ЭЛЕМЕНТЫ ИСКУСТВЕННОГО ИНТЕЛЛЕКТА ПРИ ПРОГРАММИРОВАНИИ. (http://tuladev.net/events/128)
•Transferir como PPTX, PDF•
1 gostou•1,208 visualizações
Видео на http://tuladev.net/events/128 Расскажу про нейронные сети, генетические алгоритмы, машинное зрение и нечёткую логику. Всё с реальными примерами. Подискутирую что-же такое ИИ (как же без этого :) ). Если хотите услышать что ещё оставляйте свои комментарии. На самом деле тема обширная, можно рассказать о многом, главное начать.
Recomendados
Recomendados
Mais conteúdo relacionado
Mais procurados
Mais procurados (8)
Destaque
Destaque (20)
Mais de Pavel Tsukanov
Mais de Pavel Tsukanov (10)
ЭЛЕМЕНТЫ ИСКУСТВЕННОГО ИНТЕЛЛЕКТА ПРИ ПРОГРАММИРОВАНИИ. (http://tuladev.net/events/128)
- 1. ЭЛЕМЕНТЫ ИСКУСТВЕННОГО ИНТЕЛЛЕКТА ПРИ ПРОГРАММИРОВАНИИ. Цуканов Павел ptsukanov@codereign.net Skype: cpp.tula
- 2. Что такое ИИ? • Это наука и технология создания интеллектуальных машин • Встречается много разных определений, но больше всего мне нравится следующее – Наука о том, как научить компьютеры делать то, в чѐм люди в настоящее время их превосходят • С моей точки создание ИИ не ведѐт к появлению сознания. Хотя кто знает...
- 3. Помощник человека. Воз и ныне там..... Леонардо ASIMO WALL-E Да Винчи 2000 ???? 1495
- 4. Искуственный интеллект далек от совершенства..... • Кто виноват? • Что делать?
- 6. Тест Тьюринга • Основная идея - поведение объекта, обладающего искусственным интеллектом, в конечном итоге нельзя будет отличить от поведения таких бесспорно интеллектуальных сущностей, как человеческие существа. • Приз Лѐбнера - http://www.loebner.net/Prizef/loebner- prize.html • Тест Тьюринга не пройден!!!
- 7. Для прохождение необходимо чтобы ИИ мог • Обрабатывать текст на естественных языках. • Понимать и сохранять то, что узнаѐт. • Формировать логические выводы • Приспосабливаться к новым обстоятельтвам
- 8. Что имеем? • Нейронные сети • Генетические алгортмы • Распознование и генерация речи • Робототехника • Машинное зрение • Нечѐткая логика • Чат-боты • Экспертные системы
- 9. Нейронные сети. Области применения • Экономика и бизнес: прогнозирование временных рядов (курсов валют, цен на сырьѐ, объемов продаж,..), автоматический трейдинг, оценка рисков невозврата кредитов, предсказание банкротств, оценка стоимости недвижимости, выявление переоцененных и недооцененных компаний, рейтингование, оптимизация товарных и денежных потоков, считывание и распознавание чеков и документов, безопасность транзакций по пластиковым картам. • Медицина: постановка диагноза, обработка медицинских изображений, мониторинг состояния пациента, анализ эффективности лечения, очистка показаний приборов от шумов. • Авионика: обучаемые автопилоты, распознавание сигналов радаров, адаптивное пилотирование сильно поврежденного самолета, беспилотные летательные аппараты.
- 10. Нейронные сети. Области применения • Связь: сжатие видеоинформации, быстрое кодирование- декодирование, оптимизация сотовых сетей и схем маршрутизации пакетов. • Интернет: ассоциативный поиск информации, электронные секретари и автономные агенты в интернете, фильтрация информации, блокировка спама, автоматическая рубрикация сообщений из новостевых лент, адресные реклама и маркетинг для электронной торговли. • Автоматизация производства: оптимизация режимов производственного процесса, контроль качества продукции, мониторинг и визуализация многомерной диспетчерской информации, предупреждение аварийных ситуаций, робототехника. • Политологические и социологические технологии: предсказание результатов выборов, анализ опросов и т.д.
- 11. Нейронные сети. Области применения • Безопасность и охранные системы: распознавание лиц; идентификация личности по отпечаткам пальцев, голосу, подписи или лицу; распознавание автомобильных номеров, анализ аэрокосмических снимков, мониторинг информационных потоков в компьютерной сети и обнаружение вторжений, обнаружение подделок. • Ввод и обработка информации: распознавание рукописных текстов, отсканированных почтовых, платежных, финансовых и бухгалтерских документов. • Геологоразведка: анализ сейсмических данных, ассоциативные методики поиска полезных ископаемых, оценка ресурсов месторождений.
- 12. Нейрон Входы Веса Ячейка Аксон Выход X1 W1 X2 W2 Y W3 X3 S …… Wn Xn Состояние нейрона f’(x) = af(x)(1-f(x)) Активационная функция
- 13. Нейронная сеть Входы Слой 1 Слой 2 Слой 3 X1 Y1 X2 Y2 X3 Обычно нейронная сеть выглядит так!
- 14. Обучение нейронных сетей • Способов Очень Много • Однако можно разделить на 2 класса • Детерминистские • Стохастические
- 15. Метод обратного распространения X1 W11 W11 Обучающая пара (Результат) Обучающая пара (Образец) W12 W12 W13 W13 W11 X2 W21 W21 Y W22 W22 W12 W23 W23 W13 W31 W31 X3 W32 W32 W32 W32 Случайно Установка весов Разница
- 16. Пример апроксимации нейронной сети
- 17. Пример предсказаний нейронной сети
- 18. Генетические алгоритмы. Области применения • Оптимизация функций • Разнообразные задачи на графах (задача коммивояжера, раскраска, нахождение паросочетаний) • Настройка и обучение искусственной нейронной сети • Задачи компоновки • Составление расписаний • Игровые стратегии • Аппроксимация функций • Искусственная жизнь
- 20. Рождение Расстояние Точки Особи Целевая функция по маршруту маршрута особи 1. Особь 1 0 2. Особь 2 0 Зона 3. Особь 3 0 выживания 4. Особь 4 0 5. Особь 5 0 …………… …… N-2. Особь 30 0 Зона N-1. Особь 31 0 смерти N. Особь 32 0
- 21. Вычисление целевой функции Особи Целевая функция 1. Особь 1 10 2. Особь 2 30 Зона 3. Особь 3 300 выживания 4. Особь 4 500 5. Особь 5 410 …………… …… N-2. Особь 30 100 Зона N-1. Особь 31 100 смерти N. Особь 32 400
- 22. Селекция и размножение Особи Целевая функция 1. Особь 1 10 2. Особь 2 30 Зона 3. Особь 30 100 выживания 4. Особь 31 100 5. Особь 3 410 …………… …… N-2. Особь 34 0 Зона N-1. Особь 35 0 смерти N. Особь 36 0
- 24. Мои выводы о генетических алгоритмах 1. Обмен генетическим материалом позволяет ускорить поиск оптимального решения в разы по сравнению с простым случайным выбором 2. Небольшая Мутация необходима для осуществления качественных изменений, Сильная мутация ведѐт к остановке развития 3. Обмен генетического материала с потомками ведѐт к остановки развития 4. Как ни странно крайне необходим обмен генетичесткого материала со слабейшими - это ведет к качественным скачкам в развитии.
- 25. Машинное зрение. Под этим подразумевают • анализ профилей яркости, проекций и гистограмм • сегментация изображений, выделение и анализ областей и контуров • обнаружение прямолинейных, круглых и других аналитических структур • текстурный анализ, вычисление статистик • выделение объектов, вычисление геометрических признаков • выделение объектов • распознавание объектов • слежение за объектами • оптическое распознавание текста
- 26. Машинное зрение • Хотел отметить, в качестве датчиков подразувается не только видеокамеры, но и лазерные дальномеры, ультрозвуковые датчики, температурные и т.д. • А теперь перейдѐм технологии распознования глифов.
- 27. Glyphs Где они на изображении?
- 28. Как распознать? • Можно конечно создать большую нейронную сеть по аналогии с человеческим мозгом и несколько лет еѐ обучать. • Но у нас нет таких ресурсов. • Поэтому всегда изобретается, что-то своѐ.
- 29. Алгоритм распознования 1. Перевод в Grayscale • Снижает объѐм обрабатываемых данных • Нам всѐ равно не нужен цвет
- 30. Алгоритм распознования 2. Превращение в чѐрно-белое изображение • И поиск в нѐм четырѐх угольников
- 31. Алгоритм распознования 2. Определяем регионы контрастности • Фильтр находит края объектов, вычисляя максимальную разницу между пикселями в 4 направлениях.
- 32. Алгоритм распознования 3. Находим все объекты, имеющие белую замкнутую границу 4. Определяем, что они 4х угольники. Теперь мы имеем координаты потенциальных глифов – надо только их распознать.
- 33. Алгоритм распознования 5. Поворачиваем найденные 4-х угольники 6. Делаем изображение ч/б и накладываем сетку.
- 34. Алгоритм распознования 7. Получаем масив 0 и 1
- 35. Алгоритм распознования 8. А дальше дело техники
- 36. Glyphs А собственно зачем всѐ это?
- 37. Нечѐткая логика (Fuzzy logic). Понятие нечѐткой логики было впервые введено профессором Лютфи Заде в 1965 году. Основной причиной появления новой теории стало наличие нечетких и приближенных рассуждений при описании человеком процессов, систем, объектов.
- 38. Нечѐткая логика (Fuzzy logic). Нечеткая логика может обрабатывать качественные значения, а не количественные значения. Можно определить так называемые лингвистические переменные, вместо классических числовых переменные, и может выполнять вычисления с этими переменными, с помощью нечетких правил, имитирующих определенным образом человеческие процессы мышления. Неполная или неточная информация может быть использована для вычисления, например: “Этот человек высокого роста”; “Этот объект является тяжелым”; Во всех этих случаях, смысл высокий, тяжелый имеют отношение к решению проблемы, а не к точному определению числового значения. Для представления и вычисления таких проблем, используемых ежедневно в человеческом общении, мы можем использовать нечѐткую логику.
- 39. Нечѐткая логика (Fuzzy logic).
- 40. Нечѐткая логика (Fuzzy logic).
- 43. В заключении хотел сказать • Этим заниматься очень интересно. • Приведѐт ли это в конце концов к вымиранию нашей профессии? Наверное. Но не так быстро. • Если машина всѐ-таки пройдѐт тест Тьюринга – Мир изменится кардинально и навсегда. Это будет уже другой мир. Какой? Можно только помечтать......