Модули искусственного интеллекта, часть I
Введение в решение проблем, планирование, рассуждение и машинное обучение.
Из-за проблем с читабельностью статья разделена на две части.
В этой статье AI-модули рассказывают о том, что ему требуется, о категориях, реализации, типах алгоритмов, приложениях и примерах, в каждом модуле задан алгоритм с его внутренней работой (только математическая часть, а не код), в нескольких модулях алгоритмы рассматриваются отдельно. статьи, и им нужно следовать. Цель этой статьи - познакомить с модулями.
Стиль чтения этой статьи
В этой статье в интерактивном режиме можно задать вопросы новичкам или новичкам о модулях, а модули ИИ объяснить и дать мгновенно.
Вышеупомянутые модули можно разделить на категории на основе состояния, знания, рассуждения, обучения, лингвистики и восприятия.
AI включает огромное количество подполей, начиная от общих (восприятие и обучение) и заканчивая конкретными задачами, такими как игра в шахматы, доказательство математических теорем, написание стихов, вождение автомобиля и диагностика заболеваний. Некоторые из подполей, описанных на изображении выше, предназначены для начинающих или новичков в AI.
Что требуется для изучения модулей ИИ?
ИИ - это алгоритмический подход, который выполняет алгоритмы с различными математическими и статистическими предметами, вам нужно быть увлеченными математикой и связанными с ней предметами. В следующей статье кратко исследуются предметы математики.
Помимо приведенной выше статьи, вы можете обновить линейную алгебру и вероятность, а также узнать, как их использовать в ИИ, в следующих статьях.
Модули AI могут быть реализованы в различных приложениях, и он применяется повсеместно, в каждом модуле указывается, где он используется в приложении.
Кратко объясните решение проблемы?
В разделах Компьютерные науки и Искусственный интеллект решение проблем включает методы алгоритмов, эвристики и анализа первопричин. Количество ресурсов, необходимых для решения, описано в «Теории вычислительной сложности».
Определение проблемы и решения
Формулировка цели: она основана на текущей ситуации и показателях работы агента, это первый шаг в решении проблемы.
Формулировка проблемы: это процесс принятия решения о том, какие действия и состояния следует учитывать при достижении цели.
Поиск: процесс поиска последовательности действий, которые достигают цели.
Решение: алгоритм поиска принимает проблему в качестве входных данных и возвращает решение в виде последовательности действий.
План. Путь от начального состояния к целевому называется План.
Агенты решения проблем используют атомарные представления, здесь состояния не имеют внутренней структуры, видимой для алгоритмов решения проблем.
В ИИ решение проблем состоит из различных стратегий, таких как поиск, состязательный поиск (игры) и задачи удовлетворения ограничений (CSP).
Стратегии решения проблем
Поиск: переход от начального состояния к целевому на основе дерева поиска с начальным состоянием в корне; ветви - это действия, а узлы соответствуют состояниям в пространстве состояний проблемы. Существует две разные стратегии информированного поиска и неинформированного (эвристического) поиска. Это считается классическим поиском.
Локальный поиск: эти алгоритмы работают с одним текущим узлом и обычно перемещаются только к соседям этого узла. Помимо поиска целей, алгоритмы локального поиска полезны для решения чисто оптимизационных задач.
Состязательный поиск. Эти проблемы поиска часто называют «играми». Здесь более одного агента участвуют в среде и конкурентной среде, предоставляемой для одновременного воздействия агентов друг на друга.
Проблемы удовлетворения ограничений (CSP): здесь мы используем факторное представление для каждого состояния; набор переменных, каждая из которых имеет значение. Проблемы удовлетворения ограничений (CSP) решаются, когда каждая переменная имеет значение, которое удовлетворяет всем ограничениям на переменную. Основная идея состоит в том, чтобы исключить сразу большие части пространства поиска, распознавая комбинации переменных / значений, которые нарушают ограничения.
Все алгоритмы стратегии могут быть расположены иерархически следующим образом.
Алгоритмы неинформированного поиска, которые не предоставляют никакой информации о проблеме, кроме ее определения.
Измерение эффективности решения проблем
Мы можем оценить производительность алгоритма четырьмя способами.
Полнота: убедитесь, что алгоритм гарантирует нахождение решения там, где оно есть.
Оптимальность. Находит ли стратегия оптимальное решение?
Сложность времени. Сколько времени нужно на поиск решения?
Сложность пространства: объем памяти необходим для выполнения поиска?
Что требуется для изучения?
Для этого требуются нотация Big O, NP-полнота, динамическое программирование, рекурсивные функции, структуры данных, методы сортировки, дискретная математика, практическое программирование (C ++ / Python / Java), алгоритмические принципы и т. Д.,
Кратко ознакомьтесь с его приложениями, пожалуйста?
Его приложениями являются игры, задачи mini max, поиск кратчайшего пути, оптимизация, фильтрация, поиск пути, раскраска соседей и т. Д.
Лучше всего он описан в «Самоуправляемых автомобилях» для поиска пути для перемещения из одного места в другое. Существует множество методов поиска, которые мы используем в технологии Self Driving Cars для поиска пути, например, алгоритм Дейкстры, алгоритм поиска A * и т. Д.
Объяснять знание, рассуждение и планирование?
Это самый важный модуль в ИИ, где агенты должны обладать вероятностными подходами для работы в любой сложной среде.
Зачем нужны знания?
Интеллектуальным агентам необходимы знания об окружающем мире, чтобы принимать правильные решения.
Давайте определим термины "знание", "рассуждение" и "планирование".
Знания очень полезны для принятия решений в Окружающей среде. Эпистемология - это раздел философии, связанный со Знанием.
Процессы рассуждения, оперирующие внутренними представлениями Знаний.
Агенты базы знаний. Центральным компонентом агента, основанного на знаниях, является его база знаний. Универсальный агент, основанный на знаниях. Учитывая восприятие (то, что он видит), агент добавляет восприятие в свою базу знаний, запрашивает у базы знаний наилучшее действие и сообщает базе знаний, что это действие действительно было выполнено. Проще говоря, агенты, основанные на знаниях, как и все наши агенты, принимают восприятие в качестве входных данных и возвращают действие. Агент должен поддерживать базу знаний, которая изначально может содержать некоторые базовые знания.
Представление знаний и онтология
Представление знаний с помощью онтологии. Онтология упорядочивает все в мире в иерархию категорий. В онтологии - организация объектов по категориям в жизненно важной части представления знаний.
Создание представлений, сосредоточение внимания на общих понятиях, таких как события, время, физические объекты и убеждения, которые происходят во многих различных областях. Представление этих абстрактных концепций иногда называют «онтологической инженерией».
Объекты
Основные темы в объектах: категория, реификация, подкатегория, наследование, таксономия, несвязанность, разложение, разбиение, физический состав объектов, сгусток, минимизация и т. Д.
Объекты измерения
Измерение объектов с помощью его свойств, например: высота, масса, стоимость и т. Д., Назначение этих свойств называется мерами. Свойства объекта - внутренние и внешние. Внутренние свойства принадлежат самой субстанции объекта, а не объекту в целом, тогда как внешние свойства не подразделяются. Например: разделите объект пополам, свойства сохранят внутренние свойства, а внешние свойства не сохранятся.
События могут быть активированы во время действий.
Рассуждения могут быть достигнуты с помощью теории вероятностей.
Что требуется для достижения подходов (знания, рассуждения и планирования)?
Что ж, могут быть разные математические предметы для достижения этих концепций, и наиболее важным является Теория вероятностей для рассуждений, логика высказываний, логика первого порядка для инженерии знаний.
Строгание
Планирование. Разработка плана действий для достижения целей - это важная часть ИИ. Хорошо известным примером планирования является агент решения проблем и гибридный логический агент. Агенты по решению проблем могут находить последовательности действий, которые приводят к состоянию цели. Гибридный логический агент использует независимую от предметной области эвристику, основанную на логической структуре проблемы.
Алгоритмы планирования для поиска в пространстве состояний - это прямой (прогрессивный) поиск в пространстве состояний и обратный (регрессионный) поиск релевантных состояний. В прямом поиске в пространстве состояний, начиная с начального состояния и используя действия задачи для поиска вперед члена набора целевых состояний, тогда как в обратном поиске, начиная с цели и для поиска в обратном направлении для исходного состояния.
График планирования - это специальная структура данных, используемая для получения более точных эвристических оценок. Граф планирования - это ориентированный граф, организованный по уровням. Этот граф строится, начиная с начального состояния.
Планирование используется в реальном времени для расчета времени, расписаний и ресурсов. Многие действия потребляют ресурсы. Действия могут генерировать и потреблять ресурсы. Время - один из важнейших ресурсов. Это может быть выполнено с помощью алгоритмов планирования, или планирование может быть интегрировано с планированием.
Многоагентное планирование требуется, когда другие агенты в среде сотрудничают или конкурируют.
Планирование может быть расширено до недетерминированных сред, марковского процесса принятия решений для многоагентных и стохастических сред и обучения с подкреплением для неизвестных сред.
Каковы наиболее популярные вероятностные подходы в ИИ?
Следующие диаграммы описывают хорошо известные вероятностные подходы в искусственном интеллекте.
Эти подходы очень полезны при работе с аргументами в алгоритмах.
Объясните какой-либо подход в рамках вероятностных подходов?
Скрытые марковские модели (HMM) наиболее важны для получения промежуточных результатов в непрерывном или последовательном приложении.
HMM - это временная вероятностная модель, в которой состояние процесса описывается одной дискретной случайной величиной. Возможные значения переменной - это возможные состояния мира. Цель HMM - изучить совместное распределение наблюдений и выходных меток.
Модели HMM можно описать с помощью входа, выхода и двух вероятностей, которые определяются следующим образом.
Пример модели машинного перевода (с испанского на английский) с использованием HMM описывается следующим образом:
Формулировка HMM Learning выглядит следующим образом:
Далее мы можем разбить на переходы
Где я могу применить эти подходы?
Их можно применять везде, где в алгоритмах искусственного интеллекта применимы рассуждения, особенно в беспилотных автомобилях, анализе временных рядов, фильтрации и т. Д.
В алгоритмах контролируемого, полу-контролируемого или неконтролируемого обучения алгоритмы изучают шаблоны в примерах (то есть точки данных в наборах данных). В мире Обучение с подкреплением (источник для обучения) изучайте шаблоны, исследуя их.
Обратите внимание, что перед запуском модуля Learning необходимо знать несколько терминов. Представление - это данные, которые задаются. Каждая фигура в представлении - особенность.
Репрезентативное обучение: машинное обучение, позволяющее обнаружить не только отображение представления на вывод, но и само представление. Это подход Репрезентативное обучение.
Эти модули можно объединить в «Обучение для достижения Знания», «Рассуждение».
В конечном итоге обучение имеет высокоприоритетный модуль в области искусственного интеллекта.
Машинное обучение - это алгоритмический способ учиться на данных, а затем принимать собственное решение о том же распределении невидимых данных. В машинном обучении есть два типа алгоритмов обучения: обучение с учителем и обучение без учителя.
Что ж, для написания алгоритмов требуются математические дисциплины. Основными предметами являются линейная алгебра, статистика, векторное исчисление, числовые вычисления, теория информации, реальный анализ и др. Лучше обратиться к этой статье.
Обучающиеся машины могут обрабатывать текст, изображения и видео с помощью глубокого обучения. Все алгоритмы машинного обучения можно реализовать с помощью глубокого обучения.
Алгоритмы контролируемого обучения: в них используется набор данных, содержащий функции, но каждое наблюдение или пример связаны с целью или меткой. Алгоритм обучения с учителем изучает набор данных и учится предсказывать значение (для регрессии) / классифицировать (для классификации) на основе характеристик.
Алгоритмы контролируемого обучения перечислены ниже на диаграмме.
Алгоритмы обучения без учителя:
Обучение без учителя - это моделирование данных без соответствующих ярлыков или ответов. Мы можем сделать выводы на основе необработанных данных и, возможно, сможем найти закономерности и структуру. Самые мощные инструменты - это кластеризация и уменьшение размерности.
Кластеризация: это своего рода процесс разделения данных на сегменты схожих элементов. В некотором смысле это более вероятная классификация данных без каких-либо соответствующих ярлыков.
Уменьшение размерности: это манипулирование данными для просмотра их в более простой перспективе. Например, избавившись от избыточных функций, мы можем объяснить одни и те же данные в пространстве меньшей размерности и посмотреть, какие функции действительно важны.
Алгоритмы неконтролируемого обучения перечислены ниже на диаграмме.
У него есть такие ветви, как Deep Learning, Reinforcement Learning. Вы можете комбинировать глубокое обучение с обучением с подкреплением, то есть Deep RL = Deep Learning + Reinforcement Learning.
Следующая диаграмма дает четкую картину.
Ниже приведены приложения, в которых можно применить машинное обучение - Глава 5, Книга по глубокому обучению.
Что ж, вы можете использовать различные способы, такие как линейная регрессия (прогнозирование непрерывной переменной, например: аренда дома), классификация (двоичная классификация: почта - это ветчина или спам), уменьшение размерности (PCA), кластеризация данных с использованием K-средних, генеративные модели с использованием Правило Байеса (получение текста), мультиклассовая классификация (для), иерархические решения с использованием деревьев решений, ассоциация между объектами с использованием правил ассоциации. На следующем рисунке кратко описаны применения алгоритмов.
Что ж, вы можете получить полный пример алгоритма линейной регрессии (внутренняя работа) в разделе Как концепции LA применяются в алгоритме ML-регрессии в этой Линейной алгебре - как она используется в AI?.
Спасибо, что прочитали эту статью, ценим ваши отзывы, комментарии и поделились. Дайте мне знать, если есть какие-либо ошибки в разделе комментариев.
