سایت در حال بارگذاری است ...

از این پس ورود به وبسایت پایتونی ها فقط از طریق آدرس IP ایران امکان پذیر است ! لطفا برای هرگونه دسترسی به وبسایت پایتونی ها از فیلتر شکن استفاده نکنید ! این شرکت هیچگونه فعالیتی و در فضای مجازی هیچ کدام از پلت فرم های اجتماعی ندارد و تنها منبع اصلی اصلی شرکت پایتونی های خود وبسایت پایتونی ها می باشد.

021-71053903 [email protected] تهران‌ ٬ صادقیه ٬ پاساژ گلدیس

هوش مصنوعی -قسمت3

در این مقاله هوش مصنوعی(AI) قصد دارم مفاهیم مربوط به هوش ، الگوریتم های آن را به طور کلی توضیح دهم. برای درک مطالب در ابتدا مقاله این را مطالعه فرمایید.

همانطورکه در مقاله قبل دیدیم، هوش مرکب ، ترکیبی از پنج ویژگی است:

هوش

  • استدلال
  • یادگیری
  • حل مسئله
  • ادراک
  • هوش زبانی

استدلال:

مجموعه ای از فرایند هایی است که بر اساس آن قضاوت، تصمیم گیری و پیش بینی اتفاق می افتد. به طور کلی به دو بخش تقسیم می شود:

استدلال استنتاجیاستدلال استقرایی
مشاهدات کلی را انجام میدهد تا نتایج کلی را بیان کند.با یک عبارت کلی شروع می شود تا در نهایت نتایج منطقی و خاص را نشان دهد.
حتی اگر تمام شرایط عبارت درست باشند، استدلال استقرایی اجازه می دهد تا نتیجه گیری غلط باشد.اگر شرطی برای یک گزینه از اعضای کلاس درست باشد برای همه اعضاصحیح است
مثلا : سارا معلم است. سارا یک دانشجو است. پس نتیجه می گیریم همه معلم ها دانشجو هستند.مثلا: همه مرد های بالای 60 سال پدر بزرگ هستند. علی 65 سال دارد بنابراین علی پدربزرگ است.

یادگیری:

توانایی یادگیری در انسان ها، گونه خاصی از حیوانات و سیستم های دارای قابلیت هوش مصنوعی وجود دارد. به چند دسته تقسیم می شود:

یادگیری شنوایی:

با گوش دادن ید می گیرد. مثل دانش آموزانی که به سخنرانی های ضبط شده گوش می دهند.

یادگیری Episodic :

یادگیری با یادآوری دنباله ای از وقایع که فرد شاهد آن بوده یا تجربه کرده است، اتفاق می افتد.این نوع یادگیری خطی و منظم است.

یادگیری موتور(motor learning):

این نوع یادگیری با بررسی حرکت دقیق ماهیچه ها اتفاق می افتد. مثل چیدن اشیاءیا نوشتن و…

یادگیری بصری:

این نوع یادگیری با تماشا و تقلید از دیگران رخ می دهد. به عنوان مثال کودک سعی می کند با تقلید از والدین خود یاد بگیرد.

یادگیری ادراکی:

در تلاش است که محرک هایی را که قبلا دیده بود شناسایی کند. مثل شناسایی اشیاء، طبقه بندی داده ها و موقعیت ها.

یادگیری رابطه ای:

به جای بررسی خصوصیات و ویژگی های مطلق و پایه ای در رابطه بین داده ها؛ تمایز بین محرک های مختلف را بررسی می کند.

یادگیری مکانی:

این کار از طریق محرک های بصری مثل تصاویر، رنگ ها، نقشه هاو… انجام می شود.

یادگیری محرک:

یادگیری است که در زمان وجود یک محرک خاص ، یک رفتار خاص انجام می دهد. مثلا سگ گوش هایش را برای شنیدن صدای زنگ بالا می آورد.

حل مسئله:

حل مسئله فرایندی است که در آن شخص با درک مسیری که توسط موانع مسدود شده است. می تواند از وضعیت فعلی به راه حل برسد.

حل مسئله شامل تصمیم گیری برای انتخاب بهترین گزینه مناسب از بین تمام راه حل های موجود، برای رسیدن به هدف مطلوب است.

ادراک:

این فرایند دستیابی، تفسیر، انتخاب و سازماندهی اطلاعات حسی است.

در انسان درک کردن توسط ارگانهای حسی اتفاق می افتد. اما در هوش مصنوعی مکانیسم درک داده های به دست آمده توسط سنسورها به شکلی معنی دار دسته بندی و جمع می شود.

هوش زبانی یا هوش کلامی:

توانایی استفاده ، درک ، صحبت و نوشتن به صورت کتابی و محاوره است. این بخش در ارتباط فردی بسیار مهم است.

پس تا اینجا پنج ویژگی مهم هوش مصنوعی را درک کردیم.

هوش مصنوعی(AI) شامل چه مواردی می شود؟

هوش مصنوعی یا AI شامل حوزه وسیعی از علوم و مطالعات رشته های مختلف است. به عبارت دیگر این رشته تحصیلی به یافتن راه حل برای مشکلات دنیای واقعی استفاده می شود.

حوزه های هوش مصنوعی به صورت زیر دسته بندی می شوند:

یادگیری ماشین:

یکی از محبوب ترین حوزه های هوش مصنوعی(AI) یادگیری ماشین است. مفهوم اصلی این زیر شاخه یادگیری رایانه از داده ها است ، دقیقا به همان شکلی که انسان از تجزیه و تحلیل داده ها می آموزد.این شاخه شامل مدل های مختلف یادگیری است و براساس آنها می تواند نتایج را پیش بینی نماید.

یادگیری ماشین

این بخش به طور مفصل در مقاله یادگیری نظارت شده و یادگیری نظارت نشده توضیح داده شده است.

الگوریتم منطق یا (logic):

این حوزه یکی دیگر از زیرشاخه های مهم AI محصوب می شود.

در این حوزه از منطق ریاضی برای اجرای برنامه های رایانه ای استفاده می شود. شامل حقایقو قوانین برای انجام و تطبیق الکوی تجزیه و تحلیل معنایی است.

الگوریتم جستجو کردن:

این شاخه اساسا در بازی هایی مثل شطرنج و تیک-تاک استفاده می شود.الگوریتم های جستجو بعد از جستجو در فضای جستجو، بهینه سازی راه حل را انجام می دهد.

الگوریتم شبکه عصبی مصنوعی:

این شبکه ای از سیستم های محاسباتی کارآمد است که بر اساس شبکه های عصبی مغز انسان طراحی شده است.

از ANN می توان در روباتیک، تشخیص گفتار، پردازش گفتار و.. استفاده کرد.

توضیحات کامل این مبحث را در مقاله شبکه عصبی -قسمت1 و شبکه عصبی مصنوعی -قسمت 2 مطالعه فرمایید.

الگوریتم ژنتیک:

این الگوریتم بر اساس بیش از یک بفرایند مشکلات را حل می نماید. در نتیجه می تواند بهترین نتیجه را ارائه بدهد.

الگوریتم Knowledge Representation :

به کمک این حوزه می توان واقعیت ها را به شکلی قابل درک برای دستگاه ها بیان کنیم.هر چه دانش ها موثر تر باشند، سیستم باهوش تر می شود.

مطالعه بیشتر

maryam keshvari

31 مطلب منتشر شده

کارشناسی ارشد فناوری اطلاعات علاقمند به زبان برنامه نویسی python و هوش مصنوعی

درباره این مطلب نظر دهید !

مطالب زیرا حتما بخوانید ...

Q-Learning

Q-Learning چیست؟

3
دقیـقه مطالعه
ادامه ...
PyTorch

کتابخانه PyTorch

3
دقیـقه مطالعه
ادامه ...