1 / 34

Wstep do AI 1. Wprowadzenie do AI

Wstep do AI 1. Wprowadzenie do AI. Witold Kosiński wkos@ukw.edu.pl. Podejmowanie decyzji. Zagadnienia określane wspólną nazwą „sztuczna inteligencja” (AI), np.: sterowanie urządzeniami i pojazdami podejmowanie decyzji gospodarczych i finansowych diagnozy medyczne

avari
Download Presentation

Wstep do AI 1. Wprowadzenie do AI

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. Wstep do AI1. Wprowadzenie do AI Witold Kosiński wkos@ukw.edu.pl

  2. Podejmowanie decyzji • Zagadnienia określane wspólną nazwą „sztuczna inteligencja” (AI), np.: • sterowanie urządzeniami i pojazdami • podejmowanie decyzji gospodarczych i finansowych • diagnozy medyczne • rozumienie języka naturalnego (np. tłumaczenia) • analiza obrazu i dźwięku

  3. ZAGADNIENIA AI • Stworzenie maszyn o inteligencji dorównującej (przewyższającej) ludzką. • Stworzenie maszyn (algorytmów) przejawiających tylko wąski aspekt inteligencji (grających w szachy, rozpoznających obrazy, czy tworzących streszczenia tekstu).

  4. Pewne definicje inteligencji z 1921, Journal of Educational Psychology • “The ability to carry on abstract thinking” (L. M. Terman) • “Having learned or ability to learn to adjust oneself to the environment” (S. S. Colvin) • “The ability to adapt oneself adequately to relatively new situations in life” (R. Pintner) • “A biological mechanism by which the effects of a complexity of stimuli are brought together and given a somewhat unified effect in behavior” (J. Peterson) • “The capacity to acquire capacity” (W. Woodrow) • “The capacity to learn or to profit by experience” (W. F. Dearborn)

  5. SZTUCZNA INTELIGENCJA(ARTIFICIAL INTELLIGENCE) • Nauka o maszynach realizujących zadania, które wymagają inteligencji wówczas, gdy są wykonywane przez człowieka. Wiele różnych, często sprzecznych definicji.

  6. SZTUCZNA INTELIGENCJA(ARTIFICIAL INTELLIGENCE) • Maszyna jest inteligentna, jeżeli znajdujący się w drugim pomieszczeniu obserwator nie zdoła odróżnić jej odpowiedzi od odpowiedzi człowieka. Test Turinga

  7. SZTUCZNA INTELIGENCJA(ARTIFICIAL INTELLIGENCE) • Nauka o tym, w jakich inteligentnych czynnościach człowieka można obyć się bez inteligencji. • Dział informatyki, którego przedmiotem jest badanie reguł rządzących inteligentnymi zachowaniami człowieka, tworzenie modeli formalnych tych zachowań i - w rezultacie - programów komputerowych symulujących te zachowania.

  8. SZTUCZNA INTELIGENCJAA INTELIGENCJA OBLICZENIOWA Dział informatyki zajmujący się problemami: • trudnymi do modelowania i rozwiązywania w sposób ścisły, analityczny, • niealgorytmizowalnymi, • obliczalnymi, ale nieefektywnie, • algorytmizowalne, ale wymagają użycia innych niż klasyczne metod .

  9. INTELIGENCJA OBLICZENIOWA Metody rozwiązywania takich trudnych problemów dostarcza rozwijany przez matematyków i informatyków nowy kierunek badań zwany inteligencją obliczeniową. Jej rozwój datuje się od lat 60-tych ubiegłego wieku.

  10. Własności charakteryzujące inteligencję ludzką • 1.Adaptacja • 2.Korzystanie z doświadczenia • 3.Korzystanie z wiedzy • 4.Wyciąganie wniosków • 5.Abstrakcyjne myślenie • 6.Poczucie humoru • 7.Samoświadomość • 8. Zdolność planowania • 9.Zdolność przewidywania • 10. Selekcja informacji • 11.Zdolność komunikacji • 12.Uczenie się • 13.Dokonywanie wyboru • Może być ciekawe wybrać te własności, które są wspólne z inteligencją maszynową - sztuczną.

  11. Test IQWstawić następny z zestawu A -F

  12. HISTORIA AI - SZACHY • ok. 1948 – pierwsze programy szachowe • 1951 – A. Turing: Nikt nie jest w stanie ułożyć programu lepszego od własnego poziomu gry. • 1967 – pierwsze zwycięstwo komputera nad „profesjonalnym” szachistą podczas turnieju • 1977 – pierwsze zwycięstwo nad mistrzem klasy międzynarodowej (jedna partia w symultanie) • 1997 – Deep Blue wygrywa pełny mecz z Kasparowem (specjalny superkomputer 418-procesorowy; wynik 3,5:2,5) • 2003 – Deep Junior remisuje z Kasparowem mecz na warunkach przez niego określonych (8 zwykłych procesorów Intela 1,6 GHz; wynik 3:3)

  13. CO OKAZAŁO SIĘ TRUDNE,A CO ŁATWE Łatwe: zadania, do których wystarcza moc obliczeniowa (proste gry, np. warcaby) lub zapamiętanie wielu przykładów. Trudne: np. analiza języka naturalnego, bardziej skomplikowane gry (go), analiza obrazu.

  14. Wykorzystywane techniki i modele • Sieci neuronowe • Wnioskowanie, indukcja reguł • Algorytmy ewolucyjne • Systemy wieloagentowe (współpraca ) • Automaty komórkowe • Metody przeszukiwania możliwych rozwiązań i ich optymalizacji...

  15. CO OKAZAŁO SIĘ TRUDNE,A CO ŁATWE 1961

  16. Przykład zagadnienia praktycznego • Znaleźć, odczytać i zapamiętać numer rejestracyjny samochodu na podstawie zdjęcia:

  17. Usunięcie zbędnych szczegółów Lokalizacja napisów Odczytywanie tablic rejestracyjnych (1) Oryginalne zdjęcie

  18. Lokalizacja znaków Rozpoznawanie znaków: - znajdowanie istotnych cech liczbowych - klasyfikacja na podstawie cech (systemy uczące się) Odczytywanie tablic rejestracyjnych (2) Wyselekcjonowany obszar

  19. Rozpoznawanie twarzy(nauka) > classifier < not Marks > classifier < Marks > classifier < not Marks > classifier < Marks > classifier < not Marks > classifier < not Marks

  20. Rozpoznawanie twarzy > Classifier > Marks UWAGA: TEN OBRAZ NIE NALEŻAŁ DO PRÓBKI TRENINGOWEJ!!!

  21. Narzędzia AI • ANN- artificial neural networks • Genetic and evolutionary algorithms (genetic=binary chromosomes) • Fuzzy logic, fuzzy sets, fuzzy controllers • Decision trees (drzewa decyzyjne) • Celullar automata (automaty komórkowe) • Rough sets (zbiory przybliżone), Pawlak’s sets

  22. Tools of AI, cont. • Wymienione narzędzia mogą się znaleźć jako elementy większych systemów informacyjnych (tzw. Inteligentnych systemów informacyjnych) zwanych systemami doradczymi czy systemami eksperckim (ekspertowymi) decision-supporting systems

  23. LITERATURA • Rutkowski L., Metody i techniki sztucznej inteligencji, Wydawnictwo Naukowe PWN Warszawa 2005. • Rutkowska D., Piliński M. i Rutkowski L., Sieci neuronowe, algorytmy genetyczne i systemy rozmyte, PWN, Warszawa 1997. • Piegat A., Modelowanie i sterowanie rozmyte. Akademicka Oficyna Wydawnicza EXIT Warszawa 1999. • Tadeusiewicz R., , Elementarne wprowadzenie do techniki sieci neuronowych z przykładowymi programami, Akademicka Oficyna Wydawnicza PLJ Warszawa 1998. • Michalewicz Michalewicz, Algorytmy genetyczne + struktury danych = programy ewolucyjne, Wydawnictwa Naukowo-Techniczne, 1996 • Korbicz J., Obuchowski A., Uciński D., Sztuczne sieci neuronowe. Podstawy i zastosowania. Akademicka Oficyna Wydawnicza PLJ, Warszawa, 1994. • Osowski Stanisław, Sieci neuronowe w ujęciu algorytmicznym, Wydawnictwa Naukowo-Techniczne, Warszawa, 1996 • Żurada Jacek, Barski Mariusz , Jędruch Wojciech, Sztuczne sieci neuronowe, Wydawnictwo Naukowe PWN, Warszawa, 1996.

  24. PROGRAM WYKŁADU • Sieci neuronowe: przegląd struktur oraz zastosowań, metody uczenia, propagacja wsteczna błędu • Logika rozmyta i liczby rozmyte • Problemy optymalizacji i przeszukiwania, klasyfikacja danych • Algorytmy genetyczne: operatory, zastosowania do optymalizacji • Automaty i systemy komórkowe i mrówkowe • Metody hybrydowe

  25. KRYTERIA ZALICZANIA • Ćwiczenia: • Punkty z rozwiązanych zadań/ ew.colloquia. • Co najmniej jeden projekt programistyczny • Inne, ustalone przez prowadzących zajęcia • Wykład: • Dwa colloquia (nieobowiązkowe) • Egzamin pisemny, jeden termin poprawkowy, trzeba mieć wcześniej zaliczone ćwiczenia • Ocena co najmniej na 4.0 z ćwiczeń i zaliczone w punktach colloquia na wykładzie zwalniają z egzaminu (można mieć zaproponowaną ocenę)‏ • Brak możliwości „warunkowego” pisania egz.

  26. Sztuczne sieci neuronowe Geneza: Naśladowanie działania naturalnych neuronów Cel historyczny: osiągnięcie zdolności uogólniania (aproksymacji) i uczenia się, właściwej mózgowi ludzkiemu.

  27. Perceptron (Rosenblatt 1958) • Wejście • n stanów wejściowych x1,...,xn • stany mogą być cyfrowe lub analogowe • Wyjście • 0 lub 1 • Parametry perceptronu • n wag połączeń w1,...,wn • wartość progowa  Uwaga: pod pojęciem “perceptronu” rozumie się też czasem sieć połączonych jednostek (neuronów).

  28. Perceptron • Zasada działania • Do każdego i-tego wejścia przypisana jest waga wi • Dla danych stanów wejściowych x1,...,xn liczymy sumę ważoną: • Jeżeli s, to ustawiamy wyjście y = 1, zaś w przeciwnym przypadku ustawiamy y = 0

  29. Analogia z neuronem naturalnym x1 x2 xn w1 w2 wn y

  30. Jak opisać perceptron • Perceptron opisuje jednoznacznie zbiór wag w1,...,wn oraz wartość progowa   • Wartości x1,...,xn to zmienne pojawiające się na wejściu do modelu perceptronu • Funkcja aktywacji:

  31. x1 x2 x1 x2 0 0 0 0 1 0 x1 x1 1 1  = 2  = 1 x1AND x2 x1OR x2 1 0 0 1 1 x2 x2 1 1 1 x1 x2 x1 x2 0 0 0 0 1 1 1 0 1 1 1 1 Co potrafi perceptron

  32. y=1 x2 w1x1 + w2x2 -  = 0 x1 Co potrafi perceptron • Równanie perceptronu można potraktować jako równanie prostej (ogólnie: hiperpłaszczyzny w przestrzeni n-wymiarowej). • Punkty leżące nad ową prostą klasyfikujemy jako 1, zaś pozostałe jako 0.

  33. AND OR XOR Czego perceptron nie potrafi • Pojedynczy perceptron nie potrafi odróżniać zbiorów nieseparowalnych liniowo, np. funkcji XOR. • Odkrycie tych ograniczeń (1969) na wiele lat zahamowało rozwój sieci neuronowych.

  34. Zadanie perceptronu • Zadaniem pojedynczego perceptronu jest jedynie: • przetwarzanie jednostkowych informacji • podejmowanie prostych decyzji • przekazywanie wyników sąsiadom • Dopiero w połączeniu z innymi węzłami uzyskuje się zdolność podejmowania złożonych decyzji

More Related