
- •Искусственный интеллект. Определения искусственного интеллекта. История развития искусственного интеллекта
- •Предпосылки развития науки искусственного интеллекта
- •Парадигмы искусственного интеллекта. Тест Тьюринга
- •Подходы к созданию интеллектуальных систем.
- •Направления развития искусственного интеллекта
- •Области применения искусственного интеллекта
- •Интеллектуальные системы. Основные понятия и определения. Структура интеллектуальной системы.
- •Модели и методы знаний. Структуры памяти эвм. Информационные структуры для хранения данных.
- •Модели представления данных.
- •Концепция знаний.
- •Модели представления знаний. Логические и сетевые модели.
- •Модели представления знаний. Продукционные и фреймовые модели.
- •Графы сетей Петри Скучная и непонятная теория из лекций
- •Наглядный пример Пример 1
- •Пример 2
- •Сети Петри: дерево достижимых разметок.
- •Оценка свойств сетей Петри на основе матричных уравнений.
- •Алгебра сетей Петри: операции над сетями Петри.
- •Расширения сетей Петри: ингибиторные, приоритетные, временные.
- •Способы описания сетей Петри.
- •Методы анализа сетей Петри. Задачи анализа.
- •Методы анализа сетей Петри. Дерево достижимых разметок.
- •Методы анализа сетей Петри. Анализ на основе матричных методов.
- •Проектирование сложных вычислительных структур. Структурный подход.
- •Матричные структуры. Преимущества матричных структур.
- •Примеры проектирование структур матричных процессоров на основе проекций процессорных элементов.
- •Построение параллельных матричных систем на примере умножения двух матриц.
- •Глубокое обучение. Принцип действия глубокого обучения. Геометрическая интерпретация глубокого обучения.
- •История машинного обучения. Вероятностное моделирование. Метод опорных векторов. Деревья решений.
- •Математические основы нейронных сетей.
- •Нейронные сети. Представление данных.
- •Нейронные сети. Представление данных. Примеры.
- •Нейронные сети. Операции с тензорами. Примеры.
- •Сверточные нейронные сети. Эффект границ. Шаг свертки.
- •Основные задачи в сфере компьютерного зрения.
- •Сверточные нейронные сети. Модульность, иерархия, многократное использование
- •Рекурентные нейронные сети. Класс задач, решаемых рекурентными нейронными сетями.
- •Рекурентные нейронные сети. Обработка естественных языков.
- •Генеративное глубокое обучение. Художественная обработка изображений.
- •Генетические алгоритмы. Основные понятия.
Модели и методы знаний. Структуры памяти эвм. Информационные структуры для хранения данных.
Знаниями принято называть хранимую (в компьютере) информацию, формализованную в соответствии с определенными структурными правилами, которую компьютер может автономно использовать при решении проблем по таким алгоритмам, как логические выводы. Знания можно разделить на факты (фактические знания), правила (знания для принятия решений) и метазнания (знания о знаниях).
Типичными моделями представления знаний являются:
— логическая модель, основанная на логике предикатов первого порядка и выведении заключений с помощью силлогизма;
— продукционная система- это модель, основанная на использовании правил, т. е. утверждений в форме «ЕСЛИ …, ТО …»; продукционные модели бывают двух типов: с прямым и обратным выводами,
— фреймовая система (frame (англ.) — рамка, каркас); каждый фрейм описывает один объект какой-либо предметной области (экономики, юриспруденции, химии, медицины и т. д.), а конкретные свойства этого объекта описываются в слотах (компонентах фрейма); у каждого фрейма имеется отдельный слот, содержащий процедуру, реализующую вывод на фреймах;
— сематическая сеть — это граф, узлы которого соответствуют понятиям и объектам предметной области, а дуги (ребра) графа соответствуют отношениям (взаимосвязям) между объектами; семантические сети легко представляются в виде фремовой системы.
Иногда отдельно рассматривают модели представления нечетких знаний, т. е. знаний, о которых нельзя однозначно сказать, истинны они или ложны. Такие модели основаны на использовании модификаций продукционных систем или логической модели.
Структуры памяти ЭВМ:
· Регистры: Находятся непосредственно в процессоре и служат для быстрого доступа к данным.
· Кэш-память: Хранит временные копии данных из оперативной памяти для ускорения доступа к ним процессором.
· Оперативная память (RAM): Используется для временного хранения данных и программ в процессе работы компьютера.
· Внешние устройства хранения: Жесткие диски, SSD и другие устройства, используемые для долгосрочного хранения данных.
Информационные структуры для хранения данных:
· Стек (Stack): Структура данных, основанная на принципе Last In, First Out (LIFO), используется для управления вызовами функций и хранения временных данных.
· Очередь (Queue): Структура данных, основанная на принципе First In, First Out (FIFO), используется для управления последовательностью элементов.
· Список (List): Коллекция элементов, в которой каждый элемент содержит ссылку на следующий (или предыдущий) элемент.
· Дерево (Tree): Иерархическая структура данных, где каждый элемент имеет связь с одним родительским элементом и может иметь несколько дочерних элементов.
· Хэш-таблица (Hash Table): Структура данных, позволяющая эффективно хранить и извлекать данные по ключу, используя хэш-функцию.
· Граф (Graph): Математическая структура, состоящая из узлов (вершин) и рёбер, описывающих отношения между узлами.
Модели представления данных.
Модели данных – средства представления исходных данных и их взаимосвязи.
На уровне представления реализаций используются три основные модели данных:
- иерархическая;
- сетевая;
- реляционная.
Сетевая модель данных. В сетевой модели допускаются только связи типа “многие к одному”. Основные особенности:
- основная единица обработки
- запись;
- обработка может быть начата с записи любого типа независимо от ее расположения в структуре БД;
- от извлеченной записи возможны переходы как к ее подчиненным записям, так и к тем, которым она подчинена; - подчиненная запись может иметь только одного владельца, что делает невозможным представление связей типа “многие ко многим”
Иерархическая модель данных. Основные особенности обработки данных в иерархических моделях:
- данные представлены в виде иерархических структур;
- основная единица обработки - запись;
- обработка начинается только с корневой записи, а доступ к некорневым обеспечивается по иерархическому пути;
- каждая запись связывается с помощью ключа от корневой до данной в иерархическом пути.
Примером иерархической структуры может служить генеалогическое древо. Структуру иерархической модели можно представить в виде графа (дерева), только объект самого верхнего уровня называется корнем, а нижнего листьями. Движение по такому "дереву" возможно лишь сверху вниз и назад, но не по горизонтали. Древовидная структура может существовать лишь тогда, когда для каждого объекта указан только один исходный. Указание на обоих "родителей" приведет к сетевой структуре.
Реляционная модель данных. Потребность в разработке модели, более независимой от аппаратных средств, привела к появлению в 1970 г. реляционного подхода. Самой популярной реляционная модель БД стала в эпоху персональных компьютеров. Все данные в модели представляются в виде таблиц и только таблиц, в связи с чем это единственная модель, обеспечивающая единообразие представления данных. Простейшим графическим примером является классный журнал.
В реляционной модели данные представляются в виде таблиц, связанных между собой по ключевому полю. Таблица описывает объект базы данных. Каждая строка таблицы - набор атрибутов (характеристик) данного объекта. Значение одного из атрибутов рассматривается как первичный ключ.