هوش مصنوعی و علوم شناختی

بازم برگشتم :)

داده کاوی به مجموعه علوم و فنونی اطلاق می شود که به جمع آوری، تجمیع، یکپارچه سازی، گزارش گری و تحلیل اطلاعات کمک می کند.

این رشته حاصل تلفیق رشته های مختلف شامل: کامپیوتر، آمار، ریاضی، علوم شناختی، جبر و ... است.

یاد گرفتم که:

1. با احمق بحث نکنم و بگذارم در دنیای احمقانه خویش خوشبخت زندگی کند

2. با وقیح جدل نکنم چون چیزی برای از دست دادن ندارد و روحم را تباه می کند

3. از حسود دوری کنم چون حتی اگر دنیا را هم به او تقدیم کنم باز هم از من بیزار خواهد بود

4. تنهایی را به بودن در جمعی که به آن تعلق ندارم ترجیح دهم

مرجع:

http://mehrdadsky2006.blogfa.com/

مثل این که بازهم من و هوش مصنوعی به پست هم خوردیم.

بازهم فرصتی پیش اومده که مطالعاتی بکنم.

حتماً شما دوستان عزیز رو هم در جریان می گذارم.

امیدوارم مفید واقع بشه

سیستم خبره، سیستمی است که قابلیت های خبرگی (Expertise) یک یا تعدادی خبره را در اختیار کاربران خود قرار می دهد. با توجه به این که اینگونه سامانه ها اساساْ بر مبنای دانش کار می کند به آن دانش مدار (knowledge-base) گفته می شود. همچنین در این سامانه ها دانش بصورت عبارات منطقی (logical predicate) قوانین اگر آنگاه (if-then rule) نشان داده می شود که این خود باعث شده است که بعنوان قانون مدار (rule based) نیز اطلاق گردد.

من بعد از سه سال برگشتم.

اما اینبار کمی متفاوت...

سال‌ها دل طلـب جام جـم از ما می‌کرد
وان چه خود داشت ز بیگانه تمـنا می‌کرد
گوهری کز صدف کون و مکان بیرون اسـت
طـلـب از گمـشدگان لب دریا می‌کرد
مشـکـل خویش بر پیر مغان بردم دوش
کو بـه تایید نـظر حل مـعـما می‌کرد
دیدمـش خرم و خندان قدح باده به دست
و اندر آن آینه صد گونـه تـماشا می‌کرد
گفتم این جام جهان بین به تو کی داد حکیم
گـفـت آن روز که این گنـبد مینا می‌کرد
بی دلی در هـمـه احوال خدا با او بود
او نـمی‌دیدش و از دور خدایا  می‌کرد
این همه شعبده خویش که می‌کرد این جا
سامری پیش عـصا و ید بیضا می‌کرد
گـفـت آن یار کز او گشت سر دار بلـند
جرمـش این بود کـه اسرار هویدا می‌کرد
فیض روح الـقدس ار باز مدد فرماید
دیگران هم بکنند آن چه مـسیحا می‌کرد
گفتمـش سلسله زلف بتان از پی چیست
گفـت حافـظ گله‌ای از دل شیدا می‌کرد

 هنوز تصمیم نگرفته ام که توی این وبلاگ چی بگم.

چندسالی هست که در مورد هوش مصنوعی مطالعاتی نداشته ام و مشغول نرم افزار بوده ام. اما در این مورد به زودی تصمیم جدی خواهم گرفت.

سرشار باشید،

در يک تصمصم گيری شما تعدادی عمل (action) داريد که می تونيد از بين اونا يکی رو انتخاب کنيد. انتخاب بهترين عمل مستلزم دونستن نتايج بعدی اون کار هست و نه فقط نتايج آنی اون. درک نتايج دراز مدت معمولاْ می تونه به تصميم گيری بهتر خيلی کمک کنه. نکته اينجاست که تصميم گيرنده بايد بتونه بين فوايد کوتاه مدت و دراز مدت که لزوماْ باعث تقويت همديگه نمی شن انتخاب کنه. اين مدل به مدل پنهان مارکوف معروفه و هر روز در کارهای روزمره مردم از اون استفاده می کنن.

برای مسائلی به اين شکل راه حل های استانداردی وجود داره که اگه بتونيم اجزای مساله رو به خوبی مدل کنيم به راحتی می تونيم از اونا استفاده کنيم.

اجزای اصلی يک مدل مارکوف عبارتند از:

۱- من کجام؟ (مجموعه حالت ها)

وضعيتی که مساله شما در اون قرار داره حالت اون مساله گفته می شه. در واقع اگه ما تمامی حالت هايی که ممکنه مساله به اون بره رو در نظر بگيريم٬ ميشه مجموعه حالات. مثال: در مساله پيدا کردن يک خونه هدف در يک جدول٬ هر خونه جدول يک حالته

۲- چيکار می تونم بکنم؟ (مجموعه عمل ها)

تصميمی که می تونه گرفته بشه يک عمله. تمامی مجموعه تصميمات قابل اتخاذ مجموعه اعمال رو تشکيل می ده. مثال: در مساله قبلی اعمال رفتن به چپ٬ راست٬ بالا و پايين

۳- اين کارا منو به کجا می رسونه؟ (گذر)

يک گذر ازيک حالت مشخص کننده اينه که يک عمل در اون حالت به چه نتيجه ای (حالت و پاداشی) منجر می شه. يکی از توسيع (extention) هايی که در مورد مدل مارکوف هست اينه که گذرها احتمالاتی باشن. همچنين توسيع ديگه اينه که از يک حالت با يک عمل ممکنه به حالتهای مختلف بريم. مثال: تغيير مختصات در جهت هر يک از اعمال فوق

۳- چی گيرم مياد؟ (ارزش افزوده فوری هر عمل)

 برای اينکه بتونيم بين اعمالمون ارزشی برای يکی و ترجيحی برای اون قايل بشيم بايد بتونيم ارزش افزوده ای براش تعيين کنيم. (پاداشی که از هر عمل می گيريم. مثال: برای مساله فوق اگه پاداش هر حرکت ۰.۱- و پاداش خروج از جدول ۰.۵- و پاداش رسيدن به هدف ۱+ گرفته بشه با روش Q-Learning جواب ميده.

*آدم بايد سياست داشته باشه (حل مساله مدل مارکوفی)

حل يک مساله مارکوف سياست حل اون ناميده می شه که برای هر حالت بهترين حالت بعدی رو تعيين ميکنه. در هر حال سياست بصورت يک تابع ارزش (value-function)  نشون داده می شه که در هر حالتی بهترين حالت بعدی رو ميشه از روش حساب کرد.

* عوضی نيای

بعضی از مسايل هست که يک گذر بسته به چندين حالت قبليه که ديگه اين جزء مارکوف حساب نميشه و بايد برين يه جای ديگه حلش کنين.

کلاْ يک مساله رو زمانی مارکوفی به حساب ميارن که رسيدن به يک حالت فقط بستگی به حالت قبلی و عمل انجام شده در اون حالت داشته باشه.

اميدوارم که بتونم بازهم ادامه بدم و وقت کافی برای ادامه داشته باشم.

سلام

اميدوارم به زودی بتونم ادامه بدم.

امير

سيستم هاي خبره

نمايش دانش (Knowledge Representation) – قسمت اول

در اين قسمت ابتدا به مفهوم دانش، و سپس به نمايش دانش – يعني روش هاي ذخيره سازي دانش در پايگاه دانش – مي پردازيم.

کلمه ي دانش مانند کلمه عشق، از آن دسته کلماتي است که هر کسي معناي آن را مي داند ولي با اين حال هنوز تعريف آن بسيار دشوار است. بعضي کلمات از قبيل داده، واقعيات و اطلاعات به عنوان کلمات مترادف با دانش به کار مي روند.

انواع دسته بندي هاي دانش :

1-       دانش پيشين و پسين : دانش پيشين به دانشي گفته مي شود از قبل وجود دارد و مستقل از دانش بدست امده از طريق حواس مي باشد. دانش پيشين هميشه درست فرض مي شود مگر اينکه با دانش درست ديگري در تناقض باشد. به عنوان مثال عبارت "مجموع زواياي همه مثلث ها 180 درجه مي باشد" نمونه اي از دانش هاي پيشين مي باشد.  دانش پسين به دانشي گفته مي شود که از طريق حواس به دست مي آيد. مثلا دانش به اينکه "چراغ راهنمايي سبز است"

2-       دانش رويه اي ، دانش اظهاري و دانش ضمني : دانش رويه اي دانستن چگونگي انجام يک کار است. مثل دانستن طريق به جوش آمدن يک ظرف آب. دانش اظهاري به آگاهي از درستي يا نادرستي برخي چيزها اشاره مي کند. دانش ضمني، يا همان دانش نا خود آگاه به دانشي گفته مي شود که نمي توان آن را با زبان بيان کرد. مثلا دانش به طريقه حرکت دادن دست ها.

دانش بيشترين اهميت را در سيستم هاي خبره دارد :

            برنامه هاي کامپيوتري = ساختار داده ها + الگوريتم ها

            سيستم هاي خبره    = استنتاج + دانش

سلسله مراتب دانش :

 اغتشاش شامل داده هاي مبهمي است که هيچ استفاده اي از آن ها نمي توان کرد. سطح بعدي، داده است که بطور بالقوه مي توان از آن ها استفاده کرد. داده هاي پردازش شده، اطلاعات را تشکيل مي دهند که کاملا مفيد هستند. مرحله ي بعدي يعني دانش، شامل اطلاعات بسيار تخصصي مي باشد. در مبحث سيستم هاي خبره ي مبتني بر قاعده، دانش به صورت قواعدي تعرف شده که توسط واقعيات فعال مي شوند تا واقعيات جديد و يا اقدام خاصي را انجام دهند.

به عنوان يک مثال از مفاهيم فوق، رشته 24عددي زير را در نظر بگيريد.

1347178766832525156430015

اگر هيچ دانشي در باره ي اين رشته نداشته باشيم، ممکن است نوعي اغتشاش به نظر بيايد. ولي اگر بدانيم اين رشته معني دار است، در اين صورت اين رشته يک داده خواهد بود.

براي تبديل داده به اطلاعات ممکن است يک دانش قطعي و مشخص وجود داشته باشد. مثل الگوريتم زير براي تبديل داده ي فوق به اطلاعات :

اعداد را دو تا دو تا از هم جدا کنيد.

از کليه اعداد دو رقمي که کمتر از 32 هستند چشم پوشي کنيد.

کاراکتر هاي اسکي را جايگزين اعداد دو رقمي کنيد.

با الگوريتم فوق بر روي داده فوق اطلاعاتي به صورت زير به دست خواهد آمد :

GOLD 438 +

يعني اينکه قيمت طلا 438 مي باشد و در حال افزايش مي باشد.

فوق دانش دانشي در باره ي دانش ها مي باشد. مثلا سيستم خبره ممکن است داراي فوق دانشي در باره ي چند دانش داشته باشد و هنگام برخورد با مساله بتواند تشخيص دهد که بايد از کدام پايگاه دانش استفاده کند.

اين مجموعه رو آقای هادی مشيدی زحمتش رو کشيدن

يه مدتی در تدارک بعضی برنامه ها بودم و بنا بر اين نتونستم آپديت کنم.  در هر حال تقريبا با همکاری جمعی از دوستان از اين پس آپديت خواهم کرد.

ا.ح.شريف

سئوالی پرسيده بودند در مورد استفاده از هوش ماشين در صنايع و کشاورزی:

کاربردهای کشاورزی:

۱- استفاده برای استخراج اطلاعات کشاورزی و نقشه های سطح زمين٬ وضعيت آبی و زراعی زمين٬ وضعيت جنگلها و مراتع و ... از تصاوير ماهواره ای

۲- تحليل اطلاعات استخراجی از تصاوير ماهواره ای و تطبيق با اطلاعات موجود با سيستم سنتی

۳- نگهداری اين اطلاعات در بانکهای اطلاعاتی جغرافيايی و بهره برداری معنايی و استخراج اطلاعات مفهومی

۴- خودکار سازی سيستم های ماشينی کاشت٬ داشت٬ برداشت و عرضه محصول و کنترل کيفيت آن نظير سيستم های خودکار داشت محصولات هيدروپونيک٬ يا سيستم های خودکار برداشت و بسته بندی چای و هزاران مورد ديگر

کاربردهای صنعتی:

کليه سيستم های خودکار جهت برش قطعات مختلف٬ سرهم کردن و فيکس کردن قطعات داخل هم٬ اتصال آنها به هم و کنترل کيفيت محصول.

از جمله موارد می توان به سيستم کنترل کوره ها٬ رباتهای مختلفی که در برشکاری ورق٬ اتصال و جوشکاری استفاده می شود و همچنين سيستم های هوشمند بينايی که در کنترل کيفيت انواع محصولات بکار می رود نام برد.

کاربردهای نظامی:

بسيار زياد :)

سيستم های هوشمند شناسايی مناطق جنگی اعم از هوايی و يا زميني٬ سيستم بمب ها و راکتهای هوشمندی که اهداف خود را ضمن شناسايی و دنبال کردن ماهواره اي٬ الگوهای سطح زمين راهم برای اطمينان چک می کنند..

استاد ما می گفت در آمريکا که بودم داشتند روی يکسری بمب کار می کردند که وقتی از هواپيما بصورت دسته جمعی رها می شوند٬ از سطح زمين عکس برداری کنند و اهداف روی سطح زمين را بين خودشان تقسيم کنند که هيچ کدام بيهوده هدر نرود. :)