Рубрика «искусственный интеллект» - 256

в 15:22, , рубрики: искусственный интеллект, метки:

Вместо введения

Памятуя итоги предыдущей, довольно сумбурной статьи, родилась мысль «съесть слона по кусочкам» и опубликовать цикл статей, вводящих в модель искусственного интеллекта DIGITID, над которой я работаю вот уже 11 лет.

Первая тема, которую крайне важно рассмотреть, это проблема понимания в искусственном интеллекте

Есть ли проблема понимания, что такое «понимание» и как оно работает?

При общении с людьми, которые интересуются искусственным интеллектом (и не только, так же и с теми, кто интересуется вопросами устройства психики, ума, личности безотносительно их симуляции и моделирования), обнаружилось, что проблема понимания требует широкого освещения и прояснения.

Так что же такое «понимание»? Когда человек говорит «я понял» что произошло? Что происходит когда человек еще не понимает? Каков процесс «понимания»? Является ли это мгновенным переходом или постепенным накоплением?

В большинстве случаев вопрос «что значит понимание» ставит собеседника в тупик. Понимание кажется чем-то очень естественным и вполне очевидным, если только не рассматривать, что же это значит пристально и пристрастно.

Чаще всего, понимание рассматривается как некое проникновение в смысл, сопоставление разрозненных фактов в единую канву, ситуацию.
Понимание тесно связано с некоторой уверенностью, ясностью, предсказаниями чего-то, что еще не обнаружено, но в связи с пониманием будет обнаружено, если этому уделить внимание.

Предлагаю хабравчанам поучаствовать в опросе ниже и предложить свои комментарии по вопросу того, что же такое понимание.
Читать полностью »

в 9:43, , рубрики: искусственный интеллект, метки:

На самом деле реверс-ижиниринг интеллекта, выполняемый самим интеллектом это психология — желание понять что такое сознание, разум, психика, интеллект, всё это синонимы мыслящей системы.
Терминология психологии неточная и спорная, поэтому надо уточнять или переопределять термины. Также в область исследования входят лингвистика и программирование. Знания из лингвистики могут помочь создать универсальный логический язык для представления и обработки любой информации. Этот же логический язык программирования обеспечивает работоспособность всей системы, и эффективное распознавание образов без задержки. Работу всего логического механизма выполняет одна половина мощностей (аналог левого полушария), а вторая половина занимается параллельными вычислениями распознавания образов (правое полушарие). В современных ЭВМ также используются два разных процессора — CPU и GPU. Поэтому неплохой фундамент накопленный десятилетиями исследований определенно есть. Особенно следует отметить замечательную технологию CUDA — можно сказать что только сейчас наступило подходящее время для создания ИИ, даже в домашних условиях.
Читать полностью »

в 11:58, , рубрики: big data, искусственный интеллект, классификация, машинное обучение, метки: , ,

На сегодняшний день мне неизвестны доступные и легко понятные для непосвященного читателя книги по машинному обучению на русском языке. По теме написано много хороших трудов на английском, но по каким-то причинам они не переведены. Данной серией статей я преследую цель сдвинуть вектор ситуации в лучшую сторону. Если читатели положительно воспримет статью, я, по мере сил, постараюсь сделать замкнутый цикл статей по машинному обучению. Целевая аудитория — люди, желающие ознакомиться с основными задачами и методами машинного обучения, и в дальнейшем, возможно, углубить свои знания самостоятельно. Идеальный читатель знаком с основами языка программирования Python и библиотеки NumPy или желает в них разобраться. Я постараюсь свести количество математики и простыней из формул к минимуму без ущерба для качества преподносимого материала. Заинтересованный читатель всегда может узнать математическую поднаготную каждого метода в википедии, на machinelearning.ru или в соответствующей литературе.
Читать полностью »

в 9:19, , рубрики: Блог компании ABBYY, Блог компании Mail.Ru Group, искусственный интеллект, Компьютерная лингвистика, морфология, метки: ,

Роль морфологии в компьютерной лингвистике

Содержание цикла статей про морфологию

• Морфология и компьютерная лингвистика для самых маленьких
• Роль морфологии в компьютерной лингвистике
• Морфология. Задачи и подходы к их решению
• Псевдолемматизация, композиты и прочие странные словечки

Раньше автоматический перевод работал следующим образом:

  1. Анализировал формы слов в исходном предложении;
  2. Пытался подобрать одну из синтаксических схем исходного языка, в которую подошло бы предложение с найденными формами;
  3. Находил соответствующую синтаксическую схему для целевого языка;
  4. Находил перевод для каждой из словоформ в исходном предложении;
  5. Слова-переводы ставил в форму, необходимую для целевой синтаксической схемы.

Современные технологии пытаются пойти дальше. Читать полностью »

в 16:03, , рубрики: data mining, байесовские сети, Блог компании Surfingbird, искусственный интеллект, математика, математическое моделирование, теория вероятностей, метки: , , , ,

В четвёртой серии цикла о графических вероятностных моделях (часть 1, часть 2, часть 3) мы продолжим разговор о том, как справляться со сложными фактор-графами. В прошлый раз мы изучили алгоритм передачи сообщений, который, правда, работает только в тех случаях, когда фактор-граф представляет собой дерево, и в каждом узле можно без проблем пересчитать распределения грубой силой. Что делать в по-настоящему интересных случаях, когда в графе есть большие содержательные циклы, мы начнём обсуждать сегодня – поговорим о паре относительно простых методов и обсудим очень мощный, но непростой в использовании инструмент – вариационные приближения.

Вероятностные модели: борьба с циклами и вариационные приближения
Читать полностью »

в 12:04, , рубрики: data mining, Алгоритмы, искусственный интеллект, кластеризация, метки:

Решение задачи кластеризации методом градиентного спускаПривет. В этой статье будет рассмотрен способ кластеризации данных, используя метод градиентного спуска. Честно говоря данный способ носит больше академический характер, нежели практический. Реализация этого метода мне понадобилась в демонстрационных целях для курса по машинному обучению, что бы показать как одинаковые задачи можно решить различными способами. Хотя конечно если вы планируете осуществить кластеризацию данных, используя дифференцируемую метрику, для которой вычислительно труднее найти центроид, нежели подсчитать градиент на некотором наборе данных, то этот метод может быть полезным. Итак если вам интересно как можно решить задачу k-means кластеризации с обобщенной метрикой используя метод градиентного спуска, прошу под кат. Код на языке R.

Читать полностью »

в 18:11, , рубрики: ESOINN, SOINN, Алгоритмы, искусственный интеллект, нейронная сеть, метки: , , ,

Этот пост №2, является логическим продолжение предыдущего поста Предыдущий пост №1

Еще в 2006 году был предложен метод постепенного (возрастающего) обучения, названый самоорганизующейся возрастающей нейронной сетью (SOINN), для того, чтобы попытаться осуществить неконтролируемое обучение (самообучение без учителя). SOINN хорошо справляется с обработкой нестационарных данных в режиме онлайн, сообщает о числе определенных кластеров и представляет топологическую структуру входных данных с учетом вероятности плотности вероятности распределения. Hasagawa, предложивший вариант сети SOINN, сравнивал результаты работы своей сети с GNG сетью (расширяющегося нейронного газа) и результат сети SOINN получался лучше чем у GNG.

С сетью SOINN была такие проблемы:
1. В связи с тем что она состояла из двух обрабатывающих слоев, что пользователь должен был принимать участие в работе сети. Пользователь должен был решить, когда остановить обучение первого слоя и когда начать приобретение знаний во втором слое.
2. Если группы имеют высокую плотность, то сеть хорошо справлялась с их распознаванием, но если сеть группы частично перекрывались, то сеть думала что это одна группа и объединяла их вместе.

Для решения этих проблем и упрощения архитектуры сети была предложена сеть на основе SOINN с увеличенной самоорганизацией и получила название ESOINN.
Читать полностью »

в 18:11, , рубрики: ESOINN, SOINN, Алгоритмы, искусственный интеллект, метки: , ,

Предыдущий пост

Еще в 2006 году был предложен метод постепенного (возрастающего) обучения, названый самоорганизующейся возрастающей нейронной сетью (SOINN), для того, чтобы попытаться осуществить неконтролируемое обучение (самообучение без учителя). SOINN хорошо справляется с обработкой нестационарных данных в режиме онлайн, сообщает о числе определенных кластеров и представляет топологическую структуру входных данных с учетом вероятности плотности вероятности распределения. Hasagawa, предложивший вариант сети SOINN, сравнивал результаты работы своей сети с GNG сетью (расширяющегося нейронного газа) и результат сети SOINN получался лучше чем у GNG.

С сетью SOINN была такие проблемы:
1. В связи с тем что она состояла из двух обрабатывающих слоев, что пользователь должен был принимать участие в работе сети. Пользователь должен был решить, когда остановить обучение первого слоя и когда начать приобретение знаний во втором слое.
2. Если группы имеют высокую плотность, то сеть хорошо справлялась с их распознаванием, но если сеть группы частично перекрывались, то сеть думала что это одна группа и объединяла их вместе.

Для решения этих проблем и упрощения архитектуры сети была предложена сеть на основе SOINN с увеличенной самоорганизацией и получила название ESOINN.
Читать полностью »

в 14:58, , рубрики: SOINN, Алгоритмы, искусственный интеллект, метки: ,

робот SOINN
SOINN – это самоорганизующаяся инкрементная нейронная сеть. Структура и алгоритм такой нейронной сети повидимому хорошо себя зарекомендовал в японской лаборатории Hasegawa (сайт — haselab.info), потому что он в итоге был взят за основу и дальнейшее развитие алгоритмов искусственного интеллекта шло путем небольших модификаций и надстроек к сети SOINN.

Базовая сеть SOINN состоит из двух слоев. Сеть получает входной вектор и на первом слое после обучения создает узел (нейрон) – определяющий класс для входных данных. Если входной вектор похож на существующий класс, мера похожести определяется настройками алгоритма обучения, то два самых похожих нейроны первого слоя объединяются связью, либо если входной вектор не похож не на один существующей класс, то в первом слое создается новый нейрон, определяющий текущий класс. Очень похожие нейроны первого слоя, объединенные связью, определяются как один класс. Первых слой является входным слоем для второго слоя, и по аналогичному алгоритму, с небольшим исключением, создаются классы во втором слое.

На основе SOINN созданы такие сети, как (далее представлены название сети и описание сети от ее создателей):
Читать полностью »

в 9:03, , рубрики: Блог компании ABBYY, Блог компании Mail.Ru Group, искусственный интеллект, Компьютерная лингвистика, морфология, метки: ,

Морфология и компьютерная лингвистика для самых маленьких На Хабре уже был пост о Технопарке, и даже рассказы о курсах (1, 2), которые в нем проходят. Сегодня мы публикуем первую часть мастер-класса, который для студентов Технопарка провел Андрей Андрианов из ABBYY.

В цикле будет 4 поста

• Морфология и компьютерная лингвистика для самых маленьких
• Роль морфологии в компьютерной лингвистике
• Морфология. Задачи и подходы к их решению
• Псевдолемматизация, композиты и прочие странные словечки

Для начала не лишним будет вспомнить, что такое морфология, а также какое отношение она имеет к лингвистике. За этим предлагаю пройти под кат к содержимому первого поста серии.
Читать полностью »

1...1020...255256257...260270...279
Главная   |  Архив новостей  |   Android  |   Google  |   Apple  |   Microsoft  |   Информационная безопасность  |   Веб – разработка
Публикации RSS  |  Комментарии RSS
https://ajax.googleapis.com/ajax/libs/jquery/3.4.1/jquery.min.js