- •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)
409. Алгоритм Web-агента по Алан Кей (Alan Kay)
Алан Кей почавший першим продвигати теорію агентів визначив агента, як програму, яка після отримання завдання здатна поставити себе на місце користувача. Агенти можуть мати одне, або декілька властивостей. Одними з найважливіших властивостей являються: автономність, адаптивність, комунікації, здатність до співпраці, здатність до персоналізації, мобільність. Агент не обов‘язково повинен володіти всіма властивостями.Агент, використання якого залежить від завдання, застосовується для вирішення певної проблеми. Це може бути наприклад пошуковий агент в мережі Internet, розважальний агент – це агенти, які відносяться до типу, котрі використовуються для взаємодії в віртуальному світі, або представлення персонажа в якості інтерфейса для користувача. Агента можн зробити розумним, хоч це й складно, але існують методи якими можна користуватися, щоб надати агенту можливість прийняття розумних рішень.Прикладом може бути агент, який забезпечує сервіс фільтрації, тобто він повинен взаємодіяти зі службами новин в мережі Internet. Для цього WEB- агент використовує стандартні протоколи і пропонує користувачу інформацію через звичайний браузер. WEB-агент виконує роль програми, яка виконує взаємодію між користувачем і мережею Internet. Сенсорами агента являються стандартні протоколи, які дозволяють йому збирати потрібну інформацію по заданим критеріям пошуку. Збір даних здійснюється кожні 10 хвилин і поміщається в репозиторій. Потім використовуючи критерії пощуку програма зкорочує кількість даних, тобто видаляє статті, які не відповідають критеріям пошуку. WEB- агент використовує інтерфейс клієнта NNTP і інтерфейс клієнта HTTP. Задача клієнта протокола HTTP – моніторинг WEB-сайта, тобто програма повинна помічати зміни на сайті і повідомляти про них користувача. Клієнт NNTP реалізує набір інтерфейсів для взаємодії з новостними серверами. Ці інтерфейси дозволяють програмі зєднуватися з сервером новин, задавати групи новин по інтересам, переходити до заголовку статті, зчитувати всю статтю, аналізувати повідомлення, переривати зв'язок з сервером новин. Користувач за допомогою файла конфігурації може запропонувати WEB-агенту критерії фільтрації повідомлень. Після збору новин проходить їх фільтрація по критеріям вказаним користувачем. Далі створюється буфер для новостних повідомлень. Потім виконується цикл, який читає задану кількість повідомлень для певної групи, потім відбувається перевірка повідомлень і після завершення циклу програма звільняє буфер.
413. Алгоритм кластеризації Гроссберга і Карпентера.
Першим у сім‘ї адаптивного резонансу є алгоритм Гроссберга і Карпентера, ART1. Алгоритм кластеризації – це метод, завдяки якому дані поділяються та об‘єднаються у невеликі групи (кластери) по принципу аналогії. Алгоритми кластеризації мають біологічне походження, оскільки надають можливість навчання через класифікацію. Людський мозок вивчає нові поняття, порівнюючи їх з вже існуючими знаннями. Об‘єднуючи нові поняття в кластери з вже існуючими знаннями, а також створюючи нові кластери для освоєння абсолютно нової інформації, вирішується проблема, яку Гроссберг назвав «ділемою стабільності-гнучкості». Питання полягає в тому, як класифікувати нові дані і при цьому не знищувати вже вивчені. Алгоритм ART1 включає всі необхідні елементи, які дозволяють не тільки створювати нові кластери при знаходженні нової інформації, але й реорганізовувати вже існуючі. Алгоритм ART1 працює з об‘єктами, які називаються векторами ознак. Вектор ознак є групою значень у двоїчному коді, які являють собою визначений тип інформації. Вектор-прототип являється центром кластером. В той час як вектори ознак звіряються з векторами-прототипів, створюються нові кластери або модифікуються вже існуючі. Ця дія відома як „резонанс‖ і відображує процес навчання в алгоритмі. Коли алгоритм досягає рівноваги (тобто вектори-прототипи більше не піддаються змінам), навчання завершується, і в результаті отримуємо класифіковані вихідні дані. Алгоритм ART1 концептуально простий та легкий у реалізації. Більш ранні алгоритми, такі як алгоритм McQueen, хоча й були простіші, але мали ряд недоліків. Крім того в ранніх алгоритмах не було параметра, який дозволив би змінювати розміри класу для кластера. Недоліком всіх алгоритмів (ранніх і ART1) полягає в тому, що кінцевий набір кластерів (і векторів прототипів) може змінюватись в залежності від порядку, в якому було проведено навчання. Було створено велика кількість версій алгоритму ART1 як з метою вдосконалення, так і для вирішення різноманітних проблем. Алгоритм ART1 працює з дискретними даними, а алгоритм ART 2 дозволяє класифікувати безперервний потік даних (наприклад, часові діаграми). ARTMAP – це змінений алгоритм ART, який може вивчати змінні двоїчні схеми. Він являє собою синтез ART і нечіткої логіки. Алгоритм ART1 найчастіше використовується для вирішення задачі персоналізації. Ідея персоналізації не є новою, багато компаній займаються нею протягом певного часу. Інтернет-магазини дозволяють здійснювати персоналізацію практично в режимі реального часу. Перед тим як покупець робить замовлення, сайт може рекомендувати інші товари, які можуть більше підійти відвідувачу. Фактор часу для продавця є дуже важливим, оскільки до покупки він може впливати на відвідувача таким чином, щоб змінити його рішення в сторону збільшення свого прибутку.