- •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)
432. Моделі нейронних елементів (Розпізнавання образів і навчання)
Штучна нейронна мережа це сукупність нейронних елементів та зв'язків між ними. Основу кожної штучної нейронної мережі складають відносно прості, в більшості випадків - однотипні, елементи (клітинки), імітують роботу нейронів мозку. Нейрон володіє групою синапсів - односпрямованих вхідних зв'язків, з'єднаних з виходами інших нейронів. Кожен синапс характеризується величиною синаптичної зв'язку або її вагою wi. Кожен нейрон має поточний стан, який зазвичай визначається, як зважена сума його входів. Нейрон має аксон - вихідну зв'язок даного нейрона, з якої сигнал (збудження або гальмування) надходить на синапси наступних нейронів. Вихід нейрона є функція його стану: y = f (s). Функція f називається функцією активації. Функція активації може мати різний вид: пороговий, кусково-лінійний, сигмоїда. Безліч всіх нейронів штучної нейронної мережі можна розділити на підмножини - т.зв. шари. Взаємодія нейронів відбувається пошарово. Шар штучної нейронної мережі це безліч нейронів на які в кожен такт часу паралельно надходять сигнали від інших нейронів даній мережі. Вибір архітектури штучної нейронної мережі визначається завданням. Для деяких класів задач вже існують оптимальні конфігурації. Якщо ж завдання не може бути зведена до жодного з відомих класів, розробнику доводиться вирішувати завдання синтезу нової конфігурації. Проблема синтезу штучної нейронної мережі сильно залежить від завдання, дати загальні докладні рекомендації важко. У більшості випадків оптимальний варіант штучної нейронної мережі виходить дослідним шляхом. Штучні нейронні мережі можуть бути програмного та апаратного виконання. Реалізація апаратна звичайно являє собою паралельний обчислювач, що складається з безлічі простих процесорів. Важливою особливістю штучної нейронної мережі є можливість е ѐ навчання. Зазвичай процес навчання зводиться до коректування вагових коефіцієнтів. Алгоритми навчання штучних нейронних мереж можна розділити на два класи: навчання з учителем - мережі пред'являються значення як вхідних, так і бажаних вихідних сигналів, і система по певним алгоритмом підлаштовує ваги своїх синаптичних зв'язків. Навчання без вчителя - ваги змінюються за алгоритмом, що враховує тільки вхідні і похідні від них сигнали.
433. Модель мови (Обробка природної мови)
Мовна модель встановлює ймовірність певній послідовності слів методом розподілу ймовірностей, що дозволяє створити певну базу, з якої з певною точністю можна передбачувати наступне слово, виходячи з попередніх, що забезпечує більшу швидкість розпізнання. По суті модель мови є результатом статистичного підходу до розпізнання якщо розглядати його з боку накопичення інформації по цьому питанню. Математична модель мови — математична конструкція, яка використовується для експлікації властивостей природної мови, тобто, для чіткого та однозначного формулювання понять, які необхідні для описання мови. Основними поняттями математичної моделі мови є поняття вихідного словника, тобто, скінчені множини символів, і ланцюги, тобто, послідовності символів із даного словника. В багатьох математичних моделях мови задається також розбивка словника на класи та відношення між відповідними класами. Прийнято розрізняти два типи математичних моделей мови: 1) Аналітичні моделі мови, при побудові яких використовується абстракція актуальної нескінченності, тобто, вся нескінчена сукупність речень мови розглядається як вихідна даність; 2) Формальні граматики в яких використовуються лише абстракція потенційної нескінченості, тобто, кожне речення виникає (породжувані граматики), або розпізнається (розпізнавальні граматики) на деякому кроці спеціально побудованого числення або алгоритму.