456. Статистичний підхід до розпізнавання мови (Обробка природної мови)

Статистичний підхід до розпізнавання мови включає стохастичні, імовірнісні та статистичні методи, адже при використанні методів, що базуються на чистій граматиці, виникають проблеми з більш довгими реченнями, що зазвичай є неоднозначними. Даний підхід включає використання моделей Маркова, завдання котрих полягає в пошуку невідомих параметрів процесу, виходячи з існуючих. Та основа статистично підходу лежить у машинному навчанні та датамайнінгу. Маши́ нне навча ння — узагальнена назва штучної генерації знань з досвіду. Штучна система навчається на прикладах і після закінчення фази навчання може узагальнювати. Тобто система не просто вивчає наведені приклади, а розпізнає певні закономірності в даних для навчання. Датамайнінг - виявлення прихованих закономірностей або взаємозв'язків між змінними у великих масивах необроблених даних. Як правило поділяється на задачі класифікації, моделювання та прогнозування. Таким чином розширюється джерело розпізнання не за рахунок незалежних нових даних, а за рахунок аналізу існуючих.

458. Структури нейронних мереж (Розпізнавання образів і навчання)

Зачасту теорію нейронних мереж вважають дуже сучасною наукою, але її витоки відносятьс до періоду ранніх робіт в області компютерних наук, психології і філософії. Перші роботи в області нейронного навчання виконувалися під впливом психологічної теорії навчання тварин. Основою нейронних мереж являється штучний нейрон, який має слідуючу структуру: Вхідні сигнали це дані які поступають із навколишньої середи або від інших активних нейронів. Діапазон вхідних значень для різних моделей може відрізнятися. Обично вхідні значення являються дискретними і опреділяються множинами, або приймають любі значення; Набір речових вагових коефіцієнтів вагові коефіцієнти опреділяють силу звязку між нейронами; Рівень активації нейрона, який опреділяється зваженою сумою його вихідних сигналів; порогова функція предназначена для обчислення вихідного значення нейрона шляхом порівняння рівня активації з деяким порогом. Порогова функція опреділяє активний чи не активний стан нейрона. Окрім цих властивостей окремих нейронів, нейронна мережа характеризується слідуючими глобальними властивостями: Топологія мережі – це шаблон опреділяючий наявність звязку між окремими нейронами. Топологія являється головним джерелом індуктивного порога; Використовуванй алгоритм навчання; Схема координування – опреділяюча інтерпретацію даних в мережі і результати їх обробки. Першим прикладом нейромережевої моделі являється нейрон Мак-Калока-Піттса. На вхід нейрона подаютьс біполярні сигнали (дорівнюють +1 і – 1 ). Активаційна функція це порогова залежність, результат якої обчислюється таким чином. Якщо зважена сума входів не менше нуля то вихід нейрона принімається рівним 1 в протилежному випадку - -1. на основі таких нейронів можна побудувати любу логічну функцію. Отже, система із таких нейронів забезпечує повну обчислювалюну модель.

459. Числення висловів (Представлення знань)

Символи числення висловів – це символи висловів P, Q, R, S, …, значення істинності істинно и хибно та логічні зв‘язки , ۷ , ۸ →, ≡, ¬. Символи висловів (пропозиціональні символи) складають вислови чи ствердження відносно певного світу. Вони можуть бути як істинними, так і хибними; позначаються прописними літерами. Речення числення висловів: 1. Кожний логічний символ і символ істинності є реченням. 2. Заперечення речення є реченням. Напр., ¬ А – речення 3. Кон‘юнкція (логічне множення) чи операція І двох речень є реченням. Напр., Р۸¬Р є реченням. 4. Диз‘юнкція (логічне додавання), чи операція ЧИ двох речень є реченням. 5. Імплікація одного речення в інше є реченням. Напр., Р→Q є реченням. 6. Еквівалентність двох речень є реченням. Легітимні речення також називають правильно побудованими формулами – ППФ. Символи можна групувати у реченнях за допомогою дужок. Вираз є реченням чи ППФ тоді і тільки тоді, коли воно може бути сформульованим у вигляді деякої послідовності допустимих символів згідно встановленим правилам. Наприклад: ((P ۸Q) →R) ≡ ¬P ۷¬Q۷ R. Семантика – значення речення. Оскільки програми штучного інтелекту повинні бути узгоджені з представляючими їх структурами, досить важко продемонструвати, що істинність їх положень залежить тільки від істинності початкового знання, тобто що процедури виводу не мають логічних помилок. Для цього необхідна точна інтерпретація семантики. Інтерпретація набору висловів – це присвоєння значення істинності (1) чи хибності (0) кожному пропозиціональному символу. Щоб встановити істинність чи хибність того чи іншого вислову використовують таблиці істинності, що має в собі всі можливі варіанти значення істинності для елементарних суджень.