Презентация, доклад по информатике на тему искусственный интеллект

достижениях в области интеллектуальных компьютерных систем, в частности, о компьютерах с нейронными сетями, представляющими собой машины, работающие аналогично тому, как по современным представлениям, функционирует мозг.
С этого времени открыто заговорили о развитии нейроинформатики в ведущих научных центрах мира.

помощи компьютеров.
Нейронные сети – это мощный и пока наилучший метод для решения задач распознавания образов в тех ситуациях, когда в экспериментальных данных отсутствуют значительные фрагменты информации, а имеющаяся информация предельно зашумлена.

объёмов информации за времена, меньшие или сравнимые с допустимыми временами измерений.

в неравновесных системах; систематизированы факты и проведены многочисленные новые эксперименты в нейрофизиологии, в частности, подробно изучены строение и механизм действия отдельных нейронов; сформулирован принцип работы и создана первая ЭВМ с параллельной архитектурой. Эти обстоятельства, стимулировали начало интенсивных исследований нейронных сетей, как моделей ассоциативной памяти.

Информация переносится в виде импульсов нервной активности, имеющих электрохимическую природу.
Нейроны разнообразны по форме, которая зависит от их местонахождения в нервной системе и особенностей функционирования.

соединенных между собой нервными волокнами.
Нервные волокна способны передавать электрические импульсы между нейронами.
Все процессы передачи раздражений от кожи, ушей и глаз к мозгу, процессы мышления и управления действиями - все это реализовано в живом организме как передача электрических импульсов между нейронами.

дендриты, по которым принимаются импульсы, и единственный аксон, по которому нейрон может передавать импульс. Аксон контактирует с дендритами других нейронов через специальные образования - синапсы, которые влияют на силу импульса.

обычно заметно превосходит размеры дендритов, в отдельных случаях достигая десятков сантиметров и даже метров.
Гигантский аксон кальмара имеет толщину около миллиметра, и именно наблюдение за ним позволило выяснить механизм передачи нервных импульсов между нейронами.

ангстрем, обладающей низкой проводимостью.
Между внутренней поверхностью мембраны аксона и внешней средой поддерживается разность электрических потенциалов. Это осуществляется при помощи молекулярного механизма ионных насосов, создающих различную концентрацию положительных ионов K+ и Na+ внутри и вне клетки.

поддерживать концентрацию ионов калия более высокой, чем ионов натрия, тогда как в жидкости, окружающей аксон, выше оказывается концентрация ионов Na+. Пассивная диффузия более подвижных ионов калия приводит к их интенсивному выходу из клетки, что обуславливает ее общий отрицательный относительно внешней среды потенциал покоя, составляющий около 65 милливольт.

раз. Это число называют весом синапса.
Импульсы, поступившие к нейрону одновременно по нескольким дендритам, суммируются.
Если суммарный импульс превышает некоторый порог, нейрон возбуждается, формирует собственный импульс и передает его далее по аксону.
Веса синапсов могут изменяться со временем, а значит, меняется и поведение соответствующего нейрона.

(дендритами),
причем синапсы этих дендритов
имеют веса w1, w2, w3.
Пусть к синапсам поступают импульсы
силы x1, x2, x3 соответственно, тогда
после прохождения синапсов и дендритов к нейрону поступают импульсы w1x1, w2x2, w3x3.

некоторой передаточной функцией f(x). Сила выходного импульса равна y=f(x)=f(w1x1+ w2x2+ w3x3).
Т.о., нейрон полностью описывается своими весами wk и передаточной функцией f(x). Получив набор чисел (вектор) xk в качестве входов, нейрон выдает некоторое число y на выходе.

между собой.
Как правило, передаточные функции всех нейронов в сети фиксированы, а веса являются параметрами сети и могут изменяться.
Некоторые входы нейронов помечены как внешние входы сети, а некоторые выходы - как внешние выходы сети.
Подавая любые числа на входы сети, получают какой-то набор чисел на выходах сети.

Таким образом, работа нейросети состоит
в преобразовании входного вектора в выходной вектор,
причем это преобразование задается весами сети.

буквы размером 30x30 пикселов.
Надо: определить букву алфавита (в русском алфавите 33 буквы)
Формулировка для нейросети
Дано: входной вектор из 900 двоичных символов (900=30x30)
Надо: построить нейросеть с 900 входами и 33 выходами, которые помечены буквами. Если на входе сети - изображение буквы "А", то максимальное значение выходного сигнала достигается на выходе "А".
Аналогично сеть работает для всех 33 букв.

правило, может принимать любые значения из какого-то отрезка. Однако, в данной задаче интересует не аналоговый ответ, а всего лишь номер категории (номер буквы в алфавите). Поэтому используется следующий подход - каждой категории сопоставляется свой выход, а ответом сети считается та категория, на чьем выходе уровень сигнала максимален.
В определенном смысле уровень сигнала на выходе "А" - это достоверность того, что на вход была подана рукописная буква "A".  

категорий, называются задачами классификации.
Изложенный подход - стандартный способ классификации с помощью нейронных сетей.

(архитектуры) сети.
2. Подбор весов (обучение) сети.
На первом этапе следует выбрать следующее:
1. какие нейроны использовать (число входов, передаточные функции);
2. каким образом следует соединить их между собой;
3. что взять в качестве входов и выходов сети.

- существует несколько десятков различных нейросетевых архитектур, причем эффективность многих из них доказана математически. Наиболее популярные и изученные архитектуры - это многослойный перцептрон, нейросеть с общей регрессией, сети Кохонена и другие.
На втором этапе следует "обучить" выбранную сеть, то есть подобрать такие значения ее весов, чтобы сеть работала нужным образом. Необученная сеть подобна ребенку - ее можно научить чему угодно.

тысяч, поэтому обучение - действительно сложный процесс.
Для многих архитектур разработаны специальные алгоритмы обучения, которые позволяют настроить веса сети определенным образом.
Наиболее популярный из этих алгоритмов - метод обратного распространения ошибки (Error Back Propagation), используемый, например, для обучения персептрона.

Этот процесс очень похож на обучение ребенка алфавиту. Показав ребенку изображение буквы "А", мы спрашиваем его: "Какая это буква?" Если ответ неверен, мы сообщаем ребенку тот ответ, который мы хотели бы от него получить: "Это буква А". Ребенок запоминает этот пример вместе с верным ответом, то есть в его памяти происходят некоторые изменения в нужном направлении.
Можно повторять процесс предъявления букв снова и снова до тех пор, когда все 33 буквы будут твердо запомнены. Такой процесс называют "обучение с учителем".

примеры (набор рукописных изображений букв). Предъявляя изображение буквы "А" на вход сети, получаем от нее некоторый ответ, не обязательно верный.
Известен и верный (желаемый) ответ - в данном случае на выходе с меткой "А" уровень сигнала должен быть максимальным.
Обычно в качестве желаемого выхода в задаче классификации берут набор (1, 0, 0, ...), где 1 стоит на выходе с меткой "А", а 0 - на всех остальных выходах. Вычисляя разность между желаемым ответом и реальным ответом сети, получают 33 числа - вектор ошибки.

вектору ошибки вычислить требуемые поправки для весов сети. Одну и ту же букву (а также различные изображения одной и той же буквы) можно предъявлять сети много раз.
В этом смысле обучение скорее напоминает тренировку.

ответы на все (или почти все) примеры из базы данных. В таком случае говорят, что "сеть выучила все примеры", " сеть обучена", или "сеть натренирована".
В программных реализациях можно видеть, что в процессе обучения величина ошибки (сумма квадратов ошибок по всем выходам) постепенно уменьшается.
Когда величина ошибки достигает нуля или приемлемого малого уровня, тренировку останавливают, а полученную сеть считают натренированной и готовой к применению на новых данных.

Поэтому качество обучения сети напрямую зависит от количества примеров в обучающей выборке, а также от того, насколько полно эти примеры описывают данную задачу.
Так, например, бессмысленно использовать сеть для предсказания финансового кризиса, если в обучающей выборке описание кризисов не представлено. Считается, что для полноценной тренировки требуется хотя бы несколько десятков (а лучше сотен) примеров.
Обучение сети - сложный и наукоемкий процесс. Алгоритмы обучения имеют различные параметры и настройки, для управления которыми требуется понимание их влияния.

задач.
Важнейшая особенность человеческого мозга состоит в том, что, однажды обучившись определенному процессу, он может верно действовать и в тех ситуациях, в которых он не бывал в процессе обучения. Например, мы можем читать почти любой почерк, даже если видим его первый раз в жизни.
Так же и нейросеть, грамотным образом обученная, может с большой вероятностью правильно реагировать на новые, не предъявленные ей ранее данные.

классифицировать новое изображение.
Веса обученной сети хранят достаточно много информации о сходстве и различиях букв, поэтому можно рассчитывать на правильный ответ и для нового варианта изображения.

в случае распознавания букв верный ответ очевиден заранее, то в более сложных практических задачах обученная нейросеть выступает как эксперт, обладающий большим опытом и способный дать ответ на трудный вопрос.

Примером такой задачи служит медицинская диагностика, где сеть может учитывать большое количество числовых параметров (энцефалограмма, давление, вес и т.д.).
Конечно, "мнение" сети в этом случае нельзя считать окончательным.

уже привычный способ использования нейросетей в практике западных компаний. При этом сеть также использует множество экономических показателей, сложным образом связанных между собой.

в себе способность компьютера к обработке чисел и способность мозга к обобщению и распознаванию.
Говорят, что у хорошего врача способность к распознаванию в своей области столь велика, что он может провести приблизительную диагностику уже по внешнему виду пациента.
Опытный трейдер чувствует направление движения рынка по виду графика.

воспринимаются мозгом как "бледное лицо", "блеск в глазах" и т.д.
Во втором же случае учитывается только один фактор, показанный на графике - курс за определенный период времени.
Нейросеть позволяет обрабатывать огромное количество факторов (до нескольких тысяч), независимо от их наглядности – т.е. может поставить свой диагноз в любой области.

и кластеризации.
Например, нейросеть на основе методики МГУА (метод группового учета аргументов) позволяет на основе обучающей выборки построить зависимость одного параметра от других в виде полинома.
Такая сеть может не только мгновенно выучить таблицу умножения, но и найти сложные скрытые зависимости в данных (например, финансовых), которые не обнаруживаются стандартными статистическими методами.

причем число кластеров заранее неизвестно.
Кластеризация позволяет представить неоднородные данные в более наглядном виде и использовать далее для исследования каждого кластера различные методы.
Например, таким образом можно быстро выявить фальсифицированные страховые случаи или недобросовестные предприятия.