Školiaci kurz systémov umelej inteligencie. Systémy umelej inteligencie

1

Návod « DBMS: Jazyk SQL v príkladoch a úlohách, od Astakhova I.F., Todstobrova A.P., Melnikova V.M., Fertikova V.V., vydané FIZMATLIT v roku 2007 a certifikované Ministerstvom školstva a vedy, obsahuje výber príkladov a cvičení rôzneho stupňa zložitosti zabezpečiť praktické a laboratórne vyučovanie základov jazyka SQL v rámci školenia venovaného informačným systémom s databázami v smere školenia a odboru "Aplikovaná matematika a informatika". Informačné systémy využívajúce databázy sú v súčasnosti jednou z najdôležitejších oblastí modernej výpočtovej techniky. S touto oblasťou je spojená veľká časť moderného softvérového trhu. Vzhľadom na miesto, ktoré jazyk SQL zaujíma v moderných informačných technológiách, je jeho znalosť nevyhnutná pre každého odborníka pracujúceho v tejto oblasti. Preto je jeho praktický rozvoj neoddeliteľnou súčasťou školení zameraných na štúdium informačných systémov s databázami. V súčasnosti sú takéto kurzy zahrnuté do učebných osnov viacerých univerzitných špecializácií. Je nepochybné, že na to, aby študenti mali možnosť získať stabilné zručnosti v jazyku SQL, musí príslušný vzdelávací kurz okrem teoretického oboznámenia sa so základmi jazyka nevyhnutne obsahovať dostatočne veľké množstvo laboratórnych cvičení o jeho praktickom využití. . Navrhovaná učebnica je zameraná predovšetkým na metodickú podporu práve tohto druhu hodín. V tomto smere sa zameriava na výber praktických príkladov, úloh a cvičení rôzneho stupňa zložitosti pri zostavovaní SQL dotazov, ktoré umožňujú viesť praktické hodiny jazykového vzdelávania počas akademického semestra.

Učebnica „Systémy umelej inteligencie. Praktický kurz“ od Astakhova I.F., Chulyukov V.A., Potapov A.S., Milovskoy L.S., Kashirina I.L., Bogdanova M.V., Prosvetova Yu.V. klasické univerzitné vzdelanie a vydané vydavateľstvami BINOM. ZNALOSTNÉ LABORATÓRIUM a FIZMATLIT v roku 2008 pripravené na prednášky a laboratórne cvičenia v odboroch „Dátové banky a expertné systémy“, „Databázové a expertné systémy“, „Systémy umelej inteligencie“, „Informačné inteligentné systémy“. Táto kniha je venovaná smerovaniu informatiky, v ktorej je v posledných rokoch veľmi málo domácej vzdelávacej literatúry pre vysoké školy. Preložené knihy sú skôr vedecké publikácie ako učebnice. Bolo potrebné vymyslieť množstvo príkladov, laboratórnych úloh, ktoré by žiaci vykonávali na počítači a získavali vedomosti, zručnosti a schopnosti (v zmysle kompetenčného prístupu k vzdelávaniu).

Hlavnou výhodou a výrazným rozdielom tejto učebnice od podobných publikácií je prítomnosť v nej asi 100 príkladov, 235 cvičení, 79 otázok na zopakovanie preberanej látky, 11 laboratórnych prác, v ktorých sa študuje 6 rôznych softvérových produktov.

Bibliografický odkaz

Astakhova I.F., Tolstobrov A.P., Chulyukov V.A., Potapov A.S. TUTORIÁLY "DBMS: JAZYK SQL V PRÍKLADOCH A ÚLOHÁCH", "UMELÁ INTELIGENTNOSŤ. PRAKTICKÝ KURZ“ // Moderné problémy vedy a vzdelávania. - 2009. - č. 1.;
URL: http://science-education.ru/ru/article/view?id=901 (dátum prístupu: 17.09.2019). Dávame do pozornosti časopisy vydávané vydavateľstvom "Academy of Natural History"

FEDERÁLNA AGENTÚRA PRE VZDELÁVANIE

ŠTÁTNA VZDELÁVACIA INŠTITÚCIA

VYŠŠIE ODBORNÉ VZDELANIE

"ŠTÁTNA TECHNICKÁ UNIVERZITA VOLGOGRAD"

KAMYSHINSKÝ TECHNOLOGICKÝ INŠTITÚT (POBOČKA)

SEI HPE "ŠTÁTNA TECHNICKÁ UNIVERZITA VOLGOGRAD"

PRAKTICKÝ KURZ DISCIPLÍNY "SYSTÉMY UMELEJ INTELIGENCE"

Vzdelávacie elektronické vydanie

Volgograd

NL - prirodzený jazyk

AI – umelá inteligencia

LP - logika predikátov

rozhodovateľ – rozhodovateľ

MT - Turingov stroj

PGA - jednoduchý genetický algoritmus

PPF je dobre vytvorený vzorec

PRO - primitívny rekurzívny operátor

PRF - primitívna rekurzívna funkcia

RF - rekurzívna funkcia

SNI - systém umelej inteligencie

FP - fitness funkcia

TF - objektívna funkcia

ES - expertný systém

ÚVOD

Umelá inteligencia bola spočiatku považovaná za vedu o vytváraní mysliacich strojov. Táto oblasť bola považovaná za svätý grál informatiky. Umelá inteligencia sa postupom času vyvinula do pragmatickejšej disciplíny. Táto oblasť stále zahŕňa štúdium mechanizmov myslenia. V rámci umelej inteligencie sa zvažujú rôzne stratégie počítačového riešenia zložitých praktických problémov. Dnes sa navyše ukázalo, že samotný intelekt je príliš zložitá entita, ktorú nemožno opísať v rámci jednej teórie. Rôzne teórie ho opisujú na rôznych úrovniach abstrakcie. Učenie na najnižšej úrovni poskytujú neurónové siete, ktoré rozpoznávajú stroje, genetické algoritmy a iné formy výpočtov, ktoré modelujú schopnosť prispôsobiť sa, vnímať a interagovať s fyzickým svetom. Tvorcovia expertných systémov, inteligentní agenti, stochastické modely a systémy porozumenia prirodzenému jazyku pracujú na vyššej úrovni abstrakcie. Táto úroveň zohľadňuje úlohu sociálnych procesov pri tvorbe, prenose a extrakcii vedomostí. Najvyššia úroveň abstrakcie zahŕňa logické prístupy, vrátane deduktívnych, abduktívnych modelov, systémov podpory pravdy a iných foriem a metód uvažovania.

Táto príručka načrtáva základy niektorých teórií nízkej úrovne s praktickými úlohami na štúdium algoritmov založených na ustanoveniach týchto teórií. Konkrétne sa uvažuje o základoch teórie rozpoznávania vzorov s úlohou študovať lineárne diskriminačné funkcie a funkcie podobnosti; teória umelých neurónových sietí s formuláciou problému štúdia vlastností umelých neurónových sietí na problém rozpoznávania vzorov; genetické algoritmy s formuláciou problému štúdia ich vlastností pri hľadaní extrému funkcie. Na plnenie výskumných úloh je potrebné vedieť programovať v akomkoľvek programovacom jazyku, najlepšie objektovo orientovanom.

1.1. Pôvod teórie umelej inteligencie

1.1.1. Koncept umelej inteligencie

Termín inteligenciu(inteligencia) pochádza z latinského intellectus, čo znamená myseľ, rozum, myseľ, duševné schopnosti človeka. Respektíve umela inteligencia(AI, v anglickom ekvivalente: umelá inteligencia, AI) je vlastnosť automatických systémov preberať jednotlivé funkcie ľudskej inteligencie.

Akákoľvek umelá inteligencia je modelom rozhodovania, ktoré vykonáva prirodzená inteligencia človeka. Umelá inteligencia môže tvrdiť, že je porovnateľná s prirodzenou inteligenciou, za predpokladu, že kvalita generovaných riešení nie je horšia ako priemerná prirodzená inteligencia.

1.1.2. Umelá inteligencia v automatizačnej slučke

V takýchto systémoch je zavedená regulačná slučka ten, kto robí rozhodnutia(LPR).

Osoba s rozhodovacou právomocou má svoj vlastný systém preferencií, pokiaľ ide o kritérium riadenia objektu a dokonca aj účel existencie objektu. Osoba s rozhodovacou právomocou najčastejšie nesúhlasí, aspoň čiastočne, s režimami, ktoré ponúka tradičný ACS. Osoba s rozhodovacou právomocou riadi spravidla hlavné parametre systému, zatiaľ čo zvyšok je riadený lokálnymi riadiacimi systémami. V riadiacej slučke je problém automatizácie činnosti osôb s rozhodovacou právomocou.

AI je smer výskumu, ktorý vytvára modely a zodpovedajúce softvérové ​​nástroje, ktoré umožňujú pomocou počítačov riešiť problémy tvorivého, nevýpočtového charakteru, ktoré si v procese riešenia vyžadujú apel na sémantiku (problém významu).

AI je softvérový systém, ktorý simuluje ľudské myslenie na počítači. Na vytvorenie takéhoto systému je potrebné študovať proces myslenia osoby s rozhodovacou právomocou, zdôrazniť hlavné kroky tohto procesu, vyvinúť softvér, ktorý tieto kroky reprodukuje na počítači.

1.1.3. Pojem intelektuálna úloha a činnosť

Znakom ľudskej inteligencie je schopnosť riešiť intelektuálne problémy získavaním, zapamätávaním a cieľavedomým pretváraním vedomostí v procese učenia sa zo skúseností a prispôsobovania sa rôznym okolnostiam.

Intelektuálne úlohy- problémy, formálne členenie procesu hľadania riešenia do samostatných elementárnych krokov sa často ukazuje ako veľmi náročné, aj keď ich samotné riešenie nie je náročné.

Činnosť mozgu, zameranú na riešenie intelektuálnych problémov, nazveme myslením alebo intelektuálnou činnosťou.

Intelektuálna činnosť znamená schopnosť odvodiť, generovať, navrhnúť riešenie, ktoré nie je explicitne a pripravené v systéme. Odvodzovanie riešení je možné len vtedy, ak existuje vnútorná reprezentácia znalostí v systéme ( modely vonkajšieho sveta) - formalizovaná reprezentácia vedomostí o vonkajšom svete (automatizovaná predmetná oblasť).

1.1.4. Prvé kroky v histórii umelej inteligencie

Prvé programy, ktoré implementujú vlastnosti intelektuálnej činnosti:

1. Strojový preklad (1947). V ZSSR bola od roku 1955 práca v oblasti strojového prekladu spojená s, . Úloha strojového prekladu si vyžadovala oddelenie znalostí od kódu. Objavenie sa sprostredkovateľského jazyka znamenalo prvý pokus o vytvorenie jazyka pre vnútornú reprezentáciu vedomostí.

2. Automatizované odkazovanie a vyhľadávanie informácií (1957, USA). Myšlienka izolácie systému spojení-vzťahov medzi jednotlivými faktami, stelesnená v koncepte tezauru.

3. Dôkaz teorémov (1956, USA). Vznik programu na dokazovanie výrokových logických viet: „Logic-Theorist“. V roku 1965 sa objavila metóda rezolúcie (J. Robinson, USA), v roku 1967 metóda reverzná (, ZSSR). Metódy implementujú myšlienku použitia heuristický– experimentálne pravidlá na zníženie enumerácie možností pri odvodzovaní riešenia.

4. Rozpoznávanie vzorov (začiatok 60. rokov). Myšlienky teórie rozpoznávania súvisiace s učením sa nájsť rozhodovacie pravidlo na súbore pozitívnych a negatívnych príkladov.

V roku 1956 zorganizovali K. Shannon, M. Minsky a J. McCarthy v Dartmouthe (USA) konferenciu, na ktorej zhrnuli praktické skúsenosti s vývojom intelektuálnych programov.

1.1.5. Vytvorenie teoretickej základne

V roku 1969 sa vo Washingtone DC konala Prvá medzinárodná konferencia o umelej inteligencii (IJCAI). V roku 1976 začal vychádzať medzinárodný časopis „Artificial Intelligence“. V priebehu 70-tych rokov sa formovali hlavné teoretické smery výskumu v oblasti inteligentných systémov:

− reprezentácia znalostí, formalizácia poznatkov o vonkajšom prostredí, vytvorenie vnútorného modelu vonkajšieho sveta;

− komunikácia, vytváranie jazykov interakcie medzi systémom a používateľom;

− uvažovanie a plánovanie, rozhodovanie v alternatívnych situáciách;

− vnímanie (strojové videnie), získavanie údajov z vonkajšieho prostredia;

− školenie, získavanie vedomostí zo skúseností s fungovaním systému;

- aktivita, aktívne správanie systému na základe vlastných cieľov fungovania.

1.1.6. Filozofické problémy teórie umelej inteligencie

V tejto podsekcii sú uvedené hlavné otázky a niektoré komentáre k často a široko diskutovaným problémom v teórii umelej inteligencie.

Dá sa inteligencia reprodukovať? Samoreprodukcia je teoreticky možná. Základnú možnosť automatizácie riešenia intelektuálnych problémov pomocou počítača poskytuje vlastnosť algoritmickej univerzálnosti. Netreba si však myslieť, že počítače a roboty môžu v zásade vyriešiť akékoľvek problémy. Existujú algoritmicky neriešiteľné problémy.

Aký je účel vytvorenia umelej inteligencie? Predpokladajme, že sa človeku podarilo vytvoriť intelekt, ktorý prevyšuje jeho vlastný intelekt (ak nie kvalitou, tak kvantitou). Čo sa teraz stane s ľudstvom? Akú úlohu bude hrať osoba? Prečo je teraz potrebný? A vôbec, je v zásade potrebné vytvárať AI? Zrejme najprijateľnejšou odpoveďou na tieto otázky je koncept „zosilňovača inteligencie“.

Je bezpečné vytvárať umelú inteligenciu? Vďaka inteligencii a komunikačným schopnostiam, ktoré sú mnohonásobne väčšie ako ľudské, sa technológia stane silnou nezávislou silou schopnou pôsobiť proti svojmu tvorcovi.

1.1.7. Oblasti použitia

1. Spracovanie prirodzených jazykov, rozpoznávanie obrazov, reči, signálov, ako aj tvorba modelov inteligentných rozhraní, finančné prognózovanie, extrakcia dát, diagnostika systému, monitorovanie siete, šifrovanie dát (smer - neurónové siete).

2. Nanotechnológie, problematika samousporiadania, sebakonfigurácie a samoliečenia systémov pozostávajúcich z mnohých súčasne fungujúcich uzlov, multiagentové systémy a robotika (smer - evolučné počítanie).

3. Hybridné riadiace systémy, spracovanie obrazu, nástroje na vyhľadávanie, indexovanie a analýzu významu obrázkov, rozpoznávanie a klasifikácia obrázkov (smer - fuzzy logika).

4. Lekárska diagnostika, školenia, poradenstvo, automatické programovanie, kontrola a analýza kvality programov, návrh veľmi veľkých integrovaných obvodov, technická diagnostika a tvorba odporúčaní pre opravy zariadení, plánovanie v rôznych tematických oblastiach a analýza dát (smer - expertné systémy (ES )).

5. Transportné problémy, distribuované výpočty, optimálne zaťaženie zdrojov (smer - metódy redukcie enumerácie).

6. Vývoj rozsiahlych systémov návrhu softvéru, generovanie kódu, overovanie, testovanie, hodnotenie kvality, identifikácia možnosti opätovného použitia, riešenie problémov na paralelných systémoch (smer - intelektuálne inžinierstvo).

7. Vytváranie plne automatizovaných kybernetických závodov.

8. Hry, sociálne správanie ľudských emócií, tvorivosť.

9. Vojenská technika.

1.2. Architektúra systémov umelej inteligencie

1.2.1. Prvky architektúry AIS

Architektúra systému umelej inteligencie(SII) - organizácia štruktúry, v rámci ktorej sa prijímajú rozhodnutia a poznatky sa aplikujú v určitej oblasti. Najvšeobecnejšia schéma SII je znázornená na obr. 1. V tejto podobe neexistuje jediný skutočný AIS, niektoré bloky môžu chýbať. V SII sú vždy len dva bloky: vedomostná základňa a inferenčný engine.

Zvážte hlavné typy AIS v automatizovaných systémoch spracovania a riadenia informácií:

− riadenie procesov SII;

− IIS na diagnostiku;

− AIS pre plánovanie a dispečing;

− inteligentné roboty.

https://pandia.ru/text/78/057/images/image005_133.gif" width="357" height="360 src=">

Ryža. 1. Zovšeobecnená schéma SII

1.2.2. Riadenie procesov ISIS

Architektúra procesného riadenia ISIS je znázornená na obr. 2.

Vlastnosti tohto systému:

− využitie technologických informácií na riadenie (namerané charakteristiky produktu o parametroch a štruktúre zariadenia);

− mechanizmus odvodenia sa používa na úpravu údajov a vypracovanie odporúčaní a kontrolných rozhodnutí;

− potreba pracovať v reálnom čase;

− potreba implementácie časového zdôvodnenia (berúc do úvahy meniace sa podmienky).

Práca systému je organizovaná na troch úrovniach:

- znalostná báza (KB) zahŕňa pravidlá riešenia problémov, postupy riešenia problémov, údaje o problémovej oblasti, to znamená na úrovni znalostných báz je organizovaná samotná technológia a celá stratégia riadenia procesov;

− pracovná pamäť obsahuje informácie o špecifikovaných charakteristikách a údaje o posudzovanom procese (DB);

− mechanizmus vyvodzovania (v konvenčnom systéme je to regulátor) obsahuje všeobecný kontrolný mechanizmus na dosiahnutie konečného cieľa (prijateľného riešenia).

Dôležitou súčasťou sú bloky komunikácie medzi technologickým procesom s databázou a bázou znalostí (bloky „Analýza dát“ a „Procesné dáta“). Poskytujú používateľovi vyššiu úroveň prístupu k výrobným informáciám o technologickom procese z objektov nižšej úrovne, t.j. aktualizujú obsah databázy a znalostnej bázy. Bloky tiež poskytujú monitorovacie funkcie na predchádzanie kritickým situáciám.

Zdôvodnenie a vysvetlenie vyváženosti a primeranosti reakcie systému na vývoj výrobnej situácie poskytujú bloky „Dialógové rozhranie“ a „Riadiace dáta“.

https://pandia.ru/text/78/057/images/image007_118.gif" width="357" height="149 src=">

Ryža. 2. Štruktúra procesného riadenia FIS

1.2.3. AIS na diagnostiku

Tento systém sa v podstate nelíši od predchádzajúceho systému. A keďže znaky rôznych defektov sa môžu do značnej miery zhodovať a ich prejavy môžu byť nejednotné, potom v týchto systémoch existujú podrobnejšie zložky odôvodnenia a vysvetlenia diagnózy. Preto veľmi často v takýchto systémoch zavádzajú hodnotenie rozhodnutí z hľadiska subjektívnej pravdepodobnosti.

1.2.4. AIS robotických liniek a flexibilných výrobných systémov

Charakteristickým znakom takýchto systémov je prítomnosť modelu sveta. Robotický systém pracuje vo svojich špecifických podmienkach a v zásade je možný podrobný popis tohto prostredia. Tento matematický model prostredia je tzv model vonkajšieho sveta. Je hlavným obsahom KB robota AI a ďalšou časťou KB sú znalosti o cieľoch systému (obr. 3).

https://pandia.ru/text/78/057/images/image009_112.gif" width="294" height="100 src=">

Ryža. 3. AIS robotických liniek a flexibilných výrobných systémov

Systém vnímania stavu životného prostredia zahŕňa:

− snímače priamo spojené s vonkajším prostredím;

− podsystém predbežného spracovania;

− blok segmentácie prvkov;

− symbolický popis stavu životného prostredia;

− sémantický popis stavu životného prostredia;

− blok tvorby modelu stavu životného prostredia.

Inferenčný mechanizmus alebo systém plánovania správania určuje pôsobenie robota vo vonkajšom prostredí v dôsledku aktuálnej situácie a podľa globálneho cieľa. Zahŕňa:

− rozhodovacie inferenčné systémy;

− blok plánovania pohybu akčných členov.

Systém vykonávania akcií zahŕňa:

− podsystém riadenia pohonu;

− pohon;

− výkonné zariadenia.

1.2.5. Plánovanie a dispečing AIS

Účel: vyriešiť problémy operatívneho riadenia, porovnanie výsledkov monitorovania fungovania objektu z hľadiska plánovaných cieľov, ako aj monitorovania (obr. 4).

Monitorovanie– nepretržitá alebo periodická interpretácia signálov a vydávanie správ v situáciách, ktoré si vyžadujú zásah.

Vlastnosťou týchto systémov je akcia v reálnom čase, komunikácia s distribuovanou databázou integrovaného riadiaceho systému. Takýto systém je potrebný, keďže dáta IS sú súčasťou riadiacich systémov.

https://pandia.ru/text/78/057/images/image011_89.gif" width="365" height="167 src=">

Ryža. 4. Plánovanie a dispečing AIS

1.3. Problém reprezentácie znalostí v AIS

1.3.1. Vedomosti a údaje

Problém reprezentácie znalostí sa ukázal ako jeden z problémov AI. Je spojená s vytváraním prakticky užitočných systémov, predovšetkým ES, používaných v medicíne, geológii a chémii. Vytvorenie takýchto systémov si vyžaduje intenzívne úsilie o formalizáciu poznatkov nahromadených v príslušnej vede.

Pojem „reprezentácia znalostí“ sa spája s určitou etapou vývoja počítačového softvéru. Ak v prvej fáze dominovali programy a údaje zohrávali pomocnú úlohu akousi „potravou“ pre „hladné“ programy, v ďalších fázach sa úloha údajov neustále zvyšovala. Ich štruktúra sa skomplikovala: zo strojového slova umiestneného v jednej pamäťovej bunke počítača došlo k prechodu na vektory, polia, súbory, zoznamy. Korunou tohto vývoja boli abstraktné dátové typy – triedy. Dôsledný vývoj dátových štruktúr viedol k ich kvalitatívnej zmene a k prechodu od reprezentácie dát k reprezentácii znalostí.

získavanie vedomostí

Úroveň reprezentácie znalostí sa líši od úrovne reprezentácie údajov nielen v zložitejšej štruktúre, ale aj v podstatných znakoch: interpretovateľnosť, prítomnosť klasifikovaných vzťahov, prítomnosť situačné vzťahy(simultánnosť, bytie v rovnakom bode priestoru a pod., tieto vzťahy určujú situačnú kompatibilitu určitých poznatkov uložených v pamäti). Okrem toho je úroveň vedomostí charakterizovaná takými vlastnosťami, ako je prítomnosť špeciálnych postupov na zovšeobecnenie, doplnenie vedomostí dostupných v systéme a množstvo ďalších postupov.

Prezentácia údajov má pasívny aspekt: ​​kniha, tabuľka, pamäť plná informácií. Teória AI zdôrazňuje aktívny aspekt reprezentácie znalostí: získavanie vedomostí by sa mala stať aktívnou operáciou, ktorá umožňuje nielen zapamätať si, ale aj aplikovať vnímané (nadobudnuté, asimilované) poznatky na uvažovanie na ich základe.

1.3.2. Myšlienka samovyvíjajúcich sa strojov

Výskum v oblasti AI vznikol pod vplyvom myšlienok kybernetiky - predovšetkým myšlienky zhody procesov riadenia a prenosu informácií v živých organizmoch, spoločnosti a technológii, najmä v počítačoch.

Filozofická prijateľnosť problému AI v jeho tradičnej forme bola spôsobená základnou predstavou, že poradie a spojenie myšlienok je rovnaké ako poradie a spojenie vecí. Takže vytvoriť štruktúru v počítači, ktorá reprodukuje „svet ideí“, znamenalo jednoducho vytvoriť štruktúru izomorfnú so štruktúrou materiálneho sveta, to znamená vybudovať „elektronický model sveta“. Tento model bol považovaný za počítačový model – model ľudského poznania sveta. Proces ľudského myslenia bol v počítači interpretovaný ako strojové hľadanie takých transformácií modelu, ktoré mali preniesť počítačový model do nejakého konečného stavu. AIS potreboval vedieť vykonávať modelové stavové transformácie vedúce k vopred stanovenému cieľu – stavu s určitými vlastnosťami. Spočiatku bola rozšírená viera v zásadnú schopnosť počítača samostatne študovať model v ňom uložený, teda samostatne sa naučiť stratégiu na dosiahnutie stanoveného cieľa.

Táto hypotetická schopnosť bola interpretovaná ako možnosť strojovej tvorivosti, ako základ pre vytvorenie budúcich „mysliacich strojov“. A hoci v skutočne vyvinutých systémoch sa dosiahnutie cieľa uskutočňovalo na základe ľudských skúseností pomocou algoritmov založených na teoretickej analýze vytvorených modelov a výsledkov experimentov na nich vykonaných, myšlienky budovania seba samého -vzdelávacie systémy sa mnohým zdali najsľubnejšie. Až v 80-tych rokoch 20. storočia sa uvedomil význam problému využívania ľudských vedomostí o realite v intelektuálnych systémoch, čo viedlo k vážnemu rozvoju znalostných báz a metód získavania osobných poznatkov odborníkov.

1.3.3. Reflexia ako súčasť intelektuálnej činnosti

S rozvojom tohto smeru vznikla myšlienka reflexnej kontroly. Doposiaľ sa v kybernetike riadenie považovalo za prenos signálov na objekt, ktorý priamo ovplyvňuje jeho správanie a účinnosť riadenia sa dosahovala pomocou spätnej väzby – získavania informácií o reakciách riadeného objektu. reflexívne rovnaký ovládanie- dochádza k prenosu informácií, ktoré ovplyvňujú objektový obraz sveta. Spätná väzba sa teda ukazuje ako nadbytočná - stav subjektu je známy vysielajúcej informácii, teda objektu.

Tradičný AIS je založený na ideológii cieľovo orientovaného správania ako je šachová hra, kde cieľom oboch partnerov je dať mat za cenu akejkoľvek obete. Nie je náhoda, že šachové programy sa ukázali ako také dôležité pre rozvoj metód AI.

Analýza fungovania vlastného modelu alebo modelu „celej okolitej reality“ (v rámci úlohy), kontrola nad jej stavom, prognózovanie stavu nie je nič iné ako realizácia reflexie. Reflexia je istá metaúroveň. S použitím vysokoúrovňových programovacích jazykov, ako je Prolog, ktorý vám umožňuje formulovať ciele a vytvárať logické závery o dosiahnuteľnosti týchto cieľov, je už úloha implementácie reflexie čiastočne vyriešená. S ich pomocou môžete vybudovať akúsi nadstavbu, akúsi metaúroveň, ktorá vám umožní vyhodnotiť správanie tej predchádzajúcej. Keď však uvažujeme o pojmoch „hlboká reflexia“ alebo „viacúrovňová reflexia“, vzniká problém vytvárania modelov samotným systémom. Tu prichádzajú na pomoc abstraktné dátové typy. Umožňujú vám pracovať s dátovými štruktúrami akejkoľvek konečnej zložitosti. Môžeme teda predpokladať, že systémy umelej inteligencie môžu obsahovať model odrazu.

Nemožno teda považovať intelektuálny systém za úplný bez schopnosti hodnotiť, „chápať“ svoje činy, teda reflektovať. Okrem toho by sa reflexia mala považovať za jeden z hlavných nástrojov na konštruovanie správania systémov. V jazyku matematiky je reflexia nevyhnutnou podmienkou existencie intelektuálneho systému.

1.3.4. Jazyky reprezentujúce znalosti

V určitom zmysle každý počítačový program obsahuje znalosti. Bublinový triediaci program obsahuje znalosti programátora o tom, ako usporiadať prvky zoznamu. Pochopiť podstatu počítačového programu, ktorý rieši problém triedenia zoznamov, nie je vôbec jednoduché. Obsahuje znalosti programátora o spôsobe riešenia problému, ale okrem týchto znalostí obsahuje aj ďalšie:

− ako manipulovať s jazykovými konštrukciami používaného programovacieho jazyka;

− ako dosiahnuť vysokú výkonnosť programu;

- ako zvoliť vhodné metódy riešenia konkrétnych problémov spracovania dát, ktoré však zohrávajú dôležitú úlohu pri dosahovaní konečného výsledku, a ako organizovať riadenie procesu.

Jazyky reprezentujúce znalosti sú jazyky na vysokej úrovni špeciálne navrhnuté tak, aby explicitne kódovali fragmenty ľudských vedomostí, ako sú pravidlá vplyvu a súbor vlastností typických objektov, a vysoká úroveň jazyka sa prejavuje v tom, že technické detaily reprezentácie vedomostí mechanizmus sú skryté pred používateľom, pokiaľ je to možné. Na rozdiel od konvenčnejších programovacích jazykov sú jazyky reprezentujúce znalosti výnimočne ekonomické z hľadiska veľkosti kódu. Do veľkej miery je to spôsobené tým, že tlmočník jazyka sa stará o veľa maličkostí.

Napriek uvedeným výhodám takýchto jazykov by sme nemali zabúdať na existenciu určitých problémov pri ich aplikácii.

Prechod od opisu vedomostí o predmetnej oblasti vo všetkom zrozumiteľnom „ľudskom“ jazyku k ich reprezentácii vo forme akéhosi formalizmu vnímaného počítačom si vyžaduje určitú zručnosť, keďže je nemožné (aspoň dnes) popísať, ako mechanicky vykonať takúto transformáciu. Keďže možnosti dedukcie, ktorú môže program implementovať, priamo súvisia s výberom spôsobu reprezentácie znalostí, je to reprezentácia znalostí a nie ich extrakcia, čo je prekážkou v praxi navrhovania ES.

Tutoriál čitateľom predstaví históriu umelej inteligencie, modely reprezentácie znalostí, expertné systémy a neurónové siete. Popísané sú hlavné smery a metódy používané pri analýze, vývoji a implementácii inteligentných systémov. Zvažujú sa modely reprezentácie znalostí a metódy práce s nimi, metódy vývoja a tvorby expertných systémov. Kniha pomôže čitateľovi osvojiť si zručnosti logického návrhu doménových databáz a programovania v jazyku ProLog.
Pre študentov a učiteľov vysokých škôl pedagogických, učiteľov stredných škôl, gymnázií, lýceí.

Koncept umelej inteligencie.
Systém umelej inteligencie (AI) je softvérový systém, ktorý simuluje proces ľudského myslenia na počítači. Na vytvorenie takéhoto systému je potrebné naštudovať si samotný proces myslenia človeka, ktorý rieši určité problémy alebo sa rozhoduje v určitej oblasti, zdôrazniť hlavné kroky tohto procesu a vyvinúť softvérové ​​nástroje, ktoré ich reprodukujú v počítači. Metódy AI teda zahŕňajú jednoduchý štrukturálny prístup k vývoju komplexných softvérových rozhodovacích systémov.

Umelá inteligencia je odvetvie počítačovej vedy, ktorého účelom je vyvinúť hardvérové ​​a softvérové ​​nástroje, ktoré umožnia používateľovi, ktorý nie je programátorom, nastaviť a vyriešiť svoje tradične považované intelektuálne úlohy a komunikovať s počítačom v obmedzenej podmnožine prirodzeného jazyka.

OBSAH
Kapitola 1. Umelá inteligencia
1.1. Úvod do systémov umelej inteligencie
1.1.1. Koncept umelej inteligencie
1.1.2. Umelá inteligencia v Rusku
1.1.3. Funkčná štruktúra systému umelej inteligencie
1.2. Pokyny pre vývoj umelej inteligencie
1.3. Dáta a znalosti. Reprezentácia vedomostí v inteligentných systémoch
1.3.1. Dáta a znalosti. Základné definície
1.3.2. Modely reprezentácie znalostí
1.4. Expertné systémy
1.4.1. Štruktúra expertného systému
1.4.2. Vývoj a používanie expertných systémov
1.4.3. Klasifikácia expertných systémov
1.4.4. Reprezentácia znalostí v expertných systémoch
1.4.5. Nástroje na budovanie expertných systémov
1.4.6. Technológia vývoja expertných systémov
Kontrolné otázky a úlohy pre kapitolu 1
Literatúra ku kapitole 1
Kapitola 2 Logické programovanie
2.1. Metodiky programovania
2.1.1. Metodológia imperatívneho programovania
2.1.2. Metodika objektovo orientovaného programovania
2.1.3. Metodika funkcionálneho programovania
2.1.4. Metodika logického programovania
2.1.5. Metodika programovania s obmedzeniami
2.1.6. Metodika programovania neurónových sietí
2.2. Stručný úvod do predikátového počtu a dokazovania vety
2.3. Inferenčný proces v Prolog
2.4. Štruktúra programu v Prologu
2.4.1. Používanie zložených objektov
2.4.2. Používanie alternatívnych domén
2.5. Organizovanie opakovaní v Prologu
2.5.1. Metóda vrátenia po zlyhaní
2.5.2. Metóda cut and rollback
2.5.3. jednoduchá rekurzia
2.5.4. Generalized Recursion Rule Method (GRR)
2.6. Zoznamy v Prolog
2.6.1. Operácie na zoznamoch
2.7. Struny v Prologu
2.7.1. Operácie na strunách
2.8. Súbory v Prolog
2.8.1. Predikáty Prolog pre prácu so súbormi
2.8.2. Popis domény súboru
2.8.3. Zápis do súboru
2.8.4. Čítanie zo súboru
2.8.5. Úprava existujúceho súboru
2.8.6. Pripája sa na koniec existujúceho súboru
2.9. Vytváranie dynamických databáz v Prologu
2.9.1. Databázy na Prolog
2.9.2. Dynamické databázové predikáty v Prolog
2.10. Tvorba expertných systémov
2.10.1. Štruktúra expertného systému
2.10.2. Reprezentácia znalostí
2.10.3. Výstupné metódy
2.10.4. systém používateľského rozhrania
2.10.5. Expertný systém založený na pravidlách
Kontrolné otázky a úlohy pre kapitolu 2
Literatúra k 2. kapitole
Kapitola 3 Neurónové siete
3.1. Úvod do neurónových sietí
3.2. Model umelého neurónu
3.3. Aplikácia neurónových sietí
3.4. Tréning neurónovej siete
Kontrolné otázky a úlohy pre kapitolu 3
Literatúra k 3. kapitole.

Stiahnite si zadarmo e-knihu vo vhodnom formáte, pozerajte a čítajte:
Stiahnite si knihu Základy umelej inteligencie, Borovskaya E.V., Davydova N.A., 2016 - fileskachat.com, rýchle a bezplatné stiahnutie.

S.G. TOLMACHEV

UMELA INTELIGENCIA.

MODELY NEUROVEJ SIETE

Ministerstvo školstva a vedy Ruskej federácie Baltská štátna technická univerzita "Voenmeh"

Katedra spracovania informácií a riadiacich systémov

S.G. TOLMACHEV

UMELA INTELIGENCIA.

MODELY NEUROVEJ SIETE

Návod

Saint Petersburg

MDT 004.8(075.8) T52

Tolmachev, S.G.

T52 Systémy umelej inteligencie. Modely neurónových sietí: učebnica / S.G. Tolmachev; Balt. štát tech. un-t. - Petrohrad, 2011. 132 s.

ISBN 978-5-85546-633-1

Uvádzajú sa základné informácie o štruktúre a princípoch fungovania umelých neurónových sietí. Uvažuje sa o fungovaní formálneho neurónu, klasifikácii neurónových sietí podľa ich architektúry a typov učenia, typických formuláciách rôznych problémov neurónových sietí a metódach ich riešenia.

Je určený pre študentov vyšších ročníkov študujúcich v odboroch „Informačné systémy a technológie“ a „Automatizované systémy pre spracovanie a riadenie informácií“.

MDT 004,8 (075,8)

Odborní recenzenti: Dr. tech. vedy prof., prednosta. vedecký zamestnanec OJSC "Koncern "Granit-Electron"" S.N. Loptičky; cand. tech. vied, prof., prednosta. kaviareň I5 BSTU N.N. Smirnova

Schválené redakčnou a vydavateľskou radou univerzity

ÚVOD

Jedným z najsilnejších nástrojov na vytváranie inteligentných systémov sú umelé neurónové siete (ANN), ktoré modelujú základné mechanizmy spracovania informácií vlastné ľudskému mozgu. Je známe, že mozog funguje zásadne iným spôsobom a často efektívnejšie ako ktorýkoľvek počítač vyrobený človekom. Práve táto skutočnosť už dlhé roky motivuje vedcov k práci na tvorbe a výskume umelých neurónových sietí.

Mozog je mimoriadne zložitý systém spracovania informácií. Má schopnosť organizovať svoje štrukturálne komponenty, nazývané neuróny, tak, aby mohli vykonávať špecifické úlohy (rozpoznanie vzorov, senzorické spracovanie, motorické funkcie) mnohonásobne rýchlejšie ako dnešné najrýchlejšie počítače. Príkladom takejto úlohy je obyčajné videnie. Funkciou vizuálneho systému je vytvárať reprezentáciu sveta takým spôsobom, ktorý poskytuje možnosť interakcie s ním. Mozog postupne vykonáva rozpoznávacie úlohy (napríklad rozpoznávanie známej tváre v neznámom prostredí) a strávi na to 100–200 ms. Vykonávanie podobných úloh s menšou zložitosťou na počítači môže trvať niekoľko hodín.

Aby sme ocenili obrovskú výzvu postaviť stroj, ktorý funguje rovnako dokonale ako náš mozog, stačí sa zamyslieť nad niektorými rutinnými úlohami, ktoré vykonávame každý deň. Predpokladajme, že sedíte za stolom a v tomto čase do miestnosti vstúpi váš kolega, ktorý sa vrátil z dovolenky. Má na sebe nové tričko, slnečné okuliare na opálenej tvári a vyzerá trochu mladšie, pretože si oholil fúzy. Spoznávate ho? Nepochybne, keďže maskovanie nie je súčasťou jeho plánov. Počas rozhovoru sa vás opýta: „Kde je kniha, ktorú som ti dal prečítať?“. Otázku interpretujete ako žiadosť o vrátenie knihy. Potom sa pozrite na svoj stôl a

medzi knihami a hromadami papierov, ktoré na nej ležia, vidíš knihu, o ktorú ide, natiahneš k nej ruku, vyberieš ju z hromady dokumentov a podáš ju kolegovi. Takéto každodenné úlohy si od nás nevyžadujú veľké intelektuálne úsilie, no riešenie každej z nich zahŕňa veľa presne vypočítaných krokov. Zložitosť riešenia takýchto problémov možno pocítiť pri pokuse naprogramovať počítačový systém tak, aby rozpoznával objekty podľa ich vzhľadu alebo iných vlastností, rozhodoval sa v závislosti od kontextu atď.

Jednoduchším príkladom je sonar netopierov, čo je aktívny echolokačný systém. Okrem poskytovania informácií o vzdialenosti k požadovanému objektu vám tento lokátor umožňuje vypočítať parametre objektu ako sú relatívna rýchlosť, veľkosť jednotlivých prvkov a smer pohybu. Na extrakciu týchto informácií z prijatého signálu vykonáva malý mozog netopiera zložité nervové výpočty.

Čo umožňuje mozgu človeka alebo netopiera dosiahnuť takéto výsledky? Pri narodení má mozog už dokonalú štruktúru, ktorá mu umožňuje vybudovať si vlastné pravidlá založené na tom, čo sa zvyčajne nazýva skúsenosť. Skúsenosti sa časom hromadia až do posledných dní života človeka, pričom k veľkým zmenám dochádza najmä v prvých dvoch rokoch života.

Vývoj neurónov je spojený s konceptom plasticity mozgu - schopnosťou prispôsobiť nervový systém v súlade s podmienkami prostredia. Plasticita hrá najdôležitejšiu úlohu vo fungovaní neurónov ako základných jednotiek spracovania informácií v ľudskom mozgu. Podobne sú v ANN vyladené umelé neuróny. Vo všeobecnosti je ANN stroj, ktorý simuluje, ako mozog rieši konkrétny problém. Táto sieť je realizovaná pomocou elektronických komponentov (neuroprocesorov) alebo modelovaná programom bežiacim na digitálnom počítači. Na dosiahnutie vysokého výkonu využívajú ANN množstvo prepojení medzi elementárnymi bunkami výpočtov – neurónmi. Spomedzi mnohých definícií neurónových sietí je najpresnejšia definícia ANN ako adaptívneho stroja: umelá neurónová sieťje to distribuované

paralelný procesor pozostávajúci z typických prvkov spracovania informácií, ktoré akumulujú experimentálne poznatky a poskytujú ich na ďalšie spracovanie. Neurónová sieť je podobná mozgu dvoma spôsobmi:

1) znalosti vstupujú do neurónovej siete z okolia

A používa sieť v procese učenia;

2) na hromadenie poznatkov sa využívajú interneuronálne spojenia, nazývané aj synaptické váhy.

Postup používaný na vykonávanie procesu učenia sa nazýva algoritmus učenia. Jeho funkciou je určitým spôsobom modifikovať synaptické váhy ANN tak, aby sieť nadobudla potrebné vlastnosti.

Úprava hmotnosti je tradičný spôsob učenia sa ANN. Tento prístup je blízky teórii adaptívnych lineárnych filtrov, ktoré sa používajú pri riadení. Pre ANN však existuje aj možnosť úpravy vlastnej topológie na základe skutočnosti, že v živom mozgu môžu neuróny odumierať a môžu sa vytvárať nové synaptické spojenia.

ANN teda realizujú svoj výpočtový výkon vďaka svojim dvom hlavným vlastnostiam: paralelne distribuovanej štruktúre a schopnosti učiť sa a zovšeobecňovať získané poznatky. Vlastnosť zovšeobecnenia sa chápe ako schopnosť ANN generovať správne výstupy pre vstupné signály, ktoré neboli zohľadnené v procese učenia (tréningu). Tieto dve vlastnosti robia z ANN systém spracovania informácií schopný riešiť zložité viacrozmerné problémy, ktoré sú v súčasnosti neriešiteľné.

Treba poznamenať, že v praxi autonómne INS často nedokážu poskytnúť hotové riešenia. Musia byť integrované do komplexných systémov. Komplexnú úlohu možno rozdeliť na množstvo jednoduchších úloh, z ktorých niektoré je možné vyriešiť neurónovými sieťami.

Oblasti použitia ANN sú veľmi rozmanité: rozpoznávanie a analýza textu a reči, sémantické vyhľadávanie, expertné systémy a systémy na podporu rozhodovania, predikcia cien akcií, bezpečnostné systémy. Existuje niekoľko príkladov použitia ANN v rôznych oblastiach.

1. Dopravné zabezpečovacie systémy. americká firma

Science Application International Corporation použila ANN v

jeho projekt TNA. Vyvinuté zariadenie je určené na detekciu plastických výbušnín v balenej batožine. Batožina je bombardovaná časticami, ktoré spôsobujú sekundárne žiarenie, ktorého spektrum analyzuje neurónová sieť. Zariadenie poskytuje pravdepodobnosť detekcie výbušnín nad 97% a je schopné zobraziť 10 kusov batožiny za minútu.

2. Softvérové ​​balíky neurónových sietí na finančných trhoch. Americká chemická banka používa systém neurónovej siete Neural Data na predbežné spracovanie transakcií na menových burzách, pričom filtruje „podozrivé“ transakcie. Citibank používa predpovede neurónových sietí od roku 1990. Automatické obchodovanie ukazuje výnosy, ktoré sú vyššie ako u väčšiny maklérov. Možno poznamenať, že zborník zo seminára „Umelá inteligencia o Wall Street“ tvoria niekoľko statných zväzkov.

3. Monitoring a automatické hlavičky správ. Poloha

znalosť témy textových správ je ďalším príkladom využitia ANN. Spravodajský server Convectis (produkt spoločnosti Aptex Software Inc.) poskytuje automatickú kategorizáciu správ. Porovnaním významov slov podľa kontextu dokáže Convectis rozpoznať témy v reálnom čase a kategorizovať obrovské toky textových správ prenášaných cez siete Reuters, NBC, CBS atď. Po analýze správy sa vytvorí abstrakt, zoznam vygenerujú sa kľúčové slová a zoznam nadpisov, do ktorých správa patrí.

4. Autopilotovanie bezpilotných lietadiel. Hypersonické prieskumné lietadlo LoFLYTE (Low-Observable Flight Test Experiment), 2,5 m dlhé prúdové bezpilotné lietadlo, vyvinula pre NASA a americké letectvo spoločnosť Accurate Automation Corp. v rámci programu podpory malého inovatívneho podnikania. Ide o experimentálny vývoj pre štúdium nových princípov pilotovania. Zahŕňa neurónové siete, ktoré umožňujú autopilotovi učiť sa kopírovaním pilotných techník pilota. Postupom času si neurónové siete osvojujú skúsenosti s riadením a rýchlosť spracovania informácií vám umožňuje rýchlo nájsť východisko v extrémnych a núdzových situáciách. LoFLYTE je určený pre nadzvukový let, kde reakčný čas pilota nemusí byť dostatočný na adekvátnu reakciu na zmeny letového režimu.

V súčasnosti sú ANN dôležitým rozšírením koncepcie výpočtu. Umožnili už vyrovnať sa s množstvom zložitých problémov a sľubujú vytvorenie nových programov a zariadení schopných riešiť problémy, ktoré doteraz dokáže len človek. Moderné neuropočítače sa využívajú najmä vo forme softvérových produktov a preto len zriedka využívajú svoj potenciál „paralelnosti“. Éra skutočných paralelných neuropočítačov sa začne objavením hardvérových implementácií špecializovaných neuročipov a rozširujúcich dosiek určených na spracovanie reči, videa, statických obrázkov a iných typov obrazových informácií na trhu.

Ďalšou oblasťou použitia ANN je ich použitie

V špecializovaný softvér robotických agentov určených na spracovanie informácií a nie na fyzickú prácu. Inteligentní asistenti by mali používateľom uľahčiť interakciu s počítačom. Ich charakteristickým znakom bude túžba porozumieť čo najlepšie tomu, čo sa od nich vyžaduje, pozorovaním a analyzovaním správania svojho „pána“. Snaha objavovať

V V tomto správaní existujú určité vzorce, inteligentní agenti musia včas ponúkať svoje služby, aby vykonali určité operácie, ako je filtrovanie správ správ, zálohovanie dokumentov, na ktorých používateľ pracuje atď. To je dôvod, prečo sú ANN, schopné zovšeobecňovať údaje a nájsť v nich vzory, prirodzenou súčasťou takýchto softvérových agentov.

1. POČÍTAČE A MOZOG

1.1. biologický neurón

Ľudský nervový systém možno zjednodušiť ako trojstupňovú štruktúru. Centrom tohto systému je mozog, ktorý pozostáva zo siete neurónov (obr. 1.1). Prijíma informácie, analyzuje ich a robí vhodné rozhodnutia. Receptory premieňajú signály z prostredia a vnútorných orgánov na elektrické impulzy, ktoré sú vnímané neurónovou sieťou (mozog). Receptory zabezpečujú spojenie nášho mozgu s vonkajším svetom, realizujúc tok vizuálnych, sluchových, chuťových, čuchových a hmatových informácií do neho. ef-

Fektory premieňajú elektrické impulzy generované mozgom na výstupné signály, ktoré riadia svaly, vnútorné orgány a steny ciev. Mozog teda riadi prácu srdca, dýchanie, krvný tlak, teplotu, udržiava požadovaný obsah kyslíka v krvi atď. Medziľahlé neuróny spracovávajú informácie prijaté zo senzorických neurónov a prenášajú ich do efektorových neurónov.

Ryža. 1.1. Zjednodušená schéma nervového systému

Treba poznamenať, že mozog sa skladá z dvoch typov buniek: gliových buniek a neurónov. A hoci sa zdá, že úloha gliových buniek je dosť významná, väčšina vedcov sa domnieva, že hlavným spôsobom, ako pochopiť, ako funguje mozog, je štúdium neurónov spojených do jednej prepojenej siete. Tento prístup sa používa pri konštrukcii umelých neurónových sietí (ANN).

Treba poznamenať, že existujú aj iné názory. Niektorí vedci sa domnievajú, že hlavné procesy prebiehajú nie v neurónovej sieti, ale v samotných bunkách, konkrétne v ich cytoskelete, v takzvaných mikrotubuloch. Podľa tohto pohľadu sú pamäť a dokonca aj vedomie determinované zmenami proteínov v intracelulárnych štruktúrach a kvantovými efektmi, ktoré sú s nimi spojené.

Počet neurónov v mozgu sa odhaduje na 1010 ... 1011 . V biologickom neuróne možno rozlíšiť tieto štruktúrne jednotky (obr. 1.2):

bunkové telo (soma);

dendrity sú veľa rozvetvených krátkych (nie viac ako 1 mm) nervových vlákien, ktoré zhromažďujú informácie z iných neurónov;

axón je jediné tenké dlhé (niekedy viac ako meter) nervové vlákno. Axón vedie impulz a prenáša náraz na iné neuróny alebo svalové vlákna. Na svojom konci sa axón tiež rozvetvuje a vytvára kontakty s dendritmi iných neurónov;

Tento tutoriál obsahuje základy programovania v jazyku Prolog, riešenie problémov metódou vyhľadávania, pravdepodobnostné metódy, základy neurónových sietí, ako aj princípy reprezentácie znalostí pomocou sémantických sietí. Každá z častí príručky je vybavená praktickými a laboratórnymi prácami. Prílohy obsahujú stručný popis prostredia SWI-Prolog, programu neurónovej siete

Tento tutoriál obsahuje základy programovania v jazyku Prolog, riešenie problémov metódou vyhľadávania, pravdepodobnostné metódy, základy neurónových sietí, ako aj princípy reprezentácie znalostí pomocou sémantických sietí. Každá z častí príručky je vybavená praktickými a laboratórnymi prácami. Prílohy obsahujú stručné popisy prostredia SWI-Prolog, programu na modelovanie neurónových sietí NeuroGenetic Optimizer a programu vizualizácie sémantických znalostí Zodpovedá aktuálnym požiadavkám Federálneho štátneho vzdelávacieho štandardu pre vysokoškolské vzdelávanie Pre študentov vysokých škôl študujúcich v r. inžinierske a technické oblasti.

kniha" Systémy umelej inteligencie. Návod» autor Bessmertny Igor Aleksandrovich bol hodnotený návštevníkmi KnigoGuide a jej čitateľské hodnotenie bolo 0,00 z 10.
Na bezplatné prezeranie sú k dispozícii: anotácia, publikácia, recenzie, ako aj súbory na stiahnutie.