Конспект лекции по дисциплине «Системы искуственного интеллекта»


НазваниеКонспект лекции по дисциплине «Системы искуственного интеллекта»
страница1/13
Дата публикации02.04.2013
Размер1.35 Mb.
ТипКонспект
referatdb.ru > Информатика > Конспект
  1   2   3   4   5   6   7   8   9   ...   13


Опорный конспект лекции








ФСО ПГУ 7.18.2/07



Министерство образования и науки Республики Казахстан
Павлодарский государственный университет им. С. Торайгырова
Факультет физики, математики и информационных технологий

Опорный конспект лекции
по дисциплине «Системы искуственного интеллекта»
Для специальности 050602 «Информатика»



Павлодар


Лист утверждения опорного конспекта лекции






Ф

ФСО ПГУ 7.18.2/11




УТВЕРЖДАЮ

Декан факультета ФМ иИТ

_____________ Тлеукенов С.К.

«__»_________2008г.


Составитель: старший преподаватель Аканова А.С.
Кафедра информатики и информационных систем

^ Опорный конспект лекции

по дисциплине Системы искуственного интеллекта

для специальности 050602 «Информатика»

форма обучения: дневная и заочная на базе ОСО, СПО, ВПО
Опорный конспект лекции разработан на основании рабочей программы дисциплины
Рекомендована на заседании кафедры от «__» ____________200 протокол №__

Зав. кафедрой __________________________Ж.К. Нурбекова

(подпись, Ф.И.О.)

Одобрено методическим советом факультета ФМиИТ
«______»____________200__г., протокол № ___________________

Председатель МС___________________ А.Т.Кишубаева

(подпись)

^ Тема 1 Концептуальные основы искуственного интеллекта. Базовые понятия ИИ. Задачи и методы ИИ.

Терминология. Философские проблемы систем ИИ.

История развития систем ИИ.

Место искуственного интеллекта в информационных технологиях.

Тенденция развитя систем ИИ.

Распознавание образов.

Постановка задачи распознавания образов.

Методы распознавания образов.

Структурный подход к анализу образов.

Выделение признаков.

Многие виды умственной деятельности человека, такие, как написание программ для вычислительной машины, игра в шахматы, занятие математикой, ведение рассуждений на уровне здравого смысла, требуют наличия определенного "интеллекта". На протяжении последних десятилетий было построено немало компьютерных систем, способных решать подобные задачи. Имеются системы, способные диагностировать заболевания, планировать синтез сложных химических соединений, решать дифференциальные уравнения в символьном виде, анализировать электронные схемы, понимать ограниченный объем человеческой речи и естественного языкового текста. Можно сказать, что такие системы обладают в некоторой степени искусственным (созданным человеком) интеллектом. Поэтому область исследований, где проводится работа по построению таких систем, получила название искусственный интеллект (ИИ). При реализации интеллектуальных функций непременно присутствует и используется информация, называемая знаниями, поэтому системы искусственного интеллекта можно рассматривать и как системы обработки знаний.

Интерес к созданию искусственного разума имеет более чем 2000-летнюю историю, но, чтобы перейти от фантазий (подобных легенде о Пигмалионе) и мистификаций (вроде механического шахматиста) к их воплощению в реальность, надо было подготовить надлежащий математический и технический инструментарий. Решение этих задач обеспечили успехи в развитии математической логики, теории алгоритмов и изобретение электронных вычислительных машин

^ Математическая логика – это формальная логика, применяющая математические методы для исследования законов мышления, это качественно новая ступень в развитии формальной логики, изучающей закономерности получения выводимого знания. Первой ступенью можно считать традиционную логику, основы которой были заложены величайшим мыслителем античного мира Аристотелем (384 - 322 г.г. до н.э.). Ее путь к современной математической логике можно (весьма неполно) проследить, отметив хотя бы некоторые, наиболее важные достижения, имеющие отношение к математизации логики.

^ Р. Луллий (1235 - 1315) - испанский философ, высказал мысль о возможности математизации логических операций и сконструировал "логическую машину" из семи кругов, которая позволяла производить простейшие логические вычисления.

^ Р. Декарт (1596 - 1650) - французский философ и математик, ввел понятия переменной и функции, без которых была бы невозможна современная математика.

Дж. Буль (1815 - 1864) - английский математик, построил первый вариант алгебры логики, позволивший сводить процесс получения умозаключений к решению логических уравнений.

Г. Фреге (1848 - 1925) - немецкий логик и математик, ввел в аппарат логики понятия кванторов всеобщности и существования.

^ Дж. Пеано (1858 - 1932) - итальянский математик и логик, ввел современную символику теории множеств и применил математическую логику для обоснования арифметики, создав систему аксиом для арифметики натуральных чисел.

^ К. Гёдель (1906 - 1978) - австрийский математик и логик, с 1940 г. работавший в США, в 1931 г. доказал теорему о неполноте формализованного знания, из которой следует, что не все содержательно истинные предложения могут быть доказаны или опровергнуты в формальных аксиоматических системах.

Современное состояние математической логики связано с именами Б.Рассела, Я. Лукасевича, Е. Поста, А.А. Маркова, П.С. Новикова и других. Основоположник кибернетики, Норберт Винер считал, что возникновение кибернетики было бы невозможно без математической логики. С этим трудно не согласиться: сегодня математическая логика находит практическое применение при создании как технических средств, так и программного обеспечения разнообразных современных кибернетических систем.

^ Понятие алгоритма также является не только одним из основных, но и достаточно древним понятием. Уже на ранних этапах развития математики производились вычисления, носившие механический характер и выполнявшиеся по заранее определенным правилам. Сам термин "алгоритм" (или "алгорифм") происходит от латинской формы Algorithmi имени выдающегося средневекового узбекского математика Мухамеда бен Муса аль-Хорезми, предложившего в 825 г. правила выполнения четырех арифметических действий в десятичной системе счисления.

Начиная с двадцатых годов прошлого века, задача точного определения понятия алгоритма становится одной из центральных проблем в математике, поскольку в этот период были сформулированы математические задачи, возможность построения алгоритмов решения которых вызывала сомнения. Дело в том, что для доказательства существования алгоритма решения некоторого класса задач достаточно найти хотя бы один алгоритм, в то время как невозможность построения такого алгоритма можно установить лишь с привлечением математических методов доказательства, что невозможно сделать без математически точного понятия алгоритма. Однако до 30-х годов прошлого века понятие алгоритма определялось интуитивно и имело больше методологическое, чем математическое значение. Математически строгие формулировки понятия алгоритма были даны в середине 30-х годов прошлого века в двух формах: на основе особого класса функций, названных рекурсивными (Д. Гильберт, К. Гёдель, А. Чёрч, С. Клини ), и на основе специального класса гипотетических машин, названных машинами Тьюринга (Э. Пост, А. Тьюринг). В 50-х годах А.А. Марковым было предложено также математически строгое понятие нормального алгоритма как особого соответствия между словами, описывающими исходные данные и результаты решения задачи. В дальнейшем была установлена равносильность этих трех способов формализации понятия алгоритма в том смысле, что любой алгоритм, если он описан одним из трех способов, всегда может быть также описан и каждым из двух остальных способов.

С использованием этих определений было доказано, что существуют математические проблемы, для решения которых в принципе не могут быть построены алгоритмы. Такие проблемы были названы алгоритмически неразрешимыми. Среди них оказались многие проблемы, не поддающиеся решению, в том числе древние геометрические проблемы на построение с помощью циркуля и линейки: о квадратуре круга (построить квадрат, равновеликий данному кругу), о трисекции угла (разделить произвольный данный угол на три равные части), об удвоении куба (по стороне данного куба построить сторону куба, объем которого вдвое больше данного). С 50-х годов прошлого столетия (в связи с появлением и началом широкого применения электронных вычислительных машин) математическая логика и теория алгоритмов получают интенсивное развитие и находят применение всюду, где возникает необходимость автоматизации процессов решения каких-либо задач, в том числе и в моделировании интеллекта.

^ Эволюция первых исследований по ИИ

Здесь мы очень кратко рассмотрим историю первых работ в области искусственного интеллекта в век компьютеров, сократив её до четырех этапов (табл. 1.1). Тем самым мы её, конечно, существенно упростим, но ключевые моменты развития этих исследований в ней будут отражены.

Таблица 1.1


Годы

Парадигма

Исполнители

Система

50-е

Нейронные сети

Розенблатт

(Винер, Маккаллок)

PERCEPTRON

60-е

Эвристический поиск

Ньюэл , Саймон

(Шеннон, Тьюринг)

GPS

70-е

Представление знаний

Шортлифф

(Минский, Маккарти)

MYCIN

80-е

Обучающиеся машины

Ленат

(Сэмюэл, Холланд)

EURISCO


В колонке "Парадигма" помещен тот ответ, который вы получили бы в то время, если бы спросили специалиста по искусственному интеллекту, чему посвящены исследования в этой области.

В колонке "Исполнители" показаны одна-две основные фамилии ученых, которые, по-видимому, характеризуют собой дух искусственного интеллекта в этот период (под основными исполнителями в круглых скобках помещены фамилии теоретиков, заложивших основы исследований в рамках соответствующей парадигмы).

Наконец, в колонке "Система" приведены типичные системы (далеко не все и не обязательно лучшие из них), в которых нашли отражение тенденции или модные в соответствующий период истории течения.

Нейронные сети. В 50-х годах исследователи в области искусственного интеллекта пытались строить разумные машины, имитирующие мозг. Разумеется, эти попытки оказались тщетными, поскольку аппаратные и программные средства были ещё непригодны для такого дела. Типичным примером систем такого типа является указанный в табл.1.1 PERCEPTRON. Он представлял собой самоорганизующийся автомат, который можно считать грубой моделью работы сетчатки глаза человека. Его можно было научить узнавать образы, но, как позже показали Минский и Пейперт, это был лишь ограниченный класс зрительных образов.

Энтузиазм в отношении систем, подобных системе Розенблатта, был основан на теоретических работах кибернетиков Норберта Винера и Уоррена Маккалока по абстрактным нейронным сетям. Считалось, что если взять сильно связанную систему модельных нейронов, которой вначале ничего не известно, применить к ней программу тренировки из поощрений и наказаний, то в конце концов она будет делать всё, что требуется ее создателю. При этом не принималось во внимание, что мозг человека содержит 1010 нейронов, каждый из которых по сложности соответствует примерно микрокомпьютеру, реализованному на одном кристалле и способному выполнять сравнительно небольшую программу.

Поскольку экспериментальные результаты, полученные Розенблаттом, были недостаточно хороши, воображением специалистов по искусственному интеллекту овладела новая идея.

Эвристический поиск. Новые рубежи в конце 50-х - начале 60-х годов наметили Аллен Ньюэлл и Герберт Саймон из университета Карнеги-Меллона (США). Они решили, что моделировать следует не мозг, а мышление человека. Ньюэл и Саймон считали, что мышление человека основано на операциях над символами (сравнение, поиск, модификация символов и т.п.), которые могут выполняться и компьютером. Решение задач им представлялось как поиск путем перебора вариантов применения возможных операций. Начали Ньюэл и Саймон с разработки программы доказательства теорем математической логики, затем перешли к программам моделирования шахматной игры. Необозримость множества возможных вариантов развития каждой шахматной позиции заставила их обратиться к изучению человеческих способов сокращения перебора за счет применения эвристик (основанных на опыте правил выбора приоритетных направлений поиска решения), что сделало эвристический поиск центральным в их подходе. В процессе этих исследований был найден ряд приемов сокращения перебора: выдвижение гипотез и возврат при неудаче ("поиск в глубину"), локальная оптимизация ("подъем на холм"), иерархическая декомпозиция (разбиение) сложных задач на всё более простые подзадачи, рекурсия.

Полученные результаты позволили Ньюэлу и Саймону переключить внимание на поиск общих методов, применимых к обширному спектру задач, что привело их к созданию системы GPS (General Problem Sоlver - общий решатель задач). Универсальность системы GPS заключалась в том, что "не было конкретного указания, к какой области относится задача", пользователь должен был сам задать проблемную среду в терминах ее объектов и применимых к этим объектам операций. Но на деле эта универсальность относилась лишь к ограниченной области математических головоломок и различных игр с относительно небольшим множеством cocтояний и четко определенных формальных правил. Как и большинство ее современниц, система GPS функционировала в таком формализованном микромире, где возникающие проблемы (например, задача "Ханойская башня" или задача о миссионерах и людоедах), с точки зрения людей, проблемами и не являются.

Авторы проекта создания универсального решателя задач также стали жертвой неоправданного оптимизма, но работа над ним привнесла в исследования по ИИ ряд упомянутых выше ценных идей.

Представление и использование знаний. Система GPS не была способна решать задачи реальной сложности. Поэтому в 70-х годах группа ученых во главе с Эдвардом Фейгенбаумом из Станфордского университета отказалась от безнадежного поиска эффективных универсальных эвристик и поставила задачу добиться эффективности за счет специализации систем ИИ и использования знаний и навыков (приемов и неформальных правил) специалистов. На этом пути были созданы первые экспертные системы. Хотя система анализа масс-спектрограмм химических соединений DENDRAL и является прототипом всех экспертных систем, но её дочерняя система MYCIN, созданная под руководством медика Шортлиффа, оказала гораздо большее влияние на идеологию и развитие экспертных систем.

Система MYCIN - это компьютерная система, способная диагностировать бактериальные инфекции крови и давать рекомендации по лекарственной их терапии. Она положила начало созданию целой серии медико-диагностических систем, используемых в рутинной клинической практике. Ряд характеристик системы MYCIN стали отличительной чертой всех экспертных систем.

Во-первых, медицинские знания MYCIN представляют собой сотни правил-продукций, подобных следующему:

ЕСЛИ (1 ) инфекция представляет собой первичную бактеримию,

И (2) место взятия культуры является стерильным,

И (3) предполагается, что организм проник через желудочно-кишечныи тракт,

ТО (с уверенностью 0,7) этот организм носит бактериальный характер.

Во-вторых, Шортлифф разработал схему с использованием "коэффициентов уверенности", позволяющую системе на основе даже ненадежных данных приходить к правдоподобным заключениям.

В-третьих, система MYCIN была способна объяснять пользователю (лечащему врачу) ход своих рассуждений и причины задаваемых ему вопросов, благодаря чему существенно снималось недоверие к машинному диагнозу. Достигнутая системой степень "дружественности" по отношению к пользователю была прямым следствием представления медицинских знаний в виде правил-продукций: если пользователь хотел узнать, почему ему был задан данный вопрос, система просто сообщала ему последовательность правил, приведшую к этому вопросу.

В-четвертых, и самое главное, система MYCIN действительно эффективно работала, выполняя работу, которой люди обучаются годами.

В-пятых, на основе системы MYCIN была создана первая "оболочка" экспертных систем. Так система PROSPECTOR для разведки полезных ископаемых была построена путем замены медицинских знаний (системы правил-продукций) на геологические. То, что при этом перешло в новую экспертную систему неизменным, было названо "оболочкой" (от английского термина shell - скорлупа, оболочка).

Приобретение знаний путем обучения машин. Итак, 80-е годы оказались периодом очередного раунда необузданного оптимизма, охватившего теперь не только замкнутую в себе область ИИ, но и людей, занятых информатикой, вычислительной техникой и обработкой данных. На этот раз магическим катализатором стали знания, потому что от обширности и качества знаний зависит успех экспертной системы. Сейчас можно констатировать, что на этот раз энтузиазм был оправданным, хотя и не вполне, т.к. на пути к массовому производству знаний для компьютера были выявлены значительные трудности. Пытаясь снять эти трудности, Дуг Ленат (Станфордский университет), использовал алгоритмы обучения Сэмюэла и Холланда, основанные на принципах естественного отбора и генетики, для создания машинной обучающейся системы EURISCO, способной автоматически улучшать и расширять свой запас эвристических правил.

Нет сомнения, что программы машинного обучения станут важнейшим этапом в развитии искусственного интеллекта в последующие десятилетия, так как до сих пор перенесение знаний и навыков специалистов в базу знаний экспертной системы остается сложной и долгой процедурой.

Созданием EURISCO завершился первый виток спирали в развитии искусственного интеллекта, поскольку машинное обучение и было той проблемой, с которой начинали кибернетики 50-х годов прошлого столетия.
^ Тема 2 Методы представления знаний. Логика предикатов первого порядка. Знания и данные. Способы структурирования и классификация знаний. Логические и эвристические методы представлений знаний. Понятие предика, формулы, кванторов общности и существования. Интерпретация формул в логике предикатов первого порядка.

^ Правила продукции. Структура правил-продукции. Методы логического вывода: прямой и обратный. Стратегии выбора правил при логическом выводе.

Семантические сети и фреймы. Основные понятия семантических сетей.Типы отношений в семантических сетях. Принципы обработки информации в семантических сетях. Основные понятия фрейма, наследование свойств. Сети фреймов.

Человек для решения какой-либо задачи использует собственные и другие знания. Для выполнения той же работы с помощью компьютера необходимо этим знаниям придать определенную форму, чтобы представить их в компьютере, а также составить программу для компьютера, решающую задачу с использованием знаний. В самом общем плане формы представления знаний делят на императивные, декларативные и комбинированные.

Императивные формы представления знаний - это традиционные (процедурные) способы описания процессов решения задач в виде последовательностей операций над данными, совершаемых согласно заданным алгоритмам или формулам (как, например, последовательность операций вычисления выражения )). В процедурах знания (связи, зависимости, законы) представлены (учтены) неявно: в организации вычислительного процесса, в структуре программы решения задачи, в характере и последовательностях операций. По этой причине императивная форма представления знаний наиболее эффективна с вычислительной точки зрения (по затратам времени и памяти на решение задачи), поскольку в процедурах поиска решения глубоко учитывается специфика конкретной проблемной области (ПО) и решаемой задачи, что является важным фактором при создании систем, работающих в реальных условиях (в системах реального времени). Главный недостаток этой формы представления знаний - сложность внесения изменений, что делает ее непригодной для использования в слабо изученных и изменяющихся ПО.

Декларативные формы представления знаний разработаны в рамках исследований по искусственному интеллекту. Их отличительная особенность в том, что знания относительно ПО в этом случае описываются в виде совокупности утверждений, характеризующих состав, свойства, законы строения и поведения (например, закон Ома  в электротехнике связывает зависимостью величины тока, напряжения и сопротивления, позволяющей вычислить каждую из этих величин, если заданы две другие). Знания в этой форме можно использовать для решении любых задач, связанных с данной ПО. Постановка задачи в этом случае сводится к описанию свойств искомого решения (цели), способ же поиска решений (механизм поиска, "машина" вывода) универсален и не зависит ни от поставленной задачи, ни даже от ПО, что весьма важно при описании слабо изученных и изменяющихся ПО. Главный недостаток этой формы представления знаний - низкая вычислительная эффективность (по затратам времени и памяти), поскольку в процедурах поиска решения не учитывается специфика решаемой задачи и ПО, что делает эту форму непригодной для применения в системах реального времени.

Комбинированные формы описания знаний создаются, чтобы преодолеть недостатки и сохранить достоинства императивной и декларативной форм. Достигается это за счет того, что хорошо обоснованная, устойчивая и формализованная часть знания воплощается в эффективных процедурах, а слабо изученная и изменчивая составляющая знания представляется в декларативной форме. Главный недостаток комбинированных форм представления знаний - трудность их теоретизации из-за их составного характера, что препятствует созданию теоретически обоснованных методов построения баз знаний и методов поиска решений с использованием таких форм представления знаний.

Императивные формы представления знаний широко используются в различных языках программирования, изучаются при освоении этих языков. Их рассматривать мы не будем, а познакомимся с типичными для систем искусственного интеллекта и экспертных систем моделями представления знаний. Основными моделями представления знаний в интеллектуальных системах в настоящее время принято считать:

-       логические модели;

-       продукционные модели;

-       сетевые модели;

-       фреймовые модели.

Чисто декларативные формы представления знаний реализовать весьма сложно, но наиболее близкими к ним вариантами являются логические и продукционные модели. В сетевых и фреймовых моделях находит воплощение идея комбинированных форм представления знаний.
  1   2   3   4   5   6   7   8   9   ...   13

Похожие рефераты:

Конспект лекции по дисциплине «Интеллектуальные информационные системы»
Тема 1 Концептуальные основы искуственного интеллекта. Базовые понятия ии. Задачи и методы ии
Опорный конспект лекции ффсо пгу 18. 2/05 Министерство образования и науки Республики Казахстан
Опорный конспект лекции по дисциплине Программные средства экономических расчетов для студентов специальности 050703 «Информационные...
Программа дисциплины для студентов по дисциплине «Системы искуственного интеллекта»
Программа дисциплины для студентов разработана на основании рабочей учебной программы дисциплины
Опорный конспект лекции ффсо пгу 18. 2/05 Министерство образования и науки Республики Казахстан
Опорный конспект лекции по дисциплине Параллельные вычисления для студентов специальности 050602 «Информатика»
Конспект лекции по дисциплине «Интеллектуальные информационные системы»
Лекция Понятие интеллектуальной информационной системы (иис), основные свойства. Классификация иис
Конспект лекции по дисциплине «Интеллектуальные информационные системы»
Лекция Понятие интеллектуальной информационной системы (иис), основные свойства. Классификация иис
Конспекте лекции по дисциплине «Основы издательского дела»
Омарова Б. А. Конспект лекции для студентов обучающихся по специальности «5В050422-Издательское дело»
Интеллектуальные системы
Системы искусственного интеллекта, решающие задачи по обработке знаний и при этом проявляющие черты, сходные с чертами естественного...
Курсовой проект по дисциплине «Системы искусственного интеллекта»
Тема проекта Разработка системы поддержки принятия решений (сппр) при моделировании игровых ситуаций
Курсовой проект по дисциплине «Системы искусственного интеллекта»
Тема проекта Разработка системы поддержки принятия решений (сппр) при моделировании игровых ситуаций

Вы можете разместить ссылку на наш сайт:
Школьные материалы


При копировании материала укажите ссылку © 2013
контакты
referatdb.ru
referatdb.ru
Рефераты ДатаБаза