Seminarium  Sztuczna inteligencja
Według Słownika Języka Polskiego termin  inteligencja oznacza  zdolność
rozumienia sytuacji i znajdowania na nie właściwych, celowych reakcji . Idea stworzenia
sztucznej  istoty  mechanizmu, maszyny, robota, komputera - która będzie w stanie
pomóc lub zastąpić człowieka przy wykonywaniu zadań i rozwiązywaniu problemów
wymagających kreatywności i umiejętności adaptacji do nowych, zmieniających się
warunków otoczenia, towarzyszyła ludzkości od bardzo dawna. Rzeczywiste przybliżenie się
do osiagnięcia tego ambitnego celu stało się możliwe dzięki szybkiemu rozwojowi środków
informatyki i technik obliczeniowych.
Poszukiwania i próby konstrukcji systemów zdolnych do podejmowania
 inteligentnych decyzji i generowania twórczych rozwiązań wyznaczają obszar badań nad
sztuczną inteligencją. Naturalną inspiracją przy tworzeniu inteligentnych narzędzi, zdolnych
spełnić tak ambitne oczekiwania człowieka jest podpatrywanie przyrody.
Poznanie bliżej struktury i zasad funkcjonowania mózgu ludzkiego, z drugiej strony
rozwój superkomputerów o dużych mocach obliczeniowych umożliwiły podjęcie prób
stworzenia programów działających podobnie do mózgu. Istotny postęp w tych próbach był
możliwy dzięki rozwinięciu idei równoległego przetwarzania rozproszonego informacji.
Skonstruowano pierwsze sieci prostych jednostek połaczonych ze sobą na różnych
poziomach. Opierały się one na prostym modelu neuronu, posiadającym kilka wejść i jedno
wyjście. Połączenia wzajemne tych sztucznych neuronów określane przez tzw. wagi
połączeń mogły ulegać modyfikacji w czasie przetwarzania informacji przez daną sieć.
Powstałe sieci neuropodobne (ang. neural networks) cechują się zdolnością do uczenia się,
w systemach tego typu pamięć jest rozproszona  rozkłada się na wiele połączeń, dzięki temu
jest odporna na uszkodzenia. Rozwinięto efektywne metody trenowania sieci  w tym
procesie odpowiedz
(rozwiązanie postawionego zadania wraz z próbnym zestawem danych
wejściowych) wygenerowana przez sieć jest porównywana z oczekiwanym wynikiem
(znanym a priori). Odpowiednio wytrenowana sieć jest następnie narzędziem do
znajdowania rozwiązań dla całkiem nowych zestawów danych i sytuacji. Sieci neuropodobne
znalazły wiele praktycznych zastosowań, m.in. są używane w systemach do rozpoznawania
mowy ludzkiej, pisma odręcznego; także w procedurach diagnostycznych w medycynie; czy
do sterowania urządzeniami, zależnymi od wielu zmiennych parametrów zewnętrznego
środowiska.
Inną dziedziną rozwiniętą w oparciu o obserwacje mechanizmu doboru naturalnego
i dziedzicznosci są algorytmy genetyczne. Był to wynik badań zmierzających do ścisłego
opisania i wyjaśnienia istoty naturalnych procesów adaptacyjnych, a następnie
skonstruowania oprogramowania odtwarzającego odkryte mechanizmy biologiczne na
użytek systemów konstruowanych przez człowieka (D.E.Goldberg  Algorytmy genetyczne
i ich zastosowania , WNT1995). W algorytmach tych wykorzystano ewolucyjną zasadę
przeżycia najlepiej przystosowanych obiektów z danego pokolenia oraz proces
systematycznej (choc zrandomizowanej ) wymiany informacji między osobnikami. Metody te
okazały się być szczególnie uzyteczne w zagadnieniach związanych z optymalizacja
i sterowaniem  w dziedzinie badań naukowych, zastosowań inżynierskich, zagadnień
ekonomicznych; a także w systemach analizy obrazów. Opracowano także sposoby
wykorzystania algorytmów genetycznych do uczenia się reguł postępowania w złożonych
środowiskach. Algorytmy genetyczne pracują z populacjami ciągów kodowych
( chromosomów ) reprezentujących oryginalne parametry postawionego zadania. Stosując
operacje reprodukcji, krzyzowania i mutacji na chromosomach-ciągach kodowych
generowane są nowe populacje. Nowe pokolenie jest poddawane ocenie.
Sieci neuronowe i algorytmy genetyczne są najbardziej popularnymi narzędziami
stosowanymi w badaniach dążących do stworzenia  sztucznej inteligencji . Przedstawione
powyżej informacje stanowią tylko ogólny wstęp do bardziej szczegółowo omawianych
problemów już w trakcie seminariów. W szczególności, na podstawie proponowanej
literatury, zostaną poruszone nastepujące zagadnienia:
" Struktura i podstawowe elementy sztucznego neuronu i sieci neuropodobnej
" Rola współczynników wagowych dla sieci neuropodobnych
" Metody uczenia sieci neuropodobnych (metoda czynnikow głównych,  przez
współzawodnictwo )
" Na czym polega algorytm wstecznej propagacji
" Czy maszyna może uczyć się SAMA? (przykład procesu samouczenia się sieci).
" Podstawowe zasady konstruowania algorytmow genetycznych
" Przykłady zastosowań algorytmów genetycznych
" Możliwości zastosowania sieci neuropodobnych do diagnozowania i klasyfikacji
w medycynie
Wybrana literatura:
1. Francis Crick, "Zdumiewająca hipoteza", roz. 13 , Prószyński i S-ka, 1997
2. D.E.Goldberg , "Algorytmy genetyczne i ich zastosowania", WNT, 1995
3. P.Coveney, R.Highfield, "Granice zlożoności. Poszukiwania porządku w chaotycznym
świecie", Prószyński i S-ka, 1997
4. R. Tadeusiewicz, "Czy maszyna może uczyć się sama?", Wiedza i Życie, sierpień 1998,
str.20
5. G. E. Hinton, "Jak sieci neuropodobne uczą się na podstawie doświadczeń?" Świat Nauki,
listopad 1992, str. 117
6. J.W.Furlong et al., "Neural network analysis of serial cardiac enzyme data", American
Journal of Clinical Pathology, vol.96, p.134 , 1991
7. R.D.King et al., "Grug design by machine learning....", Proc. Natl. Acad. Sci., vol.89,
p.11322, 1992
8. *S.Schulze-Kremer, "Genetic Algorithms and Protein Folding", 1996
9. *P.Stęclik, "Zastosowanie algorytmow genetycznych przy uczeniu sieci neuronowych
i sterowników rozmytych", 1997
(*pozycje 8 i 9 dostępne w internecie)