مفاهیم پایه به زبان ساده – منابع، کتاب و فیلم آموزشی

مثلاً میتوانند اشیا مشابه را دستهبندی کنند. الگوریتمهای استنتاج تنها جملاتی را استخراج میکنند که مستلزم (Entailed) باشند. در انتهای این بخش نیز، برای شفافسازی و درک بهتر مفاهیم، یک مثال ساده به نام «جهان جاروبرقی تنها با دو موقعیت» ارائه شده است. دو جنبه عاملهای مبتنی بر هدف شامل جستجو و برنامهریزی است. در این دوره آموزشی از دو کتاب شاخص درس هوش مصنوعی یعنی کتاب هوش مصنوعی راسل و نورویگ و همچنین کتاب هوش مصنوعی بن کوپن استفاده شده است. بنابراین، کتاب هوش مصنوعی راسل و نورویگ بر اصول کلی عاملهای منطقی و بر مولفههای سازنده آنها تمرکز دارد. قیاسهای منطقی (syllogism) فیلسوف یونانی، آریستاتول، الگوهایی برای ساختارهای استدلال فراهم میکنند که در صورت در اختیار داشتن فرضیات درست، به نتایج درستی منتج میشوند. بازنماییهای اتمی که به وسیله عاملهای حل کننده مسئله استفاده میشوند نیز بسیار محدود کننده هستند. 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. بهتر است در بخش پایانی فصل اول درس هوش مصنوعی ، خلاصه این فصل ارائه شود. در درس هوش مصنوعی روشهای مختلفی برای ارائه و نمایش این توابع به کار گرفته میشود.

کار ابتدا با یک نمونه بسیار ساده آغاز میشود. برای رسیدن به این مهارت، ابتدا باید مشخص شود که ذهن انسان چطور کار میکند؟ در ابتدا به معرفی دوره آموزشی هوش مصنوعی مقدماتی پرداخته شده است. با پایان شرح فصل پنجم درس هوش مصنوعی ، در ادامه، به معرفی مباحث فصل ششم و ارائه خلاصه این فصل پرداخته شده است. در ادامه آموزش درس هوش مصنوعی ، به شرح مباحث مطرح شده در فصل پنجم این درس پرداخته شده است. در فصل هفتم درس هوش مصنوعی ، کار با طراحی کلی عامل آغاز میشود. یک عامل همهچیزدان از نتیجه اعمالش باخبر است. برنامهریزی و زمانبندی خودکار: برای این بخش از برنامه عامل راه دور (Remote Agent) ناسا اولین برنامه برای برنامهریزی خودکار در کنترل زمانبندی عملیات مربوط به یک فضاپیما نام برده شده است. به تاریخچه کامل همه آنچه که عامل تاکنون دریافت و درک کرده است، توالی ادراک گفته میشود. خودمختاری: یک عامل فاقد خودمختاری خواهد بود اگر به جای اتکا به ادراک خود، به دانش طراحش وابسته باشد. یک عامل منطقی باید خودمختار باشد. از گذشتههای دور، برنامههایی وجود داشتهاند که میتوانستند هر نوع مسئله قابل حلی را در قالب منطقی حل کنند.

«محیطهای کاری» (Task Environment) در اصل مسائلی هستند که عاملهای منطقی راه حلهای آنها به حساب میآیند. استنتاج میتواند با جستجو در هم آمیخته شود. فصل چهارم | فراتر از جستجو سنتی: الگوریتمهای جستجوی محلی و مسائل بهینهسازی، جستجوی محلی در فضاهای پیوسته، جستجو با اعمال غیر قطعی، جستجو با نگرش نسبی، عاملهای جستجوی برخط و محیطهای ناشناخته از جمله مباحثی هستند که در این فصل مطرح میشوند. اینها گزارههایی پوچ نیستند و پیرامون چگونگی دستیابی به هوش انسانی ادعای قوی را مطرح میکنند. «عاملهای واکنشی مبتنی بر مدل» حالت درونی را برای ردیابی جنبههایی از جهان حفظ میکنند که در ادراک فعلی مشهود نیستند. به این معنی که، عامل باید دارای نوعی حالت داخلی باشد که مبتنی بر تاریخچه ادراک است و بدین وسیله حداقل برخی از جنبههای دیده نشده حالت فعلی روشن خواهد شد. مگر اینکه طراح به عامل کمک کند. به عنوان مثال، در برنامه ساده زیر توالی ادراک عامل تحت نظر مجله خبری fudzilla قرار میگیرد.

منطق گزارهای در محیطهای نامتناهی مقیاسپذیر نیستند، زیرا این منطق، فاقد قدرت بیان برای مقابله کوتاه با زمان، فضا و الگوهای جهانی از روابط میان اشیا است. منطق گزارهای میتواند گزارههایی را مدیریت کند که درست، غلط یا کاملاً ناشناخته تلقی میشوند. SAT Solving شامل یافتن مدلهای ممکنی است که توالیهای اعمال آیندهای را مشخص میکنند که به هدف میرسند. این حالتها میتوانند به وسیله روشهای اکتشافی ارزیابی و آزمایش شوند تا مشخص شود که آیا آنها حالتهای هدف هستند یا خیر. یک تخمین ساده میتواند به وسیله میانگینگیری مقدار یک عمل در هر پیکربندی اطلاعات از دست رفته به دست آید. در درس هوش مصنوعی ، با بینایی و رباتیک به عنوان مسائل مستقل از مجله خبری fudzilla هم برخورد نمیشود. برای یادگیری بهتر درس هوش مصنوعی استفاده از دوره آموزشی ساختمان دادهها به دانشجویان و سایر علاقهمندان پیشنهاد میشود. در صورتی که از دادهها برای پیشبینی از دست دادن مشتریان استفاده شود، از روش پیشبینی در یادگیری ماشین استفاده شده 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. این فرآیند «جستجو» نامیده میشود. 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.