Sztuczna inteligencja - Notatki, Studia


Sztuczne inteligencja(AI) - to dział informatyki zajmujący się rozwiązywaniem problemów, które wymagają umiejętności wnioskowania oraz zdolności do samouczenia ze względu na brak algorytmu rozwiązania.

Metoda - sposób postępowania | świadomy i powtarzalny wybór działania | zespół celowych czynności i środków | sposób wykonywania zadanie lub rozwiązania problemu | zespół ogólnych założeń badanych wytycznych w postępowaniu naukowym

Inżynieria materiałowa - dziedzina nauki i techniki badania wewnętrznej struktury materiału oraz otrzymywanie tworzyw o wymaganych własnościach użytkowanych

Sieci neuronowe i algorytmy genetyczne powstały dzięki obserwacji organizmów żywych. sieci wzorują się na naturalnych procesach systemu nerwowego, natomiast algorytmu ewolucyjne na ewolucji.

Pierwowzorem SSN jest oczywiście mózg ludzki. Mózg ma objętość 1400 cm3 i powierzchnie 2000 cm2. Masa mózgu 1,5 kg.

Sztuczne sieci neuronowe - to ogólny wzorzec struktury matematycznej i ich programowych lub sprzętowych modeli, realizujących obliczenia lub przetworzenie sygnału poprzez rząd elementów zwanych sztucznymi neuronami, wykonujących pewne podstawowe operację na swoim wejściu

Zastosowanie:

Podstawowa cecha różniąca SSN od programów realizujących algorytmiczne przetwarzanie informacji jest zdolność do generalizacji czyli umiejętność uogólnienia wiedzy dla nowych wzorców nieznanych wcześniej czyli nie przeuczonych w czasie nauki. Określa się to także jako zdolność do optymalizacji wartości funkcji wielu zmiennych w przeciwieństwie do interpolacji możliwej do otrzymania przy przetworzeniu algebraicznym.

Do wejść doprowadzane są sygnały pochodzące z neuronów warstwy poprzedniej. Każdy sygnał mnożony jest przez wartość „waga”. Wpływa na percepcje danego sygnału wejściowego i jego udział w tworzeniu sygnału wyjściowego przez neruon.

Zsumowana ilość sygnałów i wag stanowi wartość funkcji aktywacji neuronu f.

Wartość funkcji f jest sygnałem wyjściowym neuronu i propagowana jest do neurony warstwy następnej.

Zbiór danych zawierających ma charakter numeryczny i nominalny. Mogą być one wykorzystywane do uczenia i testowania sieci neuronowych.

Zbiory danych mają następujące cechy:

Na uczenie sieci neuronowych najlepiej patrzeć jak na proces dopuszczenia nieliniowej funkcji zmiennych wejściowych do zmiennych wyjściowych. Dopasowanie do tego zbioru danych uczących, w celu obliczenia wartości wyjściowych dla nowej wartości zmiennych wejściowych. W zamierzeniu sieć powinna modelować funkcje zależności wejścia do wyjścia, abstrahując od szumu zawartego w danych. W konwencjonalnym modelowaniu liniowym otrzymamy prostą dopasowaną do danych (w wielowymiarowym zamiast prostej hiperpłaszczyznę).

W modelowaniu za pomocą sieci neuronowych, do danych może się dopasować wiele krzywych o różnych postaciach . Może się zdarzyć że otrzymamy bardzo krzywoliniowe dopasowanie o bardzo małym błędzie, bo przechodzące przez wiele punktów danych.

Zbiór danych dzielony jest na dwa podzbiory:

- do uczenia

- do walidacji

Pozwala to zatrzymać uczenie sieci przy przeuczeniu.

Przy dużej liczbie prób przeprowadzonych z różnymi sieciami, najlepsze z nich może mieć mały błąd walidacji na zasadzie przypadku. Dla ostatecznego zweryfikowania takiej możliwości, system dopuszcza posiadanie dodatkowego testowego podzbioru danych.

Własności sieci neuronowych

Sieci neuronowe mogą być bardzo skuteczne jako narzędzie obliczeniowe w rozwiązywaniu takich zadań z którymi typowe komputery i typowe programy sobie nie radzą. Po pierwsze obliczena są w sieciach neuronowych wykonane równolegle w związku z czym szybkość pracy możę być znacznie większa. Brak konstuowania algorytmów.

Topologia sieci powinna wynikać z rodzaju zadania, jakie jest stawiane przed nią.

SN mogą całą swoją wiedze zyskiwać wyłącznie w trakcie nauki i nie muszą mieć z góry zdanej, dopasowanej do stawianych im zadań jakiekolwiek precyzyjne określenie struktury sieci może być wystarczająco złożona

Typy sieci:

-MLP(perceptory wielewarstwowe)

-RBF(radialna funkcja bazowa)

- Kohonena

-Linear(sieć liniowa)

-PNN(probalistyczna sieć neuronowa)

-GRNN(sieć rekurencyjna ogólnej regresji)

-sieci jednokierunkowe

-sieci rekurnecji

-samomonitujące się mapy

Zalety:

Wady:

ALGORYTMY GENETYCZNE

Podstawowe pojęcia:

0x01 graphic

Elementy algorytmu:

Ocena przystosowania słuzy do:

Selekcja chromosomów polega na:

Zastosowanie algorytmów genetycznych:

Zalety:

Wady:

Systemy Ekspertowe

Systemy ekspertowe to systemy komputerowe zawierające skondensowaną wiedzę i reguły, przy czym w przeciwieństwie do eksperta zdolność systemu do adaptacji faktów i reguł poprzez doświadczenie nie jest wymagana.

Definicja:
System komputerowy zawierający w sobie wyspecjalizowaną wiedzę na temat określonego obszaru ludzkiej działalności, która jest zorganizowana w sposób umożliwiający systemowi interakcyjny dialog z użytkownikiem, w wyniku którego system może doradzać podjęcie decyzji.

Cechy systemu:
• Jawna reprezentacja wiedzy i oddzielenie wiedzy eksperckiej od procedur sterowania
• Zdolność do wyjaśnień, w szczególności sposobu rozwiązania danego problemu
• Różne metody wnioskowania
• Przetwarzanie symboli, mniej obliczenia numeryczne

Pozyskiwanie wiedzy:
Ekstrakcją wiedzy od ekspertów zajmują się na ogół inżynierowie wiedzy. Jest to zwykle długi i żmudny proces, ponieważ wiedza stosowana przez ekspertów ma charakter intuicyjno-praktyczny, często trudny do zwerbalizowania.
„artykulacja wiedzy”

Techniki:
• Pozyskanie wiedzy na podstawie doświadczeń, przykładów
• Instrukcji
• Analogii
• Zapisanie wiedzy
• 
Reprezentacja wiedzy jest proceduralna lub deklaratywna.
Składniki systemu ekspertowego to:
• szkielet systemu składający się z: 
o interfejsu użytkownika - który umożliwia zadawanie pytań, udzielanie informacji systemowi oraz odbieranie od systemu odpowiedzi i wyjaśnień
o edytora bazy wiedzy - który pozwala na modyfikację wiedzy zawartej w systemie, umożliwiając tym samym jego rozbudowę
o mechanizmu wnioskowania - który jest głównym składnikiem systemu ekspertowego wykonującym cały proces rozumowania w trakcie rozwiązywania problemu postawionego przez użytkownika
o mechanizmu wyjaśniającego - jednego z elementów interfejsu pomiędzy systemem a użytkownikiem, który umożliwia użytkownikowi uzyskanie odpowiedzi dlaczego system udzielił takiej, a nie innej odpowiedzi, albo dlaczego system zadał użytkownikowi określone pytanie
• baza wiedzy - jest to deklaratywna postać wiedzy ekspertów z danej dziedziny zapisana za pomocą wybranego sposobu reprezentacji wiedzy, najczęściej reguł lub ram
• baza danych zmiennych - która jest pamięcią roboczą przechowującą pewne fakty wprowadzone w trakcie dialogu z użytkownikiem; baza ta umożliwia odtworzenie sposobu wnioskowania systemu i przedstawienie go użytkownikowi za pomocą mechanizmu wyjaśniającego.
Metody reprezentowania wiedzy:
• zastosowanie logiki
• zapis stwierdzeń
• systemy regułowe (wektory wiedzy)
• sieci semantyczne
• oparte na ramach
• używające modele obliczeniowe
Cechy:
• ekspertyza
• zdolność do symbolicznego rozumowania
• głębokość
• własna wiedza



Wyszukiwarka

Podobne podstrony:
Nęcka E Inteligencja.r.5 notatka, Studia Pedagogika WSZiP
Sztuczna Inteligencja, Projekt ZBP - założenia studia inżynierskie IOZK Metody ilościowe i jakościow
opracowanie 2013, Studia, Informatyka, Semestr IV, Wstęp do sztucznej inteligencji
test1, Studia, ZiIP, SEMESTR IV, Metody sztucznej inteligencji
Sztuczna Inteligencja, Studia, Semestr 4, Sztuczna Inteligencja, sprawozdania
SI-2poprawkiGB, Studia-WSTI (vizja.net), Sztuczna Inteligencja, Egzamin
Do nauki, Studia, ZiIP, SEMESTR IV, Metody sztucznej inteligencji
msiww kolos, Studia, AiR, SEMESTR I, Metody sztucznej inteligencji w wytwarzaniu
Sztuczna inteligencja, Studia, Studia sem IV, Uczelnia Sem IV, MSI
Elementy Sztucznej Inteligencji
MSI-program-stacjonarne-15h-2011, logistyka, semestr IV, sieci neuronowe w log (metody sztucznej int
Ubezpieczenie notatki, Szkoła, Notatki studia, Ubezpieczenia
CHOROBA PARKINSONA, Notatki Studia Fizjoterapia
Procesy grupowe- notatki, Studia, Socjologia
Notatki2, Studia - Socjologia - Semestr I, LOGIKA
Ściąga ze sztucznej inteligencji(1), uczenie maszynowe, AI
notatki, STUDIA, WZR I st 2008-2011 zarządzanie jakością, podstawy ochrony środowiska, Zachowania Or

więcej podobnych podstron