- •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.
Концепция знаний.
В данном случае знания рассматриваются как система представлений о предметной области в виде сущностей, т. е. вещей, явлений, процессов, и их проявлений в форме фактов и их отношений или объектов и их связей. Задача из предметной области может быть представлена конкретными сущностями и их проявлениями в форме, определяемой выбранной моделью знаний. Система способна решать такую задачу, если она имеет соответствующий набор знаний и средства их обработки в выбранной форме.
В 1970-е гг. осуществляется переход к концепции знаний, в соответствии с которой знания в интеллектуальных программах (например, в виде набора фактов и правил) отделяются от средств вывода (интерпретатора, использующего эти знания для решения задачи). Эта концепция позволила создавать базы знаний для различных проблемных областей и включать их отдельным изменяемым модулем в интеллектуальную программу. На базе такой концепции создаются первые практически полезные логические экспертные системы (ЭС) и разрабатываются программные инструментальные средства логического программирования, такие как язык Prolog (ПРОЛОГ). Наряду с этим получает развитие объектная модель знаний, где знания представляются в форме семантических и фреймовых сетей. В это же время разрабатывается универсальная теория искусственных нейросетей, основанная на системах нейро- и мнемоуравнений, и теория параллельной распределенной обработки информации. Эти теории легли в основу коннективизма как направления в искусственном интеллекте, в котором знания представляются ассоциативно в сетевой форме и формируются в системе путем обучения.
Модели представления знаний. Логические и сетевые модели.
Модель знаний определяет класс представлений системы значений с помощью разного математического аппарата для корректного формального описания и построения процедуры решения задачи. Модели знаний можно разделить на реляционные, объектные и ассоциативные, причем каждая модель может иметь ряд форм, определяющих ее конкретные реализации (рис. выше).
Общим для ассоциативного подхода является представление знаний в виде ассоциативной сети узловых элементов, имеющих связи между элементами, которые могут регулироваться при настройке на решаемую задачу. Именно настраиваемые связи обеспечивают такому представлению знаний свойство ассоциативности, т. е. способности системы давать наиболее вероятные решения на выходе даже по части входного вектора за счет параллельной обработки информации, распространяемой по сети узловых элементов, с учетом силы связей.
Логическая форма ассоциативной модели знаний основана на использовании в узловых элементах сети логических вычислительных базисов: предикатного, продукционного, семантического. Наиболее часто обработка информации в элементах сети осуществляется в нечетко-логическом базисе. При этом в узлах вычисляются оценки в виде степеней принадлежности к нечетким множествам с учетом силы связей узлов соответственно. Такие системы часто применяются при управлении.
Онтологическая форма объектной модели знаний, широко используемая в системах поиска информации в глобальных (Интернет) или корпоративных (Интранет) сетях, строится на основе семантических или фреймовых сетей. Онтология представляет собой некоторую концептуальную схему, позволяющую детально формализовать некоторую область знаний в объектном виде. Она содержит все релевантные классы объектов, их связи и правила, принятые в этой области, что позволяет эффективно искать нужную информацию по смыслу. Онтологии создаются с использованием специальных сред графического проектирования.