Шпора-small (Шпоры к первому коллоквиуму), страница 10

Описание файла

Файл "Шпора-small" внутри архива находится в папке "Шпоры к первому коллоквиуму". PDF-файл из архива "Шпоры к первому коллоквиуму", который расположен в категории "контрольные работы и аттестации". Всё это находится в предмете "искусственный интеллект" из седьмого семестра, которые можно найти в файловом архиве МГУ им. Ломоносова. Не смотря на прямую связь этого архива с МГУ им. Ломоносова, его также можно найти и в других разделах. .

Просмотр PDF-файла онлайн

Текст 10 страницы из PDF

. .)Условия:кто? – человек, робот, . . .откуда? – место...Фрейм-примерПЕРЕМЕЩАТЬ (Саша, Саша, Главное_Здание_МГУ, Факультет_ВМК, вчера в 15-30, . . .)Фрейм-понятие «Персональный_компьютер»ПЕРСОНАЛЬНЫЙ_КОМПЬЮТЕР (фирма-производитель?, процессор?, память?, . . .)Фрейм-примерПЕРСОНАЛЬНЫЙ_КОМПЬЮТЕР (ASUS, Intel Celeron, 512Мб, . . .)Достоинства:• знания хорошо структурированы, структура понятна человеку.Недостатки:при большом количестве фреймов долго выполняются все операции,при большом количестве фреймов знания трудно обозримы.••ПродукцииЗнания, необходимые для решения задач и организации взаимодействия спользователем, – продукции (продукционные правила).Продукция – правило вида: p: α→β (где: p – предусловие, α - антецедент, β - консеквент).Система знаний – система продукционных правил + стратегия выбора правил.База знаний – система знаний в компьютерном представлении.Основные операции: вывод (применение правила, определение правила-преемника и т.д.)Примеры:True: T > 200°C & P > 5 кПа → открыть клапан № 3True: Х - башня → Х имеет_часть У1 & У1 есть КРЫША & .

. .Достоинства:• простая и ясная нотация.Недостатки:• при большом количестве правил вывод идет очень долго,• при большом количестве правил их совокупность трудно обозрима.4.Сложности формирования БЗ (на примерах):мног2пирамарка111111111блокблокпирамблокблокблокблокблокмног333333можно дать обобщенное описание АРКИ:аркаимеет другое описание:аркаПример: Формирование описания объекта на основе знаний «здравого смысла»При описании АРКИ одного из объектов Мира Кубиков с помощью семантических сетей мы будемиспользовать: 1)объекты/понятия: арка, блок, пирамида (пирам), многогранник (мног);2)отношения: целое-часть (1), род-вид (2), поддерживает (3) и некоторые другие.Рассматривается проекция трехмерных объектов на плоскость.В описание не включается очевидный факт – работа с Кубиками ведется на плоскости (table).Достаточно естественный вариант АРКИ:может быть описан так:Другой возможный вариант АРКИ:2Если в БЗ будет указано, что блок и пирам –частные случаи объекта мног →блок1114блокблок33В этом описании не учтен «вырожденный» случай арки (см.

ниже). Для того, чтобы исключитьтакой объект, следует указать, что блоки основания АРКИ не соприкасаются.аркамног115блокблокмног33Не очень понятно, следует ли считать АРКОЙ объект, изображенный на следующем рисунке(«феномен кучи»). Можно заменить в описании отношение не соприкасаются (4)отношением расстояние между блоками > δ (5).арка1Отметим, что этот пример можно рассматривать не только в контексте описания (и егоформализации) ПО человеком, но и в контексте обучения системы ИИ.Пример: Использование в качестве источника информации о ПО энциклопедическихисточниковНекоторые словарные статьи из «Толкового словаря Ожегова» (http://www.ozhegov.ru/):АВТОБУС: многоместный автомобиль для перевозки пассажировАВТОМОБИЛЬ: транспортное средство на колесном ”реже полугусеничном или другом” ходу ссобственным двигателем для перевозок по безрельсовым путям…МАШИНА: == автомобиль.

Служебная, личная м. Гараж для машины.…ТРАМВАЙ: городская наземная электрическая железная дорога, а также ее вагон или поезд.…ТРОЛЛЕЙБУС: многоместная электрическая транспортная машина, идущая по безрельсовымпутям.…РОТОР: вращающаяся часть в машинах.Верно ли такое формальное описание объекта «ротор» (логические методы представлениязнаний):Ротор (x) ↔ Часть (x, y) & Машина (y) & Вращается (x) ?Вероятно, нет. Так как, если Машина не работает, то Ротор не Вращается.Возможное уточнение (требует привлечения информации, которой нет в источнике):Ротор (x) ↔ (∀∀t) [Работает (y, t) & Часть (x, y) & Машина (y) → Вращается (x)]5.

Метазнания в системах искусственного интеллекта:Метазнания – знания системы ИИ о ее собственных знаниях: как они структурированы, как и прикаких условиях их можно менять (в том числе, с учетом проблемы полномочий: автоматическоеизменение, изменения после получения подтверждения от пользователя, изменениепользователем).С использованием метазнаний в экспертных системах мы познакомимся в соответствующемразделе.В данном разделе мы рассматриваем метазнания как средство разрешения конфликта междуналичными знаниями системы ИИ (содержанием базы знаний) и входной информацией.Примеры конфликтов:- не удается завершить анализ текста условия задачи, т.к.

в нем встретилось незнакомое системеИИ слово;- не удается продолжить планирование решения, т.к. ни один оператор к очередной вершинедерева поиска неприменим;- новый факт формально противоречит одному из ранее известных.Разрешение конфликта (на примере появления во входном тексте слова, которое не входит всловарь системы ИИ):- поиск возможных причин (незнакомое слово – это либо действительно новое слово, либослово с орфографической ошибкой);- их динамическое (в текущем сеансе общения с известным пользователем: один частодопускает клавиатурные ошибки, другой любит использовать необычные/редкие слова)упорядочение;- выбор наилучшего способа устранения конфликта (заменить букву, вставить пропущенныйпробел и т.п.);- необходимая временная коррекция базы знаний (например, временное снятие запрета напоявление незнакомых слов) или изменение входных данных (исправлениеорфографической ошибки);- обучение (факультативно), например, запись в словарь системы нового слова.Вспомним, что в модуль проверки правописания текстового процессора при появлениинезнакомого системе слова прелагает: пропустить это слово, исправить ошибку (выбрав вариант,предлагаемый системой, либо, предложив свой вариант исправления) или добавить слово всловарь системы.1.Обучение, обучающие выборкиНекоторые важные терминыОбучение (в психологии) – усвоение новых знаний.Новые умения и навыки приобретаются путем тренировки и упражнения.Обучение (в работах по ИИ): «любое изменение в системе, приводящее к улучшению решениязадачи при ее повторном предъявлении или к решению другой задачи на основе тех же данных»- Н.Саймон.Принцип полноты базовых знаний.

Возможность/невозможность «обучения с нуля».Проблемы полноты и репрезентативности обучающей выборки (при пополнении базы знаний).Генеральная совокупность – вся изучаемая выборочным методом статистическая совокупностьобъектов и/или явлений, имеющих общие качественные признаки или количественныепеременныеВыборка (выборочная совокупность) – часть объектов из генеральной совокупности, отобранныхдля изучения, с тем чтобы сделать заключение о всей генеральной совокупности.

Для того, чтобызаключение, полученное путем изучения выборки, можно было распространить на всюгенеральную совокупность выборка должна обладать свойством репрезентативности.Репрезентативность (представительность) – свойство выборки отражать характеристикиизучаемой генеральной совокупности.Репрезентативная выборка – выборка, имеющая такое же распределение относительныххарактеристик, что и генеральная совокупность.Ошибки выборки – отклонение статистической структуры выборки от структурысоответствующей генеральной совокупности.Произвольная выборка – эмпирическая выборка, не имеющая вероятностного обоснования,складывающаяся на основе случая, причем выбор каждого случая не влияет на любой другойслучай.Источник – www.glossary.ru.2.Символьное обучение (обучение в ПРОСТРАНСТВЕ ПОНЯТИЙ)Индуктивное обучение как поиск в пространстве понятийОсновные операции в пространстве понятий: обобщение, специализация.Пример: Пусть в пространство понятий входит некоторое абстрактное понятие:Object (Sizes, Colors, Shapes)и известно, что его признаки принимают такие значения:Sizes = {large, small}; Colors = {red, blue, white, green}; Shapes = {round, polygon}Индуктивное обучение в этом пространстве – поиск понятия, удовлетворяющего всем примерамобучающей выборки.Пусть, далее, у нас есть единственный обучающий пример – Object1 (small, red, round).Результатом обучения может стать пополнение пространства понятий таким новым частнымслучаем («маленький красный шар»/«маленький красный мяч» и т.п.).

Это – специализация.Пусть появляется второй обучающий пример – Object2 (large, red, round).Результатом обучения может стать пополнение пространства понятий этим новым частнымслучаем («большой красный шар»/«большой красный мяч» и т.п.). Это тоже – специализация.Можно выполнить и некоторые операции обобщения, построив и добавив в общее пространствоновые понятия:Object3 (X, red, round) – («красный шар»/«красный мяч» и т.п.)Object4 (X, Y, round)– («шар»/«мяч» и т.п.)Основные операции обобщения1.Замена конкретного значения понятия на переменную:Colors (X, red) & Shapes (X, cube) → Colors (X, Y) & Shapes (X, cube)(«красный куб») → («куб <любого цвета>»)2.Исключение конъюнкта:Sizes (X, small) & Colors (X, red) & Shapes (X, cube) → Colors (X, red) & Shapes (X, cube)(«красный куб малого размера») → («красный куб»)3.Добавление дизъюнкта:Colors (X, red) & Shapes (X, cube) → Colors (X, red) & ((Shapes (X, cube) V Shapes (X, pyramid))(«красный куб») → («красный куб или красная пирамида»)4.Замена конкретного объекта или частного понятия общим понятием (на основе иерархииклассов):Colors (X, red) → Colors (X, rainbow-color)(«красный» → «цвета радуги»)Shapes (X, polyhedron) → Shapes (X, solid)(«многогранник» → «геометрическое тело»)Роль отрицательных примеров в предотвращении излишнего обобщения.В последние годы определенную популярность в работах по ИИ получил подход кмоделированию процессов обучения/развития на основе так называемых генетическихалгоритмов.3.Понятие о генетических алгоритмах(Использован материал бывшего доступным в 2002 году сайта:http://www.ai.tsi.lv/ru/index.htm, Борисов А.Н.

Свежие статьи
Популярно сейчас