής διάγνωσης παθήσεων οστών (αποκαλούμενο XBONE) που στηρίζεται σε συμβολικούς κανόνες. Το συγκεκριμένο ευφυές (έμπειρο) σύστημα προορίζεται να χρησιμοποιηθεί ως συμβουλευτικό εργαλείο από ορθοπεδικούς. Για την αναπαράσταση γνώσης χρησιμοποιήθηκε μια υβριδική γλώσσα αναπαράστασης κανόνων, που ονομάζεται 'νευροκανόνες' (neurules), η οποία συνδυάζει συμβολικούς κανόνες και νευρωνικές μονάδες. Η ομάδα ΤΝ έχει επίσης αναπτύξει και ένα πρωτότυπο εργαλείου δημιουργίας ευφυών συστημάτων που στηρίζεται στους νευροκανόνες (αποκαλούμενο HYMES). Τέλος, η ίδια ομάδα έχει αναπτύξει ένα εργαλείο δημιουργίας έμπειρων συστημάτων από δεδομένα (αποκαλούμενο ACRES) που βασίζονται σε κανόνες με συντελεστές βεβαιότητας. Τα έμπειρα αυτά συστήματα είναι υλοποιημένα σε κώδικα CLIPS. Στο πλαίσιο της διπλωματικής : 1. Ολοκληρώνεται η ανάπτυξη του XBONE καθιστώντας το πλήρως λειτουργικό ευφυές σύστημα, παρέχοντας παράλληλα αυξημένη αξιοπιστία στην παραγωγή διαγνώσεων που αφορούν ασθένειες των οστών. Επίσης, αναπτύσσεται μια διαδικτυακή έκδοσή του. 2. Δημιουργείται μια δεύτερη έκδοση του XBONE στηριζόμενη σε νευροκανόνες από μετατροπή των συμβολικών κανόνων του αρχικού σε νευροκανόνες μέσω του εργαλείου HYMES. Εν συνεχεία δημιουργείται μια τρίτη έκδοση του συστήματος βασισμένη σε νευροκανόνες που δημιουργούνται μέσω του εργαλείου HYMES από ένα σύνολο εμπειρικών δεδομένων. 3. Δημιουργούνται επιπλέον εκδόσεις του παραπάνω συστήματος με το εργαλείο ACRES από τα ίδια δεδομένα. 4. Δημιουργείται μια τελευταία έκδοση του XBONE στο οποίο έχει επιτευχθεί ασαφοποίηση συγκεκριμένων μεταβλητών. 5. Τέλος, πραγματοποιείται σύγκριση των παραπάνω συστημάτων και αποκρυσταλλώνονται τα τελικά συμπεράσματα. / In medicine is often used ICT in order to help doctors to make diagnosis, especially in problems of differential diagnosis. Settlement methods based on Artificial Intelligence (ΑΙ) provide us the opportunity of standardization of medical knowledge and imaging ways of diagnosis procedures in specific areas of medicine. The A.I. group of CEID (Computer Engineering & Informatics Department) has developed a prototype of a medical intelligent/expert system for differential diagnosis of bone disorders (called XBONE), which is based on symbolic rules. This intelligent (expert) system is intended to be used as an advisory tool from orthopaedists. For knowledge representation used a hybrid language representation of rules, called ‘neurules’, which combines symbolic rules and neural units. The A.I. group has also developed a tool for creating intelligent systems based on the neurules (called HYMES). Finally, the same group has developed a tool for developing expert systems from data (called ACRES) which are based on rules with certainty factors. These expert systems are implemented in CLIPS. The aim of this thesis is : 1. The integration of XBONE, making it fully functional and reliable on bone diseases. We also create a web based version of it. 2. The development of a second version of XBONE based on neurules modifying symbolic rules to neurules via HYMES and the development of a third version with neurules which is created by empirical data. 3. The development of more versions using ACRES tool. 4. Finally, the comparison of above systems.