FEDERAL EĞİTİM AJANSI
DEVLET EĞİTİM KURUMU
YÜKSEK MESLEKİ EĞİTİM
"VOLGOGRAD DEVLET TEKNİK ÜNİVERSİTESİ"
KAMYSHİN TEKNOLOJİ ENSTİTÜSÜ (ŞUBE)
GOU VPO "VOLGOGRAD DEVLET TEKNİK ÜNİVERSİTESİ"
“YAPAY ZEKA SİSTEMLERİ” DİSİPLİNİNDE UYGULAMALI DERS
Eğitici elektronik baskı
Volgograd
Hollanda – doğal dil
AI – yapay zeka
LP - yüklem mantığı
Karar verici - karar verici
MT – Turing makinesi
PGA – basit genetik algoritma
PPF - doğru oluşturulmuş bir formül
PRO – ilkel özyinelemeli operatör
PRF – ilkel özyinelemeli işlev
RF – özyinelemeli işlev
SNI – yapay zeka sistemi
FP – kondisyon fonksiyonu
TF – amaç fonksiyonu
ES – uzman sistem
GİRİİŞ
Başlangıçta yapay zeka, düşünen makineler yaratma bilimi olarak görülüyordu. Bu alan bilgisayar biliminin kutsal kâsesi olarak görülüyordu. Zamanla yapay zeka daha pragmatik bir disipline dönüştü. Bu alan hala düşünme mekanizmalarının incelenmesini içermektedir. Yapay zeka çerçevesinde, karmaşık pratik problemleri bilgisayarla çözmek için çeşitli stratejiler dikkate alınmaktadır. Ayrıca zekanın tek bir teori çerçevesinde tanımlanamayacak kadar karmaşık bir varlık olduğu bugün açıkça ortaya çıkmıştır. Çeşitli teoriler bunu farklı soyutlama düzeylerinde tanımlar. En düşük düzeydeki öğrenme, fiziksel dünyaya uyum sağlama, algılama ve onunla etkileşim kurma yeteneğini modelleyen sinir ağları, tanıma makineleri, genetik algoritmalar ve diğer bilgi işlem biçimleri tarafından sağlanır. Daha yüksek bir soyutlama düzeyinde, uzman sistemlerin yaratıcıları, akıllı aracılar, stokastik modeller ve doğal dil anlama sistemleri çalışır. Bu düzey, bilginin yaratılması, iletilmesi ve geri getirilmesinde sosyal süreçlerin rolünü dikkate alır. En yüksek düzeyde soyutlama, tümdengelimli, çıkarımsal modeller, hakikat destek sistemleri ve diğer akıl yürütme biçimleri ve yöntemlerini içeren mantıksal yaklaşımları içerir.
Bu kılavuz, bazı düşük seviyeli teorilerin temellerini, bu teorilerin hükümlerine dayanan algoritmaların incelenmesine yönelik pratik görevlerle birlikte özetlemektedir. Özellikle, doğrusal diskriminant fonksiyonları ve benzerlik fonksiyonlarını inceleme görevi ile örüntü tanıma teorisinin temelleri dikkate alınır; örüntü tanıma problemi üzerinde yapay sinir ağlarının özelliklerinin incelenmesi probleminin formüle edilmesiyle yapay sinir ağları teorisi; Bir fonksiyonun ekstremumunu ararken özelliklerini inceleme probleminin formülasyonu ile genetik algoritmalar. Araştırma görevlerini gerçekleştirmek için, tercihen nesne yönelimli olmak üzere bazı programlama dillerinde programlayabilmeniz gerekir.
1.1. Yapay zeka teorisinin kökeni
1.1.1. Yapay zeka kavramı
Terim istihbarat(zeka), Latince akıl, akıl, akıl ve kişinin düşünme yetenekleri anlamına gelen intellectus kelimesinden gelir. Sırasıyla yapay zeka(AI, İngilizce karşılığı: yapay zeka, AI), insan zekasının bireysel işlevlerini üstlenen otomatik sistemlerin özelliğidir.
Herhangi bir yapay zeka, kişinin doğal zekasının gerçekleştirdiği bir karar verme modelidir. Yapay zeka, üretilen çözümlerin kalitesinin ortalama doğal zekadan daha kötü olmaması koşuluyla, doğal zeka ile karşılaştırılmaya hak kazanabilir.
1.1.2. Otomasyon döngüsünde yapay zeka
Bu tür sistemlerde kontrol döngüsü devreye girer karar verici(DM).
Karar vericinin, nesneyi yönetme kriterlerine ve hatta nesnenin varoluş amacına ilişkin kendi tercih sistemi vardır. Karar verici çoğu zaman geleneksel otomatik kontrol sisteminin sunduğu modları en azından kısmen kabul etmez. Karar verici, kural olarak sistemin ana parametrelerini kontrol eder, geri kalanı ise yerel kontrol sistemleri tarafından kontrol edilir. Görev, kontrol döngüsündeki karar vericilerin faaliyetlerinin otomatikleştirilmesinden kaynaklanmaktadır.
Yapay zeka, bilgisayarların yaratıcı, hesaplamaya dayalı olmayan nitelikteki ve çözüm sürecinde anlambilimin (anlam sorunu) ele alınmasını gerektiren sorunları çözmesine olanak tanıyan modeller ve ilgili yazılımlar oluşturan bir araştırma alanıdır.
Yapay zeka, bilgisayarda insan düşüncesini taklit eden bir yazılım sistemidir. Böyle bir sistem oluşturmak için karar vericinin düşünme sürecini incelemek, bu sürecin ana adımlarını vurgulamak ve bu adımları bilgisayarda yeniden üreten yazılımlar geliştirmek gerekir.
1.1.3. Entelektüel görev ve etkinlik kavramı
İnsan zekasının bir özelliği, deneyimlerden öğrenme ve çeşitli koşullara uyum sağlama sürecinde bilgiyi edinerek, ezberleyerek ve bilinçli olarak dönüştürerek entelektüel sorunları çözme yeteneğidir.
Entelektüel görevler– problemler, çözüm bulma sürecinin ayrı temel adımlara resmi olarak bölünmesi, çözümlerinin kendisi zor olmasa bile çoğu zaman çok zor olur.
Entelektüel sorunları çözmeye yönelik beyin aktivitesini düşünme veya entelektüel aktivite olarak adlandıracağız.
Entelektüel aktivite, sistemde açık ve hazır olmayan bir çözümün çıkarımını yapma, üretme ve inşa etme yeteneğini gerektirir. Çözümlerin sonuçlandırılması ancak sistemde bilginin içsel bir temsilinin olması durumunda mümkündür ( dış dünyanın modelleri) – dış dünya hakkındaki bilginin resmileştirilmiş bir temsili (konu alanı otomatikleştirilmiştir).
1.1.4. Yapay zeka tarihindeki ilk adımlar
Entelektüel aktivitenin özelliklerini uygulayan ilk programlar:
1. Makine çevirisi (1947). SSCB'de 1955'ten bu yana makine çevirisi alanındaki çalışmalar... Makine çevirisinin görevi bilgiyi koddan ayırmayı gerektiriyordu. Bir aracı dilin ortaya çıkışı, bilginin içsel temsili için bir dil yaratmaya yönelik ilk girişime işaret ediyordu.
2. Otomatik özetleme ve bilgi alma (1957, ABD). Eş anlamlılar sözlüğü kavramında somutlaşan, bireysel gerçekler arasındaki bağlantı ve ilişkiler sistemini izole etme fikri.
3. Teoremlerin ispatı (1956, ABD). Önermesel mantık teoremlerinin kanıtlanmasına yönelik bir programın ortaya çıkışı: “Mantıkçı-Kuramcı”. 1965'te çözüm yöntemi (J. Robinson, ABD), 1967'de ters yöntem (SSCB) ortaya çıktı. Yöntemler kullanma fikrini uygular sezgisel– çözüm üretirken seçenek arayışını azaltacak deneyimli kurallar.
4. Desen tanıma (60'ların başı). Tanıma teorisindeki fikirler, bir dizi olumlu ve olumsuz örnekten belirleyici kuralı bulmayı öğrenmeye ilişkindir.
1956 yılında K. Shannon, M. Minsky ve J. McCarthy, akıllı programların geliştirilmesindeki pratik deneyimleri özetlemek için Dartmouth'ta (ABD) bir konferans düzenlediler.
1.1.5. Teorik bir temelin oluşturulması
1969 yılında Washington'da Birinci Uluslararası Yapay Zeka Konferansı (IJCAI) düzenlendi. 1976 yılında uluslararası Yapay Zeka dergisi yayınlanmaya başladı. 70'li yıllarda akıllı sistemler alanındaki araştırmanın ana teorik yönleri ortaya çıktı:
− Bilgi temsili, dış çevre hakkındaki bilginin resmileştirilmesi, dış dünyanın iç modelinin oluşturulması;
- iletişim, sistem ile kullanıcı arasındaki etkileşim için dillerin oluşturulması;
- Muhakeme ve planlama, alternatif durumlarda karar verme;
- algı (makine görüşü), dış ortamdan veri elde etme;
- Eğitim, sistemin deneyiminden bilgi elde edilmesi;
- Sistemin kendi çalışma hedeflerine dayalı faaliyeti, aktif davranışı.
1.1.6. Yapay zeka teorisinin felsefi sorunları
Bu alt bölümde yapay zeka teorisinde sıklıkla ve yaygın olarak tartışılan sorunlara ilişkin temel sorular ve bunlara ilişkin bazı yorumlar listelenmektedir.
Zekayı yeniden üretmek mümkün mü? Kendi kendine üreme teorik olarak mümkündür. Bilgisayar kullanarak entelektüel sorunların çözümünü otomatikleştirmenin temel olasılığı, algoritmik evrensellik özelliği ile sağlanır. Ancak prensipte bilgisayarların ve robotların her türlü sorunu çözebileceğini düşünmemek gerekir. Algoritmik olarak çözülemeyen problemler var.
Yapay zeka yaratmanın amacı nedir? Bir kişinin kendi zekasını (nitelik olarak olmasa da nicelik olarak) aşan bir zeka yaratmayı başardığını varsayalım. Şimdi insanlığa ne olacak? Kişi hangi rolü oynayacak? Şimdilik ne için kullanılıyor? Ve genel olarak, prensipte yapay zeka yaratmak gerekli mi? Görünüşe göre bu soruların en kabul edilebilir cevabı "zeka artırıcı" kavramıdır.
Yapay zeka yaratmak güvenli midir? İnsanlardan kat kat daha fazla zeka ve iletişim yeteneğine sahip olan teknoloji, yaratıcısına karşı koyabilecek güçlü ve bağımsız bir güç haline gelecektir.
1.1.7. Kullanım alanları
1. Doğal dillerin işlenmesi, görüntülerin, konuşmaların, sinyallerin tanınmasının yanı sıra akıllı arayüz modellerinin oluşturulması, finansal tahmin, veri çıkarma, sistem teşhisi, ağ faaliyetlerinin izlenmesi, veri şifreleme (yön - sinir ağları).
2. Nanoteknoloji, aynı anda çalışan birçok düğümden, çok etmenli sistemlerden ve robot biliminden (yön - evrimsel hesaplamalar) oluşan sistemlerin kendi kendini birleştirme, kendi kendini yapılandırma ve kendi kendini iyileştirme sorunları.
3. Hibrit kontrol sistemleri, görüntü işleme, görüntülerin anlamını arama, indeksleme ve analiz etmeye yönelik araçlar, görüntülerin tanınması ve sınıflandırılması (yön - bulanık mantık).
4. Tıbbi teşhis, eğitim, danışmanlık, otomatik programlama, program kalitesinin test edilmesi ve analizi, ultra büyük entegre devrelerin tasarımı, teknik teşhis ve ekipman onarımı için önerilerin geliştirilmesi, çeşitli konu alanlarında planlama ve veri analizi (yön - uzman sistemler) (ES)).
5. Taşıma görevleri, dağıtılmış bilgi işlem, optimum kaynak yükleme (yön - aramayı azaltmaya yönelik yöntemler).
6. Büyük yazılım tasarım sistemlerinin geliştirilmesi, kod üretimi, doğrulama, test etme, kalite değerlendirmesi, yeniden kullanım olasılığının belirlenmesi, paralel sistemlerdeki problemlerin çözülmesi (yön - akıllı mühendislik).
7. Tam otomatik siber fabrikaların oluşturulması.
8. Oyunlar, insan duygularının sosyal davranışları, yaratıcılık.
9. Askeri teknolojiler.
1.2. Yapay zeka sistemlerinin mimarisi
1.2.1. Tüm mimarinin unsurları
Yapay Zeka Sistem Mimarisi(SII) – belirli bir alanda karar vermenin ve bilginin uygulanmasının gerçekleştiği yapının organizasyonu. SII'nin en genel şeması Şekil 2'de gösterilmektedir. 1. Bu formda gerçek bir yapay zeka mevcut değildir; bazı bloklar eksik olabilir. AIS'de her zaman yalnızca iki blok vardır: bilgi tabanı ve çıkarım mekanizması.
Otomatik bilgi işleme ve kontrol sistemlerinde ana yapay zeka türlerini ele alalım:
− Teknolojik süreç kontrolü için SII;
- SII teşhisi;
− SII planlama ve sevkıyat;
− akıllı robotlar.
https://pandia.ru/text/78/057/images/image005_133.gif" genişlik = "357" yükseklik = "360 src = ">
Pirinç. 1. AIS'in genelleştirilmiş şeması
1.2.2. SII süreç kontrolü
Otomatik proses kontrol bilgi sisteminin mimarisi Şekil 1'de gösterilmektedir. 2.
Bu sistemin özellikleri:
- Yönetim için teknolojik bilgilerin kullanılması (parametreler ve ekipmanın yapısı hakkında ölçülen ürün özellikleri);
- Çıkarım mekanizması, verileri değiştirmek ve öneriler ile yönetim kararlarını geliştirmek için kullanılır;
- gerçek zamanlı çalışma ihtiyacı;
- Zamansal akıl yürütmeyi uygulama ihtiyacı (değişen koşulları dikkate alarak).
Sistem üç düzeyde çalışır:
- Bilgi tabanı (KB), problem çözme kurallarını, problem çözme prosedürlerini, problem alanına ilişkin verileri, yani teknolojinin kendisini ve tüm süreç yönetimi stratejisinin bilgi tabanları düzeyinde organize edilmesini içerir;
- çalışma belleği, belirtilen özellikler hakkında bilgi ve incelenmekte olan süreç (DB) hakkındaki verileri içerir;
- Çıkış mekanizması (geleneksel bir sistemde bu bir regülatördür) nihai hedefe (kabul edilebilir bir çözüm) ulaşmak için genel bir kontrol mekanizması içerir.
Önemli bir bileşen, teknolojik süreç ile veri tabanı ve bilgi tabanı arasındaki iletişim bloklarıdır ("Veri Analizi" ve "Süreç Verileri" blokları). Kullanıcıya alt düzey nesnelerden teknolojik süreçle ilgili üretim bilgilerine üst düzey erişim sağlarlar, yani veri tabanı ve bilgi tabanı içeriklerini güncelleyerek güncel tutarlar. Üniteler ayrıca kritik durumları önlemek için izleme fonksiyonları da sağlar.
Sistemin üretim durumunun gelişimine verdiği yanıtın dengesi ve yeterliliğinin gerekçesi ve açıklaması "Diyalog Arayüzü" ve "Kontrol Verileri" blokları tarafından sağlanır.
https://pandia.ru/text/78/057/images/image007_118.gif" genişlik = "357" yükseklik = "149 src = ">
Pirinç. 2. Teknolojik süreç kontrolü için otomatik kontrol sistemlerinin yapısı
1.2.3. SII teşhisi
Bu sistemin temelde önceki sistemden hiçbir farkı yok. Ve çeşitli kusurların belirtileri büyük ölçüde çakışabileceğinden ve tezahürleri sabit olamayabileceğinden, bu sistemler tanının doğrulanması ve açıklanması için daha kapsamlı bileşenler içerir. Bu nedenle, bu tür sistemlerde kararlar sıklıkla öznel olasılık açısından değerlendirilir.
1.2.4. Robotik hatların ve esnek üretim sistemlerinin SII'si
Bu tür sistemlerin bir özelliği bir dünya modelinin varlığıdır. Bir robotik sistem kendine özgü bir ortamda çalışır ve bu ortamın ayrıntılı bir açıklaması prensipte mümkündür. Çevrenin bu matematiksel modeline denir dış dünyanın modeli. Yapay zeka robotunun bilgi tabanının ana içeriğidir ve bilgi tabanının bir diğer kısmı da sistemin hedefleri hakkındaki bilgilerdir (Şekil 3).
https://pandia.ru/text/78/057/images/image009_112.gif" width = "294" height = "100 src = ">
Pirinç. 3. SII robot hatları ve esnek üretim sistemleri
Çevrenin durumunu algılama sistemi şunları içerir:
- Dış ortamla doğrudan bağlantılı sensörler;
- ön işleme alt sistemi;
- karakteristik özellikler segmentasyon bloğu;
- Çevre durumunun sembolik açıklaması;
- Ortam durumunun anlamsal açıklaması;
- Çevrenin durumuna ilişkin bir model oluşturmaya yönelik blok.
Çıkarım mekanizması veya davranış planlama sistemi, robotun dış ortamdaki eylemlerini mevcut durumun bir sonucu olarak ve küresel hedefe uygun olarak belirler. Şunlardan oluşur:
- Karar çıktı sistemleri;
- Aktüatörlerin hareketini planlamak için ünite.
Eylem yürütme sistemi şunları içerir:
− sürücü kontrol alt sistemi;
− sürücü;
− aktüatörler.
1.2.5. SII planlama ve sevkıyat
Amaç: operasyonel yönetim sorunlarını çözmek, bir nesnenin işleyişini planlanan görevler açısından izleme sonuçlarının yanı sıra izlemenin karşılaştırılması (Şekil 4).
İzleme– Müdahale gerektiren durumlar ortaya çıktığında sinyallerin sürekli veya periyodik olarak yorumlanması ve mesajların verilmesi.
Bu sistemlerin özelliği, gerçek zamanlı eylem, entegre bir kontrol sisteminin dağıtılmış veri tabanı ile iletişimdir. AIS verileri kontrol sistemlerinin bir parçası olduğundan böyle bir sistem gereklidir.
https://pandia.ru/text/78/057/images/image011_89.gif" width = "365" height = "167 src = ">
Pirinç. 4. SII planlama ve sevkıyat
1.3. AIS'de bilgi temsili sorunu
1.3.1. Bilgi ve veri
Bilgi temsili sorunu yapay zekanın sorunlarından biri olarak ortaya çıktı. Tıpta, jeolojide ve kimyada kullanılan, başta ES olmak üzere pratik olarak yararlı sistemlerin oluşturulmasıyla ilişkilidir. Bu tür sistemlerin oluşturulması, ilgili bilimde biriken bilginin resmileştirilmesi için yoğun çaba gerektirir.
“Bilgi temsili” terimi, bilgisayar yazılımının geliştirilmesindeki belirli bir aşamayla ilişkilidir. İlk aşamada programlar hakimse ve veriler "aç" programlar için bir tür "yiyecek" olarak yardımcı bir rol oynadıysa, sonraki aşamalarda verilerin rolü giderek arttı. Yapıları daha karmaşık hale geldi: Bir bilgisayarın bellek hücresinde bulunan bir makine sözcüğünden vektörlere, dizilere, dosyalara ve listelere geçiş oldu. Bu gelişimin doruk noktası soyut veri türleri, yani sınıflardı. Veri yapılarının tutarlı gelişimi, niteliksel değişime ve veri temsilinden bilgi temsiline geçişe yol açmıştır.
bilginin edinilmesi
Bilgi temsili düzeyi, veri temsili düzeyinden yalnızca daha karmaşık yapısı açısından değil aynı zamanda önemli özellikler açısından da farklılık gösterir: yorumlanabilirlik, sınıflandırılabilir bağlantıların varlığı, varlığı durumsal ilişkiler(eşzamanlılık, uzayda bir noktada olma vb. bu ilişkiler hafızada saklanan belirli bilgilerin durumsal uygunluğunu belirler). Ek olarak, bilgi düzeyi, genelleme için özel prosedürlerin varlığı, sistemde mevcut bilginin yenilenmesi ve bir dizi başka prosedür gibi özelliklerle karakterize edilir.
Veri sunumunun pasif bir yönü vardır: Bir kitap, bir tablo, bilgi dolu bir hafıza. Yapay zeka teorisi, bilgi temsilinin aktif yönünü vurgular: bilginin edinilmesi Sadece hatırlamaya değil, aynı zamanda algılanan (edinilen, özümsenen) bilginin ona dayalı akıl yürütme için uygulanmasına da olanak tanıyan aktif bir işlem haline gelmelidir.
1.3.2. Kendi kendini geliştiren makineler fikri
Yapay zeka alanındaki araştırmalar, sibernetik fikirlerinin etkisi altında ortaya çıktı - öncelikle canlı organizmalarda, toplumda ve teknolojide, özellikle bilgisayarlarda bilginin kontrol edilmesi ve iletilmesine yönelik süreçlerin ortaklığı fikri.
Yapay zeka sorununun geleneksel biçimindeki felsefi kabul edilebilirliği, fikirlerin düzeni ve bağlantısının, şeylerin düzeni ve bağlantısıyla aynı olduğu fikrinin altında yatan fikirden kaynaklanıyordu. Dolayısıyla, bir bilgisayarda "fikirler dünyasını" yeniden üreten bir yapı yaratmak, basitçe maddi dünyanın yapısına eşbiçimli bir yapı yaratmak, yani "dünyanın elektronik bir modelini" oluşturmak anlamına geliyordu. Bu model bir bilgisayar modeli olarak kabul edildi - insanın dünya hakkındaki bilgisinin bir modeli. İnsan düşünme süreci, bilgisayarda, bilgisayar modelini belirli bir son duruma aktarması beklenen bu tür model dönüşümleri için bir makine araştırması olarak yorumlandı. AGI'nin, önceden belirlenmiş bir hedefe (belirli özelliklere sahip bir duruma) yol açan model durumlarının dönüşümlerini nasıl gerçekleştireceği konusunda bilgiye ihtiyacı vardı. İlk başta, bir bilgisayarın, içinde depolanan modeli bağımsız olarak inceleme, yani belirlenen bir hedefe ulaşmak için kendi kendine bir strateji öğretme konusundaki temel yeteneğine dair yaygın bir inanç vardı.
Bu varsayımsal yetenek, gelecekteki "düşünen makinelerin" yaratılmasının temeli olarak, makine yaratıcılığının olasılığı olarak yorumlandı. Ve fiilen geliştirilmekte olan sistemlerde, oluşturulan modellerin teorik analizine ve bunlar üzerinde yapılan deneylerin sonuçlarına dayanan algoritmalar, kendi kendine öğrenmeyi oluşturma fikirleri yardımıyla insan deneyimine dayanarak hedefe ulaşıldı. sistemler birçok kişiye en umut verici gibi görünüyordu. Akıllı sistemlerde gerçeklikle ilgili insan bilgisinin kullanılması sorununun önemi ancak 1980'lerde anlaşıldı; bu, bilgi tabanlarının ve uzmanların kişisel bilgilerinin çıkarılmasına yönelik yöntemlerin ciddi şekilde gelişmesine yol açtı.
1.3.3. Entelektüel aktivitenin bir bileşeni olarak yansıma
Bu yönün gelişmesiyle birlikte refleksif yönetim fikri ortaya çıktı. Bu noktaya kadar sibernetikte kontrol, bir nesnenin davranışını doğrudan etkileyen sinyallerin iletilmesi olarak düşünülüyordu ve kontrolün etkinliği, geri bildirim yoluyla, yani kontrol edilen nesnenin tepkileri hakkında bilgi elde edilerek sağlanıyordu. dönüşlü veya kontrol– Nesnenin dünya imajını etkileyen bilgilerin aktarımıdır. Böylece geri bildirimin gereksiz olduğu ortaya çıkıyor - konunun durumu bilginin vericisi, yani nesne tarafından biliniyor.
Geleneksel AGI'ler, her iki ortağın da amacının her türlü fedakarlık pahasına mat yapmak olduğu satranç oyunu gibi hedefe yönelik davranış ideolojisine dayanmaktadır. Satranç programlarının yapay zeka yöntemlerinin geliştirilmesinde bu kadar önemli olması tesadüf değil.
Kişinin kendi modelinin veya “çevreleyen tüm gerçekliğin” modelinin (görev çerçevesinde) işleyişinin analizi, durumu üzerinde kontrol, durumu tahmin etme, yansımanın uygulanmasından başka bir şey değildir. Yansıma belli bir meta düzeydir. Hedefleri formüle etmenize ve bu hedeflerin ulaşılabilirliği hakkında mantıksal sonuçlar oluşturmanıza olanak tanıyan Prolog gibi üst düzey programlama dillerinin kullanılmasıyla, yansıtmanın uygulanması görevi zaten kısmen çözülebilir. Onların yardımıyla, bir öncekinin davranışını değerlendirmenize olanak tanıyan belirli bir üst yapı, belirli bir meta düzeyi oluşturabilirsiniz. Ancak “derin yansıma” veya “çok düzeyli yansıma” terimi dikkate alındığında sistemin kendisi tarafından model oluşturma sorunu ortaya çıkmaktadır. Soyut veri türlerinin kurtarmaya geldiği yer burasıdır. Herhangi bir sınırlı karmaşıklığa sahip veri yapılarıyla çalışmanıza olanak tanırlar. Dolayısıyla yapay zeka sistemlerinin bir yansıma modeli içerebileceğini düşünebiliriz.
Dolayısıyla, eylemlerini değerlendirme ve "anlama", yani yansıtma yeteneği olmadan bir entelektüel sistemi tamamlanmış saymak mümkün değildir. Üstelik yansıma, sistemlerin davranışını yapılandırmanın ana araçlarından biri olarak düşünülmelidir. Matematiğin dilinde konuşursak, düşünme, entelektüel bir sistemin varlığı için gerekli bir koşuldur.
1.3.4. Bilgi temsil dilleri
Bir anlamda her bilgisayar programı bilgi içerir. Kabarcık sıralama programı, programcının bir listenin öğelerini nasıl sıralayacağına ilişkin bilgisini içerir. Listeleri sıralama sorununu çözen bir bilgisayar programının özünü anlamak hiç de kolay değil. Programcının problemi çözme yöntemi hakkındaki bilgisini içerir, ancak bu bilgiye ek olarak başkalarını da içerir:
- kullanılan programlama dilinin dil yapılarının nasıl değiştirileceği;
- Yüksek program performansına nasıl ulaşılacağı;
- Nihai sonuca ulaşmada önemli bir rol oynayan belirli veri işleme sorunlarının çözümü için uygun yöntemlerin nasıl seçileceği ve süreç yönetiminin nasıl organize edileceği.
Bilgi temsil dilleri Etki kuralları ve tipik nesnelerin bir dizi özelliği gibi insan bilgisinin parçalarını açıkça kodlamak için özel olarak tasarlanmış üst düzey dillerdir ve dilin yüksek düzeyi, mümkün olduğu kadar, bilgi temsil mekanizmasının teknik detayları kullanıcıdan gizlenir. Daha geleneksel programlama dillerinden farklı olarak bilgi temsil dilleri, program kodu miktarı açısından son derece ekonomiktir. Bunun nedeni büyük ölçüde dil tercümanının birçok küçük ayrıntıyla ilgilenmesidir.
Bu tür dillerin belirtilen avantajlarına rağmen kullanımlarında bazı sorunların varlığını unutmamalıyız.
Alan bilgisinin tüm anlaşılabilir "insan" dilinde tanımlanmasından, bilgisayar tarafından algılanan bir tür formalizm biçiminde temsil edilmesine geçiş, belirli bir beceri gerektirir, çünkü böyle bir bilginin mekanik olarak nasıl gerçekleştirileceğini açıklamak (en azından bugün) imkansızdır. dönüşüm. Bir programın uygulayabileceği mantıksal çıkarım yetenekleri doğrudan bilginin nasıl temsil edileceği seçimiyle ilgili olduğundan, ES tasarımı uygulamasındaki darboğaz bilginin çıkarılması değil temsilidir.
Bu eğitim, Prolog'da programlamanın temellerini, arama yöntemlerini kullanarak problem çözmeyi, olasılıksal yöntemleri, sinir ağlarının temellerini ve anlamsal ağları kullanarak bilgi temsilinin ilkelerini kapsar. Ders kitabının her bölümü pratik ve laboratuvar çalışmaları ile donatılmıştır. Ekler SWI-Prolog ortamının, sinir ağı yazılımının kısa açıklamalarını içerir
Bu eğitim, Prolog'da programlamanın temellerini, arama yöntemlerini kullanarak problem çözmeyi, olasılıksal yöntemleri, sinir ağlarının temellerini ve anlamsal ağları kullanarak bilgi temsilinin ilkelerini kapsar. Ders kitabının her bölümü pratik ve laboratuvar çalışmaları ile donatılmıştır. Ekler, SWI-Prolog ortamı, NeuroGenetic Optimizer sinir ağı modelleme programı ve Anlamsal bilgi görselleştirme programı hakkında kısa açıklamalar içerir. Federal Devlet Yüksek Öğrenim Eğitim Standardının mevcut gerekliliklerine uygundur. Mühendislik alanında okuyan yüksek öğretim kurumlarının öğrencileri için ve teknik alanlar.
Kitap " Yapay zeka sistemleri. öğretici"Yazar Bessmertny Igor Aleksandrovich, KnigoGuid ziyaretçileri tarafından derecelendirildi ve okuyucu puanı 10 üzerinden 0,00 oldu.
Aşağıdakiler ücretsiz olarak görüntülenebilir: özet, yayın, incelemeler ve indirilecek dosyalar.
S.G. TOLMAÇEV
YAPAY ZEKA.
SİNİR AĞ MODELLERİ
Rusya Federasyonu Eğitim ve Bilim Bakanlığı Baltık Devlet Teknik Üniversitesi "Voenmech"
Bilgi İşlem ve Yönetim Sistemleri Dairesi Başkanlığı
S.G. TOLMAÇEV
YAPAY ZEKA.
SİNİR AĞ MODELLERİ
öğretici
Saint Petersburg
UDC 004.8(075.8) T52
Tolmachev, S.G.
T52 Yapay zeka sistemleri. Sinir ağı modelleri: ders kitabı / S.G. Tolmaçev; Balt. durum teknoloji. üniversite – St. Petersburg, 2011. 132 s.
ISBN 978-5 -85546-633-1
Yapay sinir ağlarının yapısı ve çalışma prensipleri hakkında temel bilgiler verilmektedir. Resmi bir nöronun işleyişi, sinir ağlarının mimarisine ve eğitim türlerine göre sınıflandırılması, çeşitli sinir ağı problemlerinin tipik formülasyonları ve bunları çözme yöntemleri dikkate alınır.
“Bilgi Sistemleri ve Teknolojileri” ve “Otomatik Bilgi İşleme ve Yönetim Sistemleri” uzmanlıklarında okuyan son sınıf öğrencilerine yöneliktir.
UDC 004.8(075.8)
DEĞERLENDİRENLER: Dr. Tech. Bilim prof., baş. ilmi OJSC "Endişe" Granit-Electron"" çalışanı S.N. Şarov; Doktora teknoloji. Bilimler, prof., baş. departman I5 BSTU N.N. Smirnova
Üniversitenin Yayın ve Yayın Konseyi tarafından onaylandı
GİRİİŞ
Akıllı sistemler yaratmanın en güçlü araçlarından biri, insan beyninde bulunan temel bilgi işleme mekanizmalarını modelleyen yapay sinir ağlarıdır (YSA). Beynin, insan tarafından yaratılan herhangi bir bilgisayar makinesinden temelde farklı ve çoğu zaman daha verimli çalıştığı bilinmektedir. Bilim adamlarını uzun yıllardır yapay sinir ağlarının oluşturulması ve araştırılması üzerinde çalışmaya motive eden de bu gerçektir.
Beyin son derece karmaşık bir bilgi işleme sistemidir. Nöron adı verilen yapısal bileşenlerini, belirli görevleri (örüntü tanıma, duyusal işleme, motor işlevler) en hızlı modern bilgisayarlardan kat kat daha hızlı gerçekleştirebilecek şekilde organize etme yeteneğine sahiptir. Böyle bir göreve bir örnek normal görmedir. Görsel sistemin işlevleri, çevredeki dünya hakkında onunla etkileşime girme yeteneği sağlayacak bir biçimde bir fikir yaratmayı içerir. Beyin, tanıma görevlerini sırayla yerine getirir (örneğin, tanıdık olmayan bir ortamda tanıdık bir yüzü tanımak) ve bunun için 100...200 ms harcar. Benzer, daha az karmaşık görevlerin bilgisayarda tamamlanması birkaç saat sürebilir.
Beynimiz kadar mükemmel performans gösteren bir makine yaratmanın zorluğunun büyüklüğünü anlamak için her gün gerçekleştirdiğimiz rutin görevlerden bazılarını düşünmemiz yeterlidir. Diyelim ki masanızda oturuyorsunuz ve bu sırada tatilden dönen iş arkadaşınız odaya giriyor. Yeni bir tişört giyiyor, bronzlaşmış yüzünde güneş gözlüğü var ve sakalını kazıdığı için biraz daha genç görünüyor. Onu tanıyor musun? Kuşkusuz, çünkü kılık değiştirme onun planlarının bir parçası değil. Konuşma sırasında size şunu sorar: “Okuman için sana verdiğim kitap nerede?” Soruyu kitabın iade edilmesi talebi olarak yorumluyorsunuz. Sonra masanıza bakın ve
Üzerindeki kitapların ve kağıt yığınlarının arasında söz konusu kitabı görüyorsunuz, ona ulaşıyorsunuz, onu belge yığınının içinden çıkarıp meslektaşınıza veriyorsunuz. Bu tür günlük görevler bizim için çok fazla zihinsel çaba gerektirmez, ancak bunların her birini çözmek, kesin olarak hesaplanmış birçok adımı içerir. Bu tür sorunları çözmenin zorluğu, bir bilgisayar sistemini nesneleri görünümlerine veya diğer özelliklerine göre tanıyacak şekilde programlamaya çalışırken, bağlama bağlı olarak kararlar alırken vb. hissedilebilir.
Daha basit bir örnek, aktif bir eko konum sistemi olan yarasa sonarıdır. Bu konumlandırıcı, istenen nesneye olan mesafe hakkında bilgi sağlamanın yanı sıra, göreceli hız, bireysel elemanların boyutu ve hareket yönü gibi nesne parametrelerini hesaplamanıza da olanak tanır. Yarasanın minik beyni, alınan sinyalden bu bilgiyi çıkarmak için karmaşık sinirsel hesaplamalar gerçekleştirir.
İnsan veya yarasa beyninin bu tür sonuçlara ulaşmasını sağlayan şey nedir? Doğduğumuzda beyin, genellikle deneyim olarak adlandırılan şeye dayanarak kendi kurallarını oluşturmasına olanak tanıyan mükemmel bir yapıya zaten sahiptir. Deneyim, bir kişinin yaşamının son günlerine kadar zamanla birikir ve özellikle yaşamın ilk iki yılında büyük ölçekli değişiklikler meydana gelir.
Nöronların gelişimi, beyin plastisitesi kavramıyla ilişkilidir - sinir sistemini çevresel koşullara göre ayarlama yeteneği. Plastisite, insan beynindeki temel bilgi işlem birimleri olan nöronların işleyişinde en önemli rolü oynar. Benzer şekilde yapay nöronlar da YSA'da yapılandırılır. Genel olarak YSA, beynin belirli bir sorunu çözme şeklini modelleyen bir makinedir. Bu ağ, elektronik bileşenler (nöroişlemciler) kullanılarak uygulanır veya dijital bilgisayarda çalışan bir program tarafından modellenir. YSA'lar, yüksek performans elde etmek için temel hesaplama hücreleri (nöronlar) arasındaki birçok bağlantıyı kullanır. Sinir ağlarının birçok tanımı arasında en doğru olanı, bir YSA'nın uyarlanabilir bir makine olarak tanımlanmasıdır: yapay sinir ağıdağıtıldı
deneysel bilgiyi biriktiren ve bunu sonraki işlemler için sağlayan standart bilgi işleme öğelerinden oluşan paralel bir işlemci. Bir sinir ağı iki açıdan beyne benzer:
1) bilgi sinir ağına çevreden girer
Ve ağ tarafından öğrenme sürecinde kullanılan;
2) Bilgi biriktirmek için sinaptik ağırlıklar olarak da adlandırılan nöronlar arası bağlantılar kullanılır.
Öğrenme sürecini gerçekleştirmek için kullanılan prosedüre öğrenme algoritması denir. İşlevi, ağın gerekli özellikleri kazanması için YSA'nın sinaptik ağırlıklarını belirli bir şekilde değiştirmektir.
Ağırlıkların değiştirilmesi, YSA eğitiminin geleneksel bir yoludur. Bu yaklaşım, kontrolde kullanılan uyarlanabilir doğrusal filtrelerin teorisine yakındır. Bununla birlikte, bir YSA'nın, yaşayan bir beyindeki nöronların ölebileceği ve yeni sinaptik bağlantıların yaratılabileceği gerçeğine dayanarak, kendi topolojisini değiştirme olasılığı da vardır.
Böylece YSA'lar hesaplama güçlerini iki ana özelliği sayesinde gerçekleştirirler: paralel dağıtılmış yapı ve edinilen bilgiyi öğrenme ve genelleştirme yeteneği. Genelleştirme özelliği, bir YSA'nın, öğrenme süreci sırasında dikkate alınmayan giriş sinyalleri için doğru çıktılar üretme yeteneğini ifade eder. Bu iki özellik, YSA'yı halihazırda çözümü zor olan karmaşık, çok boyutlu problemleri çözebilen bir bilgi işlem sistemi haline getirmektedir.
Pratikte otonom YSA'ların çoğu zaman hazır çözümler sağlayamadığı unutulmamalıdır. Karmaşık sistemlere entegre edilmelidirler. Karmaşık bir problem, bazıları sinir ağları tarafından çözülebilen daha basit problemlere bölünebilir.
YSA'nın uygulama alanları çok çeşitlidir: metin ve konuşma tanıma ve analizi, anlamsal arama, uzman sistemler ve karar destek sistemleri, hisse senedi fiyat tahmini, güvenlik sistemleri. YSA'nın farklı alanlarda kullanımına ilişkin birkaç örnek vardır.
1. Taşıma güvenlik sistemleri. Amerikan şirketi
Science Application International Corporation YSA'yı şu amaçlarla kullandı:
TNA projesi. Geliştirilmekte olan cihaz, paketlenmiş bagajlardaki plastik patlayıcıları tespit edecek şekilde tasarlandı. Bagaj, spektrumu bir sinir ağı tarafından analiz edilen ikincil radyasyona neden olan parçacıklarla bombardımana tutuluyor. Cihaz, %97'nin üzerinde patlayıcı tespit olasılığı sağlıyor ve dakikada 10 parça bagajı tarayabiliyor.
2. Finansal piyasalarda sinir ağı yazılım paketleri. American Chemical Bank, döviz borsalarındaki işlemleri ön işleme tabi tutmak ve "şüpheli" işlemleri filtrelemek için Neural Data'dan bir sinir ağı sistemi kullanıyor. Citibank, 1990'dan beri sinir ağı tahminlerini kullanıyor. Otomatik işlem, çoğu komisyoncunun getirilerini aşan getiriler gösteriyor. “Yapay Zeka alanında” seminerinin tutanaklarının şu şekilde olduğu belirtilebilir: Wall Street" birkaç ağır ciltten oluşuyor.
3. Haberleri izleme ve otomatik sınıflandırma. Konum
Metin mesajlarının konusunu bilmek YSA kullanmanın başka bir örneğidir. Convectis haber sunucusu (Aptex Software Inc.'in bir ürünü), mesajların otomatik olarak kategorilere göre sınıflandırılmasını sağlar. Convectis, kelimelerin anlamlarını bağlama göre kontrol ederek konuları gerçek zamanlı olarak tanıyabiliyor ve Reuters, NBC, CBS vb. ağları üzerinden iletilen büyük metin mesajı akışlarını kategorize edebiliyor. Mesajı analiz ettikten sonra, bir açıklama, bir anahtar kelime listesi ve bu mesajın ait olduğu kategorilerin bir listesi oluşturulur
4. İnsansız hava araçlarının otomatik pilotlanması. 2,5 m uzunluğunda jet insansız hava aracı olan hipersonik keşif uçağı LoFLYTE (Düşük Gözlemlenebilir Uçuş Test Deneyi), Accurate Automation Corp. tarafından NASA ve ABD Hava Kuvvetleri için geliştirildi. program çerçevesinde küçük yenilikçi işletmeleri desteklemeye yöneliktir. Bu, pilotluğun yeni ilkelerini keşfetmeye yönelik deneysel bir gelişmedir. Otopilotun, pilotun uçuş tekniklerini kopyalayarak öğrenmesini sağlayan sinir ağlarını içerir. Zamanla sinir ağları kontrol deneyimi kazanır ve bilgi işleme hızı, aşırı ve acil durumlarda hızla bir çıkış yolu bulmalarına olanak tanır. LoFLYTE, pilotun reaksiyon süresinin uçuş koşullarındaki değişikliklere yeterince yanıt vermek için yeterli olmayabileceği süpersonik hızlarda uçuş için tasarlanmıştır.
YSA günümüzde hesaplama kavramının önemli bir uzantısıdır. Zaten bir dizi zor sorunla başa çıkmayı mümkün kıldılar ve şu anda yalnızca insanların çözebileceği sorunları çözebilecek yeni programların ve cihazların yaratılmasının sözünü verdiler. Modern nörobilgisayarlar öncelikle yazılım ürünleri olarak kullanılır ve bu nedenle "paralellik" potansiyellerinden nadiren yararlanır. Gerçek paralel nörolojik hesaplamalar çağı, konuşma, video, statik görüntüler ve diğer figüratif bilgi türlerini işlemek için tasarlanmış özel nöroçiplerin ve genişletme kartlarının donanım uygulamalarının piyasada ortaya çıkmasıyla başlayacak.
YSA'ların bir diğer uygulama alanı da kullanımlarıdır.
V özel yazılım Fiziksel iş yapmak yerine bilgiyi işlemek için tasarlanmış robotik ajanlar. Akıllı asistanlar kullanıcıların bilgisayarla iletişimini kolaylaştırmalı. Onların ayırt edici özelliği, "efendilerinin" davranışlarını gözlemleyerek ve analiz ederek kendilerinden ne istendiğini mümkün olan en iyi şekilde anlama arzusu olacaktır. Keşfetmeye çalışıyorum
V Bu davranışın bazı düzenlilikleri vardır; akıllı aracıların, örneğin haber mesajlarını filtrelemek, kullanıcının üzerinde çalıştığı belgeleri yedeklemek vb. gibi belirli işlemleri gerçekleştirmek için hizmetlerini zamanında sunması gerekir. Verileri özetleme ve içindeki modelleri bulma yeteneğine sahip YSA'ların bu tür yazılım aracılarının doğal bir bileşeni olmasının nedeni budur.
1. BİLGİSAYARLAR VE BEYİN
1.1. Biyolojik nöron
İnsan sinir sistemi üç aşamalı bir yapıya basitleştirilebilir. Bu sistemin merkezi, bir nöron ağından oluşan beyindir (Şekil 1.1). Bilgiyi alır, analiz eder ve uygun kararları verir. Reseptörler çevreden ve iç organlardan gelen sinyalleri sinir ağı (beyin) tarafından algılanan elektriksel uyarılara dönüştürür. Reseptörler beynimiz ile dış dünya arasındaki iletişimi sağlayarak görsel, işitsel, tatsal, kokusal ve dokunsal bilgilerin alınmasını sağlar. Ef...
Fektörler beyin tarafından üretilen elektriksel uyarıları kasları, iç organları ve damar duvarlarını kontrol eden çıkış sinyallerine dönüştürür. Böylece beyin, kalbin işleyişini, nefes almayı, kan basıncını, sıcaklığı kontrol eder, kandaki gerekli oksijen içeriğini korur vb. Ara nöronlar, duyu nöronlarından aldıkları bilgileri işleyerek efektör nöronlara iletirler.
Pirinç. 1.1. Sinir sisteminin basitleştirilmiş diyagramı
Beynin iki tür hücreden oluştuğunu belirtmek gerekir: glial ve nöronlar. Her ne kadar glial hücrelerin rolü oldukça önemli görünse de çoğu bilim insanı, beynin nasıl çalıştığını anlamanın yolunun büyük ölçüde tek bir bağlantılı ağda birbirine bağlı nöronları incelemek olduğuna inanıyor. Bu yaklaşım yapay sinir ağlarının (YSA) yapımında kullanılır.
Başka görüşlerin de olduğunu belirtmek gerekir. Bazı araştırmacılar, ana süreçlerin sinir ağında değil, hücrelerin kendisinde, yani hücre iskeletinde, sözde mikrotübüllerde meydana geldiğine inanıyor. Bu bakış açısına göre hem hafıza hem de bilinç, hücre içi yapılardaki proteinlerdeki değişiklikler ve buna bağlı kuantum etkileri tarafından belirlenmektedir.
Beyindeki nöron sayısının 1010...1011 olduğu tahmin edilmektedir. Biyolojik bir nöronda aşağıdaki yapısal birimler ayırt edilebilir (Şekil 1.2):
hücre gövdesi (soma);
dendritler, diğer nöronlardan bilgi toplayan çok sayıda dallanan kısa (en fazla 1 mm) sinir lifleridir;
Akson ince, uzun (bazen bir metreden fazla) tek sinir lifidir. Akson, uyarıların iletilmesini ve etkilerin diğer nöronlara veya kas liflerine iletilmesini sağlar. Akson sonlandığında ayrıca dallanır ve diğer nöronların dendritleriyle bağlantılar oluşturur;
Ders kitabı okuyuculara yapay zekanın tarihini, bilgi temsil modellerini, uzman sistemleri ve sinir ağlarını tanıtıyor. Akıllı sistemlerin analizinde, geliştirilmesinde ve uygulanmasında kullanılan ana yönler ve yöntemler açıklanmaktadır. Bilgi temsili modelleri ve bunlarla çalışma yöntemleri, uzman sistemler geliştirme ve oluşturma yöntemleri dikkate alınır. Kitap, okuyucunun etki alanı veritabanlarının mantıksal tasarımı ve ProLog dilinde programlama becerilerinde uzmanlaşmasına yardımcı olacaktır.
Pedagojik üniversitelerin öğrencileri ve öğretmenleri, ortaokul öğretmenleri, spor salonları, liseler için.
Yapay zeka kavramı.
Yapay zeka (AI) sistemi, insanın düşünme sürecini bilgisayarda simüle eden bir yazılım sistemidir. Böyle bir sistem oluşturmak için, belirli sorunları çözen veya belirli bir alanda karar veren kişinin düşünme sürecini incelemek, bu sürecin ana adımlarını vurgulamak ve bunları bilgisayarda yeniden üreten bir yazılım geliştirmek gerekir. Bu nedenle yapay zeka yöntemleri, karmaşık yazılım karar verme sistemlerini geliştirmek için basit yapılandırılmış bir yaklaşım benimser.
Yapay zeka, amacı programcı olmayan bir kullanıcının geleneksel olarak kabul edilen entelektüel sorunlarını belirleyip çözmesine, bir bilgisayarla doğal dilin sınırlı bir alt kümesinde iletişim kurmasına olanak tanıyan donanım ve yazılım geliştirmek olan bir bilgisayar bilimi dalıdır.
İÇİNDEKİLER
Bölüm 1. Yapay Zeka
1.1. Yapay Zeka Sistemlerine Giriş
1.1.1. Yapay zeka kavramı
1.1.2. Rusya'da yapay zeka
1.1.3. Yapay zeka sisteminin işlevsel yapısı
1.2. Yapay zekanın gelişimi için talimatlar
1.3. Veri ve bilgi. Akıllı sistemlerde bilginin temsili
1.3.1. Veri ve bilgi. Temel tanımlar
1.3.2. Bilgi temsil modelleri
1.4. Uzman sistemler
1.4.1. Uzman sistem yapısı
1.4.2. Uzman sistemlerin geliştirilmesi ve kullanılması
1.4.3. Uzman sistemlerin sınıflandırılması
1.4.4. Uzman sistemlerde bilginin temsili
1.4.5. Uzman sistemler oluşturmak için araçlar
1.4.6. Uzman sistem geliştirme teknolojisi
Bölüm 1 için test soruları ve ödevler
Bölüm 1 için Referanslar
Bölüm 2. Mantıksal programlama
2.1. Programlama metodolojileri
2.1.1. Zorunlu programlama metodolojisi
2.1.2. Nesne yönelimli programlama metodolojisi
2.1.3. Fonksiyonel programlama metodolojisi
2.1.4. Mantıksal programlama metodolojisi
2.1.5. Kısıt Programlama Metodolojisi
2.1.6. Sinir ağı programlama metodolojisi
2.2. Yüklem Hesabına ve Teorem Kanıtına Kısa Bir Giriş
2.3. Prolog'da Çıkarım Süreci
2.4. Prolog dilinde program yapısı
2.4.1. Bileşik Nesneleri Kullanma
2.4.2. Alternatif alan adlarını kullanma
2.5. Prolog'da tekrarı düzenleme
2.5.1. Başarısızlıktan sonra geri alma yöntemi
2.5.2. Kes ve geri alma yöntemi
2.5.3. Basit özyineleme
2.5.4. Genelleştirilmiş yineleme kuralı (GRR) yöntemi
2.6. Prolog'daki listeler
2.6.1. Listelerdeki işlemler
2.7. Prolog'daki dizeler
2.7.1. Dize İşlemleri
2.8. Prolog'daki dosyalar
2.8.1. Dosyalarla çalışmak için prolog yüklemleri
2.8.2. Dosya alanı açıklaması
2.8.3. Dosyaya yaz
2.8.4. Bir dosyadan okuma
2.8.5. Mevcut bir dosyayı değiştirme
2.8.6. Mevcut bir dosyanın sonuna ekleme
2.9. Prolog'da dinamik veritabanları oluşturma
2.9.1. Prolog'daki veritabanları
2.9.2. Prolog'da Dinamik Veritabanı Tahminleri
2.10. Uzman sistemlerin oluşturulması
2.10.1. Uzman sistem yapısı
2.10.2. Bilgi temsili
2.10.3. Para Çekme Yöntemleri
2.10.4. Kullanıcı Arayüzü Sistemi
2.10.5. Kural tabanlı uzman sistem
Bölüm 2 için test soruları ve ödevler
Bölüm 2 için Referanslar
Bölüm 3. Sinir ağları
3.1. Sinir Ağlarına Giriş
3.2. Yapay nöron modeli
3.3. Sinir ağlarının uygulanması
3.4. Sinir ağı eğitimi
3. Bölüm için test soruları ve ödevler
Bölüm 3 için referanslar.
E-kitabı uygun bir formatta ücretsiz indirin, izleyin ve okuyun:
Yapay Zekanın Temelleri kitabını indirin, Borovskaya E.V., Davydova N.A., 2016 - fileskachat.com, hızlı ve ücretsiz indirin.
öğretici « DBMS: Örneklerde ve problemlerde SQL dili”, I.F. Astakhova, A.P. Todstobrova, V.M. Melnikova, V.V. Fertikova tarafından 2007 yılında FIZMATLIT yayınevi tarafından basılan ve Eğitim ve Bilim Bakanlığı tarafından onaylanan çeşitli örnekler, problemler ve alıştırmalar içermektedir. "Uygulamalı Matematik ve Bilgisayar Bilimleri" alanında veritabanlarına sahip bilgi sistemlerine yönelik bir eğitim kursunun parçası olarak SQL dilinin temellerini incelemek için pratik ve laboratuvar dersleri sağlamak için karmaşıklık dereceleri. Veritabanlarını kullanan bilgi sistemleri şu anda modern bilgisayar teknolojisinin en önemli alanlarından birini temsil etmektedir. Modern yazılım pazarının çoğu bu alanla ilişkilidir. SQL dilinin modern bilgi teknolojilerinde kapladığı yer göz önüne alındığında, bu alanda çalışan her uzman için bu dilin bilgisi gereklidir. Bu nedenle pratik gelişimi, bilgi sistemlerini veritabanlarıyla incelemeyi amaçlayan eğitim kurslarının ayrılmaz bir parçasıdır. Şu anda, bu tür dersler bir dizi üniversite uzmanlığının müfredatına dahil edilmiştir. Öğrencilerin SQL dilinde istikrarlı beceriler edinme fırsatına sahip olmalarını sağlamak için, ilgili eğitim kursunun, dilin temellerine teorik olarak aşina olmanın yanı sıra, mutlaka yeterince büyük miktarda laboratuvar alıştırmaları içermesi gerektiğine şüphe yoktur. pratik kullanımı hakkında. Önerilen ders kitabı öncelikle bu tür faaliyetler için metodolojik destek sağlamayı amaçlamaktadır. Bu bağlamda, SQL sorgularının hazırlanmasında pratik örneklerin, görevlerin ve değişen karmaşıklık derecelerindeki alıştırmaların seçimine odaklanarak, akademik dönem boyunca pratik dil öğrenme oturumlarının gerçekleştirilmesine olanak tanır.
Ders Kitabı “Yapay Zeka Sistemleri. Astakhova I.F., Chulyukova V.A., Potapov A.S., Milovskaya L.S., Kashirina I.L., Bogdanova M.V., Prosvetova Yu.V.'nin klasik üniversite eğitimine göre UMO damgasına sahip olan ve BINOM yayınevleri tarafından yayınlanan "Uygulamalı Kurs". BİLGİ LABORATUVARI ve PHYSMATLIT 2008 yılında “Veri Bankaları ve Uzman Sistemler”, “Veritabanları ve Uzman Sistemler”, “Yapay Zeka Sistemleri”, “Bilgi Akıllı Sistemler” disiplinlerinde ders ve laboratuvar dersleri için hazırlanmıştır. Bu kitap, son yıllarda yüksek öğretim kurumları için çok az yerli eğitim literatürünün bulunduğu bilgisayar bilimleri alanına ayrılmıştır. Çeviri kitapların bilimsel yayın olma olasılığı ders kitaplarından daha yüksektir. Öğrencilerin bilgisayarda gerçekleştirecekleri ve bilgi, beceri ve yetenekler kazanacakları (yeterlilik temelli eğitim yaklaşımı açısından) birçok örnek, laboratuvar görevi bulmak gerekiyordu.
Bu ders kitabının benzer yayınlardan temel avantajı ve önemli farkı, içinde yaklaşık 100 örnek, 235 alıştırma, kapsanan materyalin tekrarı için 79 soru, 6 farklı yazılım ürününün çalışıldığı 11 laboratuvar çalışmasının bulunmasıdır.
Bibliyografik bağlantı
Astakhova I.F., Tolstobrov A.P., Chulyukov V.A., Potapov A.S. ÖĞRETİM KILAVUZU “DBMS: ÖRNEKLER VE GÖREVLERDE SQL DİLİ”, “YAPAY ZEKA. UYGULAMALI DERS" // Bilim ve eğitimin modern sorunları. – 2009. – Sayı 1.;URL: http://science-education.ru/ru/article/view?id=901 (erişim tarihi: 17.09.2019). "Doğa Bilimleri Akademisi" yayınevinin yayınladığı dergileri dikkatinize sunuyoruz
