Перейти к содержимому

Месяц: Август 2015

БИБЛИОТЕКА 0

СИСТЕМЫ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА: ТЕОРЕТИКО-МНОЖЕСТВЕННЫЙ ПОДХОД И ЛОГИЧЕСКИЙ УРОВЕНЬ ПОНИМАНИЯ


В основе пособия лекционный курс специальной дисциплины «Системы
искусственного интеллекта» для студентов специальности 230102 «АСОИУ»
направления 230100 «Информатика и вычислительная техника». Предназнача-
ется для студентов вуза и аспирантов, использующих методы математической
логики, алгоритмы входных языков систем программирования и математиче-
ских пакетов в решении научно-практических задач построения систем искус-
ственного интеллекта, сопутствующих интеллектуальных технологий.

МОДЕЛЬ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 0

Как устроена система правосудия в мозгу


Одно из самых фундаментальных отличий человека от животных — это наша тяга к общественной справедливости: мы хотим наказать преступника, который лично нам ничего плохого не сделал. Способность человека выступать судьёй в чужом споре позволяет существовать большим общностям, где каждый сознаёт себя частью племени, народа, человечества. Это возможно благодаря передаваемым от индивида к индивиду представлениям о социальных нормах, причём эти нормы выглядят не просто как сухие законы и запреты: они опираются на эмоциональный отклик. Убийство вызывает внутри нас протест, и желание покарать убийцу не есть лишь стремление следовать положениям уголовного кодекса.

МОДЕЛЬ РЕАЛЬНОСТИ 0

Why I Advocate for Becoming a Machine


Around us are many things we never notice, like energy patterns that have traversed the universe over thousands of light years, or sounds waves from whales across the ocean, or vibrations that started from the core of the Earth. But we humans are oblivious, unless, of course, we are in a laboratory somewhere and happen to be studying this phenomena with specialized scientific machinery.

ВИДЕО 0

Efficiency becomes a priority


In a not too distant future, societies of all countries come to rely on an intricate network of artificial intelligence devices designed to bring efficacy to man’s life. Yet, man continues to devour himself in useless wars. A strong political hierarchy now divides all powers into three factions, and A. I. devices rapidly gain ground as efficiency becomes a priority.
As social revolts grow worse everyday, authorities seek ways to control their citizens. They decide to carry out a series of tests that will determine not only whether some crucial powers can be transferred to non human entities, but also whether man is ready to yield those powers.
The world has become a cell for all man and women, who withstand and endure their lives, rather than living them. Machines might have found a solution.
From now on, you are set free. ..

МОДЕЛЬ МОЗГА 0

Общее представление о мозге


Можно представить себе кору головного мозга как большое полотно, раскроенное на отдельные зоны. Картина активности нейронов каждой из зон кодирует определенную информацию. Пучки нервных волокон, образованные аксонами, выходящими за пределы своей зоны коры, формируют систему проекционных связей. На каждую из зон проецируется определенная информация. Причем на одну зону может поступать одновременно несколько информационных потоков, которые могут приходить как с зон своего, так и противоположного полушария. Каждый поток информации похож на своеобразную картинку, нарисованную активностью аксонов нервного пучка. Функционирование отдельной зоны коры – это получение множества проекций, запоминание информации, ее переработка, формирование собственной картины активности и дальнейшая проекция информации, получившейся в результате работы этой зоны.

МОДЕЛЬ МОЗГА 0

Нейрон


Основа мозга – нейрон. Естественно, что моделирование мозга с помощью нейронных сетей начинается с ответа на вопрос, как можно его смоделировать.

НЕЙРОННЫЕ СЕТИ 0

Фильтр Хебба


В основе многих нейросетевых моделей лежит хорошо известное правило обучения Хебба. Оно было предложено физиологом Дональдом Хеббом в 1949 году (Hebb, 1949). В немного вольной трактовке оно имеет очень простой смысл: связи нейронов, активирующихся совместно, должны усиливаться, связи нейронов, срабатывающих независимо, должны ослабевать.

МОДЕЛЬ ДАННЫХ 0

Главные компоненты


Можно предположить, что наш мозг активно использует выделение факторов как одну из процедур познания окружающего мира. Выделяя факторы, мы получаем возможность строить новые описания происходящего с нами. Основа этих новых описаний – выраженность в происходящем тех явлений, что соответствуют выделенным факторам.

Data Mining 0

Выделение набора факторов


Если идеология нейронной сети это допускает, то использовать правило «победитель забирает все» очень удобно, так как искать максимум активности значительно проще, чем итерационно обсчитывать активности с учетом взаимного торможения.

МОДЕЛЬ ДАННЫХ 0

Персептрон


В машинном обучении разделяют два основных подхода: обучение с учителем и обучение без учителя. Описанные ранее методы выделения главных компонент – это обучение без учителя. Нейронная сеть не получает никаких пояснений к тому, что подается ей на вход. Она просто выделяет те статистические закономерности, что присутствуют во входном потоке данных. В отличие от этого обучение с учителем предполагает, что для части входных образов, называемых обучающей выборкой, нам известно, какой выходной результат мы хотим получить. Соответственно, задача – так настроить нейронную сеть, чтобы уловить закономерности, которые связывают входные и выходные данные.

МОДЕЛЬ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 0

Сверточные сети. Неокогнитрон


Задача простого нейрона следить за своим рецептивным полем и узнавать образ, на который он обучен. Простые нейроны собраны в группы (плоскости). Внутри одной группы простые нейроны настроены на один и тот же стимул, но каждый нейрон следит за своим фрагментом рецептивного поля. Все вместе они перебирают все возможные положения этого образа (рисунок ниже). Все простые нейроны одной плоскости имеют одинаковые веса, но разные рецептивные поля. Можно представить ситуацию по-другому, что это один нейрон, который умеет примерять свой образ сразу ко всем позициям исходной картинки. Все это позволяет узнавать один и тот же образ независимо от его положения.

МОДЕЛЬ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 0

Фоновая активность


Самая простая модель, навеянная импульсной активностью нейрона, – это модель порогового сумматора. При этом, исходя из того, что спайк можно сопоставить с бинарным сигналом, полагают, что входы и выход сумматора принимают значения только 0 и 1. Если на входы такого формального нейрона подавать импульсную картину, повторяющуюся от такта к такту, то нейрон в зависимости от настройки его весов должен либо каждый такт выдавать ответный сигнал, либо молчать. Это вполне логично – постоянная входная картина соответствует постоянному результату на выходе.

МОДЕЛЬ МОЗГА 0

Волны мозга


Используя модели осциллирующих нейронов, можно и в компьютерных экспериментах получить аналогичные волновые картины. Но сама по себе такая пульсация не несет большого смысла. Вполне разумно предположить, что волны активности – это механизм переноса и обработки информации. Но попытки в традиционных моделях объяснить природу этого механизма не дали ощутимых результатов. Кажется логичным допустить, что информация кодируется частотными и фазовыми характеристиками нейронных сигналов. Но это приводит к необходимости учитывать интерференционные процессы и ставит больше вопросов, чем вносит ясности.

МОДЕЛЬ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 0

Система проекций


Из наших рассуждений вытекает, что мозгу свойственны два типа проекций. Первый наиболее понятный тип – это так называемое топографическое отображение. Например, зрительный сигнал от глаз по зрительным нервам распространяется до хиазмы. Там волокна перераспределяются так, что одно полушарие получает волокна только от левых, а другое только от правых половин сетчатки. Далее по зрительному тракту информация поступает в наружное коленчатое тело, а оттуда на зрительную кору. Зрительный нерв содержит порядка миллиона волокон, что соответствует разрешению, которое доступно глазу. На первичную зрительную кору эта информация проецируется через зрительную радиацию. Зрительная радиация – это равномерное распределение пучка нервных волокон по всей площади первичной зрительной коры (рисунок ниже). Топографичность этого отображения заключается в том, что сигналы, соседствующие на сетчатке, оказываются рядом и в своей проекции на кору. При такой передаче сохраняется позиционность сигналов. Изображение от каждого места сетчатки попадает в свою область коры, что позволяет сохранить информацию о взаимном расположении объектов.