- •Раздел 1. Важнейшие этапы развития вычислительной техники до появления компьютеров.
- •2. Механические, автоматические вычислительные устройства.
- •3. Электромеханический этап развития вычислительной техники
- •Раздел 2. Поколения компьютеров.
- •1. Хронология поколений компьютеров.
- •2. Первое поколение компьютеров, вакуумно-ламповая технология.
- •1. Создание интегральных схем.
- •Уровни проектирования
- •Классификация Степень интеграции
- •Технология изготовления
- •Вид обрабатываемого сигнала
- •Технологический процесс
- •Назначение
- •Корпуса микросхем
- •Специфические названия микросхем
- •2.Третье поколение компьютеров.
- •1.Бис, история создания процессора.
- •2. Четвертое поколение эвм. Принципы создания больших цифровых интегральных схем
- •Процессор
- •2. Четвертое поколение эвм.
- •1. Предпосылки, подходы и направления развития искусственного интеллекта
- •Происхождение и понимание термина «искусственный интеллект»
- •Предпосылки развития науки искусственного интеллекта
- •История развития искусственного интеллекта в ссср и России
- •Подходы и направления Подходы к пониманию проблемы
- •Тест Тьюринга и интуитивный подход
- •Символьный подход
- •Логический подход
- •Агентно-ориентированный подход
- •Гибридный подход
- •Символьное моделирование мыслительных процессов
- •Работа с естественными языками
- •Представление и использование знаний
- •Машинное обучение
- •Биологическое моделирование искусственного интеллекта
- •Робототехника Интеллектуальная робототехника
- •Машинное творчество
- •Другие области исследований
- •2. Современный искусственный интеллект, связь с другими науками. Современный искусственный интеллект
- •Применение
- •Связь с другими науками
- •Компьютерные технологии и кибернетика
- •Психология и когнитология
- •Философия
- •Вопросы создания ии
- •Религия
- •Научная фантастика
- •Происхождение и понимание термина «искусственный интеллект»
- •Предпосылки развития науки искусственного интеллекта
- •История развития искусственного интеллекта в ссср и России
- •Подходы и направления Подходы к пониманию проблемы
- •Достоинства теста
- •Другие существующие подходы Символьный подход
- •Логический подход
- •Агентно-ориентированный подход
- •Гибридный подход
- •Символьное моделирование мыслительных процессов
- •Работа с естественными языками
- •Представление и использование знаний
- •2. Современный искусственный интеллект, связь с другими науками. Современный искусственный интеллект
- •Связь с другими науками
- •Компьютерные технологии и кибернетика
- •Психология и когнитология Конгнитология – среда деятельности, связанная с анализам знаний.
- •Философия
- •Вопросы создания ии
- •Религия
- •Научная фантастика
- •1. Базовые идеи нейронных сетей
- •Возможности и особенности нейронных сетей
- •Области применения нейронных сетей
- •Нейронные сети - точность решения задач Нейрокомпьютер
- •Основная идея — коннекционизм
- •Проблема эффективного параллелизма
- •Современные нейрокомпьютеры
- •Новый поворот — «влажный продукт»
- •Персептрон
- •Многослойный персептрон.
- •1. Рождение советской вычислительной техники
- •1.2 Эвм «Стрела»
- •1.3 Эвм «м-1»
- •1.3.1 Эвм «м-2»
- •1.4 Эвм «Сетунь».
- •1.5 Ibm 701
- •1.6 Эвм «м-20»
- •2. Второе поколение советских эвм.
- •5Э261 – первая в ссср мобильная многопроцессорная высокопроизводительная управляющая система.
- •Предательство.
- •3. Исторические факты.
1. Базовые идеи нейронных сетей
Основными идеями, лежащими в основе нейросетей и нейромоделирования, являются следующие:
1. Нейронная сеть имитирует структуру и свойства нервной системы живых организмов: нейронная сеть состоит из большого числа простых вычислительных элементов (нейронов) и обладает более сложным поведением по сравнению с возможностями каждого отдельного нейрона. Нейросеть получает на входе набор входных сигналов и выдает соответствующий им ответ (выходные сигналы), являющийся решением задачи.
2. Искусственная нейросеть, как и естественная биологическая нейросеть, может обучаться решению задач: она содержит внутренние адаптивные параметры нейронов и своей структуры, и меняя их, может менять свое поведение.
3. Место программирования занимает обучение нейронной сети: для решения каждой новой задачи не нужно каждый раз заново программировать алгоритм - нужно просто взять универсальный нейросетевой инструмент и в нём создать и обучить нейросеть.
4. Нейронная сеть обучается решению задачи на некотором "учебнике" − наборе ситуаций, каждая из которых описывает значения входных сигналов нейросети и требуемый при этих входных сигналах ответ. "Учебник" задает набор эталонных ситуаций с известными решениями, а нейронная сеть при обучении сама находит зависимости между входными сигналами и требуемыми ответами. Обученная нейросеть может обобщать (интерполировать и экстраполировать) полученный навык решения и выдавать прогноз для новых значений входных сигналов, не вошедших в "учебник".
5. Нейронная сеть способна обучаться решению задач, для которых у человека не существует формализованных, быстрых или работающих с приемлемой точностью теоретических или эмпирических алгоритмов решения.
6. Структура нейросети может быть адаптирована к задаче. В нейросеть могут быть включены дополнительные нейроны, если исходная нейросеть не способна обеспечить решение задачи с нужной точностью. Из нейросети могут быть исключены лишние нейроны и связи между ними, если исходная нейросеть избыточна для решения задачи. Нейросеть может сама выделить наиболее информативные для задачи входные сигналы, отбросить неинформативные, шумовые сигналы и в итоге повысить надежность решения. Коррекция размеров нейронной сети не приводит к полному забыванию сформированных нейросетью при обучении навыков, что ускоряет процесс дообучения нейросети.
Возможности и особенности нейронных сетей
Основными интересными на практике возможностями нейронных сетей являются такие:
1. Быстрые алгоритмы обучения нейронных сетей: нейросеть даже при сотнях входных сигналов и десятках-сотнях тысяч эталонных ситуаций может быть почти мгновенно обучена на обычном компьютере. Поэтому применение нейронных сетей возможно для решения широкого круга сложных задач прогноза, классификации и диагностики.
2. Возможность работы при наличии большого числа неинформативных, шумовых входных сигналов − предварительного их отсева делать не нужно, нейросеть сама определит их малопригодность для решения задачи и может их явно отбросить.
3. Возможность работы со скоррелированными независимыми переменными, с разнотипной информацией (измеренной в непрерывнозначных, дискретнозначных, номинальных, булевых шкалах), что часто доставляет затруднение методам статистики
4. Нейронная сеть одновременно может решать несколько задач на едином наборе входных сигналов − имея несколько выходов, прогнозировать значения нескольких показателей.
5. Алгоритмы обучения накладывают достаточно мало требований на структуру нейронной сети и свойства нейронов. Поэтому при наличии экспертных знаний или в случае специальных требований можно целенаправленно выбирать вид и свойства нейронов и нейросети, собирать структуру нейронной сети вручную из отдельных элементов, и задавать для каждого из них нужные свойства.
6. Нейросеть может обучиться решению задачи, которую человек-эксперт решает недостаточно точно (или для которой вообще отсутствует эксперт). Обученная нейронная сеть может быть представлена в виде явного алгоритма решения задачи, например, в виде набора правил "если ..., то ...", и изучение этого алгоритма может позволить человеку получить новые знания.
Описанные возможности в основном относятся к многослойным нейронным сетям, обучаемым алгоритмом обратного распространения ошибки, и растущим нейросетям на основе вариантов алгоритма каскадной корреляции. Но существуют и другие типы нейронных сетей − нейросети ассоциативной памяти, нейросети для квантования данных, сжатия данных путем построения главных независимых компонент, нейронные сети для разделения смеси сигналов и др. Т.е. круг задач, решаемых нейронными сетями, очень широк, поскольку широк сам набор нейросетевых алгоритмов.