Artificial Intelligence - هوش مصنوعی  
انجمن را در گوگل محبوب کنيد :

بازگشت   Artificial Intelligence - هوش مصنوعی > مقالات و اسلاید ها > مقالات و اسلایدهای فارسی مرتبط با هوش مصنوعی


 
فرادرس

تبليغات سايت
فیلم های آموزشی
ژنتیک و محاسبات تکاملی
فیلم های آموزشی
شبکه عصبی مصنوعی
فیلم های آموزشی
الگوریتم های فراابتکاری
فیلم های آموزشی
داده کاوی
فیلم های آموزشی
سیستم های فازی
فیلم های آموزشی
آموزش متلب
آموزش الگوریتم TLBO آموزش شبکه عصبی مصنوعی آموزش الگوریتم کرم شب تاب آموزش داده کاوی در متلب آموزش سیستم های فازی آموزش برنامه نویسی متلب
آموزش الگوریتم PSO آموزش شبکه عصبی گازی آموزش الگوریتم مورچگان آموزش آمار و داده کاوی آموزش استنتاج فازی در متلب آموزش رابط گرافیکی در متلب
آموزش ترکیب ژنتیک و PSO آموزش شبکه عصبی رقابتی آموزش الگوریتم علف هرز آموزش وب کاوی آموزش خوشه بندی آموزش شبیه سازی با سیمولینک
آموزش الگوریتم BBO آموزش شبکه عصبی MLP آموزش الگوریتم جهش قورباغه آموزش داده کاوی RapidMiner آموزش نگارش آکادمیک آموزش تحلیل آماری در متلب
آموزش الگوریتم فرهنگی آموزش شبکه عصبی RBF آموزش الگوریتم کرم شب تاب آموزش مبانی داده کاوی تنظیم ضرایب PID در متلب آموزش واقعیت مجازی در متلب
آموزش انتخاب ویژگی آموزش شبکه عصبی LVQ آموزش الگوریتم زنبور ها آموزش کاهش تعداد رنگ تحلیل پوششی داده ها در متلب آموزش محاسبات نمادین در متلب
آموزش الگوریتم ژنتیک آموزش شبکه عصبی GMDH آموزش کلونی زنبور مصنوعی آموزش کاهش ابعاد سیستم فازی عصبی ANFIS آموزش زبان C
الگوریتم رقابت استعماری شبکه عصبی با نروسولوشن آموزش الگوریتم ژنتیک کاوش قواعد وابستگی بهینه سازی مقید در متلب آموزش زبان C++
Iranian Association for the Advancement of Artificial Intelligence
ارسال تاپيک جديد  پاسخ
 
LinkBack ابزارهاي تاپيک نحوه نمايش
قديمي ۱۰-۱۹-۱۳۹۶, ۰۲:۳۸ بعد از ظهر   #1 (لینک دائم)
عضو جدید
 
آواتار site2017
 
تاريخ عضويت: مهر ۱۳۹۶
پست ها: 7
تشكرها: 0
0 تشكر در 0 پست
پيش فرض مقايسه، استدلال و حل مسائل

خيلي زود توسعه دهندگان هوش مصنوعي به اين نتيجه رسيدند كه بايد در الگوريتم هاي خود از نحوه حل مساله ((گام به گام)) استفاده كنند. در واقع انسان ها هم معمولا براي حل مواردي از جمله: ساختن پازل و ... از اين روش استفاده مي كنند. آنها همچنين توانستند كه پس از دهه هاي 80 و 90 الگوريتم هاي موفقيت آميزي را براي درك داده ها و اطلاعات نا كامل عرضه كنند كه اين الگوريتم ها از احتمالات، براي درك اين اطلاعات استفاده مي كردند
طراحی سايت شرکتی
براي حل مسائل سخت، بيشتر اين الگوريتم ها به كامپيوتر هاي بزرگ و قدرتمندي براي پردازش نياز داشتند. بسياري از اين الگوريتم ها به مقدار زيادي حافظه (رم) نياز داشتند و حتي در صورت فراهم آمدن آن، با وجود سخت افزار هاي آن زمان، مدت مورد نياز براي پردازش نجومي بود. بنابر اين مي توان اين مساله را دريافت كه: جستجو براي الگوريتم هاي بهتر و موثر تر در آن زمان، از اولويت هاي اصلي پ?وهشگران هوش مصنوعي بودانسان براي حل مسائل خود خيلي سريع عمل مي كند. چيزي كه بايد فهميد اين است كه اگر چه انسان در جمع و تفريق اعداد از كامپيوتر شكست مي خورد، اما مساله فقط جمع و تفريق نيست. در واقع اولين گام براي حل مساله درك آن است و اين چيزي است كه براي انسان بسيار ساده و براي كامپيوتر ها بسيار سخت است. بر اين اساس آنها به تحقيقات زيادي پرداختند و به اين نتيجه رسيدند كه بايد براي بازدهي بيشتر از شبكه هاي عصبي استفاده كنند. اين كار به آنها كمك مي كرد تا بتوانند به ساختار اعصاب و مغز انسان و ساير حيوانات نزديك تر شوند

نمايش معلومات

نمايش معلومات و مهندسي معلومات مركز توجه در پ?وهش هاي هوش مصنوعي بودند. بسياري از دستگاه هاي حل مساله براي حل مسائل نيازمند معلومات گسترده و وسيعي بودند اين معلومات عبارت مي شد از : شناختن اشياء، خواص و اقلام- شناختن روابط بين اشياء- درك موقعيت، نوع واقعه و زمان و مكان- علت ها و تاثير عوامل و بسياري چيز هاي ديگر

و سخت ترين مشكلات درباره نمايش اطلاعات و معلومات عبارت بود از
استدلال پيش فرض و مسائل نسبي: دانسته ي يك فرد از يك چيز برابر است با پنداشت او از آن چيز، براي مثال وقتي نام پرنده به گوش كسي مي خورد، معمولا يك موجود كوچك را به ياد مي آورد با صداي زيبا و قابليت پرواز؛ در حالي كه اين موضوع براي همه ي پرندگان صدق نمي كند. مثلا پنگوئن هيچكدام از اين ويژگي ها را ندارد! جان مككارتي اين موضوع را به عنوان يك مسئله نسبي در سال 1969 كشف كرد. براي هر قضاوت صحيح (در تعريف عام) كه محققان هوش مصنوعي، سعي در پياده سازي آن داشتند، تعداد زيادي استثنا وجود داشت. بنابر اين، آنها به اين نتيجه دست يافتند كه در قضاوت عام، نمي توان يك چيز را مطلقا درست يا غلط دانست بلكه همه چيز نسبي است. مثلا وقتي به شما مي گويند كه فلان شخص، خوب است يا بد؟ شما اول به مواردي توجه مي كنيد كه مهم تر هستند و بر اين اساس در مورد خوبي و بدي قضاوت مي كنيد. در حالي كه هيچ كس مطلقا خوب يا بد نيست! در واقع شما اول به مواردي اهميت مي دهيد كه مهم تر است. محققان هوش مصنوعي هم با پياده كردن چنين الگوريتمي توانستند اين مشكلات را حل كنندسطح وسيع اطلاعات مورد نياز براي قضاوت عام: منظور از قضاوت عام، همان نحوه قضاوتي است كه در بالا توضيح داده شد كه شما به نكاتي كه بيشتر اهميت دارند، امتياز بيشتري اختصاص مي دهيد و آنها را ملاك قضاوت خود قرار مي دهيد. اما اين نوع قضاوت، شايد در زندگي روزمره ما كار عادي اي شده باشد؛ اما در واقع براي كامپيوتر اين كار نياز به اطلاعات پايه اي زيادي در زمينه هستي شناسي و شناخت ويژگي هاي موجودات دارد. محققان هوش مصنوعي مي بايست، مفاهيم دقيق و پيچيده اي را با دست خود، به كامپيوتر مي فهماندند


برنامه ريزي

موجودات و به طور كلي، چيز هاي هوشمند، بايد بتوانند هدف هايي را براي خود تعيين كرده و به آنها دست يابند. براي اين كار اولا لازم است كه تصوري از آينده خود داشته باشيم. يعني وضع كنوني هدف مورد نظر را در نظر بگيريم و پيش بيني كنيم كه تصميماتي كه خواهيم گرفت، چگونه مي تواند بر آن تاثير بگزارد. پس از اين كار بايد، براي رسيدن به بهترين نتيجه؛ از بين گزينه هايي كه داريم، بهترين و سودمند ترين آنها را انتخاب نماييمپس تصميم گيري و برنامه ريزي از اين روش، كاري است كه بدون هوشمندي، نمي توان آن را انجام داد و فقط موجودات هوشمند از پس آن بر مي آيند!در مسائل كلاسيكي كه در مورد برنامه ريزي وجود داشت، عامل هوشمند مي توانست فرض كند كه تنها يك چيز (هدف مورد نظر) در جهان فعال است و احتمالا مي توان نتيجه آن را تغيير داد. بنا بر اين هدف مورد نظر تعيين مي شد و براي آن راه حل هايي ارائه مي گرديد. همچنين عامل هوشمند - كه ميتواند برنامه و يا هر چيز ديگري باشد – به طور مرتب و دائمي چك مي كرد كه پيشگويي هايش درست باشد و اگر اينطور نبود، راه حل مورد نظر براي هدفش را تغيير مي داددر اين مورد مي توانيد يك روبوت را در نظر بگيريد كه مي خواهد از يك مسير مارپيچ عبور نمايد. اين روبوت ابتدا هر يك از اين مسير ها را امتحان مي كند و اگر هر كدام از آنها به بن بست، بر خورد، آن را به حافظه مي سپارد تا دوباره تكرارش نكند و اين عمل را آنقدر ادامه مي دهد كه راه خودش را بيابد! ( اين يك تعريف بسيار ساده بود)د

يادگيري

ايجاد امكان يادگيري براي ماشين ها، همواره از پ?وهش هاي اصلي در زمينه ي هوش مصنوعي بوده است. يادگيري بدون نظارت: قابليت يادگيري الگو ها، از اطلاعات ورودي را فراهم ميكند. يادگيري نظارت شده هم، مي تواند هردو امكان: طبقه بندي و عبرت عددي را ايجاد كندطبقه بندي اين امكان را مي دهد كه كامپيوتر بتواند تشخيص دهد كه چه چيز هايي را مي توان در يك گروه خاص گنجاند. عبرت عددي نيز به اين صورت عمل مي كند كه بعد از دادن چيز هايي به عنوان ورودي به كامپيوتر و مشخص كردن خروجي دقيق آنها، كامپيوتر مي تواند روابط بين ورودي و خروجي را كشف كرده و الگوريتم ها و توابع پيوسته اي را براي آنها تعيين كند. اين روش براي به وجود آوردن الگوريتم هاي بسيار پيچيده، مفيد خواهد بوداجازه دهيد تا در اين مورد مثالي بزنيم: وقتي در حال رانندگي هستيد و به عابران پياده نگاه مي كنيد، مي توانيد تا حد زيادي تشخيص دهيد كه آنها قصد چه كاري را دارند. مثلا مي خواهند از خيابان رد شوند يا اين كه تاكسي بگيرند و يا اين كه فقط سر جاي خود ايستاده اند. خب، اين كار براي من و شما نسبتا ساده است اما اساسا براي نوشتن الگوريتم آن براي كامپيوتر، از دستيك انسان كاري ساخته نيست. با استفاده از روش عبرت عددي مي توان با روش هاي خاص اين مورد را با مثال هاي زيادي به كامپيوتر و برنامه ي مربوطه نشان داد و به تدريج الگوريتم مورد نياز را تحويل گرفتاما چيزي كه بايد هم اكنون به آن اشاره كرد، عمليات تقويت يادگيرياست. اين كار به اين صورت انجام مي پذيرد كه تئوري تصميم گيري كامپيوتر آناليز شده و برداشت هاي سودمند آن تئوري، مورد تاكيد قرار مي گيرند. در واقع كار هاي درست با تشويق (به صورت اولويت دادن) و كار هاي غلط با تنبيه (به صورت امتياز منفي) پاسخ داده مي شوند و به همين خاطر يادگيري كامپيوتر به طور مرتب بهبود مي يابديادداشت: آناليز الگوريتم هاي يادگيري ماشين ها، شاخه اي از علوم نظري كامپيوتر است كه با نام تئوري يادگيري كامپيوتري شناخته مي شود
site2017 آفلاين است   پاسخ با نقل قول

پاسخ



كاربران در حال ديدن تاپيک: 1 (0 عضو و 1 مهمان)
 
ابزارهاي تاپيک
نحوه نمايش

قوانين ارسال
You may not post new threads
You may not post replies
You may not post attachments
You may not edit your posts

BB code is فعال
شکلکها فعال است
كد [IMG] فعال است
كدهاي HTML غير فعال است
Trackbacks are فعال
Pingbacks are فعال
Refbacks are فعال


فرادرس




زمان محلي شما با تنظيم GMT +3.5 هم اکنون ۰۱:۳۴ قبل از ظهر ميباشد.


Powered by vBulletin® Version 3.8.3
Copyright ©2000 - 2018, Jelsoft Enterprises Ltd.
Search Engine Friendly URLs by vBSEO 3.1.0 ©2007, Crawlability, Inc.

Teach and Learn at Hexib | Sponsored by www.Syavash.com and Product In Review

استفاده از مطالب انجمن در سایر سایت ها، تنها با ذکر انجمن هوش مصنوعي به عنوان منبع و لینک مستقیم به خود مطلب مجاز است

Inactive Reminders By Icora Web Design