25 просмотров

Материал для инженерного исследования доктора Сириши Даггубати

Этот блог в основном разработан для помощи студентам инженерных специальностей факультетов компьютерных наук и инженерии, информационных технологий, электроники и инженерии связи. Учащиеся могут найти учебные материалы по инженерному делу, руководства по лабораторным работам, обновления учебного плана и материалы GATE, которые помогут им облегчить подготовку. -Даггубати Сириша Доцент-CSED-MVSREC

Пятница, 16 декабря 2011 г.

Дисциплины искусственного интеллекта

Дисциплины искусственного интеллекта

Тема искусственного интеллекта охватывает широкий кругозор. Он касается различных видов схем представления знаний, различных методов интеллектуального поиска, различных методов разрешения неопределенности данных и знаний, различных схем автоматизированного машинного обучения и многих других. Среди областей применения ИИ у нас есть экспертные системы, игры и доказательство теорем, обработка естественного языка, распознавание изображений, робототехника и многие другие. Тема искусственного интеллекта была обогащена широким спектром знаний из философии, психологии, когнитивных наук, компьютерных наук, математики и инженерии. Таким образом, на рис. , их называют родительскими дисциплинами ИИ. Беглый взгляд на рис. также раскрывает предметную область ИИ и области его применения.

Рис.: ИИ, его родительские дисциплины и области применения.

Тема искусственного интеллекта

Предмет искусственного интеллекта зародился в играх и программах для доказательства теорем и постепенно обогащался теориями из ряда исходных дисциплин. Как молодая научная дисциплина, значение тем, охватываемых предметом, значительно меняется со временем.В настоящее время темы, которые мы считаем важными и заслуживающими понимания предмета, изложены ниже:

Статья в тему:  Бернард Марр, как Amazon использует искусственный интеллект

FigA: Обучение произношению ребенка у матери.
Системы обучения: Среди предметных областей, охватываемых искусственным интеллектом, следует упомянуть системы обучения. Концепция обучения проиллюстрирована здесь со ссылкой на естественную проблему обучения ребенка произношению у матери (см. рис. A). Слуховой аппарат ребенка воспринимает произношение буквы «А», а голосовая система пытается его имитировать. Разница в произношении матери и ребенка, далее называемая сигналом ошибки, воспринимается слуховым нервом системы обучения ребенка, а сигнал срабатывания вырабатывается системой обучения через двигательный нерв для корректировки произношения ребенка. Адаптацию голосового аппарата ребенка продолжают до незначительного снижения амплитуды сигнала ошибки. Каждый раз, когда голосовая система проходит цикл адаптации, результирующее положение языка ребенка для произнесения «А» сохраняется в процессе обучения. Обсуждаемая выше проблема обучения является примером хорошо известного параметрического обучения, когда адаптивный процесс обучения автономно регулирует параметры голосовой системы ребенка, чтобы его реакция была достаточно близкой к «образцовому образцу обучения». Искусственные нейронные сети, представляющие собой электрический аналог биологических нервных систем, приобретают все большее значение в связи с их все более широким применением в задачах контролируемого (параметрического) обучения. Помимо этого типа, другими распространенными методами обучения, которыми мы пользуемся неосознанно, являются индуктивное обучение и обучение на основе аналогий. При индуктивном обучении учащийся делает обобщения на примерах. Например, отмечая, что «летает кукушка», «летает попугай» и «летает воробей», учащийся обобщает, что «летают птицы».С другой стороны, при обучении на основе аналогий учащийся, например, изучает движение электронов в атоме по аналогии со своими знаниями о движении планет в солнечных системах.
Представление знаний и рассуждения: В проблеме рассуждения нужно достичь заранее определенного целевого состояния из одного или нескольких заданных начальных состояний. Таким образом, чем меньше число переходов для достижения целевого состояния, тем выше эффективность системы рассуждений. Таким образом, повышение эффективности системы рассуждений требует минимизации промежуточных состояний, что косвенно требует организованной и полной базы знаний. Полное и организованное хранилище знаний требует минимального поиска для определения соответствующих знаний в данном состоянии проблемы и, таким образом, дает правильное следующее состояние на переднем крае процесса решения проблемы. Таким образом, организация знаний имеет первостепенное значение в инженерии знаний. В искусственном интеллекте используются различные методы представления знаний. Продукционные правила, семантические сети, фреймы, заполнители и слоты, а также логика предикатов — это лишь некоторые из них. Выбор того или иного типа репрезентативной схемы знаний зависит как от характера приложений, так и от выбора пользователей.
Планирование: Еще одна важная область искусственного интеллекта — планирование. Проблемы рассуждения и планирования имеют много общего, но имеют основное различие, которое происходит из их определений. Проблема рассуждения в основном связана с проверкой достижимости цели на основе заданного набора данных и знаний. Проблема планирования, с другой стороны, связана с определением методологии, с помощью которой успешная цель может быть достигнута из известных начальных состояний. Автоматизированное планирование находит широкое применение в робототехнике и навигационных задачах, некоторые из которых мы вскоре обсудим.
Приобретение знаний: Приобретение (выявление) знаний одинаково сложно для машин, как и для людей. Он включает в себя генерацию новых знаний из заданной базы знаний, настройку динамических структур данных для существующих знаний, изучение знаний из окружающей среды и уточнение знаний. Автоматизированное получение знаний с помощью машинного обучения является активной областью текущих исследований в области искусственного интеллекта. Интеллектуальный поиск. Проблемы поиска, с которыми мы обычно сталкиваемся в компьютерных науках, носят детерминированный характер, т. е. известен порядок посещения элементов пространства поиска. Например, в алгоритмах поиска в глубину и в ширину известна последовательность посещения узлов в дереве. Однако задачи поиска, с которыми мы столкнемся в ИИ, недетерминированы, и порядок посещения элементов в пространстве поиска полностью зависит от наборов данных. Разнообразие алгоритмов интеллектуального поиска будет подробно рассмотрено позже.
Логическое программирование: Более века математики и логики разрабатывали различные инструменты для представления логических утверждений символическими операторами. Одним из результатов таких попыток является логика высказываний, которая имеет дело с набором бинарных утверждений (предложений), связанных булевыми операторами. Логика предложений, которая постепенно обогащалась для обработки более сложных ситуаций реального мира, называется логикой предикатов. Одной из классических разновидностей программ, основанных на логике предикатов, является Logic Program. PROLOG, который является аббревиатурой от PROgramming в LOGic, является типичным языком, который поддерживает логические программы. Логическое программирование недавно было определено как одна из основных областей исследований в области ИИ. Конечной целью этого исследования является расширение компилятора PROLOG для обработки пространственно-временных моделей и поддержки среды параллельного программирования. Создание архитектуры для машин PROLOG было горячей темой последнего десятилетия.
Мягкие вычисления: Мягкие вычисления, по словам профессора Заде, представляют собой «новый подход к вычислениям, который соответствует замечательной способности человеческого разума рассуждать и учиться в условиях неопределенности и неточностей». В общем, это набор вычислительных инструментов и методов, общих для тесно связанных дисциплин, включая нечеткую логику, искусственные нейронные сети, генетические алгоритмы, исчисление убеждений и некоторые аспекты машинного обучения, такие как индуктивное логическое программирование. Эти инструменты используются независимо, а также совместно в зависимости от типа предметной области приложений.
Управление неточностями и неопределенностями: Данные и базы знаний во многих типичных задачах ИИ, таких как рассуждения и планирование, часто содержат различные формы неполноты. Неполнота данных, далее называемая неточностью, обычно возникает в базе данных из-за i) отсутствия соответствующих данных и ii) низкого уровня достоверности источников. Неполнота знаний, часто называемая неопределенностью, возникает в базе знаний из-за отсутствия определенности частей знаний. Рассуждения при наличии неточности данных и неопределенности знаний представляют собой сложную проблему. Были разработаны различные инструменты и методы для рассуждений в условиях неполных данных и знаний. Некоторые из этих методов используют i) стохастические, ii) нечеткие модели и iii) модели сетей доверия. В модели стохастического рассуждения система может иметь переход из одного заданного состояния в ряд состояний, так что сумма вероятности перехода в следующие состояния из данного состояния строго равна единице. С другой стороны, в системе нечетких рассуждений сумма значений членства при переходе из данного состояния в следующее состояние может быть больше или равна единице. Модель сети убеждений обновляет стохастическое/нечеткое убеждение, присвоенное фактам, внедренным в сеть, до тех пор, пока не будет достигнуто состояние равновесия, после которого убеждения больше не изменятся.Недавно нечеткие инструменты и методы были применены в специализированной сети убеждений, называемой нечеткой сетью Петри, для обработки как неточности данных, так и неопределенности знаний с помощью единого подхода.

голоса
Рейтинг статьи
Статья в тему:  Как использовать или внедрить искусственный интеллект в производство
Ссылка на основную публикацию
0
Оставьте комментарий! Напишите, что думаете по поводу статьи.x