ЭЛЕМЕНТЫ                            ИСКУСТВЕННОГО                            ИНТЕЛЛЕКТА ПРИ                          ПРОГР...
Что такое ИИ?• Это наука и технология создания  интеллектуальных машин• Встречается много разных определений, но  больше в...
Помощник человека. Воз и          ныне там.....Леонардо      ASIMO        WALL-EДа Винчи      2000          ????  1495
Искуственный интеллект далек от совершенства.....• Кто виноват?• Что делать?
Создавать не дублируя
Тест Тьюринга• Основная идея - поведение  объекта, обладающего  искусственным интеллектом, в  конечном итоге нельзя будет ...
Для прохождение необходимо чтобы ИИ мог• Обрабатывать текст на естественных языках.• Понимать и сохранять то, что узнаѐт.•...
Что имеем?• Нейронные сети• Генетические алгортмы• Распознование и генерация речи• Робототехника• Машинное зрение• Нечѐтка...
Нейронные сети. Области применения• Экономика и бизнес: прогнозирование временных рядов  (курсов валют, цен на сырьѐ, объе...
Нейронные сети. Области применения• Связь: сжатие видеоинформации, быстрое кодирование-  декодирование, оптимизация сотовы...
Нейронные сети. Области применения• Безопасность и охранные системы: распознавание лиц;  идентификация личности по отпечат...
Нейрон     Входы   Веса        Ячейка       Аксон      ВыходX1              W1X2           W2                             ...
Нейронная сетьВходы       Слой 1     Слой 2      Слой 3X1                                              Y1X2               ...
Обучение нейронных сетей   • Способов Очень Много   • Однако можно разделить на 2 класса     • Детерминистские     • Стоха...
Метод обратного распространения                            X1   W11                W11                                    ...
Пример апроксимации нейронной сети
Пример предсказаний нейронной сети
Генетические алгоритмы. Областиприменения• Оптимизация функций• Разнообразные задачи на графах (задача  коммивояжера, раск...
Решение задачи коммивояжора
Рождение                                                РасстояниеТочки           Особи              Целевая функция   по ...
Вычисление целевой функции       Особи              Целевая функция1.     Особь 1                  102.     Особь 2       ...
Селекция и размножение        Особи             Целевая функция1.      Особь 1                 102.      Особь 2          ...
Моделирование сигнала
Мои выводы о генетических алгоритмах1. Обмен генетическим материалом позволяетускорить поиск оптимального решения в разы п...
Машинное зрение.Под этим подразумевают• анализ профилей яркости, проекций и гистограмм• сегментация изображений, выделение...
Машинное зрение• Хотел отметить, в качестве датчиков  подразувается не только видеокамеры, но и  лазерные дальномеры, ульт...
Glyphs         Где они на изображении?
Как распознать?• Можно конечно создать большую нейронную  сеть по аналогии с человеческим мозгом и  несколько лет еѐ обуча...
Алгоритм распознования1. Перевод в Grayscale• Снижает объѐм обрабатываемых данных• Нам всѐ равно не нужен цвет
Алгоритм распознования2. Превращение в чѐрно-белоеизображение• И поиск в нѐм четырѐх угольников
Алгоритм распознования2. Определяем регионы контрастности• Фильтр находит края объектов, вычисляя  максимальную разницу ме...
Алгоритм распознования 3. Находим все объекты, имеющие белую замкнутую границу 4. Определяем, что они 4х угольники. Теперь...
Алгоритм распознования 5. Поворачиваем найденные 4-х угольники 6. Делаем изображение ч/б и накладываем сетку.
Алгоритм распознования 7. Получаем масив 0 и 1
Алгоритм распознования 8. А дальше дело техники
Glyphs А собственно зачем всѐ это?
Нечѐткая логика (Fuzzy logic).Понятие нечѐткой логики было впервые введенопрофессором Лютфи Заде в 1965 году.Основной прич...
Нечѐткая логика (Fuzzy logic).Нечеткая логика может обрабатывать качественные значения, а неколичественные значения. Можно...
Нечѐткая логика (Fuzzy logic).
Нечѐткая логика (Fuzzy logic).
Нечѐтко двигаемся......
Рекомендую!• http://www.aforgenet.com• http://www.basegroup.ru
В заключении хотелсказать• Этим заниматься очень интересно.• Приведѐт ли это в конце концов к  вымиранию нашей профессии? ...
Пожалуйста, Ваши Вопросы!!!
Upcoming SlideShare
Loading in …5
×

ЭЛЕМЕНТЫ ИСКУСТВЕННОГО ИНТЕЛЛЕКТА ПРИ ПРОГРАММИРОВАНИИ. (http://tuladev.net/events/128)

1,275 views
1,144 views

Published on

Видео на http://tuladev.net/events/128
Расскажу про нейронные сети, генетические алгоритмы, машинное зрение и нечёткую логику. Всё с реальными примерами. Подискутирую что-же такое ИИ (как же без этого :) ). Если хотите услышать что ещё оставляйте свои комментарии. На самом деле тема обширная, можно рассказать о многом, главное начать.

Published in: Technology
0 Comments
0 Likes
Statistics
Notes
  • Be the first to comment

  • Be the first to like this

No Downloads
Views
Total views
1,275
On SlideShare
0
From Embeds
0
Number of Embeds
0
Actions
Shares
0
Downloads
17
Comments
0
Likes
0
Embeds 0
No embeds

No notes for slide

ЭЛЕМЕНТЫ ИСКУСТВЕННОГО ИНТЕЛЛЕКТА ПРИ ПРОГРАММИРОВАНИИ. (http://tuladev.net/events/128)

  1. 1. ЭЛЕМЕНТЫ ИСКУСТВЕННОГО ИНТЕЛЛЕКТА ПРИ ПРОГРАММИРОВАНИИ.Цуканов Павелptsukanov@codereign.netSkype: cpp.tula
  2. 2. Что такое ИИ?• Это наука и технология создания интеллектуальных машин• Встречается много разных определений, но больше всего мне нравится следующее – Наука о том, как научить компьютеры делать то, в чѐм люди в настоящее время их превосходят• С моей точки создание ИИ не ведѐт к появлению сознания. Хотя кто знает...
  3. 3. Помощник человека. Воз и ныне там.....Леонардо ASIMO WALL-EДа Винчи 2000 ???? 1495
  4. 4. Искуственный интеллект далек от совершенства.....• Кто виноват?• Что делать?
  5. 5. Создавать не дублируя
  6. 6. Тест Тьюринга• Основная идея - поведение объекта, обладающего искусственным интеллектом, в конечном итоге нельзя будет отличить от поведения таких бесспорно интеллектуальных сущностей, как человеческие существа.• Приз Лѐбнера - http://www.loebner.net/Prizef/loebner- prize.html• Тест Тьюринга не пройден!!!
  7. 7. Для прохождение необходимо чтобы ИИ мог• Обрабатывать текст на естественных языках.• Понимать и сохранять то, что узнаѐт.• Формировать логические выводы• Приспосабливаться к новым обстоятельтвам
  8. 8. Что имеем?• Нейронные сети• Генетические алгортмы• Распознование и генерация речи• Робототехника• Машинное зрение• Нечѐткая логика• Чат-боты• Экспертные системы
  9. 9. Нейронные сети. Области применения• Экономика и бизнес: прогнозирование временных рядов (курсов валют, цен на сырьѐ, объемов продаж,..), автоматический трейдинг, оценка рисков невозврата кредитов, предсказание банкротств, оценка стоимости недвижимости, выявление переоцененных и недооцененных компаний, рейтингование, оптимизация товарных и денежных потоков, считывание и распознавание чеков и документов, безопасность транзакций по пластиковым картам.• Медицина: постановка диагноза, обработка медицинских изображений, мониторинг состояния пациента, анализ эффективности лечения, очистка показаний приборов от шумов.• Авионика: обучаемые автопилоты, распознавание сигналов радаров, адаптивное пилотирование сильно поврежденного самолета, беспилотные летательные аппараты.
  10. 10. Нейронные сети. Области применения• Связь: сжатие видеоинформации, быстрое кодирование- декодирование, оптимизация сотовых сетей и схем маршрутизации пакетов.• Интернет: ассоциативный поиск информации, электронные секретари и автономные агенты в интернете, фильтрация информации, блокировка спама, автоматическая рубрикация сообщений из новостевых лент, адресные реклама и маркетинг для электронной торговли.• Автоматизация производства: оптимизация режимов производственного процесса, контроль качества продукции, мониторинг и визуализация многомерной диспетчерской информации, предупреждение аварийных ситуаций, робототехника.• Политологические и социологические технологии: предсказание результатов выборов, анализ опросов и т.д.
  11. 11. Нейронные сети. Области применения• Безопасность и охранные системы: распознавание лиц; идентификация личности по отпечаткам пальцев, голосу, подписи или лицу; распознавание автомобильных номеров, анализ аэрокосмических снимков, мониторинг информационных потоков в компьютерной сети и обнаружение вторжений, обнаружение подделок.• Ввод и обработка информации: распознавание рукописных текстов, отсканированных почтовых, платежных, финансовых и бухгалтерских документов.• Геологоразведка: анализ сейсмических данных, ассоциативные методики поиска полезных ископаемых, оценка ресурсов месторождений.
  12. 12. Нейрон Входы Веса Ячейка Аксон ВыходX1 W1X2 W2 Y W3X3 S …… WnXn Состояние нейрона f’(x) = af(x)(1-f(x)) Активационная функция
  13. 13. Нейронная сетьВходы Слой 1 Слой 2 Слой 3X1 Y1X2 Y2X3 Обычно нейронная сеть выглядит так!
  14. 14. Обучение нейронных сетей • Способов Очень Много • Однако можно разделить на 2 класса • Детерминистские • Стохастические
  15. 15. Метод обратного распространения X1 W11 W11 Обучающая пара (Результат) Обучающая пара (Образец) W12 W12 W13 W13 W11 X2 W21 W21 Y W22 W22 W12 W23 W23 W13 W31 W31 X3 W32 W32 W32 W32Случайно Установка весов Разница
  16. 16. Пример апроксимации нейронной сети
  17. 17. Пример предсказаний нейронной сети
  18. 18. Генетические алгоритмы. Областиприменения• Оптимизация функций• Разнообразные задачи на графах (задача коммивояжера, раскраска, нахождение паросочетаний)• Настройка и обучение искусственной нейронной сети• Задачи компоновки• Составление расписаний• Игровые стратегии• Аппроксимация функций• Искусственная жизнь
  19. 19. Решение задачи коммивояжора
  20. 20. Рождение РасстояниеТочки Особи Целевая функция по маршрутумаршрута особи 1. Особь 1 0 2. Особь 2 0 Зона 3. Особь 3 0 выживания 4. Особь 4 0 5. Особь 5 0 …………… …… N-2. Особь 30 0 Зона N-1. Особь 31 0 смерти N. Особь 32 0
  21. 21. Вычисление целевой функции Особи Целевая функция1. Особь 1 102. Особь 2 30 Зона3. Особь 3 300 выживания4. Особь 4 5005. Особь 5 410 …………… ……N-2. Особь 30 100 ЗонаN-1. Особь 31 100 смертиN. Особь 32 400
  22. 22. Селекция и размножение Особи Целевая функция1. Особь 1 102. Особь 2 30 Зона3. Особь 30 100 выживания4. Особь 31 1005. Особь 3 410 …………… ……N-2. Особь 34 0 ЗонаN-1. Особь 35 0 смертиN. Особь 36 0
  23. 23. Моделирование сигнала
  24. 24. Мои выводы о генетических алгоритмах1. Обмен генетическим материалом позволяетускорить поиск оптимального решения в разы посравнению с простым случайным выбором2. Небольшая Мутация необходима дляосуществления качественных изменений, Сильнаямутация ведѐт к остановке развития3. Обмен генетического материала с потомкамиведѐт к остановки развития4. Как ни странно крайне необходим обменгенетичесткого материала со слабейшими - этоведет к качественным скачкам в развитии.
  25. 25. Машинное зрение.Под этим подразумевают• анализ профилей яркости, проекций и гистограмм• сегментация изображений, выделение и анализ областей и контуров• обнаружение прямолинейных, круглых и других аналитических структур• текстурный анализ, вычисление статистик• выделение объектов, вычисление геометрических признаков• выделение объектов• распознавание объектов• слежение за объектами• оптическое распознавание текста
  26. 26. Машинное зрение• Хотел отметить, в качестве датчиков подразувается не только видеокамеры, но и лазерные дальномеры, ультрозвуковые датчики, температурные и т.д.• А теперь перейдѐм технологии распознования глифов.
  27. 27. Glyphs Где они на изображении?
  28. 28. Как распознать?• Можно конечно создать большую нейронную сеть по аналогии с человеческим мозгом и несколько лет еѐ обучать.• Но у нас нет таких ресурсов.• Поэтому всегда изобретается, что-то своѐ.
  29. 29. Алгоритм распознования1. Перевод в Grayscale• Снижает объѐм обрабатываемых данных• Нам всѐ равно не нужен цвет
  30. 30. Алгоритм распознования2. Превращение в чѐрно-белоеизображение• И поиск в нѐм четырѐх угольников
  31. 31. Алгоритм распознования2. Определяем регионы контрастности• Фильтр находит края объектов, вычисляя максимальную разницу между пикселями в 4 направлениях.
  32. 32. Алгоритм распознования 3. Находим все объекты, имеющие белую замкнутую границу 4. Определяем, что они 4х угольники. Теперь мы имеем координаты потенциальных глифов – надо только их распознать.
  33. 33. Алгоритм распознования 5. Поворачиваем найденные 4-х угольники 6. Делаем изображение ч/б и накладываем сетку.
  34. 34. Алгоритм распознования 7. Получаем масив 0 и 1
  35. 35. Алгоритм распознования 8. А дальше дело техники
  36. 36. Glyphs А собственно зачем всѐ это?
  37. 37. Нечѐткая логика (Fuzzy logic).Понятие нечѐткой логики было впервые введенопрофессором Лютфи Заде в 1965 году.Основной причиной появления новой теории сталоналичие нечетких и приближенных рассужденийпри описании человекомпроцессов, систем, объектов.
  38. 38. Нечѐткая логика (Fuzzy logic).Нечеткая логика может обрабатывать качественные значения, а неколичественные значения. Можно определить так называемыелингвистические переменные, вместо классических числовыхпеременные, и может выполнять вычисления с этими переменными, спомощью нечетких правил, имитирующих определенным образомчеловеческие процессы мышления. Неполная или неточнаяинформация может быть использована для вычисления, например:“Этот человек высокого роста”;“Этот объект является тяжелым”;Во всех этих случаях, смысл высокий, тяжелый имеют отношение крешению проблемы, а не к точному определению числового значения.Для представления и вычисления таких проблем, используемыхежедневно в человеческом общении, мы можем использоватьнечѐткую логику.
  39. 39. Нечѐткая логика (Fuzzy logic).
  40. 40. Нечѐткая логика (Fuzzy logic).
  41. 41. Нечѐтко двигаемся......
  42. 42. Рекомендую!• http://www.aforgenet.com• http://www.basegroup.ru
  43. 43. В заключении хотелсказать• Этим заниматься очень интересно.• Приведѐт ли это в конце концов к вымиранию нашей профессии? Наверное. Но не так быстро.• Если машина всѐ-таки пройдѐт тест Тьюринга – Мир изменится кардинально и навсегда. Это будет уже другой мир. Какой? Можно только помечтать......
  44. 44. Пожалуйста, Ваши Вопросы!!!

×