2009 10 13 Wstep do SI [w 01]id Nieznany

background image

Wstep do AI

1. Wprowadzenie do AI

Witold Kosiński

wkos@ukw.edu.pl

background image

Podejmowanie decyzji

Zagadnienia określane wspólną

nazwą „sztuczna inteligencja” (AI),
np.:

• sterowanie urządzeniami i pojazdami

• podejmowanie decyzji gospodarczych

i finansowych

• diagnozy medyczne

• rozumienie języka naturalnego (np.

tłumaczenia)

• analiza obrazu i dźwięku

background image

ZAGADNIENIA AI

• Stworzenie maszyn o

inteligencji dorównującej
(przewyższającej) ludzką.

• Stworzenie maszyn

(algorytmów) przejawiających
tylko wąski aspekt inteligencji
(grających w szachy,
rozpoznających obrazy, czy
tworzących streszczenia tekstu).

background image

Pewne definicje inteligencji z

1921, Journal of Educational

Psychology

• “

The ability to carry on abstract

thinking” (L. M. Terman)

“Having learned or ability to learn to
adjust oneself to the environment” (S.
S. Colvin)

“The ability to adapt oneself adequately
to relatively new situations in life” (R.
Pintner)

“A biological mechanism by which the
effects of a complexity of stimuli are
brought together and given a somewhat
unified effect in behavior” (J. Peterson)

“The capacity to acquire capacity” (W.
Woodrow)

“The capacity to learn or to profit by
experience”
(W. F. Dearborn)

background image

SZTUCZNA INTELIGENCJA

(ARTIFICIAL INTELLIGENCE)

• Nauka o maszynach realizujących

zadania, które wymagają
inteligencji wówczas, gdy są
wykonywane przez człowieka.

Wiele różnych, często sprzecznych definicji.

background image

SZTUCZNA INTELIGENCJA

(ARTIFICIAL INTELLIGENCE)

• Maszyna jest

inteligentna, jeżeli
znajdujący się w
drugim pomieszczeniu
obserwator nie zdoła
odróżnić jej
odpowiedzi od
odpowiedzi człowieka.

Test Turinga

background image

SZTUCZNA INTELIGENCJA

(ARTIFICIAL INTELLIGENCE)

• Nauka o tym, w jakich inteligentnych

czynnościach człowieka można obyć
się bez inteligencji.

• Dział informatyki, którego

przedmiotem jest badanie reguł
rządzących inteligentnymi
zachowaniami człowieka, tworzenie
modeli formalnych tych zachowań i -
w rezultacie - programów
komputerowych symulujących te
zachowania.

background image

SZTUCZNA INTELIGENCJA

A INTELIGENCJA OBLICZENIOWA

Dział informatyki zajmujący

się problemami:

• trudnymi do modelowania

i rozwiązywania w
sposób ścisły, analityczny,

• niealgorytmizowalnymi,

• obliczalnymi, ale

nieefektywnie,

algorytmizowalne, ale

wymagają użycia innych
niż klasyczne metod .

background image

INTELIGENCJA OBLICZENIOWA

Metody rozwiązywania takich trudnych

problemów dostarcza rozwijany przez
matematyków i informatyków nowy
kierunek badań zwany

inteligencją

obliczeniową

. Jej rozwój datuje się od lat

60-tych ubiegłego wieku.

background image

1.Adaptacja

2.Korzystanie z doświadczenia

3.Korzystanie z wiedzy

4.Wyciąganie wniosk

ó

w

5.Abstrakcyjne myślenie

6.Poczucie humoru

7.Samoświadomość

8. Zdolność planowania

9.Zdolność przewidywania

10. Selekcja informacji

11.Zdolność komunikacji

12.Uczenie się

13.Dokonywanie wyboru

Może być ciekawe wybrać te własności, które są wspólne z inteligencją

maszynową - sztuczną.

Własno

ś

ci charakteryzuj

ą

ce inteligencj

ę

ludzk

ą

background image

Test IQ

Wstawić następny z zestawu A -F

background image

HISTORIA AI - SZACHY

• ok. 1948 – pierwsze programy szachowe
• 1951 – A. Turing:

Nikt nie jest w stanie ułożyć

programu lepszego od własnego poziomu gry

.

• 1967 – pierwsze zwycięstwo komputera nad

„profesjonalnym” szachistą podczas turnieju

• 1977 – pierwsze zwycięstwo nad mistrzem klasy

międzynarodowej (jedna partia w symultanie)

• 1997 – Deep Blue wygrywa pełny mecz z

Kasparowem

(specjalny superkomputer 418-procesorowy;

wynik 3,5:2,5)

• 2003 – Deep Junior remisuje z Kasparowem mecz na

warunkach przez niego określonych

(8 zwykłych

procesorów Intela 1,6 GHz; wynik 3:3)

background image

CO OKAZAŁO SIĘ TRUDNE,

A CO ŁATWE

Łatwe: zadania, do których wystarcza
moc obliczeniowa (proste gry, np.
warcaby) lub zapamiętanie wielu
przykładów.

Trudne: np. analiza języka naturalnego,
bardziej skomplikowane gry (go), analiza
obrazu.

background image

Wykorzystywane techniki

i modele

• Sieci neuronowe
• Wnioskowanie, indukcja reguł
• Algorytmy ewolucyjne
• Systemy wieloagentowe

(współpraca )

• Automaty komórkowe
• Metody przeszukiwania

możliwych rozwiązań i ich
optymalizacji...

background image

CO OKAZAŁO SIĘ TRUDNE,

A CO ŁATWE

1961

background image

Przykład zagadnienia

praktycznego

• Znaleźć, odczytać i

zapamiętać numer
rejestracyjny
samochodu na
podstawie zdjęcia:

logoUKW .gif.lnk

background image

Odczytywanie tablic

rejestracyjnych (1)

Oryginalne zdjęcie

Usunięcie zbędnych szczegółów

Lokalizacja napisów

background image

Odczytywanie tablic

rejestracyjnych (2)

Wyselekcjonowany obszar

Lokalizacja znaków

Rozpoznawanie znaków:
- znajdowanie istotnych cech
liczbowych
- klasyfikacja na podstawie
cech (systemy uczące się)

background image

>

classifier

< Marks

>

classifier

< not

Marks

>

classifier

< not

Marks

>

classifier

< not

Marks

>

classifier

< Marks

>

classifier

< not

Marks

Rozpoznawanie twarzy

(nauka)

background image

Rozpoznawanie twarzy

> Classifier >

Marks

UWAGA: TEN OBRAZ

NIE NALEŻAŁ DO PRÓBKI

TRENINGOWEJ!!!

background image

Narzędzia AI

• ANN- artificial neural networks

• Genetic and evolutionary algorithms

(genetic=binary chromosomes)

• Fuzzy logic, fuzzy sets, fuzzy controllers

• Decision trees (drzewa decyzyjne)

• Celullar automata (automaty komórkowe)

• Rough sets (zbiory przybliżone), Pawlak’s sets

background image

Tools of AI, cont.

• Wymienione narzędzia mogą się znaleźć

jako elementy większych systemów
informacyjnych (tzw. Inteligentnych
systemów informacyjnych) zwanych
systemami doradczymi czy systemami
eksperckim (ekspertowymi)

decision-supporting systems

background image

LITERATURA

1.

Rutkowski L., Metody i techniki sztucznej inteligencji, Wydawnictwo
Naukowe PWN Warszawa 2005.

2.

Rutkowska D., Piliński M. i Rutkowski L., Sieci neuronowe,
algorytmy genetyczne i systemy rozmyte
, PWN, Warszawa 1997.

3.

Piegat A., Modelowanie i sterowanie rozmyte. Akademicka Oficyna

Wydawnicza EXIT Warszawa 1999.

4.

Tadeusiewicz R., , Elementarne wprowadzenie do techniki sieci
neuronowych z przykładowymi programami
, Akademicka Oficyna
Wydawnicza PLJ Warszawa 1998.

5.

Michalewicz Michalewicz, Algorytmy genetyczne + struktury danych
= programy ewolucyjne, Wydawnictwa Naukowo-Techniczne, 1996

6.

Korbicz J., Obuchowski A., Uciński D., Sztuczne sieci neuronowe.

Podstawy i zastosowania. Akademicka Oficyna Wydawnicza PLJ,
Warszawa, 1994.

7.

Osowski Stanisław, Sieci neuronowe w ujęciu algorytmicznym,
Wydawnictwa Naukowo-Techniczne, Warszawa, 1996

8.

Ż

urada Jacek, Barski Mariusz , Jędruch Wojciech, Sztuczne sieci

neuronowe, Wydawnictwo Naukowe PWN, Warszawa, 1996.

background image

PROGRAM WYKŁADU

Sieci neuronowe: przegląd struktur oraz zastosowań, metody
uczenia, propagacja wsteczna błędu

Logika rozmyta i liczby rozmyte

Problemy optymalizacji i przeszukiwania, klasyfikacja danych

Algorytmy genetyczne: operatory, zastosowania do
optymalizacji

Automaty i systemy komórkowe i mrówkowe

Metody hybrydowe

background image

KRYTERIA ZALICZANIA

Ćwiczenia:

– Punkty z rozwiązanych zadań/ ew.colloquia.
– Co najmniej jeden projekt programistyczny
– Inne, ustalone przez prowadzących zajęcia

Wykład:

– Dwa colloquia (nieobowiązkowe)
– Egzamin pisemny, jeden termin poprawkowy,

trzeba mieć wcześniej zaliczone ćwiczenia

– Ocena co najmniej na 4.0 z ćwiczeń i zaliczone w

punktach colloquia na wykładzie zwalniają z
egzaminu (można mieć zaproponowaną
ocenę
)

– Brak możliwości „warunkowego” pisania egz.

background image

Sztuczne sieci neuronowe

Geneza: Naśladowanie działania naturalnych neuronów
Cel historyczny: osiągnięcie zdolności uogólniania (aproksymacji)
i uczenia się, właściwej mózgowi ludzkiemu.

background image

• Wejście

– n stanów wejściowych x

1

,...,x

n

– stany mogą być cyfrowe lub analogowe

• Wyjście

– 0 lub 1

• Parametry perceptronu

– n wag połączeń w

1

,...,w

n

∈ℜ

– wartość progowa

θ∈ℜ

Perceptron (Rosenblatt 1958)

Uwaga: pod pojęciem “perceptronu” rozumie się też czasem
sieć połączonych jednostek (neuronów).

background image

Perceptron

s

w x

i

i

i

n

=

=

1

• Zasada działania

– Do każdego i-tego wejścia przypisana jest

waga w

i

– Dla danych stanów wejściowych x

1

,...,x

n

liczymy sumę ważoną:

– Jeżeli s

≥θ

, to ustawiamy wyjście y = 1, zaś

w przeciwnym przypadku ustawiamy y = 0

background image

Analogia z neuronem naturalnym

=

.

.

0

1

p

p

w

x

w

y

i

i

θ

w

1

x

1

x

2

x

n

y

w

2

w

n

background image

Jak opisa

ć

perceptron

• Perceptron opisuje jednoznacznie zbiór

wag w

1

,...,w

n

∈ℜ

oraz wartość progowa

θ ∈ℜ

• Wartości x

1

,...,x

n

∈ℜ

to zmienne

pojawiające się na wejściu do modelu
perceptronu

• Funkcja aktywacji:

=

otherwise

x

w

y

i

i

θ

0

1

background image

θ

= 2

1

1

x

1

AND

x

2

x

2

x

1

1

0

0

0

x

1

∧∧∧∧

x

2

0

1

1

0

1

1

0

0

x

2

x

1

θ

= 1

1

1

x

1

OR

x

2

x

2

x

1

1

1

1

0

x

1

∨∨∨∨

x

2

0

1

1

0

1

1

0

0

x

2

x

1

Co potrafi perceptron

background image

Co potrafi perceptron

w

1

x

1

+

w

2

x

2

-

θ

=

0

θ

+

2

2

1

1

x

w

x

w

x

1

x

2

y=1

• Równanie perceptronu

można potraktować jako
równanie prostej (ogólnie:
hiperpłaszczyzny w
przestrzeni n-wymiarowej).

• Punkty leżące nad ową

prostą klasyfikujemy jako 1,
zaś pozostałe jako 0.

background image

AND

OR

XOR

Czego perceptron nie potrafi

• Pojedynczy perceptron nie

potrafi odróżniać zbiorów
nieseparowalnych liniowo,
np. funkcji XOR.

• Odkrycie tych ograniczeń

(1969) na wiele lat
zahamowało rozwój sieci
neuronowych.

background image

Zadanie perceptronu

• Zadaniem pojedynczego perceptronu jest

jedynie:

– przetwarzanie jednostkowych informacji
– podejmowanie prostych decyzji
– przekazywanie wyników sąsiadom

• Dopiero w połączeniu z innymi węzłami

uzyskuje się zdolność podejmowania
złożonych decyzji


Wyszukiwarka

Podobne podstrony:
2009 10 13 Wstęp do SI [w 01]id 26833 ppt
2009-10-13 Wstęp do SI [w 01], Sztuczna inteligencja
2009-10-13 Wstęp do SI [w 02], Sztuczna inteligencja
2009 10 27 Wstep do SI [w 03 04 Nieznany
2009 10 27 Wstęp do SI [w 03 04]
2009 12 15 Wstęp do SI [w 11 12]id 26842 ppt
2009 12 01 Wstep do SI [w 09 10 Nieznany (2)
2009 10 13
Wstęp do pedagogiki, WSTĘP DO PEDAGOGIKI 15.10.2011, WSTĘP DO PEDAGOGIKI
28.10.11, Wstęp do teorii komunikacji
28.10.11, Wstęp do teorii komunikacji
hoff - 30.10 ćw, wstep do religioznawstwa
Wstęp do archeologii19 01
J Chadzynski Wstep do analizy zespolonej id
WstĂŞp do Filozofii wykÂł.III - 20.10.2010, Wstęp do filozofii

więcej podobnych podstron