- •1. Что такое система искусственного интеллекта. В чем состоят теоретический и практический аспекты создания систем искусственного интеллекта?
- •3. Классификация знаний. Знания глубинные и поверхностные, мягкие и жесткие. Чем обусловлена мягкость знаний. Экспертные и концептуальные знания.
- •7. Фреймы: определение, структура. Для какого типа знаний подходит фреймовое представление?
- •8 Что такое логическая модель? Понятие предиката, квантора. Сложное высказывание.
- •9. Нечеткие знания. Коэффициент уверенности. Схема объединения свидетельств (схема Шортлиффа).
- •10. Вероятностная логика Неполные знания. Немонотонная логика. Основной недостаток логических моделей.
- •12. Нечеткие отношения. Лингвистическая переменная. Нечеткая логика. Построение функций принадлежности.
- •21. Пассивные методы приобретения знаний: метод наблюдения и анализа протоколов. Достоинства и недостатки пассивных методов приобретения знаний.
- •22. Активные индивидуальные методы приобретения знаний: анкетирование, интервьюирование, свободный диалог. Достоинства и недостатки этих методов.
- •23. Активные групповые методы приобретения знаний: «круглый стол», «мозговой штурм». Достоинства и недостатки этих методов.
- •25. Два типа обучения: обучение «заучиванием наизусть» и когнитивное обучение.
- •26. Метод обучения "Hit-and-Near-Miss". При каких условиях этот метод сходится?
- •27. Дайте характеристику двумерных систем технического зрения.
- •28. Трехмерные системы технического зрения. Какие дополнительные возможности они имеют по сравнению с двумерными системами.
- •29. Распознавание образов как область искусственного интеллекта. Охарактеризуйте общие проблемы распознавания.
- •30. Промышленные и автономные роботы. Методы обучения робота. Чем отличается язык управления роботом от обычного языка программирования.
26. Метод обучения "Hit-and-Near-Miss". При каких условиях этот метод сходится?
HitandNeakMiss - система обучения (похожа на систему обучения ученика).
Описание класса может быть создано по средствам использования специально подобранных примеров объектов (понятий, идей, процедур), которые либо относятся к данному классу, либо отличаются только по нескольким чертам или параметрам.
По мере того, как обучаемому рассказывают, какие объекты относятся к классу, а какие нет, обучаемый может конструировать описания класса, определяя, что общего в объектах, относящихся к классу и чем отличаются соответствующие примеры отклонения.
При формировании описания класса роль, которую играют правильные примеры отличается от той, которую играют примеры отклонения. Каждый правильный пример делает текущее описание класса более широким и общим. Каждый пример отклонения вносит ограничения в формирующиеся описание. При этом обучаемый должен определить разницу между объектом и текущем описание класса. В результате обучаемый добавит в описание класса ограничение. Описание класса эволюционирует: прежнее ограничения могут быть обобщены и прежнее обобщения могут быть ограничены.
Каждый правильный пример предоставляет обучаемому серию атрибутов, которые объект этого класса может иметь. Поскольку каждый конкретный объект есть только часть класса, то описание класса должно включать все эти элементы.Примеры-отклонения позволяют определить, что именно объект данного класса должен иметь или не должен иметь.
27. Дайте характеристику двумерных систем технического зрения.
Использует двумерные системы, в которых используется двумерное изображение. Изображение упрощается до линий, которые формируют контор каждого объекта. Этот метод использует различные фильтры, которые удаляют лишнюю информацию с изображения, усиливают контраст, чтобы сделать все части изображения либо черными, либо белыми. Такое изображение называют бинарным или высококонтрастным. Преимущества бинарного изображения: четко выделены контуры объекта, такое изображение требует минимальное количество памяти для сохранения, программы-обработчики такого изображения являются достаточно простыми. Такие изображения очень часто используются в хорошо управляемой среде(все распознаваемые объекты заранее известны). После преобразования трехмерного изображения камер видит двухмерные проекции.
Условия правильного распознавания системы:
Каждый трехмерный объект должен иметь свою двухмерную проекцию отличную от других двумерных проекций объекта;
Объекты должны подаваться на конвейерную линию при сохранении расстояния между ними
28. Трехмерные системы технического зрения. Какие дополнительные возможности они имеют по сравнению с двумерными системами.
По существу, трехмерные системы технического зрения позволяют разрешать все конфликты, которые появляются в двумерных системах, когда объекты, например, накладываются друг на друга, или один объект находится сверху другого. Трехмерные системы также позволяют работать с топографической информацией, например, когда компьютер генерирует геофизические карты по наблюдениям со спутника.
Трехмерная обработка изображения занимает важнейшее место в теории ИИ, потому что существуют проблемы, которые должны быть преодолены.
На самом деле системе технического зрения достаточно одной камеры для многих приложений, требующих трехмерной информации. Чтобы понять почему, закройте один глаз на мгновение и посмотрите вокруг. Вы можете также легко распознавать объекты вокруг Вас! Причина этого проста для объяснения, но трудна для выполнения на компьютере. Человек может видеть и одним глазом, потому что наша система зрения получает намного больше информации, чем только границы объектов. Она имеет информацию относительно цвета, оттенков, яркости и расстояния. Мы все получаем трехмерное представление мира, используя один глаз, еще и потому, что человек может полагаться на другую информацию (по крайней мере, частично) чтобы восполнить потерю бинокулярного видения. Далее предполагаем, что в системе используется только одна камера.
Трехмерная система более сложная, чем двумерная. Трехмерное изображение содержат намного больше информации. В высоко-контрастном двоичном изображении, компьютер может сохранять каждый пиксель в одном бите, потому что он является или черным или белым. (Пиксель - одна дискретная отметка видео изображения, точка экрана). Однако, чтобы получить трехмерное восприятие, требуется информация о яркости каждого пикселя. Пусть различается 256 оттенков серого цвета, тогда каждый пиксель требует 1 байт для хранения. Это в восемь раз больше, чем нужно для хранения черно-белого высоко-контрастного изображения. А для программы требуется существенно больше времени, чтобы проанализировать трехмерное изображение, в отличие от изображения в высоко-контрастном режиме.
Более важная проблема возникает при попытке заставить компьютер использовать всю информацию, которую содержит изображение. Когда человек смотрит, он не задумывается о том, как именно он видит. Наши глаза незначительно отличаются от телевизионной камеры. Следовательно, мозг должен произвести значительное количество работы, чтобы интерпретировать все изображения, которые мы видим каждый день. Задача ИИ состоит в том, чтобы воссоздать в компьютере способ, которым человек обрабатывает изображения.