WY1 - wstęp Flashcards
Czym jest Computational Intelligence (CI)
Computational Intelligence (CI) zajmuje się rozwiązywaniem
problemów, które nie są efektywnie algorytmizowalne.
Jakie są cechy systemów CI
Cechą wielu systemów CI jest rozwiązywanie zadań na podstawie
znanych przykładów, uczenie się z empirycznych danych zamiast
programowania rozwiązania.
Jakie są problemy niealgorytmizowalne?
- zagadnienie jest zbyt złożone, np. problemy NP-trudne
- modelowany proces może zawierać trudne do zdefiniowania
niejasności lub może być stochastyczny z natury - procesu nie da się opisać przez zrozumiałe zasady
- warunki mogą się zmieniać, algorytm musi się dostosować do
nowej sytuacji
Czym są problemy NP-trudne?
Problemy NP-trudne - Liczba kroków algorytmu dla złożonych
sytuacji rośnie w sposób szybszy niż jakikolwiek wielomian liczby
elementów (złożoności specyfikacji problemu).
Przykład: problem komiwojażera
Problemy niealgorytmizowalne - przykłady
- rozumienie sensu zdań,
- działania twórcze, decyzje intuicyjne,
- rozpoznawanie twarzy i obrazów,
- rozpoznawanie pisma ręcznego,
- rozpoznawanie mowy i sygnałów, percepcja,
- sterowanie robotem, nieliniowymi układami,
- diagnostyka medyczna, planowanie terapii.
Różnice między AI i CI
CI - percepcja i sterowanie: zachowania sensomotoryczne – sieci
neuronowe i uczenie maszynowe
AI - wyższe czynności poznawcze: logika, język, rozumowanie,
rozwiązywanie problemów.
Słaba i mocna AI
Strong AI, Artificial General Intelligence (AGI) - agent
świadomie działający i uczący sie działać w środowisku
(podobnie do człowieka)
Weak AI - maszyna rozwiązująca (ucząca sie rozwiązywać)
konkretne zadanie
Jaki jest efekt AI (twierdzenie Teslera)
„AI is whatever hasn’t been done yet”
Co to jest uczenie maszynowe?
Uczenie maszynowe - systemy, które
uczą się rozwiązywać problemy na podstawie zebranych danych
Co to jest generalizacja?
dobrze wyuczony model działa poprawnie
także dla przypadków, których nie było w danych
treningowych
Co to są Dendryty
Wejście neuronu, odbierają sygnał od
sąsiadujących neuronów, impulsy mogą być pobudzające lub
hamujące
Czym jest Ciało komórki (soma)
akumuluje napływające w danym
momencie sygnały
Czym jest Akson (wyjście)
emituje sygnał, gdy potencjał w ciele komórki (somie)
osiągnie odpowiedni próg
Czym są Synapsy
styki pomiędzy dendrytami i aksonami, pobudzenie
napływające z aksonu powoduje uwolnienie chemicznych
neurotransmiterów, które wpływają na zachowanie połączeń
neuronów
Uczenie bez nadzoru
uczenie wyłącznie na podstawie sygnały wejściowego X
Uczenie nadzorowane - definicja
dla każdego sygnału wejściowego x dana jest pożądana odpowiedź y (szkolne).
Uczenie z krytykiem, ze “wzmocnieniem”
uczenie się zachowań, które przynoszą zysk po
dłuższym czasie (np. autonomiczne roboty, gra
z przeciwnikiem) (dojrzałe).
Uczenie nadzorowane - opis
Każdy przypadek x ze zbioru treningowego posiada przypisaną
wartość y
-Regresja (aproksymacja) - obiekt wyjściowy y jest liczbą
rzeczywistą lub wektorem liczb (np. temperatura)
-Klasyfikacja - obiekt wyjściowy y jest etykietą klasy
(np. nazwa obiektu na zdjęciu)
- Celem uczenia nadzorowanego nie jest uczenie „na pamięć”,
lecz generalizacja.
Uczenie nienadzorowane
Uczenie wyłącznie na podstawie sygnału wejściowego X, brak
pożądanego sygnału wyjściowego. Przykłady:
- klasteryzacja (analiza skupień), automatyczne wykrywanie
grup o podobnych właściwościach
- wykrywanie cech i regularności, tworzenie przydatnych
reprezentacji danych, kompresja (kodowanie) sygnału,
redukcja wymiarowości, modelowanie sygnału, redukcja szumu
Uczenie z krytykiem - opis
- Sygnał wyjściowy jest zazwyczaj akcją (sekwencją akcji)
podejmowanych przez agenta - Nagroda (lub kara) jest dostarczana z opóźnieniem
(np. przegrana/wygrana partia w szachy)
Sposoby modelowania pojedynczego neuronu
- stan aktywacji (wzbudzenia) poszczególnych neuronów, sposób
aktywacji tych neuronów, funkcja opisująca sygnał wyjściowy
elementu, - neurony: progowe, liniowe, nieliniowe (np. sigmoidalne)
Sposoby propagacji sygnałów przez sieć neuronową
- sieci jednokierunkowe (feedforward)
- sieci ze sprzężeniami zwrotnymi, sieci rekurencyjne (recurrent),
sieci dynamiczne
Topologia połączeń elementów
- budowa warstwowa (warstwa wejściowa, wyjściowa, warstwy
ukryte), struktura hierarchiczna - sieci jednowarstwowe, wielowarstwowe, płytkie, głębokie
- warstwy w pełni połączone, rzadkie połączenia, splot
Reguły uczenia
reguły modyfikacji parametrów opisujących
neurony i połączenia pomiędzy nimi, algorytm optymalizacji,
funkcja kosztu, regularyzacja
Otoczenie, w którym działa sieć neuronowa
sposób prezentacji danych, rodzaj danych wejściowych, reprezentacja
sygnału wyjściowego
Realizacja techniczna
język programowania, wykorzystanie GPU, zrównoleglenie obliczeń
