دکتر سید سلمان فاطمی

توضیحی ساده در مورد هوش مصنوعی:

ماشینی طراحی میکنیم که هوشمند است و برخی اهداف را برای آن تعیین می کنیم و ماشین در تعامل با محیط اطراف، به آن اهداف میرسد.

این ماشین ها دارای سنسور هستند و میتواند محیط اطراف را درک کند. بعدا باید تصمیم گیری صورت بگیرد و به وسیله اندام ماشین(actuator)حرکت را انجام دهد.

مانند اتومبیل خودران: برای آن، تعدادی هدف تعیین میشود مانند رانندگی راحت، قانونمند و ایمن بودن.

اتومبیل در یک محیط است، محیط شامل خیابان، افراد اطراف و اتومبیل های دیگر و... است. گاهی چندین عامل در محیط هستند و بر هم تاثیر میگذارند. در هر لحظه باید تصمیم عقلانی بگیرد باید وضعیت خود را در هر لحطه احساس کند. در هر لحظه باید سنس کند، باید فاصله را با موانع چک کند. این کار با سنسورها هست. بعدا اطلاعات را به کامپیوتر مرکزی میفرستد.

گاز، ترمز، چرخش فرمان تغییر دنده که به وسیله(actuator )ها انجام میشود. مرکز تصمیم گیری، کامپیوتر مرکزی است. میتوانیم برنامه نویسی ثابتی برای مرکز این کامپیوتر، تعریف کنیم و یک سیستم ماهر ساخته می شود.

سه عیب دارد: گاهی به فرد خبره دسترسی نداریم، گاهی دانش را نمیتوانیم به زبان ریاضی بیان کنیم چون ساختار ذهن خود را نمی شناسیم. پس نمی توانیم به زبان فرمال بیان کنیم.

اشکال سوم: در طول زمان ممکن است محیط تغییر کند. روز بعد ممکن است شرایط مثل امروز نباشد.

برنامه کامپیوتر دینامیک، روش دیگری است و یک عامل در حال یادگیری میگذاریم. این عامل تجربه را در طول زمان حفظ میکند. به تدریج، عامل، خود را بهینه میکند تا هزینه سیستم کم شود. اگر در محیط ناشناخته قرار بگیرد به تدریج خود را با محیط منطبق میکند.(این قدرت یادگیری به حد خاصی خلاصه نمیشود و چون فقط بر اساس پاداش، تعریف میشود میتواند به صورت کاملا غیر اخلاقی پیش برود. و چون قدرت مناسباتی آن در هر لحظه توسعه می یابد، به یک محاسبه گر بسیار قدرتمند تبدیل میشود که فقط و فقط سود را میشناسد. یعنی یک مغز بسیار قدرتمند که احتمال دارد توانایی های آن بسیار بیشتر از مغز انسان شود!)

یادگیری ماشین: مجموعه تجربه در قالب مجموعه ای از اطلاعات هست

انواع سیستم های دارای قدرت یادگیری:
Supervised learning

مثلا میتونه یک مطلب را یاد بگیره و مثلا تصویر را در صحنه شناسایی کنه.

Unsupervised learning

یک سری اطلاعات مشخص وجود ندارد بلکه میتواند ارتباطات بین داده های اولیه را مقایسه کند مثلا اطلاعات شبکه های اجتماعی را می گیرد و میتواند بین آنها ارتباط برقرار کند؛ میتواند پیش بینی کند نقاش مثلا قرار است چه نقاشی ای بکشد و این پیش بینی بر اساس نقاشی هایی است که در مرکز کامپیوتر دستگاه هست

semisupervised learning
در این مورد در برخی از موارد اطلاعات هست و در برخی دیگر نیست و از روی تجارب و پاسخ هایی است که مثلا کاربران قبلا داده اند

reinforcemant learning
نوع چهارم، یادگیری ماشینی است. میزان مقبولیت داده ها بر اساس معیاری به نام پاداش تعیین میشود، سیستم در ازای انتخابی که از روی اطلاعات انجام میدهد پاداش یا جریمه دریافت میکند. هدف این است که به مرور زمان در طی تعاملاتی- که انجام میشود- میزان پاداش ها حداکثر شود.

http://rouzane.com/video/6944831