НЕЧЕТКАЯ ЛОГИКА И МАТЕМАТИЧЕСКОЕ ОБРАЗОВАНИЕ сочинение пример

ООО "Сочинения-Про"

Ежедневно 8:00–20:00

Санкт-Петербург

Ленинский проспект, 140Ж

magbo system

Сочинение на тему НЕЧЕТКАЯ ЛОГИКА И МАТЕМАТИЧЕСКОЕ ОБРАЗОВАНИЕ

Аннотация

С незапамятных времен история человека развивается последовательной цепью шагов, а иногда и скачками, вплоть до относительной изощренности современного мозга и его культуры. Историческое происхождение Искусственного интеллекта обычно устанавливается на конференции в Дармуте (1956). В этом году Джон Маккарти придумал этот термин и назвал его «наукой и техникой создания интеллектуальных машин». Но это еще много, многократно связанных со многими другими областями, такими как нейронаука или философия. И мы можем найти еще много тайных источников, возможно, Платона, Раймона Лулля, Лейбница, Паскаля, Бэббиджа, Торреса Кеведо,… с его попытками создать мыслительные машины. Также построение артефактов посвящено более быстрым и основанным на логических вычислениях. Итак, я буду интерпретироваться как область компьютерных наук, сфокусированная на создании машин, которые могут воздействовать на поведение, которое люди считают разумным. Вспомните такие темы, как тест Тьюринга, сильный против слабого ИИ, аргумент китайской комнаты и так далее. До сих пор более пятидесяти лет современного ИИ. Исследователи пытаются создать системы, которые подражают человеческой мысли, понимают речь или побеждают лучшего шахматиста. Понимание интеллекта и создание интеллектуальных артефактов – две цели ИИ. Кроме того, в более поздние времена мы можем рассматривать очень великие математические умы, такие как фон Нейман, Винер, Шеннон, Тьюринг, Мойзил или Заде.

Ключевые слова: математическое образование; Математическая логика; Нечеткая логика; AI; Информатика.

Об искусственном интеллекте

Часто ИИ требует Логики. Но классическая логика показывает слишком много недостатков. Следовательно, было необходимо представить более сложные инструменты, такие как нечеткая логика, модальная логика, немонотонная логика и так далее. Напомним, что математика будет простым примером исчисления предикатов первого порядка и, следовательно, будет принадлежать прикладной монотонной логике. Итак, мы должны показать ограничения классического логического мышления и преимущества нечеткой логики.

Для реализации представления AI должен включать категории, объекты, свойства, отношения и т. д. Все они связаны с математикой, а также являются очень хорошими и наглядными примерами. Например, показ нечетких множеств вместе с обычными четкими или классическими наборами, как частный случай ранее упомянутых нечетких множеств; или введение концепций и стратегий из дискретной математики как удобное использование инструментов теории графов во многих областях.

Проблемы в ИИ можно классифицировать по двум основным типам: проблемы поиска и проблемы представления. Затем у нас есть логика, правила, рамки, сети как взаимосвязанные модели и инструменты. Все они очень математические темы.

Происхождение идей о мыслительных машинах, о механизме работы человеческого мозга, о возможности подражать его поведению, если мы создадим вычислительную структуру, аналогичную нейрону или нейронной системе, их синапсам или связям между нейронами. производить нейронные сети … Все это может появиться с резонансами истории научной фантастики или, возможно, фильма, но это реальный предмет изучения, и это так много лет назад, и больше в последние времена.

Основной целью A I будет создание допустимой модели человеческих знаний. Поэтому его предметом является «чистая форма». Мы пытаемся подражать способу рассуждения человеческого мозга. Это должны быть последовательные, приблизительные шаги, но попытки продолжаются всегда в этом смысле.

Изначально работа над ИИ была над идеализациями реального мира. Поэтому поля были «формальными мирами». Такие процедуры поиска были в Пространстве Состояний, которое содержит множество всех состояний или узлов, в случае представления графами, которые мы можем получить, применяя все одноразовые операторы. Многие ранние программы ИИ использовали один и тот же базовый алгоритм. Чтобы достичь какой-либо цели (победа в игре или доказательство теоремы), они пошагово продвигались к ней (делая каждый раз ход или дедукцию), как будто искали в лабиринте, возвращаясь назад, когда они заходили в тупик. Эта парадигма называлась «рассуждение как поиск».

Методы решения проблем в ИИ могут быть двух типов: декларативные: они позволяют описать известные аспекты проблемы. Это эвристическое лечение; и процедурный: который перечисляет необходимые пути для решения проблемы. Это Алгоритмическое Лечение.

Постановка проблемы эквивалентна построению ее решения. Для этого требуется: агент, система или программа для выполнения; комплекс действий, которые позволяют нам достичь таких целей; и процедура выборов, которая позволяет нам выбирать между различными путями, чтобы достичь ее решения.

Мы можем использовать ряд ресурсов для решения проблем в AI, таких как логика, правила, ассоциативные сети, фреймы и сценарии. Выбор между этими методами должен основываться на собственных характеристиках проблемы и наших ожиданиях относительно типа решения. Во многих случаях мы используем одновременно два или более инструментов, как в случае с рамочной системой, с участием правил.

Вывод на основе системы правил состоит в установлении достоверности некоторого утверждения из одноразовой информации в BF и KB. У нас есть два метода: идти вперед и идти назад, конкатенация.

Правила демонстрируют явное преимущество в классической логике, где рассуждения были монотонными, с выводами, не противоречащими ранее существовавшим фактам. Находясь в RBS, мы можем удалять или заменять факты из базы фактов в соответствии с новыми выводами. Все могут быть предварительными и изменяемыми. Это сделало рассуждение немонотонным.

В случае некоторых применимых правил, которые должны быть выполнены в первую очередь? Такой набор правил составляет на каждом этапе набор конфликтов (который, очевидно, будет динамичным). Дополнительная проблема решения называется разрешением конфликтов или также называется контролем рассуждений.

Стратегии поиска

Существуют разные стратегии для выбора каждого правила: порядок правил, контроль повесток дня, критерий актуальности и критерий специфики. Критерий специфичности приводит к выполнению, во-первых, более конкретных Правил, т. Е. Тех, у которых больше фактов в своем предшественнике. Итак, между R: если a, то b и R₂: если a и d, то c, мы должны выбрать R₂, потому что он более специфичен, чем R₁.

У нас также есть механизмы управления в RBS. Таким образом, механизмом рефрактарности, с помощью которого мы запрещаем исполнять заново правило, если оно используется, если не существует дополнительной информации, которая разрешает или рекомендует такой случай; Наборы правил, это позволяет нам активировать или нейтрализовать блоки правил; и мета-правила, или правила, которые относятся (или обосновывают) к другим правилам. Такие мета-правила могут сотрудничать с Управлением рассуждениями с изменением или назначением приоритетов для различных Правил в соответствии с развитием обстоятельств.

Сети: между ними более поздние исследования, посвященные байесовским сетям или сетям. До его появления целью было получить полезные системы для медицинской диагностики с помощью классических статистических методов, таких как правило Байеса. Байесовская сеть представлена ​​в виде пары (G, D), где G – это ориентированный, ациклический и связанный граф, а D – это распределение вероятностей, связанное со случайными переменными. Такое распределение проверяет Свойство Направленного Разделения, согласно которому вероятность переменной не зависит от их не являющихся потомками узлов.

Вывод в BN заключается в установлении в сети известных переменных, их значений и неизвестных переменных, их соответствующих вероятностей.

Цель BNs в медицине – найти вероятность успеха, с которой мы можем поставить точный диагноз, известные определенные симптомы. Нам нужно работать с последующими гипотезами: исключительность, исчерпанность и CI (условная независимость). Согласно эксклюзивности, два разных диагноза не могут быть правильными одновременно. С исчерпывающим мы предполагаем в нашем распоряжении все возможные диагнозы. И согласно CI (аббревиатура условной независимости), найденные открытия должны быть взаимно независимыми, с определенным диагнозом. Обычной проблемой с такими гипотезами будет их неадекватность реальному миру. Для этого необходимо будет ввести байесовские сети. В процессе поиска у нас есть два варианта: без информации о домене (Blind Search); и с информацией о домене (эвристический поиск).

В первом случае мы можем выбрать, в зависимости от типа проблемы, между Поиск по экстенту и Поиск по глубине. Есть другие методы, полученные из предыдущего, такие как Поиск в Прогрессивной Глубине и Двунаправленный Поиск, оба с именами, достаточно намекающими на его природу. Также мы можем найти другой метод, в данном случае не производный, Общий поиск в графиках. В такой процедуре очевидна возможность немедленного перевода в матричное выражение через их матрицы инцидентности. Все эти методы объединены в свои алгоритмы.

Слепой поиск, или поиск без информации о домене, появляется с первоначальными попытками решить путем идеализации реального мира, игровых проблем или получения автоматических доказательств.

Процесс поиска может быть в пространстве состояний. Такая процедура поиска применима к проблемам, связанным с некоторыми характеристиками, поскольку мы можем связать состояние с каждой другой ситуацией в домене; существует ряд начальных состояний; Есть несколько операторов, которые позволяют нам переходить между последовательными состояниями; и существует конечное состояние. В таких процессах очевидно соответствие между State и Node графа, а также между Arc (ребро или ссылка в графе) и Operator.

Поиск по степени. Мы продвигаемся по графику через уровни. Таким образом, мы получаем решение с меньшими затратами, если оно существует. Принимая во внимание, что при поиске по глубине мы каждый раз расширяем одну ссылку от корневого узла. Если мы дойдем до тупика в графе, мы вернемся к ближайшему узлу, и из этого мы возьмем одно ветвление в графе. Обычно устанавливают предел исследования или предел глубины, фиксируя максимальную длину пути от корня.

Эвристический поиск, т.е. когда мы ищем со знанием предметной области. Первоначально считалось, что все пути могут быть изучены компьютером. Но это слишком оптимистично. Такое исследование будет очень трудным из-за явления «комбинаторного взрыва» ветвления, когда мы расширяемся. Его пространственная и временная сложность может предостеречь нас от его реализации. Для этого нам нужно выбрать более перспективные траектории. Таким образом, мы не можем получить лучшее решение (оптимум), но эффективный подход к ней.

Теперь мы представляем один новый математический инструмент, так называемую эвристическую функцию оценки, f. С помощью такой функции мы присваиваем значение f (n) каждому узлу n. Таким образом, такое f (n) дает нам оценку реального расстояния (неизвестно) от текущего узла n до конечного узла m.

Кроме того, существуют стратегии, разработанные для решения проблем поиска с двумя противниками. В этом случае основной целью является выбор необходимых шагов для победы в игре. Шахматы или Го, в общем. На самом деле, это было его происхождение. Для них мы можем предположить альтернативные ходы. В каждом ходу идеал будет, когда игрок знает свои возможности и реализует более неблагоприятный ход для своего противника. Но невозможно полностью его контролировать, в общем, из-за «комбинаторного взрыва». Итак, нам нужно разработать дерево глубинного поиска с ограниченной глубиной. В применении принципа рациональности. Для этого может быть желательно избавиться от великого мастера или машины, как «Deep Blue». Чтобы оценить цель, мы вводим более сложную функцию, вышеупомянутую эвристическую функцию оценки, которая измеряет для каждого узла возможности игроков.

В AI проблемы могут быть классифицированы в соответствии с его уровнем. На первом уровне проблемы решения, обучения, восприятия, планирования и рассуждения. На втором уровне выполняются задачи классификации, представления и поиска. Когда мы формулируем проблему, мы отклоняемся от ее утверждения или объяснения на естественном языке. По сути, его трактовка основана на «уровне знаний», введенном Ньюэллом в 1981 году как «абстрактный уровень интерпретации систем в ИИ». Также является базовым «Принцип рациональности», согласно которому «если система обладает знаниями, согласно которым одно из ее действий приводит к одной из ее целей, то такое действие выполняется».

Проблемы в ИИ могут быть в конечном итоге классифицированы по двум типам: проблемы поиска и представления. Для этого нам нужны такие понятия, как деревья и графики; Структура фактов, например: груды, очереди и списки; Знание о сложности алгоритмов. Все эти проблемы, их методы решения или инструменты приближения, могут быть реализованы в классе. Например, для применения математических игр, таких как Шахматы или Го, необходимо улучшить логические способности учащихся на любом уровне обучения. Потому что, если он находится на элементарном уровне, он может быть интересным стимулятором для продвижения скрытых возможностей. А на более высоких уровнях это может способствовать укреплению логических и дедуктивных качеств начинающих исследователей. В случае вышеупомянутых инструментов, которые в настоящее время очень полезны в математике и искусственном интеллекте, в качестве инструментов теории графов, они могут использоваться для объяснения классических и очень интересных вопросов, таких как проблема остановки, проблема коммивояжера (TSP) или открытый вопрос для поколений 20-го века, P против NP, с многочисленными последствиями из них.

Не только может быть очень полезным в классе дать математику с поддержкой на вышеупомянутых играх (шахматы, шашки, стратего, судоку …), но и наши студенты могут быть введены в тонкий анализ, как дилемма Приссонера , Также будет доступна любая информация о …

Зарегистрируйся, чтобы продолжить изучение работы

    Поделиться сочинением
    Ещё сочинения
    Нет времени делать работу? Закажите!

    Отправляя форму, вы соглашаетесь с политикой конфиденциальности и обработкой ваших персональных данных.