Inteligencja obliczeniowa wst p
This presentation is the property of its rightful owner.
Sponsored Links
1 / 21

Inteligencja Obliczeniowa Wstęp PowerPoint PPT Presentation


  • 112 Views
  • Uploaded on
  • Presentation posted in: General

Inteligencja Obliczeniowa Wstęp. Wykład 1 Włodzisław Duch Katedra Informatyki Stosowanej, Uniwersytet Mikołaja Kopernika Google: W. Duch. Informatyka: definicja Association for Computing Machinery. Co to jest ?.

Download Presentation

Inteligencja Obliczeniowa Wstęp

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.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -

Presentation Transcript


Inteligencja obliczeniowa wst p

Inteligencja ObliczeniowaWstęp

Wykład 1

Włodzisław Duch

Katedra Informatyki Stosowanej, Uniwersytet Mikołaja Kopernika

Google: W. Duch


Co to jest

Informatyka:

definicja Association for Computing Machinery

Co to jest ?

The systematic study of algorithmic processes that describe and transform information: their theory, analysis, design, efficiency, implementation, and application …

Denning, et al. 1988

Co z zagadnieniami, dla których nie ma efektywnych algorytmów? Lub żadnych algorytmów?


Inteligencja obliczeniowa

Computational Intelligence (CI)

Zajmuje się rozwiązywaniem problemów, które nie są efektywnie algorytmizowalne.

Inteligencja obliczeniowa

Nie ma efektywnego algorytmu?

  • Drobna zmiana może wymagać całkiem innego programu!

  • Nie można przewidzieć wszystkich zmian.

    Rozwiązanie wymaga inteligencji; jeśli szukamy rozwiązania za pomocą obliczeń to jest to „inteligencja obliczeniowa”.


Problemy efektywnie niealgorytmizowalne

Problemy efektywnie niealgorytmizowalne

Teoria złożoności obliczeniowej, problemy NP-trudne

Liczba kroków algorytmu dla złożonych sytuacji rośnie w sposób szybszy niż jakikolwiek wielomian liczby elementów (złożoności specyfikacji problemu).

Przykład: problem komiwojażera.

Dla 100 miejsc mamy 100!=10158 możliwości.

Problemy praktyczne: gry planszowe, układanie planu, upakowanie towarów.


Problemy niealgorytmizowalne

Problemy niealgorytmizowalne

Przykłady:

  • rozumienie sensu zdań,

  • rozpoznawanie twarzy i obrazów,

  • rozpoznawanie mowy i sygnałów, percepcja,

  • rozpoznawanie pisma ręcznego,

  • sterowanie robotem, nieliniowymi układami,

  • diagnostyka medyczna, planowanie terapii,

  • rozwiązywanie nietypowych problemów,

  • działania twórcze.

    Wiele problemów nie ma natury dyskretnej.


Ci i sztuczna inteligencja

CI i sztuczna inteligencja

Kognitywistyka:

CI: percepcja i sterowanie: zachowania sensomotoryczne;

AI: wyższe czynności poznawcze: logika, język, rozumowanie, rozwiązywanie problemów.

AI to część CI posługująca się symboliczną reprezentacją wiedzy, zajmuje się rozumowaniem, tworzeniem systemów ekspertowych.

CI: automatyzacja procesów akwizycji wiedzy.

CI-AI: niewielkie nakrywanie, trochę systemów hybrydowych.

iOmniscient: Neural Networks and Heuristic Algorithms


Ci problemy 1

CI: problemy 1

Kilka problemów do rozwiązania których potrzebne są metody inteligencji obliczeniowej:

  • Klasyfikacja struktur: rozpoznawanie obrazów, mowy, pisma, struktur chemicznych, zachowań człowieka lub maszyny, stanu zdrowia, sensu wyrazów i zdań …

  • Odkrywanie wiedzy w bazach danych, zrozumienie struktury danych, konstrukcja wyjaśniających teorii.

  • Selekcja cech - na co warto zwrócić uwagę, co jest niepotrzebne; redukcja wymiarowości problemu.

  • Inteligentne szukanie z uwzględnieniem semantyki pytania – szukarki, Information Retrieval (IR).


Ci problemy 2

CI: problemy 2

  • Inteligentne wspomaganie decyzji: diagnozy medyczne, decyzje menedżerskie.

  • Gry strategiczne: uczenie się na własnych i cudzych błędach.

  • Kontrola: jakości produktów, ostrości obrazu kamery, dostrojenia aparatury.

  • Sterowanie: samochodu, urządzeń technicznych, fabryk, społeczeństwa ...

  • Planowanie: budowa autostrad, wieżowców, optymalizacja działań i organizacji, planów działania.

  • Optymalne spełnianie ograniczeń, optymalizacja wielokryterialna, dopełnianie brakującej wiedzy.


Ci problemy 3

CI: problemy 3

  • Detekcja regularności, analiza interesujących skupień, samoorganizacja, uczenie spontaniczne, geny, białka.

  • Separacja sygnałów z wielu źródeł: oczyszczanie obrazów z szumów, oddzielanie artefaktów, separacja sygnałów akustycznych, sygnałów.

  • Prognozowanie: wskaźników ekonomicznych, pogody, plam na Słońcu, decyzji zakupu, intencji człowieka.

  • Askrypcja danych: łączenie informacji z kilku źródeł.

  • Wizualizacja informacji ukrytej w bazach danych.

  • Zrozumienie umysłu: doświadczeń psychologicznych, sposobu rozumowania i kategoryzacji, poruszania się i planowania, procesów uczenia.


Ci inspiracje 1

CI: inspiracje 1

  • CI czerpie inspiracje z różnych źródeł, w tym z:

  • Neurobiologii: jak robią to mózgi?

    Sieci neuronowe – duża dziedzina, sieci wszelkich rodzajów, modele hierarchiczne, samoorganizujące.

    Część bliska neurobiologii – computational cognitive neurosciences, szczegółowe modele neuronów.

    Część bliska statystyki i rozpoznawania wzorców (pattern recognition).

    Część pośrednia: CMAC (Cerebellar Model Arithmetic Computer); SDM (Sparse Distributed Memory) ...


Ci inspiracje 2

CI: inspiracje 2

Modele koneksjonistyczne: sieci i rozproszone przetwarzanie równoległe, ale węzły nie działają jak neurony – sieci Bayesowskie, modele graficzne, uczenie się przez porcjowanie, mechanizmy uwagi.

  • Biologii: algorytmy ewolucyjne, genetyczne, rojowe, mrówkowe.

  • Medycyny: działanie układu immunologicznego.

  • Logiki: uwzględnianie informacji niepewnej, logika rozmyta (fuzzy), przybliżona (rough), teoria wiarygodności Dempstera-Shafera (posybilistyczna), logika wielowartościowa.

  • Psychologii: jak robią to umysły?


Ci inspiracje 3

CI: inspiracje 3

  • Z uczenia maszynowego: szukanie reguł symbolicznych, automatyczna akwizycja wiedzy.

Metody oparte na ocenie podobieństwa do sąsiadów, np. NNC (Nearest Neighbor Classifiers), k-NN

Metody oparte na śladach pamięci (memory-based methods, memory-based reasoning), szukania interesujących prototypów.

  • Statystyki: statystyka wielowymiarowa, klasyfikatory Bayesowskie, sieci probabilistyczne, klasteryzacja, kwantyzacja wektorowa.

  • Teorii wnioskowania: podejmowanie decyzji, metody probabilistyczne, ocena ryzyka, drzewa decyzji.


Ci inspiracje 4

CI: inspiracje 4

  • Teorii informacji: maksymalizacji entropii, wartości oczekiwanych, informacji wzajemnej ...

  • Matematyki stosowanej: teoria optymalizacji, estymacji, badań operacyjnych, taksonomia numeryczna, teoria aproksymacji, regresji wielu zmiennych, falek ...

  • Metod wizualizacji wielowymiarowych danych.

  • Informatyki: współbieżne systemy programowania.

  • Fizyki: fizyka statystyczna, metody Monte Carlo, stopniowe studzenie, funkcje potencjalne, układy dynamiczne, teoria chaosu, synergetyka.

  • Nauk technicznych: teorii sterowania, automatyki, robotyki.


Inteligencja obliczeniowa1

Algorytmy ewolucyjne

PatternRecognition

Statystykawielowymiarowa

AI, ES

Logikarozmyta

Uczenie maszynowe

Wizuali-zacja

Sieci neuronowe

Metody probabilistyki

Inteligencja Obliczeniowa

Computational IntelligenceData + KnowledgeArtificial Intelligence


Cel dalekosi ny

Cel dalekosiężny

  • AI: test Turinga, maszyna nieodróżnialna od człowieka przy zdalnej konwersacji.

    Wymaga nie tylko zdolności lingwistycznych, ale i budowania modeli umysłowych, szerokiej wiedzy o świecie, zrozumienia stanów emocjonalnych ...

  • CI: sztuczny szczur?

    Przetrwanie autonomicznego organizmu we wrogim środowisku, wymaga percepcji, kontroli, pamięci skojarzeniowej, planowania, antycypacji …


Adaptacja

Adaptacja

  • Cecha wielu systemów CI: rozwiązywanie zadań na podstawie przykładów.

  • Systemy adaptujące: zmieniają wewnętrzną strukturę dostosowując się do sytuacji (np. mózgi, społeczeństwa). Adaptacja to cecha inteligencji.

  • Systemy adaptujące się są zwykle nieliniowe, często rozproszone, składające się z wielu elementów oddziaływujących w trudny do przewidzenia sposób.

  • 3 podstawowe rodzaje takich układów:

    uczące się pod nadzorem, z krytykiem i samodzielnie, bez nadzoru.


Uczenie bez nadzoru

Uczenie bez nadzoru

Znajdź interesujące struktury w danych.

Uczenie spontaniczne, odkrywanie ciekawych struktur w przestrzeni danych, korelacja zachowań systemu ze zmianą tych struktur – dominuje w okresie niemowlęcym (również budowa teorii).

Unsupervised learning


Uczenie z nadzorem

Uczenie z nadzorem

Zadaj pytanie – pokaż opis obiektu (wektor własności), porównaj odpowiedź z pożądaną.

Uczenie nadzorowane przez nauczyciela – szkolne. Zmiana parametrów wewnętrznych – adaptacja, w przyszłości trzeba robić jak najmniej błędów.

Celem nie jest uczenie „na pamięć”, lecz generalizacja.

Supervised learning.


Uczenie z krytykiem

Uczenie z krytykiem

Optymalizacja zysków na dłuższą metę.

Np. gry z przeciwnikiem, krytyką jest przegrana lub wygrana na końcu partii.

Uczenie z krytykiem lub z „wzmocnieniem” pożądanych zachowań po dłuższym okresie.

Uczenie dojrzałe (nabieranie „mądrości”).

Reinforcement learning.


Co dalej

Sieci bez wag

Inne proste modele binarne

Sieci Hopfielda

Sieci Hebbowskie i modele mózgu

Perceptrony proste

Perceptrony wielowarstwowe

Co dalej?


Koniec wyk adu 1

Koniec wykładu 1

Dobranoc ?


  • Login