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

• sztuczne sieci neuronowe

• algorytmy genetyczne

• systemy eksperckie

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:

• rozpoznawanie struktury metalograficznej

• klasyfikowanie wad odlewniczych

• analiza wpływu dodatków stopowych

• predykcja twardości i własności mechanicznych

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.

• Pobudzające (+)

• Opóźniające (-)

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.

• Skok jednostkowy tzw. funkcja progowa

• Liniowa

• Nieliniowa

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

Zbiory danych mają następujące cechy:

• Są podzielne na pewną liczbę przypadków z których każdy zawiera wartość każdej ze zmiennych przewidzianych dla określonej sieci

• Każdemu przypadkowi i każdej zmiennej można nadać nazwę

• Zmienne mogą mieć charakter numeryczny lub nominalny

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:

• Obliczenia są wykonywane równolegle

• Nie wymagają programowania

• Zdolnośc uogólnienia zdobytej wiedzy

Wady:

• Wieloetapowe procesy

• Wykorzystane jedynie tam gdzie potrzeba jasnych i precyzyjnych wyników

ALGORYTMY GENETYCZNE

• Wprowadzone w latach 60 i 70 przez Johna Hollanda

• Celem było stworzenie programu komputerowego rozwiązującego problemy w sposób naśladujący naturalny przebieg ewolucji

Podstawowe pojęcia:

• Populacja - zbiór osobników o określonej liczebności

• Osobnik - punkt przestrzeni poszukiwań(rozwiązanie)

• Chromosom - łańcuch lub ciąg kodowy

• Gen - znak

• Genotyp - struktura, to zespół chromosomów

• Fenotyp - zestaw wartości odpowiadających łańcuchowi genotypowi

• Allea - to wartość danego genu

• Locus - położenie danego genu

• Selekcja - wybór na ogół najlepszego potomstwa

• Krzyżowanie - rekombinacja genów

• Rodzic - chromosomy kojarzone w pary

• Potomek - chromosom otrzymany w krzyżowaniu

• Mutacja - proces zmiany pojedynczego genu

Elementy algorytmu:

• Wybór(losowej) populacji początkowej

• Ocena przystosowania

• Selekcja chromosomów

• Krzyżowanie

• Mutacja

Ocena przystosowania słuzy do:

• Polega na obliczeniu wartości funkcji przystosowania

• Im większa wartość tym lepsza „jakośc”

• Wyłapaniu najlepszego chromosomu

• Doknania selekcji chromosomów na podstawie ich przystosowania w przypadku gdy oceniana populacja nie jest populacja końcową

Selekcja chromosomów polega na:

• Wybraniu na podstawie obliczeń wartości funkcji przystosowania

• Zasada naturalnej selckji - największą szanse mają chromosomy o największej wartości funkcji przystosowania

• Selekcji dokonuje się gdy warunek zatrzymania jest spełniony

Zastosowanie algorytmów genetycznych:

• Medycyna, technika, matematyka

• Służy do optymalizacji

• Wytyczanie połączeń kablowych, sterowanie, zadania transportowe, optymalizacja wag sieci neuronowych

Zalety:

• Odporność na lokalne ekstrema

• Niepotrzebna szczegółowa wiedza

• Wydajność

• Proste pojęciowa

• Słabe założenie od funkcji przystosowania

• Nie wymaga dużych nakładów pracy ze strony programisty

Wady:

• Słaba podbudowa teoretyczna

• Kodowanie(częsta konieczność naprawy chromosomów)

• Częsta konieczność skalowania funkcji przystosowania

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

---