- •405. Адаптивний лінійний елемент (Розпізнавання образів і навчання)
- •406. Активні контурні моделі. (Комп'ютерний зір)
- •407. Алгоритм ebl і навчання на рівні знань (Машинне навчання, засноване на символьному представленні інформації)
- •408. Алгоритм Meta-dendral (Машинне навчання, засноване на символьному представленні інформації)
- •411. Алгоритм використовування розумних агентів (Intelligent agent)
- •412. Алгоритм зворотного розповсюдження у нейронних багатошарових мережах.
- •410. Алгоритм виключення кандидата (Машинне навчання, засноване на символьному представленні інформації)
- •409. Алгоритм Web-агента по Алан Кей (Alan Kay)
- •413. Алгоритм кластеризації Гроссберга і Карпентера.
- •414. Алгоритм методу мурашки. (Ant algorithms), оптимізація, за принципом мурашиної колонії (алгоритму (Marco Dorigo)).
- •417. Алгоритм програми використання внутрішньої бази фактів підприємства.
- •421. Використування та розробка Web-агента, поняття Кріса Лангтона (Chris Langton), структура програмного агента
- •420. Байесовській метод розпізнавання (Розпізнавання образів і навчання)
- •424. Геометричний метод розпізнавання (Розпізнавання образів і навчання)
- •425. Індуктивний алгоритм побудови дерева рішень id3 (Машинне навчання, засноване на символьному представленні інформації)
- •426. Індуктивний поріг і можливості навчання (Машинне навчання, засноване на символьному представленні інформації)
- •427. Інтерпретація контурних малюнків (Комп'ютерний зір)
- •428. Компоненти навчання з підкріпленням (Машинне навчання, засноване на символьному представленні інформації)
- •432. Моделі нейронних елементів (Розпізнавання образів і навчання)
- •433. Модель мови (Обробка природної мови)
- •434. Моделювання роботи людського інтелекту (Штучний інтелект: історія розвитку)
- •435. Навчання без вчителя шнм , засновані на правилі навчання Хебба (Розпізнавання образів! навчання)
- •436. Неповнота знань і немонотонний висновок (Основні моделі висновку)
- •437. Визначення управляючих параметрів синтезаторів мови (Обробка природної мови)
- •438. Операція узагальнення і простір понять (Машинне навчання, засноване на символьному представленні інформації)
- •439. Основні відомості про розпізнавання образів. (Розпізнавання образів і навчання)
- •440. Планування переміщень робот (Основні моделі висновку)
- •441. Попередня обробка і розпізнавання звуків. (Обробка природної мови)
- •442. Пошук при виділенні контурних сегментів (Комп'ютерний зір)
- •443. Правила висновку в численні предикатів (Представлення знань)
- •444. Принцип резолюції і система strips (Основні моделі висновку)
- •445. Програма граматичного розібрання списку на державній мові.
- •446. Програма з використанням селекторів зовнішніх баз даних.
- •447. Рекурентні алгоритми навчання розпізнаванню образів (Розпізнавання образів.І навчання)
- •448. Розпізнавання об'єктів в системах зору роботів (Комп'ютерний зір)
- •450. Семантичні мережі (Представлення знань)
- •451. Синтез мови по тексту (Обробка природної мови)
- •52. Система заснована на правилах архітектури зворотного висновку.
- •453. Системи комп'ютерного зору (Комп'ютерний зір)
- •454. Способи опису семантичних мереж і логічний висновок (Представлення знань)
- •455. Стандартизація предикативних формул (Основні моделі висновку)
- •457. Структура фрейма (Представлення знань)
- •456. Статистичний підхід до розпізнавання мови (Обробка природної мови)
- •458. Структури нейронних мереж (Розпізнавання образів і навчання)
- •459. Числення висловів (Представлення знань)
- •460. Числення предикатів (Представлення знань)
- •415. Алгоритм моделі станів (Bigram Model)
- •429. Компоненти пм-снстсми (Обробка природної мови)
434. Моделювання роботи людського інтелекту (Штучний інтелект: історія розвитку)
Людський інтелект служить відправною точкою в створенні штучного, однак це не означає, що програми повинні формуватися по образу і подоби людського розуму. Дійсно, багато програм ШІ створюються для рішення якихось насущних задач без урахування людської ментальної архітектури. Навіть експертні системи, запозичаючи більшу частину свого знання в експертів-людей, не намагаються моделювати внутрішні процеси людського розуму. Якщо продуктивність системи — це єдиний критерій її якості, немає особливих підстав імітувати людські методи прийняття рішень. Програми, які використовують не властиві людям підходи, найчастіше більше успішні, ніж їх людські суперники. Проте конструювання систем, які б детально моделювали який-небудь аспект роботи інтелекту людини, стало плідною областю досліджень як у штучному інтелекті, так і в психології. Моделювання роботи людського розуму крім забезпечення ШІ його основною методологією оказалось потужним засобами для формулювання й випробування теорій людського пізнання. Методології прийняття рішень, розроблені теоретиками комп‘ютерних наук, дали психологам нову відправну точку для дослідження людського розуму. Замість того щоб гадати про теорії пізнання на неясній мові ранніх досліджень або взагалі залишити спроби описання внутрішніх механізмів людського інтелекту (як пропонують спеціалісти по вивченню поведінки), багато психологів пристосували мову і теорію комп‘ютерної науки для розробки моделей людського розуму. Такі методи не тільки дають нову термінологію для характеристики людського інтелекту. Комп‘ютерна реалізація цих теорій надає психологам можливість емпірично тестувати, критикувати й уточнювати їхні ідеї.
435. Навчання без вчителя шнм , засновані на правилі навчання Хебба (Розпізнавання образів! навчання)
Штучні нейронні мережі (ШНМ) - це паралельні мережі простих нейронних елементів (вузлів), де кожний вузол виконує операцію типу додавання зважених входів із наступним їх посиленням. Слід зазначити, що структура будь-якої ШНМ, може розглядатись як направлений граф з обґрунтованими зв'язками, в якому штучні нейрони є вузлами. За архітектурою зв'язків ШНМ можуть бути згруповані у два класи: мережі прямого поширення, в яких графи не мають петель, і рекурентні мережі, або мережі зі зворотними зв'язками. Теорія навчання Хебба грунтується на наступному спостереженні: якщо один нейрон в біологічній системі бере участь в збудженні іншого нейрона, то зв'язок між ними посилюється. Навчання Хебба використовується в численній неромережевій| архітектурі. Воно реалізується як в інтерактивному, так і в кумулятивному режимах. Ефект посилення зв'язків між нейронами при їх взаємному збудженні можна математично змоделювати за допомогою настройки вагів зв'язків між ними з урахуванням знаку твору їх вихідних значень. При навчанні без вчителя для коректування вихідних значень не використовується зовнішня дія. Ваги модифікуються виключно на основі інформації про входи і виходи нейрона. Навчання такої мережі зводиться до посилення відгуку мережі на вже "бачені" образи. У наступному прикладі буде показано, як метод Хебба використовується для моделювання навчання на основі обумовленого відгуку, коли в ролі умови для бажаного відгуку виступає довільно вибраний стимул. При навчанні Хебба без вчителя ваги нейрона i можна настроювати по формулі. Дw=c*f(X, W)*X, де з - малий позитивний коефіцієнт навчання, f(X, W) - вихідне значення i-го| нейрона, а X - його вхід.