Классификация эс по решаемой задаче
Интерпретация данных
Диагностирование
Мониторинг
Проектирование
Прогнозирование
Сводное планирование
Оптимизация
Обучение
Управление
Ремонт
Отладка
28))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))
а) Медицинская диагностика.
Диагностические системы используются для установления связи между нарушениями деятельности организма и их возможными причинами. Наиболее известна диагностическая система MYCIN, которая предназначена для диагностики и наблюдения за состоянием больного при менингите и бактериальных инфекциях. Ее первая версия была разработана в Стенфордском университете в середине 70-х годов. В настоящее время эта система ставит диагноз на уровне врача-специалиста. Она имеет расширенную базу знаний, благодаря чему может применяться и в других областях медицины.
29))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))
Искусственный интеллект ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ - научное направление, разрабатывающее методы, позволяющие электронно-вычислительной машине решать интеллектуальные задачи, если они решаются человеком. Понятием *искусственный интеллект* обозначают функциональные возможности машины решать человеческие задачи. Искусственный интеллект направлен на повышение эффективности различных форм умственного труда человека
искусственной компетентности показывает, что искусственная компетентность является более постоянной, устойчивой, легко передаваемой и документируемой. равнение человеческой и искусственной компетентности Человеческая компетентность Искусственная компетентность Непрочная Трудно представляемая Трудно документируемая Непредсказуемая Дорогая Постоянная Легко передаваемая Легко документируемая Устойчивая Приемлемая по затратам
30))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))
|
Алгоритм нейрона Это наименее сложный из алгоритмов. Рассмотрим вначале схематичное изображение нейрона: |
|
Dendrite Дендрит | ------------ | (Ввод) ----------------- O | | Аксон - один . их может быть | Тело нейрона | O --------------- . несколько | cell body | Axon (вывод) (Ввод) ----------------- O | | |--------------| |
|
Где O - synapse. Синапс служит для соединения контактов между собой и исполнительными механизмами. Синапс - это не физическое соединение, а временное химическое соединение, которое может быть изменено. В нашем рассмотрении синапс - это коэффициент назначенный к каждому вводу. Большое значение коэффициента ввода означает, что данное соединение более важное чем другое. Тело нейрона (ячейки) содержит в себе заранее предопределенное значение - порог срабатывания. Выходной сигнал сработает только тогда, когда на вход нейрона поступит значение большое, чем порог срабатывания. Определим механизм работы с нейроном, который позволит нам моделировать AI ( самообучение ). В биологических системах, процесс обучения происходит при изменении связей между отдельными нейронами. В нашем рассмотрении перейдем от связей к коеффициентам. Вот алгоритм работы: - установите коэффициенты w и порог срабатывания t в нашем рассмотрении к неким произвольным значениям. - установите на каждый ввод x(0), x(1), x(2),...., x(n-1) ( прим. перев. Я здесь не понял - видимо надо дать на каждый ввод либо 1 либо 0 :( ) - вычислите сработал ли вывод сравнив пороговое значение и сумму коээфициентов ввода |
|
n - 1 ----- \ Сумма коэфф. = w (i) * x (i) / ----- i = 0 - измените коэффициеты, |
|
для подтверждения правильных решений и устранения неверных. ( прим. перев. Я не понял как менять эти коэффициенты, на основании чего ? :( ) Алгоритм Кохенена, или алгоритм Сети Этот алгоритм, назван в честь профессора T. Kohonen с факультета Информатики в Университете Helsinki, Финляндия. Вместо сравнения входных коэффициентов к порогу срабатывания, ( как в случае с алгоритмом нейрона ) Кохонен сравнил коэффициенты всех выходов, и выбрал набор выходов имеющих коэффициенты, которые близко соответствовали (согласовались) с коэффициентами входов. Вот ссылка на его работу: Kaelbling, Leslie Pack Learning in Embedded Systems The MIT Press, Cambridge, Massachusetts (c) 1993 ISBN 0-262-11174-8 Самоообучающаяся сеть состоит из матрицы выходов j, которые все соединяются с каждым входом i. |
|
---------------- \ O O O \ \ \ выхода j \ O O O \ \ \ \ O O O \ ---------------- Входа i O O |
|
Алгоритм позволяет определить выход-"победитель" - j*, который точно подходит к ожидаемому выходу, как определенно входами i. Изменение коэффициента j* и его окружения будет создавать желаемые результаты. Кохенен успешно реализовал эту методику для системы распознования речи в середины восьмедисятых годов XX века. Вот его алгоритм: 1. Инициализация сети - определите матрицу w(ij) (0 <= i <= n-1) которая определяет коэффициенты от входа i во выход j. Установите минимальные значения коэффициентов n входов. Установите радиус окружения вокруг выхода j, N(j), к некоторому большому значению. 2. Установите входа - Установите входа x(0), x(1), x(2),...., x(n-1), где x(i) - ввод i. 3. Вычислите расстояние - Вычислите расстояние d(j) между входами i и каждым выходом j по формуле: |
|
n - 1 ----- \ d(j) = (x(i) - w(ij))^2 / ----- i = 0 |
|
4. Выберите минимальное расстояние и обозначите выход j с минимумом d(j) - j*. 5. Обновите веса - обновите вес для узла j* и его окружения как определено размером границы N(j). w(ij) = w(ij) + M * (x(i) - w(ij)) Коэффициент M используется чтобы управлять корректировкой коэффициентов выходов. Его значение должно устанавливаться в диапазоне [0.5, 1] и затем постепенно уменьшаться, по линейной функции от номера цикла обучения. 6. Если ожидаемое решение не было обнаружено, повторите обучающийся цикл ( шаги 2-5 ). 7. Решение устанавливает S-сеть, которую можно использовать компьютеру против игрока. Например, сеть состоит из 16 выходов, 4 входов и размер окружения равен 4, алгоритм Кохенена может разработать стратегию действий всего за 216 ходов ( 9 * 4! ), что очень хорошо. Примечание А вот алгоритм выдранный из переписки. - cut - Newsgroups: fido7.other.nice.sources From: George Korablev <George.Korablev@p72.f207.n5020.z2.fidonet.org> Date: Fri, 22 Nov 96 20:05:40 +0300 Subject: [News] Re: Самообучающиеся программы Сердечно приветствую,дорогой Alexey! Wednesday November 20 1996.В 03:58, Alexey Efimov изрек из своих недр в адрес George Korablev следующее: GK>> Да ты не рубишь разницу между обучающейся экспертной системой и GK>> обучающейся программой. Хотя игра м.б. построена по принципу GK>> экспертной системы и экспертная система по принципу игры. Могу GK>> поделиться мыслями - как построить экспертную системы (плагиат из GK>> одноименной книжки - валяется в библио-глобусе) AE> Попpобуй... поделись. Все-таки Sorry за плагиат, но раз уж просят... Допустим есть система из двух объектов, имеющих по три свойства. Hапример птица и самолет. Пусть "1" - это присутствие признака, а "0" - наоборот. Крылья Оперение Шасси Птица 1 1 0 Самолет 1 0 1 Заводим внутри программы массивы 2х3 и 1х3, изначально прописанные нулями. Массив 1х3 будет вектором наших вопросов. Режим обучения/отгадывания: Мы говорим системе: што есть "крылья"+"шасси" (1,0,1). Система при отгадывании выполняет следующую манипуляцию: 1. умножает вектор наших вопросов на все строки в массиве признаков по очереди. 2. Получаем два результата. 3. Выбираем максимальный. (это и есть ответ на наш вопрос) Т.к. все были нули, программа говорит: "Птица?", вы отвечаете "Нет". Далее происходит следующий алгоритм: 1. Если программа не угадала, то ваш вектор ответов вычитается из строке массива соответствующему овтету, а к остальным прибавляется. 2. Если программа угадала, то ничего не происходит. В нашем случае после первых наших вопросов имеем: Птица -1 0 -1 Самолет 1 0 1 Задаем след. вопрос: што есть "крылья"+"перья" (1,1,0)? Программа: Птица : -1+0+0 = -1 Самолет : 1+0+0 = 1 ответ: Самолет Вы: неверно Программа: Птица 0 1 -1 Самолет 0 -1 1 После второго нашего заданного вопроса программа обучилась полностью. На вопрос "што есть "перья" будет получен ответ "птица" На вопрос "што есть "шасси" - "самолет" На вопрос "што есть "крылья","крылья"+"перья"+"шасси", "перья"+"шасси" программа получит одинаковые результаты при сравнении макс. элементов. На этот случай в алгоритм поиска максимальных элементов включается след. кусок, который проверяет есть ли дубликаты у найденного максимального значения. Если такие имеются, то программа должна сказать "Похоже на..." и перечислить варианты ответов с одинаковыми максимальными значениями. P.S. При обучении программы следует завести счетчик максимального количества вопросов и по его достижению прекращать какое либо обучение (два одинаковых заданных вопроса на результаты работы программы не влияют), в привед-й выше книге есть алгоритм по этому поводу, но я его не помню. P.P.S. Кстати можно использовать количественые значения признаков типа "ноги" при вариантах ответов 1 :), 2, 3 :), 4 и т.д. тоже будет работать и намного точнее. P.P.P.S ;) Приведенный пример экспертной системы - одноуровневый. о можно на ее основании построить N-мерную модель. Hапример каждый элемент плоского массива - это результат по поискам максимальных элементов из других массивов. - cut - |
31))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))
Для ИИ характерны следующие признаки: 1. развитые коммуникативные способности; 2. умение решать сложные плохо формализуемые задачи; 3. способность к самообучению; 4. адаптивность. Так, по А. Н. Колмогорову, любая материальная система, с которой можно достаточно долго обсуждать проблемы науки, литературы и искусства, обладает интеллектом. Другим примером поведенческой трактовки интеллекта может служить известное определение А. Тьюринга. Его смысл заключается в следующем. В разных комнатах находятся люди и машина. Они не могут видеть друг друга, но имеют возможность обмениваться информацией (например, с помощью электронной почты). Если в процессе диалога между участниками игры людям не удается установить, что один из участников — машина, то такую машину можно считать обладающей интеллектом
))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))
32) В настоящее время различают два основных подхода к моделированию искусственного интеллекта: машинный интеллект, заключающийся в строгом задании результата функционирования, и искусственный разум, направленный на моделирование внутренней структуры системы. Первое направление, таким образом, рассматривает продукт интеллектуальной деятельности человека, изучает его структуру, и стремится воспроизвести этот продукт средствами современной техники. Моделирование систем машинного интеллекта достигается за счет использования законов формальной логики, теории множеств, графов, семантических сетей и других достижений науки в области дискретных вычислений. Основные результаты заключаются в создании экспертных систем, систем разбора естественного языка и простейших систем управления вида <стимул-реакция>. Ясно, что успехи этого направления искусственного интеллекта оказываются тесно связанны с развитием возможностей ЭВМ и искусства программирования, то есть с тем комплексом научно-технических исследований, которые часто называют компьютерными науками. Второе направление искусственного интеллекта рассматривает данные о нейрофизиологических и психологических механизмах интеллектуальной деятельности и, в более широком плане, разумного поведения человека. Оно стремиться воспроизвести эти механизмы с помощью тех или иных технических устройств, с тем чтобы <поведение> таких устройств хорошо совпадало с поведением человека в определенных, заранее задаваемых пределах. Развитие этого направления тесно связано с успехами наук о человеке. Для него характерно стремление к воспроизведению более широкого, чем в машинном интеллекте, спектра проявлений разумной деятельности человека. Системы искусственного разума базируются на математической интерпретации деятельности нервной системы во главе с мозгом человека и реализуются в виде нейроподобных сетей на базе нейроподобного элемента - аналога нейрона. 33)))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))
) Иску́сственная нейро́нная се́ть (ИНС) — математическая модель, а также её программное или аппаратное воплощение, построенная по принципу организации и функционирования биологических нейронных сетей — сетей нервных клеток живого организма. Это понятие возникло при изучении процессов, протекающих в мозге, и при попытке смоделировать эти процессы. ИНС представляют собой систему соединённых и взаимодействующих между собой простых процессоров (искусственных нейронов).
34)))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))
биологического
прототипа - нейрона. Нейрон является
нервной клеткой биологической системы.
Он состоит из тела и отростков, соединяющих
его с внешним миром (рис. 1.1). 
Отростки,
по которым нейрон получает возбуждение,
называются дендритами. Отросток, по
которому нейрон передает возбуждение,
называется аксоном, причем аксон у
каждого нейрона один. Дендриты и аксон
имеют довольно сложную ветвистую
структуру. Место соединения аксона
нейрона - источника возбуждения с
дендритом называется синапсом. Основная
функция нейрона заключается в передаче
возбуждения с дендритов на аксон. Но
сигналы, поступающие с различных
дендритов, могут оказывать различное
влияние на сигнал в аксоне. Нейрон
выдаст сигнал, если суммарное возбуждение
превысит некоторое пороговое значение,
которое в общем случае изменяется в
некоторых пределах. В противном случае
на аксон сигнал выдан не будет: нейрон
не ответит на возбуждение. У этой
основной схемы много усложнений и
исключений, тем не менее, большинство
искусственных нейронных сетей моделируют
лишь эти простые свойства.