یک عامل واکنشی مبتنی بر مدل، عاملی است که از تاریخچه ادراک و حافظه داخلی برای تصمیمگیری درباره یک مدل داخلی از جهان پیرامون خود استفاده میکند. اینها گزارههایی پوچ نیستند و پیرامون چگونگی دستیابی به هوش انسانی ادعای قوی را مطرح میکنند. سوالات رایجی که به آنها پاسخ داده شده است شامل، پیشنیازهای درس هوش مصنوعی، منابع آن، مباحث مطرح شده در این درس و سایر موارد است. برخی از سرفصلها و مطالب مطرح شده در این دوره شامل مرتبه اجرایی، رابطه های بازگشتی، روش تقسیم و حل، روش برنامهنویسی پویا، روش حریصانه، روش شاخه و قید، الگوریتم های گراف و سایر موارد است. بنابراین، استفاده از دوره آموزشی الگوریتم ژنتیک به دانشجویان مقطع کارشناسی ارشد و سایر علاقهمندان پیشنهاد میشود. به چندین الگوریتم جستجوی یکنواخت (Uniform) پرداخته خواهد شد. برای جستجوی درختی قابل پذیرش و با جستجوی گراف سازگاری داشته باشد. ترجمه ماشینی: برنامهای که از یک مدل آماری و از مثالهای ترجمه شده یک زبان به زبان دیگر، برای ترجمه خودکار متن استفاده میکند. «تخمین حالت منطقی» شامل حفظ یک جمله منطقی است که مجموعه حالتهای ممکن مطابق با تاریخچه مشاهده را توصیف میکند.
در فصل چهارم درس هوش مصنوعی ، الگوریتمهای جستجو برای مسائلی فراتر از حالت سنتی پیدا کردن کوتاهترین مسیر به یک هدف در یک محیط مشاهدهپذیر، قطعی و گسسته مورد بررسی قرار میگیرند. الگوریتمهای جستجو با حالتها و اعمال به صورت اتمی برخورد میکنند. در فصلهای ۳ و ۴ این ایده مورد بررسی قرار گرفت که میتوان مسائل را از طریق جستجو در یک فضای حالت حل کرد. روشهای ابتکاری مقادیر کمینه باقیمانده و درجه (Degree)، روشهای مستقل از دامنه برای تصمیمگیری در این خصوص هستند که چه مقدار بعدی برای یک متغیر داده شده در یک جستجوی پسگرد انتخاب شود. این ابعاد به میزان زیادی طراحی عامل و کاربردی بودن هر یک از روشهای اصولی برای پیادهسازی عامل را تعیین میکنند. البته، جدول توصیف بیرونی یک عامل به حساب میآید. تا اینجا مشخص شد که به طور قطع کتاب هوش مصنوعی راسل و نورویگ بهترین و رایجترین منبع برای درس هوش مصنوعی به حساب میآید.
چگونه دانش به عمل منتج میشود؟ کارکرد این عامل دانش محور، با ذخیره جملاتی درباره جهان در پایگاه دانش خود انجام میشود. مفاهیم مقدماتی و مباحث پایه هوش مصنوعی در این درس پوشش داده شدهاند. در درس هوش مصنوعی ، نقش یادگیری در گسترش دسترسی طراح به محیطهای ناشناخته شرح داده میشود. در ادامه، هر یک از حوزههای هوش مصنوعی به بیان ساده و کوتاه شرح داده شدهاند. مجموعهای از متغیرها که هر کدام دارای یک مقدار است. یک میکروفن صدای شخصی را ضبط میکند و سختافزار سیگنال مربوطه را از امواج صدای آنالوگ به صوت دیجیتال تبدیل میکند. عامل مبتنی بر سودمندی عاملی است که عمل خود را برای رسیدن به اهدافی با سودمندی بیشینه انتخاب میکند. پس از کسب تجربه کافی از محیط، یک عامل منطقی میتواند «مستقل» از دانش اولیه خود عمل کند. هدف هوش مصنوعی ایجاد سیستمهایی است که بتوانند به طور هوشمند و مستقل عمل کنند. همچنین، درس جبرخطی کاربردی نیز همنیاز درس هوش مصنوعی محسوب میشود. حالت فعلی در داخل عامل ذخیره میشود. بر خلاف سادگی مشهودی که در بیان کردن یک مسئله وجود دارد، هنگام سعی در حل مسئله، مشکلات گوناگونی پدید میآیند. به کارگیری حوزه پردازش تصویر با وجود اینکه مستقیماً به هوش مصنوعی ارتباط ندارد، برای بینایی ماشین ضروری است.
به عنوان مثال، اگر دادههای زیادی وجود داشته باشد که نسبت فروش به هزینه تبلیغات را نشان دهند، میتوان این دادهها را در فضای دوبُعدی رسم کرد و به نوعی الگو دست سایت vector-robot یافت. این بخشها شامل حالت ابتدایی (Initial State)، مجموعهای از اعمال (Actions)، یک مدل گذار (Transition Model) که نتایج آن اعمال را توصیف میکند، یک تابع آزمایش هدف (Goal Test) و یک تابع هزینه مسیر (Path Cost) است. این کتاب دارای ۲۷ فصل است که هر فصل آن به صورت هفتگی در طول ترم تدریس میشود. سپس، اصول کلی منطق در بخش بعدی فصل هفتم شرح داده میشود و سپس جزئیات منطق گزارهای (Propositional Logic) مشخص خواهد شد. بخش وسیعی از تشخیص گفتار مبتنی بر علم آمار است که به آن یادگیری آماری (Statistical Learning) گفته میشود. فصل اول، تعریفی از AI ارائه و پیشینه فرهنگی را برپا میکند که هوش مصنوعی بر اساس آن توسعه یافته است.
این سه دسته شامل حالتهای «بازنمایی اتمی»، «بازنمایی موردی» و «بازنمایی ساختیافته» است. معیار عملکرد، هر توالی معین از حالتهای محیط را ارزیابی میکند. عقلانیت کیفیت عملکرد «مورد انتظار» را بیشینه میکند، در حالی که کمالگرایی «خودِ عملکرد» را بیشینه میکند. تفاوت میان برنامه عامل و تابع عامل در این است که برنامه عامل ادراک فعلی را به عنوان ورودی دریافت میکند، در حالی که تابع عامل کل تاریخچه ادراک را میپذیرد. در اکثر دانشگاهها این کتاب تا فصل هفتم تدریس میشود و باقی فصول آن معمولاً به عنوان درس هوش مصنوعی پیشرفته مطالعه و تدریس میشود. اگر برای هر الگوریتمی یک هدف تعیین شود و این انتظار از ماشین وجود داشته باشد که از طریق آزمون و خطا به آن هدف دست یابد، آنگاه به این کار یادگیری تقویتی (Reinforcment Learning) گفته میشود. 2. نیاز به اطلاعاتی وجود دارد درباره اینکه چگونه اعمال انجام شده توسط عامل جهان را تحت تاثیر قرار میدهند؟ بخش بعدی فصل اول درس هوش مصنوعی به تاریخچه هوش مصنوعی اختصاص دارد که در ادامه به شرح آن پرداخته شده است.
فیلم آموزش سیستم های فازی در متلب: طول مدت این دوره ۲۰ ساعت و ۳۹ دقیقه و مدرس آن دکتر مصطفی کلامی هریس است. این ماشین خودران با استفاده از تجهیز یک خودرو معمولی به دوربین، رادار و فاصله یاب لیزری برای حس کردن محیط مجهز شده بود. برای مثال، وقتی یک ماشین برای شناسایی افراد به وسیله نام آنها آموزش داده میشود، باید اسامی آنها را برای کامپیوتر مشخص کرد. در فصل هفتم درس هوش مصنوعی ، عاملهای مبتنی بر دانش معرفی شدهاند و نحوه تعریف یک منطق نشان داده شده است که چنین عاملهایی میتوانند با استفاده از آن درباره جهان استدلال کنند. به گونهای که این عاملهای یادگیرنده بتوانند عملکرد اجزا خود را بهبود دهند و اعمال بهتری را تولید کنند. عنصر یادگیرنده در خصوص نحوه عملکرد عامل از «منتقد» (Critic) بازخورد دریافت میکند و به این وسیله تعیین میکند که چگونه باید برای عملکرد بهتر، عنصر عملکرد ویرایش و تغییر داده شود. روش ابتکاری کمترین مقدار محدود کننده (Least Constraining Value) به تصمیمگیری در این خصوص کمک میکند که برای یک متغیر داده شده اول از کدام مقدار استفاده شود. دوره آموزش سیستم های فازی یک مجموعه کامل، شامل تقریبا ۲۱ ساعت فیلم آموزشی به زبان فارسی است.
در نهایت بخش آخر فصل هفتم، مفهوم عاملهای مبتنی بر دانش، جهت ساخت چند عامل برای جهان وامپوس با فناوری منطق گزارهای ترکیب میشود. در بخش بعدی فصل دوم، به مفهوم عقلانیت (منطق) پرداخته شده است. در فصل ششم، ایده بازنمایی حالتها به عنوان تخصیص مقادیر به متغیرها معرفی شد. بلکه، آنها به عنوان اجزایی در خدمت رسیدن به اهداف در نظر گرفته میشوند. آنها ادراکهای دریافتی را به عنوان ورودی از حسگرها میپذیرند و یک عمل را به اهرمها باز میگردانند. در فصل اول، مفهوم «عاملهای منطقی» به عنوان رویکرد محوری درس هوش مصنوعی تعیین شد، حال در فصل دوم، بر این فرضیه تاکید بیشتری شده است. مجموعه دورههای آموزشی هوش مصنوعی فرادرس شامل ۲۸ عنوان آموزشی مختلف و در مجموع دارای ۲۷۷ ساعت محتوای ویدئویی است. در پایان نیز، فیلمها و دورههای آموزشی مرتبط با درس هوش مصنوعی معرفی شدهاند. ۱۳۸۳: نهاد DARPA اولین چالش وسیله نقلیه خودران را معرفی کرد. ۱۳۶۸: دانشگاه کارنگی ملون اولین وسیله نقلیه خودران با استفاده از شبکه عصبی را ساخت. انسانها از این شبکه نورونها برای یادگیری استفاده میکنند. از طرف دیگر، «الگوریتمهای جستجوی مطلع» (Informed) میتوانند با کمی راهنمایی درباره محل جستجوی جواب، در حد قابل قبولی عمل کنند.
به عاملهایی که از بازنماییهای پیشرفتهتر موردی (Factored) یا ساختیافته (Structured) استفاده میکنند، معمولاً «عاملهای برنامهریز» (Planning Agent) گفته میشود که در فصل هفتم و دهم کتاب هوش مصنوعی راسل و نورویگ راجع به آنها بحث شده است. این رویکرد تنها برای محیطهای مشاهدهپذیر کامل یا بدون حسگر کار میکند. آنها میتوانند به طور کامل یا به طور ناقص مشاهدهپذیر باشند، تکعاملی یا چندعاملی باشند. 2. عامل منطقی با پیشرفت و توسعه علمی نسبت به رویکردهای مبتنی بر رفتار انسانی یا تفکر انسانی سازگاری بیشتری دارد. به طور کلی هوشمندی در فضای نرمافزاری یا اینترنتی پیچیدگی بسیار بیشتری نسبت به فضای فیزیکی دارد. در صورتی که از شبکههای عصبی مصنوعی برای مرور تصاویر (مثلاً از بالا به پایین یا از چپ به راست) استفاده شود، به آن شبکه عصبی پیچشی (شبکه عصبی کانولوشن | Convolutional Neural Network) گفته میشود که آن را با سرنام CNN میشناسند. آزمون نهایی مشخص میکند که آیا بازی به اتمام رسیده است یا خیر.
این توانایی در هوش مصنوعی به حوزه پردازش زبان طبیعی (Natural Language Processing) مربوط میشود. دو توانایی بینایی و رباتیک مربوط به «آزمون کامل تورینگ» هستند. این جهان تنها دارای دو موقعیت A و B است. «بینایی ماشین» و «رباتیک» نیز دو شاخه از یادگیری نمادین هستند. قوانین استنتاجی الگوهایی از استنتاج دقیق هستند که میتوانند برای رسیدن به اثبات استفاده شوند. از طرف دیگر، استنتاج صحیح تماماً عقلانیت نیست و در برخی مواقع کار صحیح اثبات شدهای برای انجام دادن وجود ندارد، اما در هر صورت باید کاری انجام شود. باید امکان تولید جملات قابل درک به زبان طبیعی وجود داشته باشد تا بتوان در یک جامعه پیچیده دوام آورد. اکنون نوبت به آموزش نحوه کارکرد درونی یک عامل فرا رسیده است. بهروزرسانی تخمینهای ابتکاری با استفاده از تجربه، یک روش موثر برای اجتناب از رسیدن به کمینه محلی فراهم میکند. شبیهسازی تبریدی در صورت داشتن زمانبندی خنک کننده (Cooling Schedule) مناسب، جوابهای بهینه تولید میکند. چگونه میتوان یک کامپیوتر بهینه ساخت؟ یک عامل (Agent) به موجودیتی گفته میشود که عملی را انجام میدهد. به این حوزه در هوش مصنوعی بازشناسی الگو (تشخیص الگو | Pattern Recognition) گفته میشود. این عاملها، اعمال را بر اساس ادراک فعلی انتخاب میکنند و باقی تاریخچه ادراک را نادیده میگیرند.
بازنمایی دانش و استنتاج امکان رسیدن به تصمیمگیریهای مناسب را فراهم میکند. این دوره آموزشی نیز برای یادگیری درس هوش مصنوعی و آمادهسازی برای شرکت در آزمون کارشناسی ارشد مناسب است. این دوره برای آن دسته از دانشجویان رشته کامپیوتر مناسب است که قصد گذراندن درس هوش مصنوعی را دارند. علاقهمندان به هوش مصنوعی و دانشجویانی که قصد ادامه تحصیل در مقطع کارشناسی ارشد را دارند، میتوانند از محتوای دوره آموزشی شبکههای عصبی مصنوعی در مطلب برای یادگیری این شاخه مهم در هوش مصنوعی استفاده کنند. دوره آموزش تئوری و عملی الگوریتم ژنتیک برای آن دسته از دانشجویانی که به حوزه الگوریتم ژنتیک علاقهمند هستند و قصد دارند مطالب بیشتری در این خصوص یاد بگیرند، میتوانند از این دوره آموزشی استفاده کنند. در فصل سوم، به یک دسته خاص از مسائل اشاره شد. در ادامه این بخش از آموزش درس هوش مصنوعی، خلاصه فصل ششم ارائه شده است. فهرست خلاصه شدهای از تاریخچه هوش مصنوعی در ادامه آمده است.
تقریباً تمام سرفصلهای درس هوش مصنوعی و کتاب هوش مصنوعی راسل و نورویگ در این دوره پوشش داده شده است. به گونهای که بتوان با مطالعه این مقاله، محتوای اصلی درس هوش مصنوعی را در سریعترین زمان ممکن آموخت و ایده کلی نسبت به سرفصلهای آن به دست آورد. برخی از سرفصلهای این دوره شامل مروری بر عملکرد سیستم عصبی طبیعی، پیادهسازی شبکه عصبی در متلب با استفاده از رابطهای گرافیکی (GUI) تولباکس شبکه عصبی، مروری بر کاربردهای مختلف شبکههای عصبی مصنوعی، شبکههای عصبی شعاعی پایه، ماشینهای بردار پشتیبان، یادگیری غیرنظارت شده و خوشهبندی با الگوریتم k-Means، شبکههای عصبی رقابتی و نگاشت خود سازمانده و سایر موارد است. از جمله سایر کتابهای مناسب برای آمادهسازی کنکور کارشناسی ارشد گرایش هوش مصنوعی، میتوان به کتاب هوش مصنوعی پوران پژوهش و کتاب هوش مصنوعی انتشارات پارسه اثر حمیدرضا طارمیان اشاره کرد. در ادامه، به معرفی منابع مناسب درس هوش مصنوعی برای کنکور کارشناسی ارشد پرداخته شده است. همچنین، ساختمان داده در کنکور کارشناسی ارشد و دکتری ضریب بالایی دارد. عامل جاروبرقی درک میکند که در کدام مربع قرار دارد.
در این بخش ابتدایی از فصل دوم درس هوش مصنوعی ، مفاهیم پایه و مقدماتی عامل، ادراک و توالی ادارک، انتخاب عمل، تابع عامل و برنامه عامل تعریف شدهاند. اما، برنامه عامل، پیادهسازی محسوس و عینی است که در چارچوب یک سیستم فیزیکی اجرا میشود. ۱۳۹۴: ایلان ماسک و سایرین کمک مالی یک میلیارد دلاری به شرکت تحقیقات هوش مصنوعی OpenAI را اعلام کردند. در ادامه، به معرفی دروسی پرداخته شده است که پیشنیاز درس هوش مصنوعی به شمار میروند. ۱۳۲۹: آزمون تورینگ توسط آلن تورینگ معرفی شد. اگرچه، باید اطمینان حاصل شود که سهواً اجازه رفتار غیرهوشمندانه به عامل داده نخواهد شد. برخی از تعاریف هوش مصنوعی بر اساس میزان موفقیت در بازتولید رفتار انسان شکل میگیرند و برخی تعاریف نیز هوش مصنوعی را بر اساس میزان عقلانیت (Rationality) میسنجند. چالش اصلی برای AI یافتن نحوه ایجاد برنامههایی است که به جای یک جدول بسیار بزرگ، تا حد امکان از یک برنامه نسبتاً کوچک برای تولید رفتار معقول استفاده کند. همچنین، چکیدهای از این درس ارائه و به این سوال پاسخ داده شده است که ایده اصلی درس هوش مصنوعی چیست؟ بسیاری از روشهای جستجوی محلی به مسائلی در فضاهای پیوسته نیز اعمال میشوند.
منابع درس هوش مصنوعی به زبان فارسی کدامند؟ فصل اول راجع به چیستی هوش مصنوعی (AI) و ارائه مقدمهای پیرامون این مفهوم است. مدل: دانش پیرامون «نحوه کارکرد جهان» چه به صورت مدارهای بولی ساده و چه کاملاً به صورت نظریههای علمی پیادهسازی شود، یک مدل از جهان نامیده میشود. باید در نظر داشت که توصیف «قوانین» و «همخوانی داشتن» کاملاً انتزاعی است و پیادهسازی عملی میتواند به سادگی و به وسیله مجموعهای از گیتهای منطقی سازنده یک مدار بولی انجام شود. این نمودار نشان میدهد که چگونه ادراک فعلی با حالت داخلی گذشته ترکیب میشود و توصیف بهروز شده حالت فعلی را بر اساس مدل عامل جهان تولید میکند. نحو، ساختار جملات و مفاهیم (Semantics) آن را مشخص میکند. «هوش مصنوعی از دیدگاهی نو» یکی دیگر از نسخههای ترجمه شده این کتاب به شمار میرود که مترجمین آن حمیدرضا قنبری و سجاد محمدزاده هستند. بنابراین، استفاده از دوره آموزشی شبیهسازی تبریدی در متلب برای آن دسته از دانشجویانی که به این مبحث علاقهمند هستند، توصیه میشود.
روشهای جستجوی محلی نظیر WALKSAT میتوانند برای پیدا کردن جواب استفاده شوند. روشهای جستجوی محلی نظیر تپهنوردی در فرمولبندیهای حالت کامل عمل میکنند. فصل پنجم | جستجوی خصمانه: مباحث این فصل شامل بازیها، تصمیمگیری بهینه در بازیها، هرس کردن آلفا-بتا، تصمیمگیری جزئی زمان واقع، بازیهای تصادفی، بازیهای نیمه رویتپذیر، آخرین پیشرفتها در برنامههای بازی و روشهای جایگزین است. در فصل چهارم درس هوش مصنوعی، به این سوال پاسخ داده میشود که در صورت سُست شدن این فرضیات چه اتفاقی رخ خواهد داد؟ این فرآیند «جستجو» نامیده میشود. ملاحظه میشود که این برنامه در مقایسه با جدول متناظرش بسیار کوچکتر است. این دو روش، الگوریتمهای جستجوی منسجم و بهینه هستند که از میزان حافظه محدودی استفاده میکنند. الگوریتمهای پایه جستجوی یکنواخت شامل موارد زیر است: جستجوی عرضی (اول-سطح): این الگوریتم، ابتدا کم عمقترین گره را بسط میدهند. در ابتدا به معرفی دوره آموزشی هوش مصنوعی مقدماتی پرداخته شده است. در ادامه، منابع فارسی درس هوش مصنوعی معرفی شدهاند. در بخش پایانی فصل اول درس هوش مصنوعی به برخی از کاربردهای AI پرداخته شده است.