- •405. Адаптивний лінійний елемент (Розпізнавання образів і навчання)
- •406. Активні контурні моделі. (Комп'ютерний зір)
- •407. Алгоритм ebl і навчання на рівні знань (Машинне навчання, засноване на символьному представленні інформації)
- •408. Алгоритм Meta-dendral (Машинне навчання, засноване на символьному представленні інформації)
- •411. Алгоритм використовування розумних агентів (Intelligent agent)
- •412. Алгоритм зворотного розповсюдження у нейронних багатошарових мережах.
- •410. Алгоритм виключення кандидата (Машинне навчання, засноване на символьному представленні інформації)
- •409. Алгоритм Web-агента по Алан Кей (Alan Kay)
- •413. Алгоритм кластеризації Гроссберга і Карпентера.
- •414. Алгоритм методу мурашки. (Ant algorithms), оптимізація, за принципом мурашиної колонії (алгоритму (Marco Dorigo)).
- •417. Алгоритм програми використання внутрішньої бази фактів підприємства.
- •421. Використування та розробка Web-агента, поняття Кріса Лангтона (Chris Langton), структура програмного агента
- •420. Байесовській метод розпізнавання (Розпізнавання образів і навчання)
- •424. Геометричний метод розпізнавання (Розпізнавання образів і навчання)
- •425. Індуктивний алгоритм побудови дерева рішень id3 (Машинне навчання, засноване на символьному представленні інформації)
- •426. Індуктивний поріг і можливості навчання (Машинне навчання, засноване на символьному представленні інформації)
- •427. Інтерпретація контурних малюнків (Комп'ютерний зір)
- •428. Компоненти навчання з підкріпленням (Машинне навчання, засноване на символьному представленні інформації)
- •432. Моделі нейронних елементів (Розпізнавання образів і навчання)
- •433. Модель мови (Обробка природної мови)
- •434. Моделювання роботи людського інтелекту (Штучний інтелект: історія розвитку)
- •435. Навчання без вчителя шнм , засновані на правилі навчання Хебба (Розпізнавання образів! навчання)
- •436. Неповнота знань і немонотонний висновок (Основні моделі висновку)
- •437. Визначення управляючих параметрів синтезаторів мови (Обробка природної мови)
- •438. Операція узагальнення і простір понять (Машинне навчання, засноване на символьному представленні інформації)
- •439. Основні відомості про розпізнавання образів. (Розпізнавання образів і навчання)
- •440. Планування переміщень робот (Основні моделі висновку)
- •441. Попередня обробка і розпізнавання звуків. (Обробка природної мови)
- •442. Пошук при виділенні контурних сегментів (Комп'ютерний зір)
- •443. Правила висновку в численні предикатів (Представлення знань)
- •444. Принцип резолюції і система strips (Основні моделі висновку)
- •445. Програма граматичного розібрання списку на державній мові.
- •446. Програма з використанням селекторів зовнішніх баз даних.
- •447. Рекурентні алгоритми навчання розпізнаванню образів (Розпізнавання образів.І навчання)
- •448. Розпізнавання об'єктів в системах зору роботів (Комп'ютерний зір)
- •450. Семантичні мережі (Представлення знань)
- •451. Синтез мови по тексту (Обробка природної мови)
- •52. Система заснована на правилах архітектури зворотного висновку.
- •453. Системи комп'ютерного зору (Комп'ютерний зір)
- •454. Способи опису семантичних мереж і логічний висновок (Представлення знань)
- •455. Стандартизація предикативних формул (Основні моделі висновку)
- •457. Структура фрейма (Представлення знань)
- •456. Статистичний підхід до розпізнавання мови (Обробка природної мови)
- •458. Структури нейронних мереж (Розпізнавання образів і навчання)
- •459. Числення висловів (Представлення знань)
- •460. Числення предикатів (Представлення знань)
- •415. Алгоритм моделі станів (Bigram Model)
- •429. Компоненти пм-снстсми (Обробка природної мови)
404. Web-агент, поняття Кріса Лангтона (Chris Langton), структура агента
Штучне життя – це поняття, введене Крісом Лангтоном для позначення множини комп‗ютерних механізмів, які використовуються для моделювання природних систем. Агент є генетичною особиною. Він може бути тільки певного типу (травоїдним або хижаком). Агента можна розглядати як просту систему з набором входів (його відчуттям світу), реакцій на оточуючий світ (його мозком) і дій. Агент складається із 3-х окремих частин. Це сенсори, відчуття (визначення того, яку дію обрати) і дія. Агент може виконувати обмежену кількість дій: перейти на одну ячейку (в заданому напрямку), повернутися наліво або направо або з‗їсти об‗єкт, який знаходиться в області „близькості‖. Дія, яку робить агент, визначається його мозком при оцінці входів отриманих на основі сенсорів. Мозок агента може бути однією із багатьох комп‗ютерних конструкцій: принцип кінцевих автоматів, системи класифікації або нейронні мережі. Агенти можуть планувати та навчатися. При відтворенні характеристики батька передаються потомству.
405. Адаптивний лінійний елемент (Розпізнавання образів і навчання)
Дана модель називається моделлю нейрона типа "адалайн" (англ.: ADAptive Linear NEuron - адаптивный линейный нейрон). В нейроні типу "адалайн" (ADAptive LInear Neuron - адаптивный линейный нейрон) адаптивный підбор вагових коэффіцієнтів здійснюється в процесі минимізації квадратичної похибки, що визначається як: У разі виконання умови дифференційованості цільової функції стало можливим використання алгоритму градієнтного навчання. Значення вагових коеффіцієнтів уточнюєтся таким чином: Для мінімізації цільової функції використовується метод найшвидшого спуску. Значення вагових коефіцієнтів можуть уточнюватись або дискретным способом аба аналоговим способом – шляхом вирішення різностних рівнянь виду .
406. Активні контурні моделі. (Комп'ютерний зір)
Активний контур є крива на зображенні, яка може міняти свою форму під дією внутрішніх сил, обумовлена властивостями самої кривої, і внутрішніх сил, направленими даними зображення. Внутрішні і зовнішні сили визначаються так, щоб форма активного контура співпадала кордонам виділеного обєкта. В інтерактивному режимі користувач може впливати на вибір бажаної форми відновлювального контуру.В не інтерактивному режимі система може враховувати цілі більш високого порядку.Методи пошуку контурів з глобальною оцінковою функцією більш стійкіше до шумів зображення порівняно з методами, використовоючи локальну оцінкову функцію. Перші в певній степені можуть бути зєднувати розриви контурів. Для зображення з явними кордонами і низьким рівнем шумів за звичай приймають більш ефективні локальні методи.
407. Алгоритм ebl і навчання на рівні знань (Машинне навчання, засноване на символьному представленні інформації)
Якщо "чистий" алгоритм EBL забезпечує лише дедуктивне навчання, то обгрунтування щодо аналогії - це більш гнучкий метод використання наявних знань. Обгрунтування за аналогією будується на таких передумовах. Якщо дві ситуації схожі в деякому відношенні, то вельми ймовірно, що вони виявляться подібними і в інших ас- приділяє тим. Наприклад, якщо два будинки розташовані в одній місцевості і схожі з архітектури, то вони, швидше за все, мають однакову вартість. У відміну від доказів, що використовуються в алгоритмі EBL, метод аналогії не є логічно суворим. У цьому сенсі він подібний до індукції. Як відмічено, аналогія - це вид індукції на основі єдиного прикладу. У прикладі з будинками свойст- ва одного будинку прогнозуються на основі інформації про другий. Як було зазначено при розгляді обгрунтування на основі досвіду, ана- логія дуже корисна для застосування наявних знань до нових ситуацій. Наприклад, припустимо, студент вивчає властивості електрики, а викладач повідомляє йому, що електрику нагадує воду, причому напруга відповідає тиску, сила струму - величині потоку, а опір - пропускної здатності каналу. За допомогою цієї аналогії студент зможе легше зрозуміти закон Ома. У стандартній математичної моделі аналогією використовується джерело аналогії, який може представляти є рішенням задачі, приклад або щодо зрозумілу теорію, а також не зовсім зрозуміла мета. Аналогія - це відображення відповідних елементів джерела і цілі. Висновок за аналогії розширює це відображення на нові елементи області визначення мети. Повертаючись до аналогії електрики і води, на основі відомостей про відповідність напруги і тиску, а також сили струму і величини потоку рідини можна зробити висновок, що пропускна здатність каналу відповідає опору. Це допоможе краще розібратися з природою опору. Теорія структурного відображення була реалізована і протестована в різних областях визначення. Однак вона ще далека від повної теорії аналогії, оскільки не дозволяє вирішити таку проблему, як пошук джерела аналогії. Вона підтверджується обчислювальним експериментом і пояснює багато аспекти обгрунтування за аналогією, властивого людині.