Содержание
- 2. Лекции 6, 7 Искусственный интеллект Понятие искусственного интеллекта. Экспертные системы. Базы знаний. Оболочки экспертных систем. Языки
- 3. Понятие искусственного интеллекта
- 4. Понятие ИИ – другие определения Восхищающие новые усилия заставить компьютеры думать... машины с разумом в полном
- 5. Возможные классификации систем ИИ
- 6. Основные классы задач, решаемые с помощью систем ИИ Перед ИИ с момента его зарождения как научного
- 7. Слово «робот» появилось в 1920-х годах, как производное от чешского «робота» — тяжелой грязной работы. Его
- 8. Теоретические основы современной робототехники были заложены еще в 1950-60-е годы, но их реализация сдерживалась отсутствием технологий,
- 9. Три закона робототехники Робот не может причинить вред человеку или своим бездействием допустить, чтобы человеку был
- 10. «Поколения» роботов Роботы - это электротехнические устройства для автоматизации человеческого труда. Условно в истории робототехники выделяют:
- 11. «Поколения» роботов III поколение. Самоорганизующиеся или интеллектуальные роботы. Это - конечная цель развития робототехники. Основные нерешенные
- 16. Тест Тьюринга Алан Тьюринг, 1950 г., статья «Вычислительные машины и разум»; проверка, разумен ли компьютер в
- 17. Тест Тьюринга Проведение теста Судья (человек) переписывается на естественном языке с двумя «собеседниками»: человеком и компьютером.
- 18. Тьюринг считал: к 2000 году компьютер с памятью 1 миллиард бит (119 МБ) в ходе 5-минутного
- 19. Пока - ни одна программа и близко не подошла к прохождению теста. Такие программы, как Элиза
- 20. Ежегодно - соревнование между «разговаривающими» программами и наиболее человекоподобной, по мнению судей, присуждается приз Лёбнера. Есть
- 22. Гипотеза Ньюэлла — Саймона Эллен Ньюэлл и Герберт Саймон следующим образом сформулировали гипотезу физической символической системы
- 23. ИИ – некоторые основные понятия Предмет информатики - обработка информации по известным законам. Предмет ИИ -
- 24. ИИ – некоторые основные понятия Адаптивная система - система, сохраняющая работоспособность при непредвиденных изменениях свойств управляемого
- 25. Интеллектуальная система (ИС) - адаптивная система для создания программ целесообразной деятельности по решению поставленной задачи для
- 26. Интеллектуальная система (ИС) - адаптивная система для создания программ целесообразной деятельности по решению поставленной задачи для
- 27. Понятие знания - центральное понятие в ИС Несколько определений: 1) Знания - результат, полученный познанием окружающего
- 28. 4) Знания - совокупность фактов и правил. Правило, представляющее фрагмент знаний, имеет вид: если то Например:
- 29. Процесс логического вывода в ИС
- 30. Статические знания - знания, введенные в ИС на этапе проектирования. Динамические знания (опыт) - знания, полученные
- 31. Пример структуры ИС – обобщенная структура ИРС БД – база данных БЦ – база целей БЗ
- 32. ЭЛЕМЕНТЫ ИРС Блок логического вывода и формирования управляющей информации – выполняет функции: решение нечетко формализованных задач;
- 33. ЭЛЕМЕНТЫ ИРС БАМР содержит программные модули решения задач предметной области по жестким алгоритмам. Блок усвоения знаний
- 34. Схема структуры и работы систем ИИ
- 35. Подходы к изучению (разработке) ИИ Сейчас - 4 основных достаточно различных подхода: 1. Логический подход Основа
- 36. 1. Логический подход к ИИ Добиться большей выразительности логическому подходу позволяет сравнительно новое направление - нечеткая
- 37. 2. Структурный подход к ИИ Попытки построения ИИ путем моделирования структуры человеческого мозга. Одна из первых
- 38. Перцептрон должен был передавать сигналы от «глаза», составленного из фотоэлементов, в блоки электромеханических ячеек памяти, которые
- 39. 2. Структурный подход к ИИ Основной моделируемой структурной единицей в перцептронах (и в большинстве других вариантов
- 40. 2. Структурный подход к ИИ В более широком смысле такой подход известен как коннективизм - моделирование
- 41. Как устроен нейрон ?
- 42. Примеры «работы» нейронной сети
- 43. Многоуровневый персептрон. Трехуровневая сеть принимает входные данные со снимка, сделанного в 6 волновых диапазонах, и формирует
- 44. (a) Реальная карта землепользования и (б) карта землепользования, сформированная с помощью нейронной сети. Условными цветами обозначены:
- 45. 3. Эволюционный подход к ИИ При построении систем ИИ по данному подходу основное внимание уделяется построению
- 46. 3. Эволюционный подход к ИИ Генетический алгоритм (Джон Холланд) – алгоритм поиска, используемый для решения задач
- 47. Генетический алгоритм 1) Задача кодируется так, чтобы её решение описывалось вектором («хромосома»). 2) Случайным образом создаются
- 48. Генетический алгоритм Так моделируется «эволюционный процесс» в течение нескольких жизненных циклов (поколений), пока не будет выполнен
- 49. Схема работы генетического алгоритма Начальная популяция формируется случайным образом, ее размер (количество особей N) фиксируется: N=const
- 50. Генетические алгоритмы служат для поиска решений в очень больших и сложных пространствах поиска. Шаги генетического алгоритма:
- 51. 4. Имитационный подход Данный подход - классический для кибернетики с одним из ее базовых понятий черный
- 52. Методы построения экспертных систем Экспертная система (ЭС) - программа, которая использует знания специалистов (экспертов) о некоторой
- 53. Области использования экспертных систем Области: авиация, космос, оборона, химия, энергетика, металлургия, транспорт, медицина, административное управление, прогнозирование
- 54. Основу успеха ЭС составили свойства: в ЭС знания отделены от данных, и мощность ЭС обусловлена в
- 55. Структура ЭС
- 56. Структура ЭС Пользователь – специалист предметной области (обычно не самой высокой квалификации, т.е. не эксперт), для
- 57. Структура ЭС База знаний – ядро ЭС, набор знаний из предметной области, записанный на машинный носитель
- 58. Структура ЭС Подсистема объяснений – программа, позволяющая пользователю получить ответы на вопросы: «Как получена данная рекомендация?»,
- 59. Структура ЭС Интеллектуальный редактор БЗ – программа, представляющая инженеру по знаниям возможность создавать БЗ в диалоговом
- 60. Структура ЭС
- 61. Основа ЭС - подсистема логического вывода - использует информацию из базы знаний, генерирует рекомендации по решению
- 62. Реальные ЭС используют также БД. Одновременная работа со знаниями и большими объемами информации из БД позволяет
- 63. Инструментальные средства создания ЭС Языки программирования: LISP, PROLOG, … Экспертные системы-оболочки: KEE, CENTAUR, G2, GDA, CLIPS,
- 64. Prolog — «несбывшаяся мечта» об ЭВМ V поколения (уже обсуждали) Язык Prolog (PROgramming for LOGic —
- 65. Примеры программ на языке Prolog Предметная область - родственные отношения между 5 членами семьи, описываемая фактами:
- 67. Примеры ЭС ЭС DENDRAL (1960-е, Стэнфордский университет) расшифровка данные спектрографического анализа. ЭС MYCIN (1970-е, Стэнф. университет)
- 68. Примеры ЭС (продолжение) ЭС JUDITH помогает специалистам по гражданским делам и вместе с юристом (с его
- 69. Классификации ЭС По назначению ЭС делятся на: 1) ЭС общего назначения 2) Специализированные ЭС: проблемно-ориентированные -
- 70. Классификации ЭС По степени зависимости от внешней среды выделяют: 1) Статические ЭС, не зависящие от внешней
- 71. Классификации ЭС По типу использования выделяют: 1) Изолированные ЭС. 2) ЭС на входе/выходе других систем. 3)
- 72. Классификации ЭС По сложности решаемых задач различают: 1) Простые ЭС - до 1000 простых правил. 2)
- 73. Классификации ЭС По стадии создания выделяют: 1) Исследовательский образец ЭС, разработанный за 1-2 месяца с минимальной
- 74. Классификации ЭС По стадии создания выделяют: 3) Промышленный образец ЭС, разработанный за 4-8 месяцев, например, на
- 75. Модели представления данных в ЭС Существует много моделей (или языков) представления знаний для ЭС. Большинство из
- 76. Продукционная модель Или модель, основанная на правилах, позволяет представить знания в виде предложений типа «Если (условие),
- 77. Семантические сети «Семантическая» означает «смысловая» (семантика – наука, устанавливающая отношения между символами и объектами, которые они
- 78. Пример 1 - семантическая сеть В качестве вершин выступают понятия «человек», «Иванов», «Волга», «автомобиль», «вид транспорта»,
- 79. Пример 2 - семантическая сеть Пример семантической сети для предложения "Поставщик осуществил поставку 1000 изделий по
- 80. Фреймы Термин фрейм (от англ. frame – «каркас», «рамка») предложен в 1970-е гг. для обозначения структуры
- 81. Фреймы Модель фрейма позволяет отобразить все многообразие знаний о мире через: фреймы–структуры – используются для обозначения
- 82. Фреймы Структуру фрейма можно представить в виде таблицы: Важнейшее свойство теории фреймов взято из теории семантических
- 83. Пример сети фреймов Понятие «ученик» наследует свойства фреймов «ребенок» и «человек», находящихся на более высоком уровне
- 84. Фреймы Специальные языки представления знаний в сетях фреймов: FPL (Frame Representation Language), KPL (Knowledge Representation Language),
- 85. Классификации ЭС – еще одна
- 86. Интерпретация данных - одна из традиционных задач для ЭС - процесс определения смысла данных, результаты которого
- 87. Диагностика - соотнесение объекта с некоторым классом объектов и/или обнаружение неисправности. Неисправность - это отклонение от
- 88. Мониторинг. Основная задача- непрерывная интерпретация данных в реальном масштабе времени и сигнализация о выходе тех или
- 89. Проектирование - подготовка спецификаций (чертёж, пояснительная записка, …) на создание «объектов» с заранее определенными свойствами. Основные
- 90. В задачах проектирования тесно связываются два основных процесса, выполняемых в рамках ЭС: процесс вывода решения; процесс
- 91. Прогнозирование - предсказание следствий некоторых событий или явлений на основании анализа имеющихся данных. Прогнозирующие ЭС логически
- 92. Планирование - нахождение планов действий, относящихся к объектам, способным выполнять некоторые функции. В таких ЭС используются
- 93. Обучение ЭС для обучения: диагностируют ошибки при изучении какой-либо дисциплины с помощью ЭВМ и подсказывают правильные
- 94. Обучение ЭС для обучения: планируют общение с учеником в зависимости от успехов ученика с целью передачи
- 95. Управление - поддерживают определенный режим деятельности, управляют поведением сложных систем в соответствии с заданными требованиями. Примеры
- 96. Поддержка принятия решений - совокупность процедур, обеспечивающая лицо, принимающее решения, необходимой информацией и рекомендациями, облегчающими процесс
- 97. Основы теории нейронных сетей Нервная система человека, построенная из элементов, называемых нейронами, имеет ошеломляющую сложность. Около
- 98. Основы теории нейронных сетей Каждый нейрон обладает многими свойствами, общими с другими органами тела, но ему
- 99. Нейроны человека
- 100. Нейроны человека
- 101. Нейроны человека Дендриты идут от тела нервной клетки к другим нейронам, где они принимают сигналы в
- 102. Нейроны человека Когда суммарное возбуждение в теле нейрона превышает некоторый порог, нейрон возбуждается, посылая по аксону
- 103. На сегодняшний день - две взаимно обогащающие друг друга цели нейронного моделирования: 1) понять функционирование нервной
- 104. Искусственный нейрон Искусственный нейрон имитирует свойства нейрона биологического: на вход поступает много сигналов, каждый из которых
- 105. Искусственный нейрон Множество входных сигналов, описываемых вектором X=(x1 , x2 , …, xn), поступает на искусственный
- 106. Искусственный нейрон Сигнал NET далее, как правило, преобразуется активационной функцией F и дает выходной нейронный сигнал
- 107. 3) S-образной функцией, точнее моделирующей нелинейную передаточную характеристику нейрона и дающей больше возможностей настройки НС: где
- 108. Однослойные искусственные нейронные сети Один нейрон способен выполнять только простейшие вычисления, поэтому для более сложных нейронных
- 109. Однослойные искусственные нейронные сети Вершины-круги слева служат для распределения входных сигналов, не выполняют вычислений и не
- 110. Однослойные искусственные нейронные сети Каждый элемент из множества входов X отдельным весом соединен с каждым искусственным
- 111. Однослойные искусственные нейронные сети Удобно считать веса элементами матрицы W (m строк X n столбцов, где
- 112. Многослойные искусственные НС Более сложные НС обладают, как правило, и большими вычислительными возможностями. Созданы сети самых
- 113. Многослойные искусственные нейронные сети где
- 114. Многослойные искусственные нейронные сети
- 115. Виды НС Сети без обратных связей или сети прямого распространения - сети без соединений, идущих от
- 116. Виды НС Сети с обратными связями - сети более общего вида, имеют соединения от выходов к
- 117. Обучение искусственных нейронных сетей Сеть обучается, чтобы для некоторого множества входов давать желаемое (или близкое к
- 118. Обучение искусственных нейронных сетей Обучение - путем последовательного предъявления входных векторов с одновременной подстройкой весов в
- 119. Обучение с учителем Предполагается, что для каждого входного вектора существует целевой вектор, представляющий собой требуемый выход.
- 120. Обучение с учителем Предъявляется входной вектор, вычисляется выход сети и сравнивается с соответствующим целевым вектором, разность
- 121. Обучение без учителя Является более правдоподобной моделью обучения для биологической системы. Модель развита Кохоненом и др.,
- 122. Обучение без учителя Обучение выделяет статистические свойства обучающего множества и группирует сходные векторы в классы. Предъявление
- 123. где Приложения НС – распознавание образов
- 125. Скачать презентацию