ZSI_wykład.pdf

(2061 KB) Pobierz
Paweł Leżański
METODY SZTUCZNEJ INTELIGENCJI
Celem przedmiotu jest zapoznanie studentów z podstawowymi
metodami z zakresu sztucznej inteligencji. W związku z tym zostanie
omówiona budowa systemów eksperckich, zastosowanie teorii zbiorów
rozmytych w systemach sztucznej inteligencji, sztuczne sieci neuronowe
oraz algorytmy genetyczne.
Omawiane zagadnienia:
1. Wprowadzenie do Zagadnień Sztucznej Inteligencji (ZSI): geneza,
interpretacje, przedmiot badań, podstawowe definicje.
2. Systemy Eksperckie (SE): definicja, ogólna budowa, zadania
funkcjonalne,
metody
reprezentacji
wiedzy,
wnioskowanie
progresywne i regresywne.
3. Teoria zbiorów rozmytych: pojęcie i właściwości zbioru rozmytego,
podstawowe operacje, zmienne lingwistyczne.
4. Relacje rozmyte. Algorytm wnioskowania rozmytego. Regulatory
rozmyte - zasada budowy. Przykład systemu logiki rozmytej.
5. Sieci neuronowe (SN): wprowadzenie, model neuronu i sieci
neuronowej, typy zagadnień rozwiązywanych za pomocą SN.
6. Zagadnienia uczenia SN: metody uczenia, algorytm wstecznej
propagacji błędów.
7. Algorytm genetyczny (AG): generowanie populacji, ocena
przystosowania, selekcja, reprodukcja i mutacja chromosomów.
Literatura
1. Mulawka J.J.: Systemy ekspertowe. WNT, Warszawa 1996.
2. Rutkowska D., Piliński M., Rutkowski L.: Sieci neuronowe, algorytmy
genetyczne i systemy rozmyte. PWN, Warszawa-Łódź 1997.
3. Korbicz J, Obuchewicz A, Uciński D: Sztuczne sieci neuronowe,
podstawy i zastosowania. Akademicka Oficyna Wydawnicza PLJ,
Warszawa 1994.
4. Tadeusiewicz R.: Sieci
neuronowe. Akademicka Oficyna
Wydawnicza RM, Warszawa 1993.
5. Yager R.R., Filev D.P.: Podstawy modelowania i sterowania
rozmytego. WNT-Wiley, Warszawa 1995.
Wprowadzenie
Intelekt
– całokształt wiedzy, ogół doświadczenia i zdolności
umysłowych człowieka.
Inteligencja
– zdolność rozumienia otaczających sytuacji i znajdowania
na nie właściwych, celowych reakcji.
Sztuczna inteligencja
– jako dyscyplina naukowa lub kierunek badań
technicznych zajmuje się
imitacją inteligencji ludzkiej.
Metody sztucznej inteligencji
– metody komputerowe wspomagania
biologicznych procesów rozumowania nie poddających się prostej
numerycznej algorytmizacji.
Istnieją dwie podstawowe grupy metod sztucznej inteligencji:
W pierwszej grupie są metody wykorzystujące tzw. podejście
symboliczne do tworzenia modeli symboliczno-logicznych
analizowanych problemów i implementowanie ich w formie
programów komputerowych, mających realizować konkretne
funkcje uważane powszechnie za składowe inteligencji. W tej
grupie, są np.
systemy ekspertowe, systemy logiki rozmytej i
algorytmy genetyczne.
W drugiej grupie są metody oparte na przetwarzaniu numerycznym
polegające na tworzeniu struktur i programów "uczących się",
bazujących na modelach
sieci neuronowych
oraz opracowywanie
procedur "uczenia" takich programów.
SYSTEMY EKSPERTOWE
Reprezentacja wiedzy
Zachowanie inteligentne zależne jest od posiadanej wiedzy.
Reprezentacja wiedzy
to ogólny formalizm przekazywania, zapisywania i gromadzenia
dowolnego fragmentu wiedzy.
W systemach ekspertowych jest ona kombinacją struktur danych i procedur interpretacyjnych
tak dobranych, że właściwie użyte prowadzić będą do inteligentnego zachowania.
Rodzaje wiedzy:
Obiekty:
Myśląc o świecie zwykle myślimy o przedmiotach. Ptaki mają skrzydła. Bociany to ptaki.
Zimą jest śnieg. Potrzebujemy metody do reprezentacji obiektów i kategorii obiektów.
Zdarzenia:
Oprócz obiektów mamy zdarzenia. Będzie padało. Wieje wiatr. Oprócz informacji o samych
zdarzeniach trzeba znać następstwa przyczynowe i sekwencje czasową zdarzeń.
Umiejętności:
To wiedza o tym, jak wykonywać pewne zadania.
Meta-wiedza:
To wiedza o tym, co wiemy, o niedoskonałości naszej percepcji, o ograniczeniu naszej
wiedzy na dany temat, ocenie jej wiarygodności.
Zagadnienia związane z reprezentacją wiedzy
Gromadzenie wiedzy
nie jest tylko jej akumulacją i dodawaniem nowych faktów. Wymagany
jest tu proces tworzenia związków z już istniejącą wiedzą. Konieczna jest więc klasyfikacja
wiedzy (by wiedzieć ,,z czym to się je"), interakcja ze starą wiedzą (przy czym możliwe są
interferencje z już zintegrowaną wiedzą). Ponadto potrzebna jest forma prezentacji wiedzy
możliwie naturalna dla ludzi.
Wydobywanie wiedzy
jest dla człowieka tak naturalne, że tego nie zauważamy. Myślimy
poprzez skojarzenia, ale jak kojarzyć informacje w komputerze? Jeśli podejrzewamy, że
skojarzenia między parą struktur danych będą przydatne, można je łączyć, jeśli jakaś grupa
jest ze sobą związana stosuje się ich grupowanie. Niestety, wyklucza to większość
nieprzewidzianych skojarzeń.
Rozumowanie
występuje tedy, gdy system ma zrobić coś, co nie jest w jawny sposób
zaprogramowane. Możemy sobie wyobrazić rozumowania różnego rodzaju:
Formalne rozumowanie
występuje w logice matematycznej i opiera się na ustalonych
regułach wnioskowania.
Proceduralne rozumowanie
pomaga rozwiązywać problemy i odpowiadać na pytania
przeprowadzając symulację danej sytuacji.
Rozumowanie przez analogię
jest łatwe dla ludzi ale trudne dla programów. Np.: Jacek był
kiedyś mały a niemowlęta ssą więc są ssakami.
Rozumowanie przez uogólnianie,
bardzo częste w matematyce ale trudno jest je uchwycić,
np. rozumowanie przez indukcję spotyka się w systemach AI bardzo rzadko a dla ludzi jest to
jeno z głównych źródeł, czasami skłonni jesteśmy do zbyt szybkich uogólnień.
Meta-rozumowanie
związane jest z wiedzą o tym, co wiemy, np.: czy ja to mogę skądś
wiedzieć?

Plik z chomika:

Inne pliki z tego folderu:

Inne foldery tego chomika:

Zgłoś jeśli naruszono regulamin