مفاهیم اساسی در ماشین لرنینگ – بخش اول

به سایت vector-robot سمت چپ برود. در عین حال، به ویژه از زمان شروع همهگیری، تغییر به سمت پزشکی از راه دور و کاهش مراقبتهای مبتنی بر بیمارستان وجود دارد. این استنتاج از اصل حالت جایگزین (Successor State Axiom) ساخته شده است که نحوه تغییر هر Fluent را تعیین میکند. این جدول میتواند اینگونه ایجاد شود که تمام توالیهای ادراک ممکن امتحان و اعمالی که عامل در پاسخ انجام میدهد ثبت شوند. یادگیری: یک عامل منطقی نه تنها باید اطلاعات را جمعآوری کند، بلکه تا حد امکان از ادراک خود یادگیری داشته باشد. زمینه هوش مصنوعی یا AI در گامی فراتر، نه تنها در تلاش برای رسیدن به درک و فهم است، بلکه سعی در ایجاد عوامل هوشمند دارد. باید توجه شود که معیار عملکرد نه بر اساس حالتهای عامل، بلکه بر اساس حالتهای محیط تعیین میشود. همچنین علت دیگر کاهش اندازه برنامه از این مسئله ناشی میشود که در صورت کثیف بودن یک مربع، عملی که باید انجام شود، وابستگی به موقعیت نخواهد داشت. یادگیری استقرایی جایی است که نمونه هایی از یک تابع به صورت داده (x) (Data (x)) و خروجی تابع (f(x)) به ما داده می شود. عامل یادگیرنده با کمی دانش اولیه شروع میکند و سپس قادر است خود را تطبیق داده و از طریق یادگیری برای بهبود عملکرد خود به صورت خودکار عمل کند.

انسانها در بسیاری از بازیهای با اطلاعات ناقص و بازیهایی که دارای ضریب انشعاب بسیار بزرگ و اطلاعات ابتکاری مفید اندکی هستند، همچنان با فاصله کمی برگ برنده را در اختیار دارند. دکتر “لی هان جی” از بیمارستان عمومی سنگاپور و سرپرست این مطالعه جدید گفت: گرایش به استفاده از فناوری یادگیری ماشینی در بسیاری از زمینهها به وجود آمده است، زیرا پزشکان زمان زیادی ندارند و به صرفهجویی در زمان آنها کمک شایانی میکند. بسیاری از برنامههای بازی، در ابتدا و در پایان بازی جدولهای بهترین حرکتها را از پیش محاسبه میکنند. هر نوع از برنامههای عامل فوق، اجزا خاصی را به روشهای خاصی برای تولید اعمال با هم ترکیب میکنند. بهینه سازی (Optimization): روشی که برنامه های کاندید شده تولید می شود و به عنوان فرآیند جستجو شناخته می شود. یادگیری تحت نظارت (Supervised learning) کامل شده (بالغ)، بیشترین مورد مطالعه و نوع یادگیری است که توسط بیشتر الگوریتم های Machine Learning استفاده می شود. همه الگوریتم های Machine Learning ترکیبی از این سه مولفه هستند. در محیطهای متوالی، تصمیمگیری فعلی میتواند روی همه تصمیمات آینده تاثیرگذار باشد. چارچوبی برای درک همه الگوریتم ها. این ابزار یادگیری عمیق، “Audioflow” نامیده میشود و تاکنون تقریباً به اندازهی یک دستگاه تخصصی مورد استفاده در کلینیکها خوب عمل کرده و نتایج مشابهی را برای دستیاران اورولوژی ارائه کرده است.

با این حال، همهگیری کووید-۱۹ دسترسی به کلینیکها را محدود کرده است. انواع هوش مصنوعی (Artificial Intelligence) آن را دوست دارند، در واقع بلندپروازانه ترین نوع یادگیری است. به این حوزه در هوش مصنوعی شبکههای عصبی مصنوعی (Artificial Neural Networks) گفته میشود. به گزارش ایسنا و به نقل از آیای، یک الگوریتم هوش مصنوعی اکنون میتواند به صدای دفع ادرار بیماران گوش دهد تا با موفقیت و کارآمدی، جریانهای غیرطبیعی و مشکلات مربوط به سلامتی مجاری ادراری آنها را شناسایی کند. نظارت هوش مصنوعی بر مجاری ادراری با استفاده از صدا! افراد مختلف با اهداف مختلفی به هوش مصنوعی رجوع میکنند. شاخههای مختلف هوش مصنوعی چه هستند؟ در فصل دوم درس هوش مصنوعی ، پیرامون ذات عاملها، بینقص یا دارای نقص، گوناگونی محیطها و انوع عاملهای مختلف بحث شده است. تاریخچه هوش مصنوعی در کتاب راسل و نورویگ به ترتیب در بازههای زمانی مختلف در زیربخشهایی ارائه شده است. در حالی که دو حالت اتمی مختلف هیچ وجه اشتراکی ندارند، دو حالت موردی میتوانند تعدادی صفت مشترک داشته باشند.

سپس هوش مصنوعی با استفاده از ۲۲۰ صدای ضبط شده یاد گرفت که نرخ جریان، حجم و زمان را به طور دقیق ارزیابی کند. این فرآیند نسبتاً ساده بود؛ شرکتکنندگان از دستگاه نظارت بر ادرار معمولی در یک اتاق عایق صدا استفاده کردند و صدای جریان ادرار خود را با استفاده از تلفن هوشمند ضبط کردند. این هوش مصنوعی، نتایجی را به دست آورد که برای بیش از ۸۰ درصد موارد ضبط شده با دستگاه “اوروفلومتری” مطابقت داشت و در مقایسه با اورولوژیستهای متخصص به نرخ تطابق ۸۴ درصدی دست یافت. در واقع، “Audioflow” نتایجی را تولید کرد که میتوانست با یک دستگاه تخصصی موسوم به “اوروفلومتری” و یک هیئت متشکل از شش دستیار اورولوژی رقابت کند. مسائل اکتشافی (Exploration Problems) زمانی مطرح میشوند که عامل هیچ ایدهای درباره حالتها و اعمال محیط خود نداشته باشد. مثال دیگری از جمعآوری اطلاعات میتواند جستجوی اکتشافی (Exploration) باشد که باید توسط یک عامل جاروبرقی در محیطی انجام شود که در ابتدا ناشناخته محسوب میشود. این حالتها میتوانند به وسیله روشهای اکتشافی ارزیابی و آزمایش شوند تا مشخص شود که آیا آنها حالتهای هدف هستند یا خیر. منبع اصلی درس هوش مصنوعی که در اکثر دانشگاههای کشور تدریس میشود، کتاب هوش مصنوعی استوارت راسل و پیتر نورویگ به نام «Artificial Intelligence: A Modern Approach» است.

هدف اصلی درس هوش مصنوعی انتقال ایدههایی است که در طول سالهای متمادی در تحقیقات هوش مصنوعی پدید آمدهاند. دستگاههای کنونی برای ارزیابی شرایط مرتبط با ادرار، کارآمد هستند، اما نیاز دارند که بیماران در طول بازدیدهای سرپایی در آنها ادرار کنند. پیش نیاز درس هوش مصنوعی چیست ؟ یادگیری ماشین چیست ؟ برنامه عامل چیست ؟ کار AI طراحی برنامه عاملی است که تابع عامل یعنی همان نگاشت ادراک به عمل را پیادهسازی کند. اما محققان امیدوارند اپلیکیشنی بسازند که به اندازه کافی خودکفا باشد و بیماران بتوانند از آن در خانه نیز استفاده کنند. اکنون محققان امیدوارند که این هوش مصنوعی جدید بتواند به زودی برای استفاده در خانه آماده شود. اما مزیت واقعی این است که هر بار که به دستشویی میروید، یک مشاور همراه خود دارید. همچنین، منطق گزارهای با فناوریهای استنتاجی به خوبی توسعه یافته همراه است. تحقیقات فیلسوفان منجر به پدید آمدن عرصه منطق شد. این کار منجر به ایجاد تصاویری از آن جهان میشود. رویکرد مبتنی بر جدول به هیچ وجه رویکرد مناسبی نیست و در عمل منجر به شکست خواهد شد. و همکارانش میخواستند روش موثرتری برای ارزیابی ادرار در خانه بدون هیچ گونه کمک پزشکی ایجاد کنند و به همین دلیل از حوزهی مهندسی برای توسعه یک الگوریتم هوش مصنوعی برای ارزیابی ادرار استفاده کردند.

برخی از سرفصلها و رئوس مطالب این دوره آموزشی شامل مبانی تئوری تبرید و الگوریتم شبیه سازی تبرید، مولفه ها و بخش های سازنده الگوریتم شبیه سازی تبرید در حالت پایه، بررسی تئوری مساله فروشنده دوره گرد (TSP)، معرفی اپراتورها (عملگرهای) ایجاد همسایه در حل مسائل جایگشتی و مساله فروشنده دوره گرد و سایر موارد است. Machine Learning: داده ها و خروجی ها برای ایجاد برنامه (Program) روی رایانه اجرا می شوند. برنامه نویسی سنتی: داده ها و برنامه ها برای تولید خروجی در رایانه اجرا می شوند. این الگوریتم جدید، صدای تولید شده توسط ادرار را در یک محیط عایق صدا ارزیابی میکند و مشکلات احتمالی را بدین وسیله تشخیص میدهد. بدین سبب، استفاده از دوره آموزشی مبانی محاسبات تکاملی و بهینهسازی هوشمند به علاقهمندان حوزه هوش مصنوعی پیشنهاد میشود. از جمله سرفصلها و مباحث مطرح شده در این دوره آموزشی میتوان به مفهوم جستجو (Exploration)، طیف الگوریتم های بهینه سازی از جستجوی تصادفی تا جستجوی حریصانه، روش های توصیف متغیرها و فضای جستجو و سایر موارد اشاره کرد. به عنوان مثال می توان به دقت، پیش بینی و فراخوانی، خطای مربع، احتمال درستی، احتمال پیشینه، هزینه، بودجه، واگرایی آنتروپی مدل K-L و سایر موارد اشاره کرد.

به عنوان مثال می توان به درختان تصمیم گیری (decision trees)، مجموعه قوانین، نمونه ها، مدل های گرافیکی، شبکه های عصبی ، ماشین های بردار پشتیبان، مجموعه های مدل و سایر موارد اشاره کرد. ۱۳۷۸: سونی سگ رباتیک آیبو را معرفی کرد. حالت فعلی دارای نوعی ساختار است که آن بخش غیرقابل مشاهده از جهان را توصیف میکند. یک عامل یادگیرنده ابزاری در هوش مصنوعی است که میتواند از تجربیات خود بیاموزد. سه محور اصلی رباتیک، تفکر (Think)، حس (Sense) و عمل (Act) است. محور اصلی درس هوش مصنوعی مفهوم «عامل هوشمند» است. در ادامه این بخش، سایر کتابهای زبان اصلی فهرست شدهاند که میتوانند در دسته بهترین منابع انگلیسی درس هوش مصنوعی در سال ۱۴۰۰ قرار گیرند. برای رسیدن به این مهارت، ابتدا باید مشخص شود که ذهن انسان چطور کار میکند؟ ارزیابی (Evaluation): راهی برای ارزیابی برنامه های کاندیدا شده (فرضیه ها). ماشین لرنینگ راهی است که می تواند برنامه نویسی را مقیاس پذیر کند. وی افزود: ما نیز مشتاقِ توسعهی راهی برای نظارت بر بیماران به منظور مشاهده وضعیت آنها در خلال بازدیدهای بیمارستانی بودیم. همزمان با این کار، این سافتبات میتواند برای کسب درآمد، فضای تبلیغاتی وبسایت را به فروش برساند.

اگر ماشین بتواند چنین الگویی را یاد بگیرد، آنگاه میتواند بر اساس آنچه آموخته پیشبینی انجام دهد. جستجوی وب (Web search): رتبه بندی صفحه براساس آنچه احتمالا روی آن کلیک خواهید کرد. برای مثال، مدل گذار برای بازی پازل هشت (دانش در خصوص آنچه اعمال انجام میدهند) در داخل کدهای خاص دامنه تابع نتیجه مخفی شدهاند. «عاملهای واکنشی ساده» مستقیماً به ادراکهای دریافتی پاسخ میدهند. هر یک از این عاملها با پیادهسازی یک تابع، توالیهای ادراک (Percept) را به اعمال (Action) نگاشت میدهند. تابع عامل هر توالی ادراک معین را به یک عمل نگاشت میکند. بخش بعدی، یک محیط ساده جدید را به نام دنیای وامپوس (Wumpus) معرفی میکند و عملیات یک عامل مبتنی بر دانش را بدون ورود به جزئیات فنی به تصویر میکشد. به این ترتیب، خلاصهای از فصل سوم درس هوش مصنوعی در این بخش شرح داده شد. بهتر است در بخش پایانی فصل اول درس هوش مصنوعی ، خلاصه این فصل ارائه شود. برخی از سرفصلها و رئوس مطالب این دوره شامل مقدمه، آشنایی با بسته NumPy، آشنایی با بسته Pandas، ترسیم دادهها، آشنایی مقدماتی با مباحث آماری و سایر موارد است. این دوره آموزشی از هفت فرادرس جامع پیرامون شبکههای عصبی مصنوعی تشکیل شده و برای دانشجویان کارشناسی و کارشناسی ارشد رشتههای مختلفی که با شبکههای عصبی مصنوعی سر و کار دارند مناسب است.

الگوریتمهای جستجوی یکنواخت الگوریتمهایی هستند که هیچ اطلاعاتی به غیر از تعریف مسئله به آنها داده نمیشود. یعنی هیچ ساختار داخلی وجود ندارد. در نمودار زیر، ساختار عامل مبتنی بر مدل با حالت داخلی نمایش داده شده است. هدف از یادگیری استقرایی (Inductive Learning) یادگیری عملکرد داده های جدید (x) است. در فصل چهارم درس هوش مصنوعی به شبیهسازی تبریدی یا به اختصار SA اشاره شده است. حوزه بینایی ماشین (بینایی کامپیوتر | Computer Vision) این امکان را در هوش مصنوعی امکانپذیر میسازد. با توجه به گسترش چشمگیر هوش مصنوعی در جهان، میتوان گفت این درس یکی از مهمترین دروس رشته کامپیوتر به حساب میآید. فصل هفتم کتاب هوش مصنوعی راسل و نورویگ، آخرین فصل درس هوش مصنوعی به حساب میآید. طراحی الگوریتم یکی دیگر از پیشنیازهای درس هوش مصنوعی به حساب میآید. درس طراحی الگوریتم یکی از دروس پایه و مهم رشته کامپیوتر است. یکی دیگر از دورههای آموزشی مناسب برای یادگیری درس هوش مصنوعی ، دوره «آموزش هوش مصنوعی – تکمیلی» فرادرس است. این فرادرس در دوازده درس فراهم شده است و مفاهیم آن به همراه مثالهای فراوان آموزش داده میشوند. به زودی به عنوان یک برنامه تلفن هوشمند برای آزمایش در دنیای واقعی همراه با صداهای پسزمینه عرضه خواهد شد.

این کتاب با هدف تدریس در دانشگاه و به عنوان یک منبع دانشگاهی منتشر شده است. همانطور که بیان شد، کتاب هوش مصنوعی راسل و نورویگ شامل ۲۷ فصل است که تنها ۷ فصل ابتدایی آن به عنوان منبع درس هوش مصنوعی دانشگاه پیام نور و اکثر دانشگاههای کشور تعیین شده است. در همان سال، دانشگاه استنفورد گزارش ۱۰۰ ساله هوش مصنوعی را منتشر کرد. از این برنامه می توان در برنامه نویسی سنتی استفاده کرد. این در حالی است که این عوامل با هم میتوانند انسداد یا مشکلات مثانه را هویدا کنند. با این حال یک اشکال دارد و آن اینکه تاکنون فقط بر روی جریان ادرار مردان آزمایش شده است که با ادرار زنان متفاوت است. دانش در قالب جملاتی به یک زبان بازنمایی دانش وجود دارد. همچنین جایگاه یادگیری، طراحی عامل را به نفع بازنمایی صریح دانش و استدلال محدود میکند. پیچیدگی حل یک مسئله CSP به شدت با ساختار گراف محدودیت آن در ارتباط است. فصل ششم | مسائل ارضای محدودیت: در این فصل، تعریف مسائل ارضای محدودیت (CSP)، انتشار محدودیت: استنتاج در CSPها، جستجوی پسگرد برای CSPها، جستجوی محلی برای CSPها و ساختار مسئلهها ارائه شدهاند.