Za ljude koji žele da se stalno usavršavaju, nešto nauče i stalno nešto novo nauče, posebno smo napravili ovu kategoriju. Ima izuzetno edukativan, koristan sadržaj koji će vam se sigurno svidjeti. Veliki broj videa, možda, može da se takmiči čak i sa obrazovanjem koje smo dobili u školi, na fakultetu ili na fakultetu. Najveća ljepota nastavnih videa je u tome što pokušavaju pružiti najsvježije, najrelevantnije informacije. Svijet oko nas u eri tehnologije stalno se mijenja, a štampane obrazovne publikacije jednostavno nemaju vremena da pruže svježe informacije.
Među video zapisima možete pronaći i edukativne video zapise za djecu predškolskog uzrasta. Tamo će vaše dijete naučiti slova, brojeve, brojanje, čitanje itd. Slažem se, vrlo dobra alternativa crtanim filmovima. Za osnovce možete pronaći i predavanje engleskog jezika, pomoć u izučavanju školskih predmeta. Za starije učenike kreirani su trenažni video zapisi koji će im pomoći da se pripreme za testove, ispite ili jednostavno prodube svoje znanje o određenom predmetu. Stečeno znanje može kvalitativno uticati na njihov mentalni potencijal, ali i zadovoljiti vas odličnim ocjenama.
Za mlade koji su već završili srednju školu, studiraju ili ne studiraju na fakultetu, postoji mnogo uzbudljivih edukativnih videa. Mogu im pomoći u produbljivanju znanja o profesiji za koju se školuju. Ili steknete profesiju, na primjer, programer, web dizajner, SEO-optimizator itd. Univerziteti do sada ne podučavaju takvu profesiju, pa se specijalist u ovoj naprednoj i relevantnoj oblasti može postati samo samoobrazovanjem, u čemu pokušavamo pomoći prikupljanjem najkorisnijih videa.
Za odrasle je ova tema također relevantna, jer se vrlo često dešava da nakon godina rada u struci dođe do razumijevanja da to nije vaše i da želite da savladate nešto sebi prikladnije, a ujedno i isplativo. Takođe među ovom kategorijom ljudi često se nalaze i video snimci tipa samousavršavanja, uštede vremena i novca, optimizacije svog života, u kojima pronalaze načine da žive mnogo bolje i srećnije. Za odrasle je vrlo pogodna i tema stvaranja i razvoja vlastitog posla.
Također među edukativnim videima postoje video snimci s općim fokusom koji su prikladni za gotovo sve uzraste, u njima možete naučiti o tome kako je nastao život, koje teorije evolucije postoje, činjenice iz istorije itd. Savršeno proširuju vidike osobe, čine ga mnogo eruditivnijim i ugodnijim intelektualnim sagovornikom. Zaista je korisno gledati ovakve edukativne video zapise za sve, bez izuzetka, jer znanje je moć. Želimo Vam ugodno i korisno gledanje!
U naše vrijeme jednostavno je potrebno biti, kako kažu, „na talasu“. To ne znači samo vijesti, već i razvoj vlastitog uma. Ako se želite razvijati, učiti o svijetu, biti traženi u društvu i biti zanimljivi, onda je ova rubrika za vas.
5.1. Razlike između znanja i podataka
Karakteristična karakteristika inteligentnih sistema je dostupnost znanja neophodnih za rješavanje problema u određenoj predmetnoj oblasti. Ovo postavlja prirodno pitanje šta je znanje i po čemu se ono razlikuje od običnih podataka koje obrađuju kompjuteri.
Podatak se naziva informacija stvarne prirode koja opisuje objekte, procese i pojave predmetnog područja, kao i njihova svojstva. U procesima kompjuterske obrade podaci prolaze kroz sljedeće faze transformacije:
Izvorni oblik postojanja podataka (rezultati posmatranja i mjerenja, tabele, priručnici, dijagrami, grafikoni itd.);
Prezentacija na posebnim jezicima opisa podataka namijenjenih unosu i obradi početnih podataka u računalu;
Baze podataka na kompjuterskim medijima.
Znanje je složenija kategorija informacija od podataka. Znanje ne opisuje samo pojedinačne činjenice, već i odnose između njih, pa se znanje ponekad naziva strukturiranim podacima. Do znanja se može doći obradom empirijskih podataka. Oni predstavljaju rezultat mentalne aktivnosti osobe usmjerene na uopštavanje njegovog iskustva stečenog kao rezultat praktične aktivnosti.
Da bi IIS obdarili znanjem, oni moraju biti predstavljeni u određenom obliku. Postoje dva glavna načina prenošenja znanja softverskim sistemima. Prvi je staviti znanje u program napisan na konvencionalnom programskom jeziku. Takav sistem će predstavljati jedan programski kod u kojem znanje nije stavljeno u posebnu kategoriju. Unatoč činjenici da će glavni zadatak biti riješen, u ovom slučaju je teško procijeniti ulogu znanja i razumjeti kako se ono koristi u procesu rješavanja problema. Modifikacija i održavanje ovakvih programa nije lak zadatak, a problem nadopunjavanja znanja može postati nerešiv.
Drugi metod se zasniva na konceptu baza podataka i sastoji se u stavljanju znanja u posebnu kategoriju, tj. znanje se prezentira u određenom formatu i stavlja u bazu znanja. Baza znanja se lako ažurira i mijenja. To je autonoman dio inteligentnog sistema, iako mehanizam zaključivanja implementiran u logičkom bloku, kao i sredstva dijaloga, nameću određena ograničenja strukturi baze znanja i operacijama s njom. Ova metoda je usvojena u modernom IIS-u.
Treba napomenuti da da bi se znanje stavilo u računar, ono mora biti predstavljeno određenim strukturama podataka koje odgovaraju odabranom razvojnom okruženju za inteligentni sistem. Shodno tome, u razvoju IMS-a se prvo akumulira i prezentira znanje, te je u ovoj fazi obavezno učešće osobe, a zatim se znanje predstavlja određenim strukturama podataka koje su pogodne za skladištenje i obradu u računaru. Znanje u IIS-u postoji u sljedećim oblicima:
Početno znanje (pravila izvedena iz praktičnog iskustva, matematičkih i empirijskih odnosa koji odražavaju međusobne odnose između činjenica; obrasci i trendovi koji opisuju promjenu činjenica tokom vremena; funkcije, dijagrami, grafikoni, itd.);
Opis inicijalnog znanja pomoću odabranog modela reprezentacije znanja (skup logičkih formula ili pravila proizvodnje, semantička mreža, okviri, itd.);
Predstavljanje znanja strukturama podataka koje su namijenjene za pohranu i obradu u računalu;
Baze znanja o mašinskim nosačima podataka.
Šta je znanje? Evo nekih definicija.
Iz eksplanatornog rečnika SI Ožegova: 1) „Znanje je shvatanje stvarnosti svešću, naukom“; 2) "Znanje je skup informacija, znanja u bilo kojoj oblasti."
Definicija pojma "znanje" uključuje uglavnom filozofske elemente. Na primjer, znanje je praktično provjereni rezultat spoznaje stvarnosti, njen ispravan odraz u umu osobe.
Znanje je rezultat koji se dobija poznavanjem okolnog svijeta i njegovih objekata. U najjednostavnijim situacijama, znanje se smatra iskazom činjenica i njihovim opisom.
Istraživači veštačke inteligencije daju konkretnije definicije znanja.
„Znanja su zakonitosti predmetne oblasti (principi, veze, zakoni), stečena kao rezultat praktičnih aktivnosti i profesionalnog iskustva, koja omogućavaju stručnjacima da postavljaju i rješavaju probleme u ovoj oblasti“.
"Znanje su dobro strukturirani podaci, ili podaci o podacima, ili metapodaci."
"Znanje je formalizirana informacija na koju se upućuje ili se koristi u procesu zaključivanja."
U oblasti AI sistema i inženjeringa znanja, definicija znanja je povezana sa logičkim zaključivanjem: znanje je informacija na osnovu koje se sprovodi proces zaključivanja, tj. na osnovu ovih informacija možete donijeti različite zaključke o podacima dostupnim u sistemu koristeći logičko zaključivanje. Mehanizam zaključivanja vam omogućava da povežete odvojene fragmente, a zatim izvučete zaključke o ovom nizu povezanih fragmenata.
Znanje je formalizovana informacija na koju se upućuje ili koristi u procesu zaključivanja (slika 5.1.).
Rice. 5.1. Proces zaključivanja u IC
Pod znanjem podrazumijevamo skup činjenica i pravila. Koncept pravila koje predstavlja dio znanja je:
Ako<условие>onda<действие>.
Ova definicija je poseban slučaj prethodne definicije.
Međutim, prepoznato je da su distinktivne kvalitativne osobine znanja rezultat njihovih velikih mogućnosti u pravcu strukturiranja i međupovezanosti sastavnih jedinica, njihove interpretabilnosti, prisustva metričkog, funkcionalnog integriteta, aktivnosti.
Postoji mnogo klasifikacija znanja. Klasifikacije se po pravilu koriste za sistematizaciju znanja iz određenih predmetnih oblasti. Na apstraktnom nivou razmatranja možemo govoriti o znakovima prema kojima se znanje dijele, a ne o klasifikacijama. Po svojoj prirodi, znanje se može podijeliti na deklarativno i proceduralno.
Deklarativno znanje je opis činjenica i pojava, fiksira prisustvo ili odsustvo takvih činjenica, a uključuje i opise glavnih veza i obrazaca u koje su te činjenice i pojave uključene.
Proceduralno znanje je opis radnji koje su moguće pri manipulaciji činjenicama i pojavama radi postizanja željenih ciljeva.
Za opisivanje znanja na apstraktnom nivou razvijeni su posebni jezici - jezici za opisivanje znanja. Ovi jezici se također dijele na proceduralne i deklarativne jezike. Svi jezici opisa znanja orijentisani na upotrebu tradicionalnih računara von Neumannove arhitekture su proceduralni jezici. Razvoj deklarativnih jezika, pogodnih za predstavljanje znanja, hitan je problem današnjice.
Prema načinu sticanja znanja, može se podijeliti na činjenice i heuristiku (pravila koja vam omogućavaju da napravite izbor u nedostatku preciznih teorijskih opravdanja). Prva kategorija znanja obično označava okolnosti koje su dobro poznate u datoj predmetnoj oblasti. Druga kategorija znanja zasniva se na sopstvenom iskustvu stručnjaka u radu u određenoj oblasti, akumuliranom kao rezultat višegodišnje prakse.
Prema vrsti reprezentacije znanje se dijeli na činjenice i pravila.Činjenice su znanja tipa "A je A", takva znanja su tipična za baze podataka i mrežne modele. Pravila, ili proizvodi, su znanje tipa "AKO A, ONDA B".
Pored činjenica i pravila, postoji i meta-znanje – znanje o znanju. Oni su neophodni za upravljanje bazom znanja i za efikasnu organizaciju postupaka zaključivanja.
Oblik predstavljanja znanja ima značajan uticaj na karakteristike IIS-a. Baze znanja su modeli ljudskog znanja. Međutim, svo znanje koje osoba privuče u procesu rješavanja složenih problema ne može se modelirati. Stoga je u inteligentnim sistemima potrebno jasno podijeliti znanja na ona koja su dizajnirana da ih obrađuje kompjuter i znanja koja koriste ljudi. Očigledno, da bi se riješili složeni problemi, baza znanja mora imati dovoljno veliki obim, u vezi s tim neminovno nastaju problemi upravljanja takvom bazom. Stoga, prilikom odabira modela predstavljanja znanja, treba uzeti u obzir faktore kao što su homogenost reprezentacije i lakoća razumijevanja. Ujednačenost prezentacije dovodi do pojednostavljenja mehanizma upravljanja znanjem. Lakoća razumijevanja važna je za korisnike inteligentnih sistema i stručnjake, čije je znanje ugrađeno u IMS. Ako je oblik predstavljanja znanja teško razumljiv, onda se procesi sticanja i interpretacije znanja usložnjavaju. Treba napomenuti da je prilično teško istovremeno ispuniti ove zahtjeve, posebno u velikim sistemima, gdje strukturiranje i modularno predstavljanje znanja postaje neizbježan.
Rješavanje problema inženjeringa znanja postavlja problem pretvaranja informacija dobijenih od stručnjaka u obliku činjenica i pravila za njihovu upotrebu u oblik koji se može efikasno implementirati mašinskom obradom ovih informacija. U tu svrhu kreirani su različiti modeli predstavljanja znanja koji se koriste u postojećim sistemima.
Klasični modeli predstavljanja znanja uključuju logičke, proizvodne, okvirne i semantičke mrežne modele.
Svaki model ima svoj jezik za predstavljanje znanja. Međutim, u praksi je rijetko moguće proći okvirom jednog modela pri razvoju IMS-a, izuzev najjednostavnijih slučajeva, pa se predstavljanje znanja pokazuje složenim. Pored kombinovanog predstavljanja korišćenjem različitih modela, obično se koriste posebni alati koji odražavaju karakteristike specifičnog znanja o predmetnoj oblasti, kao i različite načine za otklanjanje i uzimanje u obzir nejasnoće i nepotpunosti znanja.
Podaci i znanje. Osnovne definicije.
Informacije s kojima rade računari dijele se na proceduralne i deklarativne. Proceduralne informacije su oličene u programima koji se izvršavaju u procesu rješavanja problema, deklarativne informacije u podacima sa kojima ti programi rade.
Standardni oblik predstavljanja informacija u računaru je mašinska reč, koja se sastoji od određenog broja binarnih cifara - bitova definisanih za dati tip računara. Strojna riječ za predstavljanje podataka i strojna riječ za predstavljanje instrukcija koje formiraju program mogu imati isti ili različit broj bitova. Isti broj bitova u mašinskim rečima za komande i podatke omogućava da se u računaru posmatraju kao identične informacione jedinice i da se izvršavaju operacije nad komandama kao i nad podacima. Sadržaj memorije čini informacijsku bazu. Kompjuterska riječ je glavna karakteristika infobaze, jer njegova dužina je takva da se svaka strojna riječ pohranjuje u jednu standardnu memorijsku ćeliju, opremljenu pojedinačnim imenom - adresom ćelije. Ovo ime se koristi za izdvajanje informacijskih jedinica iz memorije računara i njihovo upisivanje u nju. U programskim jezicima visokog nivoa koriste se apstraktni tipovi podataka, čiju strukturu postavlja programer.
Pojava baza podataka (DB) označila je još jedan korak ka organizovanju rada sa deklarativnim informacijama. Baze podataka mogu istovremeno pohranjivati velike količine informacija, a specijalni alati koji formiraju sistem za upravljanje bazom podataka (DBMS) omogućavaju vam da efikasno manipulišete podacima, ako je potrebno, izdvojite ih iz baze podataka i upišete ih željenim redosledom u bazu podataka.
Sa razvojem istraživanja intelektualne svojine, pojavio se koncept znanja koji je kombinovao mnoge karakteristike proceduralnih i deklarativnih informacija. U kompjuteru se znanje, baš kao i podaci, prikazuje u simboličkom obliku - u obliku formula, teksta, datoteka, nizova informacija itd. Stoga možemo reći da su znanje podaci organizovani na poseban način. U sistemima veštačke inteligencije, znanje je glavni predmet formiranja, obrade i istraživanja. Baza znanja, zajedno sa bazom podataka, neophodna je komponenta softverskog paketa AI. Mašine koje implementiraju AI algoritme nazivaju se mašine zasnovane na znanju, a pododjeljak teorije AI koji se odnosi na konstrukciju ekspertnih sistema naziva se inženjering znanja.
Razlike između podataka i znanja:
1.unutrašnja interpretabilnost znanja (na primjer: podaci - 243849 ..., znanje - rečenice prirodnog jezika).
2. aktivnost znanja. Ako postoji znanje, onda nastanak novog znanja može dovesti do promjene starog znanja i pojave novih.
3. povezanost znanja. Znanje nije zanimljivo samo po sebi, zanimljivo je u zbiru (sistem znanja).
4. znanje je dinamično, a podaci su obično statični.
Namjerno znanje je definirano kroz koncept višeg nivoa koji ukazuje na specifična svojstva. Ekstenzivno znanje se definiše kroz koncepte nižeg nivoa, obično jednostavnim njihovim navođenjem. Ekstenzije se po pravilu pohranjuju u baze podataka, a intenzije u baze znanja. Znanja se po načinu prezentacije dijele na deklarativno (informacije se opisuju) i proceduralne (zapise se u algoritmu). Glavni pravac kretanja u oblasti predstavljanja znanja je veća upotreba deklarativnog znanja.
Klasifikacije znanja i njihovi modeli
Postoji mnogo načina za klasifikaciju znanja. Zadržimo se na klasifikaciji prema nosiocu znanja. Znanje se deli na:
1. Formalizovano
Referentni vodiči,
enciklopedije,
Poznavanje korporativnih informacionih sistema
2. Lični
Vještine vezane za zanat,
sportske vještine,
Načini razmišljanja, analize,
Načini obavljanja poslova
Formalizovano znanje je obično već postavljeno na materijalne medije - knjige, brošure, Internet/intranet sajtove, fajlove sa podacima, CIS (ERP). Ovi načini organizovanja znanja su veoma dobri i provjereni. Malo je vjerovatno da ćemo ih moći značajno poboljšati kako bismo uticali na produktivnost ili druge ekonomske pokazatelje vaše organizacije.
Lično znanje, s druge strane, obično je sadržano samo u glavama njegovih nosilaca. Da bi oni postali vlasništvo organizacije, neophodno je da se znanje aktivno prenosi između zaposlenih. Za to već dugo postoje sistemi mentorstva i interne korporativne obuke.
Mnogo ličnog znanja se može formalizovati. To se prvenstveno odnosi na metode i načine obavljanja poslova, prihvaćene i optimalne u vašoj organizaciji. U zavisnosti od faze razvoja organizacije, metode rada evoluiraju od kreativnih, na radnom mestu kreiranih pokušajima i greškama do najboljih praksi u industriji, ugrađenih u dokumentaciju poslovnog procesa, ERP-sistem i politiku organizacije.
Definicije okvira. Okvir je poput liste svojstava i poput mreže. Hijerarhija i nasljeđivanje imovine
Okvir je određena struktura reprezentacije znanja, koja se, kada se ispuni odgovarajućim vrijednostima, pretvara u opis određenog faktora, događaja ili situacije. Okvir je najmanji mogući opis suštine bilo koje pojave, događaja, situacije, procesa ili predmeta. Minimalnost znači da se daljim pojednostavljivanjem opisa gubi njegova kompletnost, prestaje da određuje jedinicu znanja za koju je namenjen. Okvir ima specifičnu strukturu, koja se sastoji od mnogo elemenata - utora. Svaki slot je, zauzvrat, predstavljen specifičnom strukturom podataka, procedurom ili može biti povezan sa drugim okvirom. Struktura okvira se može predstaviti na sljedeći način:
IME OKVIRA: (Ime 1. slota: 1. vrijednost slota), (2. ime slota: 2. vrijednost slota), ... (N-to ime slota: N-ta vrijednost slota).
Isti zapis predstavljamo u obliku tabele, dopunjene sa dve kolone.
Vrijednost slota može biti ime drugog okvira; na taj način formiraju mrežu okvira, koja se sastoji od odabranih vrhova i veza. Gornji nivo okvira predstavlja odgovarajuće koncepte, a naredni nivoi terminalnih slotova, koji sadrže specifične vrednosti. Hijerarhija objekata se ostvaruje kroz aparat za proučavanje svojstava, kada klase objekata određenog nivoa nasljeđuju strukture klasa okvira višeg nivoa. Ako je predmet, mačka. opisano određenom grupom okvira je u konceptualnoj vezi sa gornjim i donjim nivoom okvira, zatim odn. za njega su okviri konstruisani uzimajući u obzir i hijerarhijske odnose i istovremeno je nasleđivanje svojstava realno. preko proreza ili okvira sa istim imenom.
Podaci i znanje
Informacije
Podaci
Proceduralni deklarativno
Predmetna oblast
Znanje
Logičan zaključak
činjenice Heuristika
mehanizam za povlačenje, logičan zaključak ili izlazna mašina.
interfejs
Baza znanja,
mehanizam za povlačenje,
Korisnički interfejs.
Koncept formalnog sistema
Osnova logičkih modela je koncept formalnog sistema definisanog četvorostrukom M = (T, P, A, F).
Gomila T postoji mnogo osnovnih elemenata različite prirode, na primjer, riječi iz nekog ograničenog vokabulara. Pretpostavlja se da postoji procedura P ( T) provjeravanje pripadnosti proizvoljnog elementa u skupu T.
Gomila P postoji mnogo sintaksnih pravila. Uz njihovu pomoć od elemenata T formiraju sintaktički ispravne izraze, na primjer, sintaktički ispravni izrazi se grade od riječi ograničenog rječnika. Mora postojati procedura P ( R), što omogućava da se utvrdi da li
neki izraz je sintaktički ispravan.
U setu R podskup od A a priori istiniti izrazi (aksiomi). Mora postojati procedura P ( A) provjerava da li bilo koji sintaktički ispravan izraz pripada skupu A.
Gomila F postoji mnogo semantičkih pravila zaključivanja. Primjenjujući ih na elemente A, možete dobiti nove sintaksički ispravne izraze, na koje ponovo možete primijeniti pravila iz F... Ovako skup povučen u ovom formalnom sistemu izražavanja. Ako postoji procedura P ( F), što omogućava da se za bilo koji sintaktički ispravan izraz odredi da li je deducibilan, tada se odgovarajući formalni sistem naziva rješivo.
Za znanje uključeno u bazu znanja, možemo pretpostaviti da je skup A formiraju sve informacijske jedinice unesene u bazu znanja, a uz pomoć pravila zaključivanja iz njih se izvode nove izvedeno znanje... Drugim riječima, formalni sistem je generator novog znanja koje formira skup povučen u ovom sistemu znanje.
Ovaj model je u osnovi konstrukcije mnogih deduktivni IIS... U takvim sistemima baza znanja se opisuje u obliku rečenica i aksioma teorije, a mehanizam zaključivanja implementira pravila za konstruisanje novih rečenica iz postojećih u bazi znanja. Sistem dobija opis problema na jeziku ove teorije u obliku zahteva (rečenice, teoreme), koji nije eksplicitno predstavljen u bazi znanja. Proces motora zaključivanja naziva se dokazom zahtjeva (teorema).
Upotreba logike različitih tipova u konstrukciji sintaktičkih i semantičkih pravila generiše logičke modele različitih tipova.
Propozicioni račun
Propozicioni račun proučava rečenice koje mogu biti istinite ili netačne. Nije svaka rečenica izjava. Na primjer, nema smisla govoriti o istinitosti upitnih rečenica. Rečenice nisu izjave za koje ne postoji konsenzus o tome da li su te rečenice tačne ili netačne. Očigledno, neće se svi složiti s izjavom „matematička logika je fascinantan predmet“.
Rečenica "Padao je snijeg" također nije izjava, jer da bi se sudilo o njenoj istinitosti potrebne su dodatne informacije o tome kada je i gdje padao snijeg.
Kombiniranje rečenica pomoću veza poput "i", "ili","Ako onda ...", možete formirati nove rečenice.
Postoji pet logičkih veza koje se koriste u propozicionom računu: negacija, konjunkcija, disjunkcija, implikacija i ekvivalencija.
Veznik (logički I) je istinit samo ako su oba njegova sastavna iskaza tačna.
Disjunkcija (logična ILI) je netačan samo kada su oba njegova sastavna iskaza lažna.
Implikacija (odgovara paketu " Ako onda ...») Prvi operand se naziva premisa, a drugi zaključak. Implikacija je lažna samo kada je njena premisa tačna, a zaključak lažan.
Logička operacija ekvivalencija odgovara paketu " tada i samo tada". Njegov rezultat je tačno ako su oba iskaza ili istovremeno tačna ili istovremeno netačna.
Logično negacija se izvodi na jednom iskazu. Izjava i njena negacija uvijek imaju suprotne vrijednosti istine.
Simboli koji se koriste za označavanje iskaza se pozivaju atomi.
Ispravno konstruirane formule u propozicionoj logici su rekurzivno definirane na sljedeći način:
1) atom je formula;
2) ako A i B- formule, onda su formule
i Ø A, A Ù B, A Ú B, A ® B, A « B.
Ovdje su snopovi označeni simbolima:
Ú - logično ILI(disjunkcija);
Ù - logično I(veznik);
® - logično TREBA(implikacija);
“- logično EQUIVALENT(ekvivalent);
Ø - logička negacija.
Interpretacija formula se zove dodeljivanje istinite vrednosti svakom atomu uključenom u formulu ( tačno ili Laganje).
Formula koja se sastoji od n različitih atoma, ima 2 n različite interpretacije.
Formula koja je istinita za sve interpretacije se zove opšte važeće(Na primjer, A Ú Ø A).
Poziva se formula koja je lažna u svim interpretacijama kontroverzno(Na primjer, A ÙØ A).
Poziva se formula za koju postoji barem jedno tumačenje za koje je istinita izvodljivo.
Ekvivalentno nazivaju se formule čije se istinite vrijednosti poklapaju za sva tumačenja. Ekvivalentne zamjene se mogu koristiti za transformaciju formula iz jednog oblika u drugi.
Za transformacije formula propozicionog računa koriste se sljedeće ekvivalencije:
1) A Ú Ø A = tačno(tačno);
A Ù Ø A = false(Ležeći);
2) pravilo dvostruke negacije
Ø (Ø A) = A;
3) A ® B = Ø A Ú B;
4) A « B = (A ® B) Ù ( B ® A);
5) zakoni komutativnosti
A Ú B = B Ú A, A Ù B = B Ù A;
6) zakoni asocijativnosti
(A Ú B) Ú C =A Ú ( B Ú C), (A Ù B) Ù C = A Ù ( B Ù C);
7) zakoni distribucije
A Ú ( B Ù C) = (A Ú B) Ù ( A Ú C), A Ù ( B Ú C) = (A Ù B) Ú ( A Ù C);
8) de Morganovi zakoni
Ø( A Ú B) = Ø A Ù Ø B, Ø( A Ù B) = Ø A Ú Ø B;
9) A ® B = Ø B ® Ø A.
Račun predikata
Aparat računa iskaza u mnogim slučajevima ne dozvoljava zadovoljavajući opis predmetne oblasti. Značajan dio predmetnih oblasti može se opisati pomoću predikatskog računa prvog reda. Za to se u obzir uzimaju:
a) konstante koje označavaju pojedinačni objekt ili koncept;
b) varijable koje u različito vrijeme mogu označavati različite objekte;
c) pojmovi, od kojih su najjednostavniji konstante i varijable, au općenitijem slučaju, predstavljeni izrazima tipa, gdje je funkcionalni simbol, a su termini;
d) predikati koji se koriste za predstavljanje odnosa između objekata u određenoj predmetnoj oblasti;
e) kvantifikatori - sredstvo za određivanje kvantitativnih karakteristika predmetne oblasti.
Predikat To je logička funkcija koja uzima samo istinite vrijednosti" tačno" ili " Laganje».
Predikat se sastoji od predikatnog simbola i odgovarajućeg uređenog skupa pojmova koji su njegovi argumenti. Simbol predikata P koristi se za imenovanje odnosa između objekata. Ako ima n argumenti, to se zove n-bed predikatski simbol.
Zapis, koji je najjednostavnija (atomska) formula, znači da je izjava tačna: objekte povezuje P.
Koristeći iste logičke vezive kao u propozicionom računu ( I, ILI, NE, TREBA, EKVIVALENTNO), možete napraviti složenije formule.
Formule koriste kvantifikatore (univerzalnosti) i (postojanja) za definiranje opsega varijabli. Kvantifikatori omogućavaju konstruisanje iskaza o skupu objekata i formulisanje iskaza koji su tačni za ovaj skup.
Formule predikatnog računa (PPF su dobro konstruirane formule) su definirane rekurzivno na sljedeći način:
1. atom je formula;
2.if A i B Da li su formule, onda su formule i
Ø A, A Ù B, A Ú B, A ® B, A « B;
3. ako je - formula, tada su formule i i.
Tumačenje formula u predikatskom računu je dodjela raspona vrijednosti svim konstantama, funkcionalnim i predikatskim simbolima. Formula interpretirana na području D, poprima vrijednosti tačno ili Laganje prema sljedećim pravilima:
a) ako su date vrijednosti formula A i B, zatim istinite vrijednosti formula Ø A, A Ù B, A Ú B, A ® B, A « B dobijeno iz tablica istinitosti koje su važeće za propozicijski račun;
b) formula dobija vrijednost tačno ako za svaki od D ima značenje tačno, inače njegova vrijednost je Laganje.
c) formula dobija vrijednost tačno ako barem jedan od D ima značenje tačno u suprotnom, njegova vrijednost je lažna.
Formula A tu je logična posledica formule ako i samo ako za bilo koju interpretaciju u kojoj je formula 
istina, formula A takođe je tačno.
Pored formula za ekvivalentne transformacije koje su date za propozicijski račun, sljedeće su važeće u predikatskom računu:
Ø($ ) = () (Ø );
Ø() = () (Ø ).
Vrste okvira
Za kognitivne svrhe razlikuju dvije vrste okvira: okvir - prototip i okvir - primjer. Okvir - prototip odražava znanje o apstraktnim stereotipnim konceptima, koji su klase nekih konkretnih objekata. Okviri prototipa odražavaju intenzivna znanja, tj. generalizovano znanje o zakonima svojstvenim klasi objekata koji se razmatraju. Okviri - primjeri odražavaju znanja o konkretnim činjenicama predmetne oblasti, ili tzv ekstenzijski znanje. Prijelaz sa okvira-prototipa na okvir-instancu se vrši kada se postupak označavanja okvira-prototipa provodi tokom rada mehanizma zaključivanja.
Kao primjer, razmotrite pojednostavljeni dijagram okvira - prototip koncepta DATE:
<ДАТА> (<МЕСЯЦ><имя>)(<ДЕНЬ><целые числа {1,2,…, 31}>)
(<ГОД><функция>)(<ДЕНЬ НЕДЕЛИ><перечень {ПНД,ВТР,…,ВСК}>
<функция>)
Naziv okvira - prototip - DATUM. U slotu MONTH umjesto vrijednosti se upisuje IME, tj. vrijednost slota može biti bilo koji literalni izraz. Vrijednost slota DAY su cijeli brojevi, a njihova lista je data u slotu. Utor YEAR označava funkciju koja može implementirati sljedeće radnje. Ako je godina navedena u ulaznoj rečenici, onda se ona unosi u polje vrijednosti slota u okviru primjera; ako nije navedena godina, vrijednost koja nedostaje popunjava se tekućom godinom. Ove vrste funkcija se nazivaju zadane funkcije.
Slot DAN U SJEDICI također definira funkciju koja će, prilikom obrade ulazne poruke, biti pozvana automatski kako bi se provjerila greška.
konzistentnost vrijednosti dana u sedmici koju je odredio korisnik, ili
postavljanje ove vrijednosti ako je korisnik nije naveo.
Betonski okvir - primjer okvira DATE može izgledati ovako:
<JE DATUM> (<МЕСЯЦ><ИЮНЬ>)(<ДЕНЬ><5>)
Label JE označava da je ovaj okvir primjer okvira. Ovdje su popunjena samo 2 mjesta. Ostatak se može izračunati korištenjem odgovarajućih procedura.
Procedure uključene u slot podijeljene su u dvije vrste: procedure - demoni i
procedure su sluge.
Procedure - Demoni se automatski aktiviraju svaki put kada se podaci unesu u odgovarajući okvir - primjer ili izbrišu iz njega. Na primjer, procedura ugrađena u slot DAY OF THE WEEK u gornjem primjeru je predstavnik demonske procedure. Uz pomoć procedura ovog tipa izvode se sve rutinske operacije vezane za održavanje baza podataka i znanja.
Procedure - Sluge aktivira se samo na zahtjev. Primjer takve procedure je funkcija ugrađena u YEAR slot u okviru prototipa DATE, koja se poziva samo ako korisnik nije naveo godinu.
Rice. 4.6 Mreža okvira
po kadru Dijete. Nasljeđe "ljubavnog" slota iz Child okvira.
Zahtjev 2. Koje su godine učenika?
Odgovor: 6-17 - vrijednost slota "starosti" je preuzeta iz okvira Student. Vrijednost iz Child okvira se ne uzima, jer vrijednost je eksplicitno naznačena u samom okviru "student", o kojem se postavlja pitanje.
Po funkcionalnoj namjeni razlikuju se sljedeće vrste okvira:
Okviri su objekti (primjer iznad);
Okviri - operacije (na primjer, okvir "proces sinteze uređaja za korekciju", slotovi: model, algoritam proračuna, parametri, itd.);
Okviri - situacije (na primjer, okvir "Hitni rad analognog senzora", utori: napon, struja itd.);
Okviri - scenariji (na primjer, okvir "gašenje požara", slotovi: mjesto požara, sredstva za gašenje, itd.).
Model okvira za predstavljanje znanja koristi se u jezicima FRL(Jezik za predstavljanje okvira) ,KRL(Jezik predstavljanja znanja) i sl.
Karakteristike zaključivanja
U jezicima kadriranja, glavna operacija je pretraga uzoraka... Uzorak je okvir u kojem nisu popunjene sve strukturne jedinice, već samo one po kojima će se među okvirima pohranjenim u sistemskoj memoriji pronaći potrebni okviri. Uzorak može, na primjer, sadržavati naziv okvira, kao i naziv određenog slota u okviru, što ukazuje na vrijednost slota. Ovaj obrazac provjerava okvir sa datim imenom i zadatom vrijednošću slota specificiranog u obrascu u sistemskoj memoriji. Uzorak može sadržavati naziv određenog slota i njegovu vrijednost. Zatim bi procedura pretraživanja uzorka trebala osigurati da se dohvate svi okviri koji sadrže slot s istim imenom i vrijednošću utora kao i obrazac. Konačno, neka logička funkcija se može dati u ime okvira, neka imena slotova i vrijednosti slota. Stoga se zaključivanje u mreži okvira zasniva na operaciji uparivanja.
Ostale procedure tipične za jezike okvira su procedure za popunjavanje slotova podacima, kao i procedure za uvođenje novih prototipskih okvira (tj. novih znanja) u sistem i uvođenje novih veza između njih.
Razmotrite fragment opisa iz "svijeta blokova" (slika 4.7) u obliku okvira u FRL jeziku.
Rice. 4.7 "Blok svijet"
(okvir (ime (Kocka)) (dužina (NULL)) (širina (IF-DEFAULT (koristiti dužinu))) (visina (IF-DEFAULT (koristiti dužinu)))) (f rame (ime (B 1)) (AKO (Kocka)) (boja (crvena)) (dužina(80))) (f rame (ime (B 2)) (AKO (Kocka)) (boja (zeleno)) (dužina (65))))
Slot AKO označava da objekti B 1 i B 2 su podtip objekta Kocka i nasljeđuju njegova svojstva, naime dužina = širina = visina. Procedura - demon IF-DEFAULT popunjava zadane vrijednosti slota.
Recimo da robot dobije naredbu "Uzmi žuti predmet koji podržava piramidu." Jezikom predstavljanja znanja pitanje je napisano na sljedeći način:
(objekat X (boja (žuta)) (drži Y (tip (piramida))))
Program za podudaranje uzoraka pretražuje bazu znanja za opise objekata:
(okvir (ime (B 3)) (tip (blok)) (boja (žuta)) (veličina (20 20 20)) (koordinata (20 50 0)) (čekaj (P 2)))
(okvir (ime(P 2)) (tip (piramida)) ...)
Dobijen odgovor: X = B 3, Y = P 2, a robotu se izdaje naredba uzeti(objekat B 3).
Prednosti okvira kao modela za predstavljanje znanja su sposobnost strukturiranja baze znanja zbog svojstava hijerarhije i nasljeđivanja. Nedostatak je složenost organizacije zaključivanja.
Predavanje. Osnove izgradnje proizvodnog sistema
Primjena meta-pravila
Ponekad, da bi se odlučilo koje pravilo treba aktivirati, poželjno je koristiti specifično znanje, a ne slijediti opštu strategiju za rješavanje sukoba. U tu svrhu, neki tumači pravila uključuju alate koji omogućavaju programeru da formuliše i uvede meta-pravila u program. Meta-pravila definišu pravila po kojima se vrši odabir onih pravila sa liste aplikacija koja se pre svega moraju uzeti u obzir ili se, štaviše, moraju poštovati.
Meta-pravila vam omogućavaju da značajno suzite krug pravila - kandidata na osnovu nekog kriterijuma ili promenite redosled prioriteta pravila. Meta-pravila često koriste znanje iz određene predmetne oblasti. Primjer je sljedeće meta-pravilo vezano za sistem
tema medicinske dijagnostike MYCIN.
METARULO 001
AKO (1) infekcija pripada klasi pelvic-apsces, i
(2) postoje pravila u prostorijama o kojima se to spominje
enterobakterije, i
(3) postoje pravila u prostorijama o kojima se spominje
gram-pozitivno bojenje,
TO sa pouzdanošću od 0,4, prioritet treba dati prvom od navedenih pravila.
Predavanje. Osnovni koncepti iz oblasti veštačke inteligencije
Područje nauke, nazvano "vještačka inteligencija", ima za cilj da identifikuje fundamentalne mehanizme koji su u osnovi ljudske aktivnosti kako bi se mogli primijeniti u rješavanju specifičnih naučnih i tehničkih problema. “Inteligentni” sistemi su dizajnirani da rade u okruženjima u kojima je ljudsko prisustvo nemoguće ili opasno po život. Ovi uređaji će se morati nositi sa širokim spektrom mogućih situacija. Nemoguće je unaprijed opisati ove situacije s takvim stepenom detalja i nedvosmislenosti koji bi omogućio postavljanje tvrdo kodiranih algoritama ponašanja u sistemu koji se stvara. Stoga bi sistemi naoružani vještačkom inteligencijom trebali imati mehanizme prilagođavanja koji bi im omogućili da grade programe svrsishodnih aktivnosti za rješavanje zadataka koji su im dodijeljeni na osnovu specifične situacije koja se trenutno razvija u njihovom okruženju.
Ovakva formulacija problema pred istraživače postavlja posebne zadatke koji se ranije nisu javljali u projektovanju tehničkih sistema. Ovi zadaci obuhvataju: opis bogatog eksternog okruženja i njegovog odraza unutar sistema (ovaj zadatak se zove zadatak predstavljanja znanja); upravljanje bankom znanja, njeno popunjavanje, otkrivanje kontradikcija i nedostatka znanja; percepcija vanjskog okruženja uz pomoć različitih vrsta receptora (vizuelnih, taktilnih, slušnih, itd.); razumijevanje prirodnog jezika, koji služi kao univerzalno sredstvo komunikacije za osobu; percepcija štampanog teksta i usmenog govora i transformacija informacija sadržanih u porukama u oblik predstavljanja znanja; planiranje aktivnosti je zadatak čije će rješavanje omogućiti sistemu da formira planove za postizanje cilja koristeći sredstva koja mu stoje na raspolaganju; prilagođavanje i učenje na osnovu stečenog iskustva.
Ovo je polje aktivnosti stručnjaka iz oblasti sistema veštačke inteligencije. Nalazi se na spoju širokog spektra disciplina: programiranja i psihologije, tehnologije i lingvistike, matematike i fiziologije.
Dakle, teorija vještačke inteligencije je nauka o znanju, kako ga izvući, predstaviti u vještačkim sistemima, obraditi u sistemu i koristiti za rješavanje praktičnih problema. Drugim riječima, sistemi koji se proučavaju u okviru umjetne inteligencije i stvaraju u mainstreamu ove nauke su sistemi čiji se rad oslanja na znanje koje odražava semantiku i pragmatiku vanjskog svijeta u kojem inteligentni sistemi djeluju.
Dakle, glavni problemi vještačke inteligencije su predstavljanje i obrada znanja. Rješenje ovih problema sastoji se kako u razvoju efikasnih modela za predstavljanje znanja, metoda za sticanje novih znanja, tako i u kreiranju programa i uređaja koji implementiraju te modele i metode.
Elementi veštačke inteligencije se široko koriste za kreiranje inteligentnog računarskog softvera, automatizovanih kontrolnih sistema (ACS), sistema za automatizaciju projektovanja (CAD), sistema za pronalaženje informacija (ISS), sistema za upravljanje bazama podataka (DBMS), ekspertnih sistema (ES), sistema za podršku odlučivanju (DSS), tj omogućavaju povećanje nivoa inteligencije kreiranih informacionih sistema.
Dostignuća u oblasti veštačke inteligencije primenjuju se u industriji (otkrivanje i razvoj oblasti, astronautika, automobilizam, hemija itd.), u ekonomiji (finansije, osiguranje itd.), u neindustrijskoj sferi (saobraćaj, medicina, itd.). komunikacije itd.), u poljoprivredi.
Alati umjetne inteligencije omogućavaju razvoj modela i programa za rješavanje problema za koje nisu poznate direktne i pouzdane metode rješavanja. Takvi zadaci pripadaju polju ljudske kreativne aktivnosti. Stručnjaci za umjetnu inteligenciju postavljaju naučne probleme kao što su dokazivanje matematičkih teorema, dijagnosticiranje bolesti ili kvarova u opremi, finansijska analiza poslovnih subjekata, sintetiziranje programa na osnovu specifikacija, razumijevanje teksta na prirodnom jeziku, analiza slike i identifikacija njenog sadržaja, upravljanje robotom itd.
Podaci i znanje
Dajemo definicije osnovnih pojmova izučavane discipline i razmotrimo razlike između pojmova „podaci“ i „znanje“.
Informacije- skup informacija koje se percipiraju iz okoline, izdaju okolini ili pohranjuju u informacionom sistemu (IS).
Podaci- specifične informacije predstavljene u formalizovanom obliku o objektima predmetne oblasti, njihovim svojstvima i odnosima, koji odražavaju događaje i situacije u ovoj oblasti.
Podaci su predstavljeni u obliku koji vam omogućava da automatizujete njihovo prikupljanje, skladištenje i dalju obradu. Podaci su zapis informacija u odgovarajućem obliku, pogodnom za pohranjivanje, prijenos, obradu i primanje novih informacija.
Informacije s kojima se kompjuter bavi dijele se na proceduralne i deklarativne.
Proceduralni informacije su predstavljene programima koji se izvršavaju u procesu rješavanja problema, i deklarativno- podatke koje ovi programi obrađuju.
Svaka intelektualna aktivnost se oslanja na poznavanje predmetne oblasti u kojoj se postavljaju i rješavaju zadaci.
Predmetna oblast se naziva skup međusobno povezanih informacija potrebnih i dovoljnih za rješavanje određenog skupa zadataka. Znanja o predmetnoj oblasti obuhvataju opise predmeta, pojava, činjenica, kao i odnosa među njima.
Znanje- ovo je generalizovana i formalizovana informacija o svojstvima i zakonitostima predmetne oblasti, uz pomoć kojih se realizuju procesi rešavanja problema, transformacije podataka i samog znanja, a koja se koristi u procesu logičkog zaključivanja.
Logičan zaključak- Ovo je generisanje novih iskaza (sudova) zasnovanih na početnim činjenicama, aksiomima i pravilima zaključivanja.
Znanje sa stanovišta zadataka koje se rješavaju u određenoj predmetnoj oblasti podijeljeno je u 2 velike kategorije – činjenice i heuristiku. Ispod činjenice obično razumiju dobro poznate u ovoj oblasti istine, okolnosti. Heuristika Da li su empirijski algoritmi zasnovani na neformalnim razmatranjima koja ograničavaju broj opcija rješenja i osiguravaju svrsishodnost ponašanja sistema odlučivanja, bez garancije da će se ipak dobiti najbolje rješenje. Takvo znanje se zasniva na iskustvu specijaliste (stručnjaka) u datoj predmetnoj oblasti.
Koncept postupka za dobijanje rešenja problema (strategija obrade znanja) povezan je sa poznavanjem testa. U IIS-u se ova procedura zove mehanizam za povlačenje, logičan zaključak ili izlazna mašina.
Znanje sa kojim sistem radi pohranjeno je u bazi znanja (KB).
Za organizaciju interakcije sa IIS-om mora imati sredstva komunikacije sa korisnikom, tj. interfejs... Interfejs omogućava rad sa bazom znanja i mehanizmom zaključivanja na jeziku dovoljno visokog nivoa, bliskom profesionalnom jeziku stručnjaka u predmetnoj oblasti kojoj IIS pripada. Osim toga, funkcije sučelja uključuju podršku za dijalog korisnika sa sistemom, što omogućava korisniku da dobije objašnjenja o postupcima sistema, učestvuje u potrazi za rješenjem problema, te ažurira i koriguje bazu znanja. Dakle, glavni dijelovi IIS-a su:
Baza znanja,
mehanizam za povlačenje,
Korisnički interfejs.
Osobine znanja koje ga razlikuju od podataka
Primjer... Neka porodične veze budu predmetno područje. Objekti ovog predmetnog područja su koncepti kao što su majka,
otac, ćerka, muškarac, žena itd.
Neka se saznaju činjenice:
Viktor je Tanjin otac.
Vladimir je otac Viktora.
Na jeziku Prolog, ove činjenice su opisane na sljedeći način:
otac (viktor, tanja).
otac (vladimir, viktor).
Ovdje je "otac" ime relacije ili predikata, a "pobjednik", "tanja" i "vladimir" su konstante.
Neka X, Y, Z- varijable. Korištenje varijabli X i Z, u opštem slučaju, možemo napisati relaciju “ X je otac Z»Na prolog jeziku:
otac ( X, Z).
Korištenje roditeljskog predikata i varijabli X, Y, Z, formulisaćemo novu relaciju "deda", i to:
Ako X je otac Z i
Z je otac Y
onda X je djed Y.
Ovaj oblik snimanja odnosa "Ako... onda" se zove pravilo proizvodnje, proizvoda ili jednostavno pravilo.
U prolog jeziku, odnos deda se piše na sledeći način:
djed ( X, Y): - otac ( X, Z), otac ( Z, Y).
Znak ": -" se tumači kao "Ako".
Na primjeru odnosa “djed” formuliše se opći obrazac definiranja pojma “djed” kroz pojam “otac”. Ime "vladimir", uzeto bez obzira na stav, ništa ne ukazuje. Možda je ovo ime osobe ili ime grada. Slično, numerički ili drugi podaci se tretiraju na isti način, na primjer, u datoteci podataka. Dato, uzeto zajedno sa relacijom, definiše neko značenje i tako predstavlja znanje.
Razmotrimo karakteristike znanja po kojima se razlikuju od podataka.
1. Interpretabilnost... Podaci pohranjeni u memoriji računala mogu se interpretirati samo odgovarajućim programom. Podaci bez programa ne nose nikakvu informaciju, dok znanje ima interpretaciju, jer sadrži i podatke i odgovarajuća imena, opise, relacije, tj. uz podatke su predstavljene informacione strukture koje omogućavaju ne samo pohranjivanje znanja, već i njegovu upotrebu.
Znanje i informacije su važni dijelovi našeg života. Ovi pojmovi se ne mogu u potpunosti poistovjetiti jedan s drugim. Razmotrimo šta se podrazumijeva pod svakim od njih i po čemu se znanje razlikuje od informacija.
Definicija
Znanje- sistematizovane pouzdane ideje o predmetima i pojavama stvarnosti. Ljudi koriste znanje za racionalnu organizaciju svojih aktivnosti i za rješavanje nastalih problema.
Informacije- informacije o pojmovima, činjenicama, događajima itd., u čijem prenosu i prijemu mogu učestvovati ljudi ili posebni uređaji. Životinje međusobno komuniciraju posebne informacije pomoću signala. Tu su i genetske informacije koje se prenose s jednog organizma na drugi.
Poređenje
Fundamentalni faktor koji omogućava identifikaciju razlike između znanja i informacije je da se znanje stiče samo subjektivnim razumijevanjem. Informacije su nezavisne i ne dostižu uvek nivo svesti.
U kognitivnom procesu znanje i informacije su u različitim fazama. Prvo, tu je percepcija informacija koje prenosi određeni izvor: knjiga, internet, nastavnik... Nakon razumijevanja, informacija rezultira znanjem. Onaj sa znanjem je u stanju da ispuni ulogu novog izvora informacija.
Dakle, samo se informacija prenosi i prima, ali se znanje ne može prenijeti. Da biste postali vlasnik znanja, potrebno je sagledati potrebne informacije i proći ih kroz vlastitu svijest.
Na primjer, nastavnik matematike ima znanje o svom predmetu. Objašnjavajući razredu način rješavanja problema, on ne prenosi direktno znanje, već je izvor informacija. Učenici će moći da formiraju znanje tek kada ne samo slušaju nastavnika, već i razumeju, shvate šta on pokušava da im prenese.
S obzirom na to koja je razlika između znanja i informacije, treba napomenuti da ne može biti viška znanja. Uostalom, osoba nastoji shvatiti samo ono što mu je zaista važno i potrebno. Informacije mogu teći previše, ljudi se često osjećaju prezasićeni njima. Od cjelokupne količine informacija, mali dio se koristi za sticanje znanja.
Kriterijum obrazovanja čoveka je znanje. Na kraju krajeva, nije dovoljno samo upoznati se sa informacijama – potrebno je dosta mentalnog rada.
