- •Системы искусственного интеллекта
- •1. Общие понятия об искусственном интеллекте.
- •1.1. Предмет исследования искусственного интеллекта.
- •1.2. Проблемы искусственного интеллекта.
- •1.3. История развития систем искусственного интеллекта.
- •1.4. Подходы к построению систем искусственного интеллекта.
- •2. Знания в системах искусственного интеллекта.
- •2.1. Понятие и виды знаний.
- •2.2. Системы баз знаний.
- •2.3. Онтологии.
- •2.4. Методы представления знаний.
- •2.5. Методы приобретения знаний.
- •3. Экспертные системы.
- •3.1. Базовые понятия.
- •3.2. Методика построения эс.
- •4. Искусственная жизнь.
- •4.1. Генетические алгоритмы.
- •4.2. Клеточные автоматы.
- •5. Распознавание образов.
- •5.1. Понятие образа.
- •5.2. Проблема обучения распознаванию образов.
- •5.3. Гипотеза компактности.
- •5.4. Подходы к распознаванию образов.
- •5.5. Обучение и самообучение распознаванию образов.
- •6. Методы обучения распознаванию образов.
- •6.1. Кластерный анализ структуры многомерных данных.
- •6.1.1. Основные понятия кластерного анализа.
- •6.1.2. Общая схема кластеризации.
- •6.1.3. Методы кластеризации.
- •6.2. Метод потенциальных функций.
- •6.3. Метод предельных упрощений.
- •6.4. Коллективы решающих правил.
- •6.5. Метод группового учета аргументов.
2.5. Методы приобретения знаний.
Разработка и применение алгоритмов, позволяющих компьютерам развивать их представления и базы знаний, называется машинным обучением.
Пути обучения:
обучение на примерах;
объясняющее обучение;
эволюционные гипотезы;
рассуждение, основанное на случае.
Каждый подход может быть охарактеризован в терминах ввода, вывода и алгоритмов. Вводы в процесс обучения это репрезентации, которые задают исходную информацию. Выводы – это репрезентации, которые получаются из обучения. Эти новые репрезентации производятся средствами алгоритмов – механическими процедурами, которые изменяют вводные репрезентации.
Обучение на примерах.
Виды:
Изучение понятий на примере. Ввод содержит описания примеров и выходные репрезентации, которые кодируются обобщенно для этих примеров. На основании введенных примеров выводятся новые репрезентации, которые могут быть новыми понятиями или деревьями описаний, обеспечивающими классификацию новых примеров.
Обобщение правил вместо понятий. Образуется массив грамматических предложений из некоторого языка (например, создание математических правил из данных).
Производство деревьев решений. Вводятся списки утвердительных и отрицательных примеров некоторых понятий, из которых выводится дерево решений для сортировки новых примеров. Если при классификации новых примеров допускаются ошибки, то дерево решений изменяется для продуцирования усовершенствованных классификаций.
Объясняющее обучение (аналитическое обучение).
Объясняющее обучение начинает с анализа одного примера вместо изучения большого числа установок, которые обычно используются в обучении на примерах. Вводы в объяснительные алгоритмы состоят из примеров и базы данных общих правил или схем. Выводы – это новые понятия, которые были сформированы из примеров, через конструирование объяснений и обобщения объяснений для получения целевых понятий. Новые понятия исходят не из обобщения многочисленных примеров, а из интенсивных попыток получения знаний, понимание которых основано на детальных примерах.
Эволюционные гипотезы.
Вводы включают существующие гипотезы, наблюдаемые факты и базу знаний, которая может быть использована для генерации новых гипотез для объяснения этих фактов. Выводы – это суждения о приемлемости гипотез. Алгоритмы обязательно требуют сначала сгенерировать гипотезы через поиск в базе знаний различных объяснений, а затем выбрать лучшие между конкурирующими гипотезами.
Рассуждение, основанное на случае (обучение по аналогии).
Вводы в аналоговое обучение: проблема для решения и база данных предварительно решенных проблем. Новый план или объяснение может появиться лишь через адаптацию предыдущего, который существует в памяти. Чтобы получить этот выход, алгоритмы выбирают из памяти решение и наносят его на целевую проблему. Решенная однажды проблема преобразуется в краткое изложение свойств проблемы для обеспечения схемы, которая может быть использована для последующих решений проблем. Аналоговые выводы эффективны, когда есть много похожих предварительно решенных задач.