420. Байесовській метод розпізнавання (Розпізнавання образів і навчання)

Тяжкість розуміння простих мов при розвязанні задач штучного інтелекту пояснюється багатьма причинами. Однією з яких є та, що для використання мови потрібні великі запаси знань, здібностей і опита. Успішне розуміння мови потребує осмислення світу, знання людської психології і соціальних аспектів. Для цього потрібна реалізація логічних роздумів і інтерпретатор метафор.через багатогранності людської мови на перше місце виходить проблема дослідження представлення знань. Спроби таких таких досліджень вдалися лише частково. На основі знань були успішно розроблені програми розуміючі обичну мову в окремих предметних областях. Останнім часом для вирішення цієї задачі вводяться методи кореляційного аналізу мовних шаблонів. Мовні конструкції – це не випадковий набір звуків чи слів. Їх можна змоделювати на основі Баєсовського підходу. Теорія Баєса забезпечує обчислення складних ймовірностей на основі випадкової вибірки подій. Не дивлячись на те що Баєсовська теорія основана на математичній основі для розмірковування в умовах не опреділеності, тяжкості які виникають при її застосуванні до реальних предметних областей, може бути недопустимою, але ми можемо зменшити дану тяжкість, сфокусувавши пошук на меншій множині найменш адекватних подій. Підхід називається Баєсовськими мережами довіри пропонуе обчислюючу модель роздуму з найкращими розясненнями множини даних в контексті очікуваних причинних звязків в предметній області. Баєсовські мережі довіри ослабляють багато обмежень повної Баєсовської моделі і показують як дані із предметної області дозволяють розділяти і фокусувати розмірковування. Спостереження показують, що модульність предметної області часто дозволяє ослабити деякі обмеження, які потрібні для правила Баєса. В більшості випадків не потрібно строїти обєднань ймовірності, яка вміщує ймовірності всих можливих комбінацій подій. Людина експерт вибірає локальні явища, які завідомо повязані одне з іншим, і отримує ймовірності, або міри впливу які вдражають лише кластери подій. Експерти припускають, що інші події, або умовно незалежні або їх кореляції настільки малі, що ними можна знехтувати.

423. Генетичний алгоритм Джона Холландона (John Holland) та еволюційні моделі для виведення послідовності дій, алгоритмом Джона Коза (John Koza) Холландона, та еволюційні моделі для виведення послідовності дій, алгоритмом Джона. Генетичний алгоритм, розроблений Джоном Холландом, є пошуковою програмою, що працює із групою закодованих рішень заданої проблеми. Джон Коза назвав цей процес генетичним програмуванням. Генетичний алгоритм – це техніка оптимізації, що моделює феномен природної еволюції. Він працює із групою рішень, які кодуються, подібно хромосомам. Окремі гени хромосоми являють собою унікальні змінні для досліджуваної проблеми. За основу беруться параметри проблеми й створюється хромосома, що являє собою два унікальних незалежних параметри. Параметри можуть бути групою бітів, змінними із плаваючою крапкою або простими двозначними числами у двійковому коді. Генетичний алгоритм виконується в 3 етапи (якщо не враховувати початкове створення популяції): Етап оцінки дає можливість визначити, як кожна хромосома (рішення) справляється з даною проблемою. Алгоритм декодує хромосому стосовно до проблеми й перевіряє результат рішення проблеми з використанням нових параметрів. Потім на підставі результату розраховується «здоров'я» хромосоми. Відбір. На цьому етапі хромосоми вибираються для подальшого використання в іншій популяції. Відбір здійснюється на підставі здоров'я хромосом. У результаті вибирається група хромосом, які будуть брати участь у рекомбінації. Метод імовірнісного вибору полягає в тому, що чим вище здоров'я хромосоми, тим більше ймовірність, що вона буде обрана для формування наступного покоління. Можна використати метод еліти або метод турніру. При рекомбінації частини хромосом переміщаються, можливо, навіть змінюються, а нові хромосоми, що вийшли, повертаються назад у популяцію для формування наступного покоління. Можуть застосовуватися один або кілька генетичних операторів з певною ймовірністю: оператор перехресного схрещування; оператор мутації, що використовуються найчастіше та інші оператори, напр., оператор інверсії. У результаті рекомбінації утвориться нова популяція хромосом. Процес повторюється заново з етапу оцінки доти, поки проблема не буде вирішена або поки не буде виконана будь-яка інша умова завершення алгоритму (напр., максимально можлива кількість поколінь). Генетичний алгоритм має певні недоліки. 1. Проблема передчасного сходження пов'язана з недостатньою розмаїтістю хромосом у популяції. Найпоширенішою причиною передчасного сходження є занадто малий розмір популяції. Іншою причиною може бути алгоритм відбору, що застосовується. 2. Епістазисом називається внутрішня залежність між змінними (генами), закодованими в хромосомі. Якщо гени залежать одне від одного, епістазис високий і може створити проблеми для алгоритмів рекомбінації. 3. Теорема «не буває безкоштовних обідів» ґрунтується на ідеї про те, що не існує досконалого методу оптимізації. Не можна вирішити завдання за допомогою будь- якого кодування, методу селекції й набору ймовірностей, із всіх наявних можливостей необхідно вибрати оптимальний спосіб з урахуванням особливостей доставленого завдання. Генетичні алгоритми застосовуються для рішення наступних проблем: 1) створення дизайну за допомогою комп'ютера; 2) складання порядку рішення завдань; 3) економічні завдання й завдання теорії ігор; 4) інші завдання оптимізації.