Wondershare EdrawMind
Galleria mappe mentale Nozioni di base sull'intelligenza artificiale
- 11
Nozioni di base sull'intelligenza artificiale
Le basi dell'intelligenza artificiale sono alcuni metodi relativamente tradizionali che non implicano l'apprendimento profondo. Per l'apprendimento profondo, puoi vedere un'altra mia mappa mentale. Questo articolo riassume una panoramica dell'intelligenza artificiale, dei sistemi di conoscenza deterministici, del ragionamento sull'incertezza, della tecnologia di ricerca intelligente, ecc.
Modificato alle 2024-02-04 00:47:36
- Breve storia del tempo
Questa è una mappa mentale su una breve storia del tempo. "Una breve storia del tempo" è un'opera scientifica popolare con un'influenza di vasta portata. Non solo introduce i concetti di base della cosmologia e della relatività, ma discute anche dei buchi neri e dell'espansione dell'universo. questioni scientifiche all’avanguardia come l’inflazione e la teoria delle stringhe.
- Il coraggio di essere odiato
Dopo aver letto "Il coraggio di essere antipatico", "Il coraggio di essere antipatico" è un libro filosofico che vale la pena leggere. Può aiutare le persone a comprendere meglio se stesse, a comprendere gli altri e a trovare modi per ottenere la vera felicità.
- Appunti di lettura di Il coraggio di non piacere.
"Il coraggio di essere antipatico" non solo analizza le cause profonde di vari problemi nella vita, ma fornisce anche contromisure corrispondenti per aiutare i lettori a comprendere meglio se stessi e le relazioni interpersonali e come applicare la teoria psicologica di Adler nella vita quotidiana.
Nozioni di base sull'intelligenza artificiale
- Breve storia del tempo
Questa è una mappa mentale su una breve storia del tempo. "Una breve storia del tempo" è un'opera scientifica popolare con un'influenza di vasta portata. Non solo introduce i concetti di base della cosmologia e della relatività, ma discute anche dei buchi neri e dell'espansione dell'universo. questioni scientifiche all’avanguardia come l’inflazione e la teoria delle stringhe.
- Il coraggio di essere odiato
Dopo aver letto "Il coraggio di essere antipatico", "Il coraggio di essere antipatico" è un libro filosofico che vale la pena leggere. Può aiutare le persone a comprendere meglio se stesse, a comprendere gli altri e a trovare modi per ottenere la vera felicità.
- Appunti di lettura di Il coraggio di non piacere.
"Il coraggio di essere antipatico" non solo analizza le cause profonde di vari problemi nella vita, ma fornisce anche contromisure corrispondenti per aiutare i lettori a comprendere meglio se stessi e le relazioni interpersonali e come applicare la teoria psicologica di Adler nella vita quotidiana.
- Consigliato per te
- Profilo
Ricerca sull'analisi del comportamento di apprendimento della programmazione degli studenti universitari basato sull'intelligenza artificiale generativa
- 11
![[Lavori della comunità] AI Healthcare applicazione e futuro della sanità intelligente](https://edrawcloudpublicus.s3.amazonaws.com/work/5594747/2024-6-1/1717204775/thumb.png?x-oss-process=image/resize,w_300,m_lfit)
Nozioni di base sull'intelligenza artificiale
Panoramica sull'intelligenza artificiale
Concetti base dell'intelligenza artificiale
concetto intelligente
intelligenza naturale
definizione
Si riferisce al potere e alle capacità comportamentali degli esseri umani e di alcuni animali
intelligenza umana naturale
È la capacità globale degli esseri umani di comprendere il mondo oggettivo che si manifesta attraverso i processi di pensiero e le attività mentali.
Differenti visioni e gerarchie di intelligenza
Visualizzazione
teoria della mente
L'intelligenza deriva dalle attività di pensiero
teoria della soglia di conoscenza
L'intelligenza dipende dalla conoscenza applicabile
teoria evolutiva
L’intelligenza può essere raggiunta attraverso un’evoluzione graduale
Gerarchia
Capacità caratteristiche incluse nell'intelligenza
Percezione
memoria e capacità di pensiero
apprendimento e adattabilità
capacità
Concetto di intelligenza artificiale
spiegare
Utilizzare metodi artificiali per ottenere l'intelligenza sulle macchine
Studia come costruire macchine o sistemi intelligenti e simulare ed estendere l'intelligenza artificiale
Prova di Turing
Obiettivi della ricerca sull'intelligenza artificiale
L’emergere e lo sviluppo dell’intelligenza artificiale
periodo di gestazione
periodo formativo
periodo di applicazione delle conoscenze
Dalla separazione scolastica alla sintesi
Il machine learning e il deep learning aprono la strada
Contenuti di base della ricerca sull'intelligenza artificiale
La posizione soggettiva dell'intelligenza artificiale
L’intersezione tra scienze naturali e scienze sociali
Nucleo: pensiero e intelligenza
Materie di base: matematica, scienze del pensiero, informatica
Ricerca interdisciplinare con la scienza del cervello e la scienza cognitiva
Ricerca su metodi e tecnologie di simulazione intelligente
percezione della macchina
Visione
udito
pensiero meccanico
apprendimento automatico
comportamento della macchina
Diverse scuole di ricerca sull’intelligenza artificiale
simbolismo
logica matematica
ingegneria della conoscenza
connessionismo
bionica
Reti neurali artificiali
Comportamentismo
cibernetica
sistema di conoscenza deterministico
Una panoramica dei sistemi di conoscenza deterministici
rappresentazione della conoscenza
definizione della conoscenza
Tipi di conoscenza
Richiedere
capacità espressiva
Rappresentazione corretta ed efficace
disponibilità
Favorevole al ragionamento efficace
Organizzabilità e manutenibilità
possono essere organizzati in strutture di conoscenza in qualche modo
comprensibilità e realizzabilità
Facile da leggere, facile da capire, facile da ottenere e facile da implementare
metodo di visualizzazione
tipo
conoscenza dichiarativa
La conoscenza stessa e il processo di utilizzo sono separati l'uno dall'altro
conoscenza transitoria
La conoscenza stessa e il processo di utilizzo sono combinati
metodo di base
approccio non strutturato
logica predicativa
produzione
approccio strutturato
rete semantica
telaio
ragionamento conoscitivo
definizione
struttura
Analizzare e sintetizzare più giudizi per formulare nuovi giudizi
processi
elaborazione della conoscenza
Principali forme di processi mentali
sillogismo
Lineare (sillogismo lineare)
condizione
Probabilità
metodo di ragionamento
logica del ragionamento
interpretazione
sillogismo
induzione
Ipotesi e prove
certezza della conoscenza
Sicuro
incerto
Implementazione della macchina
Motore di ragionamento (programma che implementa il ragionamento)
Strategia di controllo del ragionamento
Classificazione
strategie di ragionamento
strategia di ricerca
Metodo di rappresentazione della conoscenza deterministica
notazione logica dei predicati
Nozioni di base della logica
proposizione
Frasi dichiarative (asserzioni) con significati veri o falsi
valore di verità (il significato di una proposizione)
T/F
dominio del discorso
L'insieme composto da tutti gli oggetti in questione diventa anche il dominio individuale
predicato
Utilizzato per rappresentare proposizioni nella logica dei predicati, come P(x1,x2,...,xn). P:D^n->{T,F}. dove D^n={(x1,x2,...,xn)|x1,x2,xn∈D)
È una mappatura da D a {T, F} Il vero valore è T o F e può esistere indipendentemente.
funzione
f:D^n->D. dove D^n={(x1,x2,...,xn)|x1,x2,xn∈D)
Mappatura da D a D, il valore della funzione è l'elemento in D, che può esistere solo come individuo del predicato
congiunzione
┐, ∧, ∨, →, ↔
quantificatore
∀, ∃
ambito del quantificatore
Si riferisce a un singolo predicato o formula dopo un quantificatore
variabili di vincolo
La variabile con lo stesso nome del quantificatore nel dominio
variabile libera
Variabili non vincolate
Classico esempio di rappresentazione logica dei predicati
parte condizione
parte d'azione
Elimina tabella
Aggiungi tabella
Caratteristiche
vantaggio
Naturale, chiaro, preciso, flessibile, rigoroso, modulare e facile da implementare
discordanza
Scarsa capacità di rappresentazione della conoscenza
può rappresentare solo la conoscenza deterministica
Difficoltà di gestione della base di conoscenza
Mancanza di conoscenza dei principi organizzativi
Ci sono troppe combinazioni
Può solo ragionare ciecamente
L'efficienza del sistema è bassa
Separazione del calcolo del ragionamento e del significato della conoscenza
notazione di produzione
metodo di base
fatto
concetto
Un fatto è un'affermazione che asserisce il valore di una variabile linguistica o di una relazione tra più variabili linguistiche.
metodo di visualizzazione
(oggetto, attributo, valore)
(relazione, oggetto 1, oggetto 2)
regola
modulo
P->Q
SE A E B ALLORA C
caratteristica
vantaggio
naturale, modulare, efficace
Bassa efficienza e scomodo per esprimere la conoscenza strutturale
rappresentazione della rete semantica
definizione
Entità e relazioni semantiche per esprimere la conoscenza in grafi orientati
composizione
nodo
arco
unità semantica
(nodo 1, arco, nodo 2)
Elemento di rete di base
relazioni semantiche fondamentali
Relazione di istanza: ISA
Significato: è a
Incarnazione: concreta e astratta
Relazione di classificazione (relazione di generalizzazione): AKO
Significato: a
Incarnazione: sottoclassi e superclassi
Iscrizione: A-Membro-di
Significato: essere membro
Incarnazione: individuale e collettiva
Relazione attributiva: Avere
Significato: sì
Incarnazione: avere un attributo
Rapporto attributivo: Can
Significato: può
Manifestazione: essere in grado di fare qualcosa
Relazione di inclusione (relazione di clustering): Parte di
Significato: parte di
Incarnazione: parte e tutto
Nota: non esiste ereditarietà delle proprietà
Relazione temporale: prima/dopo
Significato: prima/dopo
Relazione posizionale: Locat-on/Locat-under/Locat-at
Significato: sopra/sotto/su…
Relazione simile: simile a/vicino a
Significato: simile/vicino
ragionamento
ereditare
L'astrazione è passata all'istanza
Crea una tabella dei nodi e trova ISA, AKO, A-Member-of
incontro
Trova corrispondenze
Costruisci un frammento
caratteristica
vantaggio
Strutturale, associativo, naturale
discordanza
non rigore
Complessità
notazione del frame
teoria dei fotogrammi
telaio
Finché le persone aggiungono nuove cose alla struttura, possono formare un’entità specifica
frame dell'istanza
Per un framework, dopo che le persone hanno inserito i dettagli, ottengono esempi concreti.
sistema di cornici
Nella teoria dei frame, il frame è l'unità base della conoscenza
Struttura del telaio e rappresentazione del telaio
Frame<nome frame>
Nome slot 1: Nome lato 1 valore 1, valore 2,...
sistema di cornici
ritratto
AKO e ISA
Orizzontale
Caratteristiche della rappresentazione del frame
vantaggio
Strutturale, profondo, ereditato, naturale, capace di esprimere causa ed effetto
discordanza
Mancanza di teoria formale del quadro, mancanza di conoscenza del processo, difficoltà nel garantire chiarezza
Metodo di ragionamento con conoscenza deterministica
ragionamento produttivo
Struttura basilare
banca dati completa
Memorizza varie informazioni per il processo di ragionamento
stato iniziale del problema
inserire fatti
Conclusioni intermedie e finali
come base per la selezione dei processi di ragionamento
Base di regole (base di conoscenza)
effetto
Memorizza tutte le regole necessarie per il ragionamento
È la base affinché i sistemi produttivi siano in grado di ragionare.
Richiedere
Completo, coerente, accurato, flessibile, organizzabile
Sistema di controllo (motore di inferenza)
effetto
Funzionamento del sistema di controllo
Compito
Seleziona la corrispondenza
Seleziona le regole dalla base di regole secondo una determinata strategia e abbinale ai fatti noti nel database completo
risoluzione del conflitto
Per abbinare con successo le regole, eseguile secondo una determinata strategia
eseguire le operazioni
Aggiungi le conclusioni tratte al database completo e continua l'esecuzione se ci sono altre operazioni.
Ragionamento di cessazione
Controlla se il database sintetico contiene la destinazione e, in tal caso, interrompi l'inferenza
Lu Jin spiega
Ricordare la sequenza delle regole applicate e fornire un percorso di spiegazione del problema
metodo di ragionamento
ragionamento in avanti
ragionamento inverso
ragionamento ibrido
ragionamento deduttivo naturale
Base logica
Equivalenza
Stile Yongzhen
sostituire
unità
metodo
Spingere forte
ragionamento deduttivo induttivo
Le basi logiche del ragionamento induttivo e deduttivo
vero e falso
autenticità eterna
Nessuno è soddisfatto
Soddisfabilità (compatibilità)
C'è almeno un individuo il cui valore è vero
Falsità permanente (incompatibilità)
Non soddisfatto
paradigma
paradigma della trave di punta
Tutti i quantificatori appaiono in modo non negativo all'inizio della formula e governano l'intera formula.
Paradigma Skolem
In base al paradigma del bundle anteriore, tutti i quantificatori esistenziali si trovano di fronte al quantificatore universale.
Insiemi di clausole e loro semplificazione
clausola
Parola
Formula del predicato atomico e sua negazione
clausola
La disgiunzione di qualsiasi letterale diventa una clausola
clausola vuota
clausola senza testo
vacanza permanente
Ricordare come □ o NIL
clausola impostata
Nella logica dei predicati, qualsiasi formula del predicato può essere trasformata in un insieme corrispondente di clausole applicando relazioni di equivalenza e regole di inferenza.
Semplificazione degli insiemi di clausole
Eliminare "→" e "↔" nelle formule dei predicati
P→Q può essere scritto come ┐P∨Q
P↔Q può essere scritto come (P∧Q)∨(┐P∧┐Q)
Ridurre l'ambito dei simboli di negazione in modo che si applichino solo a un predicato
┐(┐P) può essere scritto come P
┐(P∧Q) può essere scritto come (┐P)∨(┐Q)
┐(P∨Q) può essere scritto come (┐P)∧(┐Q)
┐(∀x)P(x) può essere scritto come (∃x)┐(P(x))
┐(∃x)P(x) può essere scritto come (∀x)┐(P(x))
Standardizzare le variabili
Rinominare il quantificatore in modo che le variabili vincolate da quantificatori diversi abbiano nomi diversi.
paradigma della convergenza
Sposta tutti i quantificatori a sinistra della formula, facendo attenzione a non cambiare il loro ordine relativo durante lo spostamento.
Eliminare i quantificatori esistenziali
Se c'è un quantificatore che non appare nell'ambito del quantificatore universale (ovvero, non c'è alcun quantificatore globale alla sua sinistra)
Sostituisci la variabile del vincolo con una nuova costante individuale
Ad esempio, (∃x)P(x) può essere scritto come P(y)
Se è presente un quantificatore nell'ambito del quantificatore universale (ovvero non vi è alcun quantificatore globale alla sua sinistra)
Sostituisci l'argomento y con la funzione Skolem
Se y rientra nell'ambito di x, allora y può essere scritto come f(x)
nella forma standard di Skolem
Riduci l'ambito di ∨ e lascia che ∨ agisca solo su un predicato
P∨(Q∧R) può essere scritto come (P∨Q)∧P(P∨R)
eliminare il quantificatore universale
Perché tutte le variabili sono vincolate da quantificatori universali e i quantificatori globali non hanno nulla a che fare con l’ordine.
può essere omesso direttamente
Elimina la congiunzione ∧
Trasforma la formula del predicato in un insieme di clausole
Cambia nome variabile
Lo stesso nome di argomento non appare in due clausole qualsiasi
caratteristica
Non unico a causa della skolemizzazione, ma non influisce sulla soddisfacibilità
La condizione necessaria e sufficiente affinché la formula predicativa F non possa essere soddisfatta è che l'insieme delle clausole non possa essere soddisfatto
Principio di riduzione di Robinson
Idea base
Esiste una relazione congiuntiva ∧ tra le clausole. Pertanto, finché una clausola non è soddisfatta, l’intero insieme delle clausole non è soddisfatto.
Se un insieme di clausole contiene una clausola vuota, l'insieme di clausole non può soddisfarla
Per prima cosa, nega la domanda che vuoi dimostrare e aggiungila all'insieme delle clausole. Verificare che il set di clausole contenga una clausola vuota. Se c'è una clausola vuota significa che la negazione della domanda è falsa, altrimenti la riduzione continua. È vero se è vero, non importa come lo riduci.
proposizione logica
ragionamento riduttivo
testo complementare
Se P è una formula predicativa atomica, allora P e ┐P sono complementari
scendere a
C1C2 è una clausola (solo disgiunzione ∨). C1 ha L1 e C2 ha L2. Se L1 e L2 sono complementari, L1L2 viene eliminato. Premere la disgiunzione ∨ sulla parte rimanente per ottenere la nuova clausola C12. C1 e C2 sono clausole principali di C12
caratteristica
I risultati sono gli stessi, ma il processo non è unico
Insomma
C12 è la conclusione logica di C1 e C2
Se C1 e C2 sono vere, allora C12 deve essere vera
Dopo che C12 sostituisce C1 e C2, l'insoddisfacibilità del nuovo insieme di clausole S1 può essere derivata dall'insoddisfacibilità di S
Dopo che C12 ha unito C1 e C2, l’insoddisfacibilità del nuovo insieme di clausole S1 può reciprocamente dedurre l’insoddisfacibilità di S.
logica predicativa
ridursi alla logica
Quando non sono presenti variabili pubbliche, viene eseguita un'operazione di unificazione, registrata come {a/y}
Quando sono presenti variabili pubbliche, sostituiscile prima e poi combinale in una sola.
Non è possibile eliminare due coppie contemporaneamente
Se giri in tondo o non trovi alcuna soluzione, controlla se c'è un problema con il processo.
Se ci sono variabili interne che possono essere unificate, dovrebbero essere prima unificate internamente.
Metodi di ragionamento deduttivo
principio
Metodo di ragionamento macchina basato sul principio di riduzione di Robinson
processi
formula dell'obiettivo negativo
Inserisci i tuoi obiettivi in una formula impostata
Converti l'insieme di formule in un insieme di clausole
Riassumere una serie di clausole
Un semplice esempio di sistema di conoscenza deterministico
Ragionamento sull’incertezza
Concetti base del ragionamento sull'incertezza
Il significato del ragionamento sull’incertezza
Partendo da prove iniziali incerte, utilizzando conoscenze incerte per trarre conclusioni incerte ma ragionevoli o sostanzialmente ragionevoli
L’ambito di applicazione del ragionamento sull’incertezza
Conoscenza incompleta e imprecisa
descrizione vaga
Molteplici ragioni portano alla stessa conclusione
Il risultato non è unico
Problemi di base nel ragionamento sull'incertezza
Rappresentazione dell'incertezza della conoscenza
Considerazioni
Capacità di descrizione del problema, calcolo dell'incertezza nel ragionamento
Senso
Il grado di certezza della conoscenza, o forza statica
metodo di visualizzazione
Probabilità[0,1]
Credibilità[-1,1]
Incertezza Espressione dell'evidenza
Tipo di prova
organizzazione delle prove
prove di base
Combinazione di prove
Disgiunzione o unione. Sulla base delle prove di base, esistono metodi max-min, metodi probabilistici, metodi limitati, ecc.
Fonte delle prove
iniziale, medio
metodo di visualizzazione
Probabilità, credibilità, insiemi fuzzy
Corrispondenza incerta
Senso
Precondizioni incerte corrispondono a fatti incerti
Metodo di calcolo
Progetta un algoritmo per calcolare il grado di somiglianza e fornire un limite di somiglianza per vedere se rientra nel limite.
Aggiornamento incerto
Come utilizzare l’incertezza nelle prove per aggiornare l’incertezza nelle conclusioni
Metodi diversi lo gestiscono in modo diverso
Se l'incertezza delle conclusioni intermedie viene trasferita alla rivelazione finale
Inserisci la conclusione attuale e la sua incertezza nel database come nuova conclusione e approvala
Sintesi di conclusioni incerte
Molteplici conoscenze diverse portano alla stessa conclusione, ma con diversa credibilità
Tipi di ragionamento sull'incertezza
Metodi numerici
basato sulla probabilità
approccio basato sulla credibilità
Bayes soggettivo
teoria delle prove
ragionamento probabilistico
Ragionamento confuso
metodi non numerici
ragionamento sulla credibilità
Il concetto di credibilità
La credibilità è il grado in cui le persone credono che una certa cosa o fenomeno sia vero e ha un certo grado di soggettività
modello di inferenza di credibilità
Rappresentazione delle regole
SE E ALLORA H(CF(H,E))
definizione
E è la premessa, H è la conclusione e CF è la credibilità.
CF(H,E)
L'intervallo di valori è [-1,1]
CF(H,E)=MB(H,E)-MD(H,E)
definizione
MB è la crescita della fiducia
MD è il tasso di crescita della sfiducia
Insomma
Mutuamente esclusivi, uno dei due deve essere 0
L'intervallo di valori è [-1,1]
Può spingere avanti e indietro
MB(H)=MD(┐H)
MB(H)MB(┐H)=0
La credibilità non è probabilità e non soddisfa P(H) P(┐H)=1
calcolare
Calcolare la confidenza di un singolo elemento di prova in una conclusione
Aggiorna formula
CF(H)=CF(H,E)*max(0,CF(E))
Non considerare l’impatto della CF come falso su H
Combinazione di prove
Congiunzione e: prendi il valore minimo
Disgiunzione oppure: assumere il valore massimo
Calcolare la confidenza di un singolo elemento di prova in una conclusione
Formula sintetica
Se non è possibile completare la divisione, arrotondare a due cifre decimali.
applicazione
Sistema esperto di diagnosi ematologica MYCIN
Ragionamento bayesiano soggettivo
Nozioni di base sulla teoria della probabilità
Formula della probabilità totale, probabilità bayesiana
modello di inferenza
metodo principale
Aggiorna la probabilità a posteriori di H
Rappresentazione delle regole
SE E ALLORA (LS,LN) H
definizione
(LS,LN)
sono usati per rappresentare l'intensità della conoscenza
LS
misura di sufficienza
LN
misura di necessità
BUE)
funzione di probabilità
P(x)=0↔O(x)=0
P(x)=1↔O(x)=∞
O(X)=P(X)/(1-P(X))
P(X)=O(X)/(1 O(X))
Insomma
O(H|E)=LS*O(H)
O(H|┐E)=LN*O(H)
natura
LS
LS>1
E supporta H. Più grande è LS, più pienamente E supporta H.
Quando LS si avvicina a ∞, P(H|E) si avvicina a 1, il che significa che E farà sì che H sia vera.
LS=1
E non ha alcun effetto su H
LS<1
E non supporta H. Quanto più piccolo è LS, tanto più E non supporta H.
Quando LS=0, P(H|E)=0, ciò significa che E farà sì che H sia falso
LN
Sostituisci la E in LS con ┐E
calcolare
Calcolare la confidenza di un singolo elemento di prova in una conclusione
Aggiorna formula
Quando E è sicuramente vero
Quando E è decisamente falsa
Quando E non ha nulla a che fare con S
Altri casi
Combinazione di prove
Guarda P(E|S)
Congiunzione e: prendi il valore minimo e scarta direttamente la prova più grande.
Disgiuntivo oppure: prendi il valore massimo e scarta direttamente la prova più piccola
Calcolare la confidenza di più elementi di prova su una conclusione
Nel mezzo del calcolo, la composizione viene sintetizzata e può essere ereditata in seguito.
applicazione
Sistema esperto di esplorazione geologica e mineraria PROSPECTOR
Ragionamento confuso
insieme sfocato
concetto
μF è la funzione di appartenenza e F è l'insieme fuzzy di U
Maggiore è μ(u), maggiore è il grado di appartenenza.
Gli insiemi fuzzy e le loro funzioni di appartenenza non sono equivalenti
esprimere
Discreto
Avviso
/ è il delimitatore, non il segno di divisione
È un connettore, non un segno più
Quando il grado di appartenenza è 0, è possibile ometterlo, ma non è consigliabile.
esempio
F=1/20 0,8/30
Continuo
esempio
Metodo di rappresentazione generale
Avviso
∫ è un simbolo relazionale, non un simbolo integrale in matematica.
Operazione
F⊆G
Per ogni u appartenente a U esiste μF(u)<=μF(u)
F∪G
Per ogni u, prendi il valore massimo dei due
F∩G
Per ogni u, prendi il valore minimo dei due
Sottoargomento 2
┐F (complemento)
Per ogni u, prendi 1-μF(u)
corrispondenza confusa dei concetti
distanza semantica
definizione
esempio
effetto
adeguatezza
definizione
1-d(FA,SOL)
È possibile fornire una soglia per determinare se due concetti corrispondono
vicinanza
Si noti che il prodotto esterno deve integrare gli elementi omessi con un'appartenenza pari a 0.
relazione confusa
definizione
Simile al prodotto cartesiano
La costruzione di relazioni fuzzy
definizione
Similmente al prodotto cartesiano, prendi prima il valore più piccolo e poi quello più grande
esempio
U è la riga, V è la colonna
Sintesi di relazioni fuzzy
definizione
Similmente alla moltiplicazione tra matrici, quando si calcola ciascuna posizione, "prendi prima quella piccola e poi quella grande"
esempio
trasformazione della sfocatura
La sintesi delle operazioni e le relazioni fuzzy
Metodo di inferenza fuzzy
Secondo la modalità di ragionamento data, essa si realizza attraverso la sintesi di insiemi fuzzy e relazioni fuzzy.
Rappresentazione della conoscenza fuzzy
regola
SE x è F ALLORA y è G
prova
x è F`
Metodo di inferenza fuzzy
ragionamento ipotetico confuso
definizione
esempio
ragionamento fuzzy resistente
definizione
esempio
sillogismo ipotetico
definizione
esempio
Tecnologia di ricerca intelligente
Panoramica della ricerca
Senso
ricerca
Utilizzare la conoscenza per costruire un percorso di ragionamento al minor costo
Ricerca intelligente
Un algoritmo che utilizza le informazioni intermedie ottenute durante il processo di ricerca per guidare la ricerca nella direzione ottimale.
tipo
Basato sulla ricerca spaziale
spazio statale
Un algoritmo
Algoritmo A*
E/O ALBERO
metodo di riduzione del problema
albero del gioco
Algoritmo massimo/minimo
Potatura α-β
Basato su un algoritmo casuale
Meccanismo di evoluzione
algoritmo genetico
ottimizzazione immunitaria
algoritmo immunitario
Ottimizzazione della popolazione
Algoritmo della colonia di formiche
Algoritmo dello sciame granulare
modello statistico
Algoritmo del modello Carlo
Altri metodi
Algoritmo di ricerca per l'arrampicata in collina
algoritmo di ricottura simulata
Metodo di risoluzione dei problemi sullo spazio degli stati
Rappresentazione dei problemi nello spazio degli stati
stato
Una struttura dati che rappresenta lo stato del problema di ogni fase del processo di risoluzione del problema, che può essere rappresentata da un vettore
operare
Chiamato anche operatore, trasforma uno stato in un altro e descrive la relazione tra gli stati.
spazio statale
Utilizzato per descrivere tutti gli stati di un problema e le relazioni tra gli stati, che possono essere rappresentati da una tripla (S, F, G)
S
stato iniziale
F
Impostazione dell'operazione
G
stato bersaglio
Può essere rappresentato da un grafico orientato
Il nodo rappresenta lo stato
I bordi rappresentano le operazioni
Processo di risoluzione dei problemi
Scegli lo stato e l'azione appropriati
Partendo da uno stato iniziale, costruisci una sequenza di operazioni utilizzando un'operazione alla volta fino al raggiungimento dello stato obiettivo
La sequenza di operatori utilizzati dallo stato iniziale allo stato obiettivo è una soluzione
Metodo di risoluzione delle specifiche del problema
Idea base
Scomporre o equivalentemente trasformare il problema in una serie di semplici sottoproblemi
Il processo di esecuzione di una ricerca su un grafico AND-OR con l'obiettivo di indicare che il nodo iniziale è risolvibile. Cioè, la ricerca non consiste nel trovare un percorso verso il nodo di destinazione, ma nel trovare un albero delle soluzioni.
metodo di visualizzazione
E/O ALBERO
definizione
nodo finale
Nodo senza nodi figlio
Nodo di terminazione
problema originale
Domande a cui è possibile rispondere direttamente (uscita ricorsiva)
Il nodo corrispondente al problema originale
Nodi risolvibili
Qualsiasi nodo terminale è un nodo risolvibile
Se è un nodo 'OR', quando almeno uno dei suoi nodi figli è un punto risolvibile, è un punto risolvibile.
Se è un nodo 'AND', quando tutti i nodi figli sono punti risolvibili, è un punto risolvibile.
albero delle soluzioni
È costituito da punti di prestito risolvibili e dai nodi risolvibili si può dedurre che il nodo iniziale è un punto di prestito risolvibile. Tale sottoalbero è un albero delle soluzioni.
Strategie cieche per la ricerca
profondità e ampiezza
Ricerca euristica dello spazio degli stati
informazioni stimolanti
Informazioni che possono guidare la tua ricerca
funzione di valutazione
Stimare l'importanza del nodo
f(n)=g(n) h(n)
g(n)
Il costo effettivo dal nodo iniziale S0 al nodo n
h(n)
Il costo stimato del percorso ottimale da n al nodo target Sn
Un algoritmo
Seleziona un'espansione con la stima più piccola da tutti i nodi nella tabella Apri
Algoritmo A*
Apporre le seguenti restrizioni su g(n) e h(n) nell'algoritmo A
g(n) è la stima del costo minimo g*(n), e g(n)>0
h(n) è il limite inferiore del costo minimo h*(n), ovvero h(n)<=h*(n)
Ricerca euristica con/o alberi
Il costo per risolvere l'albero
Se n è il nodo terminale, il costo h(n)=0
Se n è un nodo OR
Costo h(n)=(costo del nodo figlio, costo del nodo n al nodo figlio) valore minimo
Se n è un nodo AND
e metodo di considerazione
Costo h(n)=(costo del nodo figlio, costo dal nodo n al nodo figlio) e quindi somma
metodo del costo massimo
Costo h(n)=(costo del nodo figlio, costo del nodo n al nodo figlio) valore massimo
Se n è un nodo finale, ma non un nodo terminale
Costo h(n)=∞
albero della speranza
L'albero che con maggiori probabilità diventerà l'albero della soluzione ottimale durante il processo di ricerca
Generalmente vengono espansi due strati alla volta.
Ricerca euristica di alberi di gioco
Gioco
Caratteristiche
Il tuo turno è "OR" e il turno dell'avversario è "AND"
Alternare con o nodi
processo minimax
Genera un albero di gioco parziale e valuta i nodi foglia
nodo fogliare
Viene preso un valore positivo quando è vantaggioso per noi e un valore negativo quando è vantaggioso per l'altra parte.
nodo non fogliare
Spingere verso l'alto dai nodi fogliari
Per il nostro nodo, selezioniamo ogni volta il nodo con la valutazione maggiore, quindi il valore del nostro nodo dovrebbe essere il valore massimo del nodo successore.
Per il nodo avversario, viene selezionato ogni volta il nodo con la valutazione più piccola, quindi il valore del nostro nodo dovrebbe essere il valore minimo del nodo successore.
Potatura α-β
Gli spigoli generano nodi e gli spigoli valutano i nodi.
Il nostro nodo->valore α: il valore massimo del nodo figlio corrente
Nodo opposto->valore β: il valore minimo del nodo figlio corrente
L'impostazione predefinita è "Io" vado per primo
metodo di potatura
potatura alfa
Se il valore beta di qualsiasi nodo avversario è inferiore o uguale al valore alfa del nodo predecessore, la ricerca verrà interrotta.
Il nodo radice del sottoalbero tagliato è al livello α, che è la potatura α.
potatura β
Se il valore α di uno qualsiasi dei nostri nodi è maggiore o uguale al valore β del nodo precedente, la ricerca si interromperà.
Il nodo radice del sottoalbero tagliato è al livello β, che è la potatura β.
algoritmo genetico
definizione
processi
codifica
tipo
codifica binaria
definizione
Trasforma la struttura del problema originale nella struttura a stringa di bit del cromosoma
operare
Determinare innanzitutto la lunghezza l, che è correlata al dominio della variabile e alla precisione del calcolo
discordanza
In binario, 7 e 8 sono molto simili, ma c'è una grande differenza da 0111 a 1000 (Hamming Cliff)
Codice grigio
definizione
Un miglioramento alla codifica binaria che richiede che la codifica di due numeri interi consecutivi possa differire solo di un bit di codice.
operare
codifica reale
Caratteristiche
virgola mobile
Ambito di applicazione
Alta precisione, multidimensionale
Codifica dei caratteri
funzione fitness
Funzioni fitness comunemente utilizzate
funzione fitness originale
vantaggio
Riflette direttamente l'obiettivo originale
discordanza
Potrebbero verificarsi numeri negativi
funzione fitness standard
estremamente piccolo
Grande
trasformazione accelerata
Operazioni di base
Seleziona l'azione
Selezione del rapporto
Roulette
Maggiore è il valore della fitness, maggiore è la possibilità di essere selezionati.
Stagno riproduttivo
selezione dell'ordinamento
opzioni competitive
Selezione del torneo
funzionamento incrociato
definizione
ricombinazione genetica parziale
tipo
crossover binario
crossover a punto singolo
Nessun cambiamento prima di un certo punto, interscambio dopo un certo punto
Due punti si incrociano
Uno scambio tra due punti, invariato prima e dopo
crossover multipunto
incrociarsi uniformemente
crossover sostanziale
operazione di mutazione
tipo
mutazione binaria
Cambia tra 0↔1
variazione sostanziale
Nel processo di evoluzione biologica, la selezione opera attraverso l'ereditarietà e la mutazione e, allo stesso tempo, la mutazione e l'ereditarietà si sviluppano nella direzione dell'adattamento all'ambiente.
apprendimento automatico
Panoramica sull'apprendimento automatico
concetto di apprendimento
prospettiva psicologica sull’apprendimento
Basato sulla scienza del cervello e sulla scienza cognitiva
Classificazione
prospettiva connessionista
L’essenza dell’apprendimento è la formazione di connessioni
prospettiva epistemologica
L'essenza dell'apprendimento è il cambiamento della struttura cognitiva nella mente dello studente
Modifica
Comportamento
potenziale comportamentale
nucleo
Contrassegnato da cambiamenti nel comportamento e nel potenziale comportamentale
Cambiamenti comportamentali causati dall'esperienza
I cambiamenti comportamentali durano più a lungo
Una prospettiva di intelligenza artificiale sull’apprendimento
acquisizione di conoscenze
nucleo
miglioramento delle capacità
risultato
spiegazione generale
Concetti di apprendimento automatico
Cos'è l'apprendimento automatico
Le macchine simulano l’apprendimento umano
Principali contenuti della ricerca
simulazione cognitiva
analisi teorica
ricerca orientata al compito
sistema di apprendimento automatico
Avere un ambiente di apprendimento adeguato
Avere una certa capacità di apprendimento
Capacità di utilizzare le conoscenze apprese per risolvere problemi
Migliora le tue prestazioni attraverso l'apprendimento
Tipi di apprendimento automatico
C'è la guida di un mentore?
apprendimento supervisionato
Stile di apprendimento classificato
apprendimento non supervisionato
approccio di apprendimento generativo
Strategie di apprendimento
Apprendimento della memoria, apprendimento dell'insegnamento, apprendimento deduttivo, apprendimento induttivo
Aree di applicazione
Apprendimento identico all'esperto, apprendimento con robot, apprendimento con comprensione del linguaggio naturale
Modello base del sistema di apprendimento automatico
ambiente
Il sistema di apprendimento percepisce una raccolta di informazioni esterne, che sono anche una fonte esterna.
sessione di apprendimento
Organizzare, analizzare e formare le informazioni fornite dall'ambiente e inserirle nella base di conoscenza
base di conoscenza
Memorizzare le informazioni elaborate
Collegamento di esecuzione
Eseguire attività basate sulla base di conoscenza
apprendimento della memoria
Ricerca memorizzata
Scambia spazio per tempo
struttura di stoccaggio
stabilità ambientale
Compromesso tra memoria e calcolo
Programma Dama di Simon
Impara con l'esempio
tipo
Fonte di esempio
Insegnanti, studenti stessi, ambiente esterno
Tipo di esempio
Usa solo esempi positivi
Usa esempi positivi e negativi
Modello
spazio campione
raccolta di esempi
processo di induzione
Il processo induttivo di astrarre la conoscenza generale dagli esempi
spazio regolare
raccolta di diverse leggi
Processo di verifica
Selezionare nuove istanze dallo spazio esempi per verificare ulteriormente e modificare le regole appena riassunte.
Gli esempi positivi producono concetti, mentre i controesempi no espandono l’estensione, mentre i controesempi la restringono.
metodo induttivo
costante a variabile
rimuovere le condizioni
Aggiungi opzioni (∨ operazione)
Adattamento della curva (metodo dei minimi quadrati)
Apprendimento degli alberi decisionali
Concetto di albero decisionale
In un albero decisionale esiste una relazione congiuntiva tra tutti gli attributi sullo stesso percorso.
Algoritmo ID3
concetto
Un algoritmo di apprendimento che utilizza la velocità decrescente dell'entropia dell'informazione come criterio di selezione degli attributi
Suddividere i sottoalberi in base al principio di massimizzare la diminuzione dell'entropia dell'informazione e costruire gradualmente un albero decisionale.
entropia informativa
definizione
L’entropia dell’informazione è una misura dell’incertezza complessiva della fonte dell’informazione. Minore è il suo valore, minore è l’incertezza della fonte dell’informazione.
Formula di quantificazione dell'entropia
Probabilità ed entropia dell'informazione sono due facce della stessa medaglia di eventi casuali
Probabilità
Quanto è probabile che succeda qualcosa?
Caratterizzazione della certezza
entropia informativa
Quante possibilità ha qualcosa?
Caratterizzazione dell'incertezza
calcolare
Distribuito uniformemente
Un evento ha m situazioni ugualmente probabili, quindi la sua entropia lo è n=log(m)
base
2
Bit
Comune, predefinito
e
Naz
Calcolo differenziale
10
Campana
linguistica
distribuzione generale
definizione
capire
entropia congiunta
guadagno di informazioni
definizione
Una misura della differenza tra due quantità di informazione
Entropia informativa ponderata
formula
fare un passo
(4)
Calcolare l'entropia dell'informazione E(S,X)
Nota: S è un nodo. Se è un nodo figlio, tutti gli S sotto di esso devono essere sostituiti da Si i è il numero del nodo figlio.
Per ciascun attributo xi separatamente
Calcolare la corrispondente entropia informativa ponderata E(S,xi)
Per prima cosa scrivi quali elementi e proporzioni ci sono in St, calcola l'entropia informativa E(St,X) di St e ripeti questo processo fino al completamento di tutti i calcoli.
Quindi inserisci la formula per calcolare E((S,X),xi)
Calcolare il corrispondente guadagno informativo G(S,Xi)
Estendi l'attributo con il massimo guadagno di informazioni
Apprendimento della connessione della rete neurale artificiale
Panoramica
Reti neurali artificiali
concetto
I neuroni artificiali sono collegati topologicamente
abbreviazione
ANN
struttura
input, calcolo, output
Apprendimento connesso
Completa la correzione e la stabilizzazione dei pesi delle connessioni sinaptiche
Classificazione
Strato superficiale
sensore
Rete BP
Rete di Hopfield
Profondo
Meccanismo biologico della rete neurale artificiale
struttura
dendriti
accedere
corpo cellulare
calcolare
assone
produzione
tipo
Classificazione in base al numero di sporgenze
Classificazione in base alle proprietà elettrofisiologiche dei neuroni
Classificazione in base alla funzione dei neuroni
Struttura e modello di neuroni artificiali e reti neurali artificiali
Struttura e modello
neuroni artificiali
struttura
Modello MP
tipo
tipo di soglia
Tipo lineare a tratti fortemente saturo
Tipo S
Tipo cumulativo sottosoglia
Il modello del neurone può essere visto come un semplice classificatore
Reti neurali artificiali
concetto
Una rete formata dall'interconnessione di neuroni artificiali
Classificazione
Caratteristiche
elaborazione massicciamente parallela
Archiviazione distribuita delle informazioni
Avere capacità di apprendimento
La struttura di interconnessione (topologia) delle reti neurali artificiali
rete feed-forward
concetto
Contiene solo join diretti
rete feedforward a livello singolo
Contiene solo lo strato di input e lo strato di output e solo i neuroni dello strato di output sono nodi computabili.
rete feedforward multistrato
Oltre al livello di input e al livello di output, contiene anche almeno uno o più livelli nascosti.
Rete BP
rete di feedback
concetto
Può contenere connessioni di feedback e connessioni di loop
rete di feedback a livello singolo
Rete di feedback senza strati nascosti
rete di feedback multistrato
Rete di feedback con livello nascosto
Rete di Hopfield
La stabilità è descritta dalla funzione energia
Modello superficiale di rete neurale artificiale
modello del percettrone
Scopo
Classificare l'input esterno
Se l'input esterno è linearmente separabile (soddisfacendo Σ(Wij*xi-θj)=0), allora può essere diviso in due categorie
La topologia di rete di un percettrone a strato singolo è una rete feedforward a strato singolo.
Il percettrone a strato singolo risolve problemi linearmente separabili
Un percettrone a strato singolo contiene uno strato di input e uno strato di output
percettrone
Il percettrone classifica infatti diversi punti costruendo un iperpiano
Il concetto di apprendimento è stato introdotto per la prima volta nel percettrone, che simulava in una certa misura la funzione di apprendimento del cervello umano.
La differenza più grande tra il modello del perceptron e quello del neurone è che il modello del perceptron può imparare dall’addestramento dei campioni