- •Часть 1
- •Оглавление
- •Часть 1
- •Лекция 1 введение
- •1. Цели и задачи дисциплины. Ее место в учебном процессе.
- •2. История развития систем ии
- •3. Философские аспекты систем ии
- •Лекция 2 искуственный интеллект как научное направление
- •1. Человеко-машинные системы с искусственным интеллектом
- •2. Проблема искусственного интеллекта
- •3. Основные направления исследований в системах с искусственным интеллектом
- •Лекция 3 знания и данные
- •1. Знания - необходимая компонента ии
- •2. Макрознания и макроидеи
- •3. Данные и знания. Классификация знаний
- •4. Проблемы представления знаний
- •Лекция 4 представление знаний и рассуждений
- •Лекция 5 логические модели представления знаний
- •1. Предварительные замечания
- •2. Логическая модель представления знаний
- •Лекция 6 псевдофизичесие логики
- •1.Нечеткость в представлении знаний
- •2.Нечеткие множества.
- •3. Нечеткие отношения
- •2.Нечеткие выводы
- •3.Построение Функций принадлежности.
- •Лекция 7 псевдофизические логики
- •Нечеткaя логика
- •1. Нечеткая и лингвистическая переменные.
- •2. Нечеткая и лингвистическая логика
- •Лекция 8 псевдофизические логики
- •Нечеткие высказывания. Нечеткие алгоритмы
- •1. Нечеткие высказывания
- •2. Свойства высказываний.
- •3. Правила преобразования высказываний.
- •4. Понятие нечеткого оператора и алгоритма
- •5. Выполнение нечетких алгоритмов.
- •Лекция 9 продукционные модели представления знаний
- •3. Классификация ядер продукции.
- •4. Методы поиска решений
- •5. Методы логического вывода. Дедуктивный вывод
- •3. Повышение эффективности поиска
- •Лекция 10 методы представления и обработки нечетких знаний в продукционных системах
- •1. Представление экспертной информации
- •2. Представление экспертной информации в виде
- •Лекция 11 методы представления и обработки нечетких знаний в продукционных системах
- •1. Нечеткий вывод на основе дедуктивного логического вывода
- •2. Нечеткий вывод на основе индуктивного логического вывода
- •Лекция 12 сетевые семантические модели представления знаний
- •1. Основные понятия семантических сетей
- •Лекция 13 сетевые семантические модели представления знаний
- •4. Модели семантических сетей. Активные семантические сети (м-сети).
- •Лекция 14 фреймы и объекты
- •Лекция 15 сценарии
- •1. Основные определения
- •3. Каузальные сценарии
- •Лекция 16 модели обучения
- •1. Неформальные модели
- •2. Формальные модели
- •3. Обучение по примерам
- •Лекции 17 обучение по примерам
- •1. Итеративные алгоритмы обучения
- •2. Спецификация задач обучения по примерам
- •Библиографический список
Лекция 3 знания и данные
План лекции
Лекция 1
ВВЕДЕНИЕ
Лекция 2
ИСКУСТВЕННЫЙ ИНТЕЛЛЕКТ КАК НАУЧНОЕ НАПРАВЛЕНИЕ
Лекция 3
ЗНАНИЯ И ДАННЫЕ
Лекция 4
ПРЕДСТАВЛЕНИЕ ЗНАНИЙ И РАССУЖДЕНИЙ
Лекция 5
ЛОГИЧЕСКИЕ МОДЕЛИ ПРЕДСТАВЛЕНИЯ ЗНАНИЙ
Лекция 6
ПСЕВДОФИЗИЧЕСИЕ ЛОГИКИ
Лекция 7
ПСЕВДОФИЗИЧЕСКИЕ ЛОГИКИ
Лекция 8
ПСЕВДОФИЗИЧЕСКИЕ ЛОГИКИ
Лекция 9
ПРОДУКЦИОННЫЕ МОДЕЛИ ПРЕДСТАВЛЕНИЯ ЗНАНИЙ
Лекция 10
МЕТОДЫ ПРЕДСТАВЛЕНИЯ И ОБРАБОТКИ НЕЧЕТКИХ ЗНАНИЙ В ПРОДУКЦИОННЫХ СИСТЕМАХ
Лекция 11
МЕТОДЫ ПРЕДСТАВЛЕНИЯ И ОБРАБОТКИ НЕЧЕТКИХ ЗНАНИЙ В ПРОДУКЦИОННЫХ СИСТЕМАХ
Лекция 12
СЕТЕВЫЕ СЕМАНТИЧЕСКИЕ МОДЕЛИ ПРЕДСТАВЛЕНИЯ ЗНАНИЙ
Лекция 13
СЕТЕВЫЕ СЕМАНТИЧЕСКИЕ МОДЕЛИ ПРЕДСТАВЛЕНИЯ ЗНАНИЙ
Лекция 14
ФРЕЙМЫ И ОБЪЕКТЫ
Лекция 15
СЦЕНАРИИ
Лекция 16
МОДЕЛИ ОБУЧЕНИЯ
Лекции 17
ОБУЧЕНИЕ ПО ПРИМЕРАМ
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Знания - необходимая компонента ии
Искусственный интеллект ставит своей целью реализацию функций мышления человека с помощью компьютера, и многие исследователи верят в близость успеха. До наших дней наука и техника развивались, считая критерием логическую стройность. Из физиологии головного мозга известно, что логика связана с деятельностью левого полушария. Правое полушарие управляет зрением, слухом, интуицией, эмоциями и другими чувствами. В Европе и Америке считают, что логическое мышление свойственно только человеку, и левое полушарие называют главным, а правое- подчиненным, но верно ли это? Например, воображение, открытие, творчество и многое другое считается наивысшей интеллектуальной деятельностью человека, но каким образом это происходит?
Прежде всего в правом полушарии интуитивно мелькает несколько образов, и только затем левое полушарие начинает логически анализировать и проверять их пригодность. Работа правого полушария необычайно сложна и не вполне понятна, но это можно объяснить тем, что эволюция правого полушария имеет гораздо более древнюю историю и его прогресс более заметен, чем прогресс левого полушария. Если логику считать наивысшим знанием, то окажется, что компьютеры превосходят людей во всем: в тщательности логических выводов, сообразительности, точности и т. д. Отсюда вытекает крайне «забавное» заключение о том, что люди хуже компьютеров.
Назовем некоторые причины того, что реализация искусственного интеллекта вопреки прогнозам не дает ожидаемых результатов: слишком упрощена логика, отсутствует здравый смысл, низкий уровень знаний, сложный ввод данных и др.. Для решения этих проблем необходимы функции логических выводов и предположений высокого уровня (воображение, открытие, творчество и т. п.) и крайне нецелесообразно собираться решать их только с помощью существующей логики левого полушария: она тщательно согласована со знаниями и не применима, если хотя бы в чем-то есть противоречие. Знания же, которыми мы пользуемся повседневно, представлены содержательно, они несовершенны, неточны, противоречивы и т.д. Несмотря на это, люди с их помощью делают выводы очень высокою уровня - и все потому, что они имеют нечеткие знания, которые мы называем здравым смыслом, кроме того, обладают нечеткими умственными способностями обработки таких знаний. Короче говоря, все зависит от того, смогут ли реальные системы искусственного интеллекта обрабатывать нечеткие мысли.
Неуравновешенность техники возникла вследствие того, что современная наука полностью лишена «правостороннего» мышления. Необходимо, чтобы в будущих технологиях при решении проблем признавалось существование противоречий.