دانلود پایان نامه درباره هوش مصنوعی، شبکه عصبی، شبیه سازی، شبکه های عصبی

دانلود پایان نامه ارشد

هستند، اما شیوه های تدریس هوشمند به ابزار عام آموزشی بدل شده اند. معالجه سرطان و بیماری قلب از طریق زیست-مهندسی، میزان مرگ و میر ناشی از این بیماری ها را بسیار کاهش داده است، و پیش بینی ها نشان می دهند که در سالهای آینده پیشرفت های زیادی با سرعتی بیش تر از قبل در هوش مصنوعی اتفاق خواهد افتاد و به زودی ما شاهد جهانی خواهیم بود که در آن تعامل انسان و روبات اجتناب ناپذیر است و همین تعاملات مسائل خلاقی ای را مطرح می کنند که باید حل شوند.

1-5 کاربردهای هوش مصنوعی
از هوش مصنوعی در نواحی متعددی استفاده می شود و هر روز بیشتر از این تکنولوژی در جهت سهولت و سرعت بخشیدن به زندگی بهره برداری می شود. از این رو دانشمندان در حال کار مستمر روی تکنیک های این فن آوری هستند و به سرعت شاهد پیشرفت های فراوان در این شاخه از علم هستیم. عمده حوزه هایی که امروزه هوش مصنوعی در آنها کاربد دارد عبارتند از:
1-5-1 بازیها
یعنی کامپیوتر را طوری برنامه ریزی کنیم تا بازیهایی مثل شطرنج یا چکرز را انجام دهند. در تئوری بازی، کامپیوتر باید از میان تعدادی از احتمالات موجود، حرکت بعدی را انتخاب کند. این نوع انتخاب قابل مقایسه با انتخاب های بازیکن شطرنجی است که در پاسخ به حریفش حرکتی را انتخاب می کند.
در سال 1948 آلن تورینگ، ریاضی دان انگلیسی، یک الگوریتم شطرنج را برای استفاده در ماشین حساب ها ساخت. این الگوریتم در یک مسابقه از یک بازیکن آماتور شکست خورد.10 سال بعد کلود شانن128، ریاضی دان امریکایی، دوالگوریتم بازی شطرنج را طراحی کرد: 1- الگوریتمی که در آن تمام حرکتها و نتایجشان تا جایی که امکان دارد پیش بینی شده اند. 2- حالتی که در آن فقط حرکتهایی که احتمالشان بیشتر است و نتایج نزدیک تر آنها ارزیابی شده اند. درسال 1988، های-تک129– برنامه ای که در دانشگاه کیمجی- ملون130 ساخته شد، توانست قهرمان سابق امریکا را شکست دهد. یک سال بعد گری کاسپاروف، دیپ تاوت131 ، برنامه ای که توسط مرکز آی بی ام ساخته شده بود، را در دو مسابقه شکست داد. کاسپاروف در 1996 از دیپ بلو132،که توسط مرکز آی بی ام ساخته شده بود شکست خورد. دیپ بلو از رویکرد شماره 1 پیروی می کرد و در هر نوبت بیش از 100 بیلیون حالت را ارزیابی می کرد و در عین حال به 6 حرکتی که پیش رویش قرار داشت نگاه می کرد.

1-5-2 سیستم های خبره
یک کلاس دیگر از برنامه های هوش مصنوعی سیستم های خبره نامیده می شوند که تلاش می کنند تا بوسیله بدست آوردن و متحد کردن دانشی که انسانهای متخصص دارند اموری را به انجام برسانند. استفاده از هوش مصنوعی در پزشکی، حکومت و دیگر کارهایی که از نظر اجتماعی اهمیت دارند ،امروزه رواج زیادی دارد. چنین سیستم هایی می توانند به کارکنان آموزش دهند و در تصمیم گیری کمک کنند. میسین133، برنامه ای است که در سال 1976 در دانشگاه استنفورد ساخته شد و در تشخیص بیماریهای عفونی خونی تخصص دارد و معالجاتی را پیشنهاد می کند و استدلال خود را به زبان انگلیسی توضیح می دهد. برنامه هایی وجود دارند برای پیش بینی قیمت سهام در بورس و همچنین برای تشخیص اعتبار کارتهای اعتباری، ساخت موسیقی، مکان یابی رسوبات معدنی مثل طلا یا نفت، طراحی متوالی مسیر برای رانندگان، آموزش موضوعاتی مثل جغرافی یا الکترونیک به دانش آموزان و بسیاری برنامه های دیگر.
شرکت نرم افزاری کالیفرنیا سایبرنتیک برنامه ای به نام برین میکر134( مغز ساز) تهیه کرده است که پزشکان با استفاده از آن به سرعت می توانند بر اساس داده های آنزیمی خطر حملات قلبی را تشخیص دهند، و از روی تصاویر، سلول های سرطانی را طبقه بندی کنند.
شرکت مالی “ال بی اس کاپیتال منیجمنت135″، از نرم افزار برین میکر، برای پیش بینی استفاده می کند.پیش گویی آنها به صورت ” یک روز جلوتر”136 و ” یک هفته جلوتر”137 ، شیوه های سنتی مبتنی بر فرمول را به کلی منسوخ کرده است.
1-5-3 درک کامپیوتر
یک نمونه از هوش مصنوعی درک کامپیوتر است. این درک تشکیل دهنده یک نمود درونی است که برای پردازش هوشمند مناسب است. گرچه انواع مختلفی از سیگنال های حساس وجود دارند، اما درک کامپیوتر بر بینایی و کلام متمرکز است. این درک ممکن است از هوش متمایز باشد، زیرا توزیع متوالی انرژیهایی را در بر دارد که زمان را عوض می کنند و بر نمود الفاظ سمبلیک تقدم دارند.
درک کامپیوتر، توانایی تشخیص الگوها در یک تصویر و جدا کردن اشیا از زمینه با همان سرعت مغز است. در دهه 1990، تکنولوژی های نظامی که در ابتدا کارش تحلیل تصاویری بود که از ماهواره جاسوسی به دستش می رسید، راهش را به سوی کاربردهای تجاری پیدا کرد، از جمله نظارت بر خطوط هیأت های قانونگذاری، تولید دوربین های دیجیتالی و سیستم های تصویر ساز اتوماتیک. درک کامپیوتر، مستلزم آن است که یک برنامه ریز تعیین کند که برخی از ویژگیهای ورودی های حساس که از یک دوربین ویدیویی یا یک میکروفن ایجاد می شوند، مهم هستند. برای مثال برای تشخیص صورت، برنامه باید قسمتهای مرکزی چشم ها، بینی و دهان را شناسایی کند و سپس سایز این ها و فاصله بین آنها را اندازه گیری کند. این اندازه گیریها برای مجموعه ای از صورتها در یک پایگاه اطلاعاتی و هر کدام از آنها باهم برای شناسایی صورت بکار می روند. بنابراین زمانی که صورتی که در این مجموعه آشناست روبروی دوربین قرار می گیرد، کامپیوتر نزدیکترین حالتی را که مناسب اندازه هایی است که در پایگاه اطلاعاتی ذخیره شده را پیدا می کند و می تواند صورت را شناسایی کند. به همین ترتیب ویژگیهای صدا و صدای کلمات هم در پایگاه های اطلاعاتی ذخیره می شوند تا کامپیوتر بتواند تشخیص نهایی را داشته باشد. امروزه یک نوع ماشین اتوماتیک پرداخت پول به نام “میدوس”138 وجود دارد که با استفاده از یک نرم افزار که توسط شرکت کوچک “نیو اینگلند “139ساخته شده است، چهره مشتری را تشخیص می دهد. این ماشین با استفاده از دو دوربین یک تصویر سه بعدی از مشتری می گیرد، بنابراین نمی توان با قرار دادن عکس یک نفر دیگر بر روی صورت خود ، ماشین را فریب داد!
1-5-4 پردازش زبان طبیعی
توانایی برقراری ارتباط بین انسانها از طریق زبان نوشتاری یا طبیعی، یکی از مهم ترین نتایج پیشرفت انسان است. تا هنگامی که کامپیوترها نتوانند از این توانایی بهره برند نمی توانند کارهای روزمره انسان را انجام دهند. پردازش زبان طبیعی به معنای برنامه ریزی کامپیوترها برای فهم زبان طبیعی انسان است. پردازش زبان طبیعی از بالاترین میزان ارزش بالقوه برخوردار است، زیرا مردم را قادر می سازد تا بدون نیاز به هیچ دانشی با کامپیوترها تعامل داشته باشند. شما می توانید به سادگی به سمت یک کامپیوتر بروید و با او صحبت کنید. متأسفانه برنامه ریزی کامپیوترها برای فهم زبان طبیعی بسیار سخت تر از تفکر واقعی است. بعضی از سیستم های خیلی ابتدایی ترجمه که یک زبان را به زبان دیگر ترجمه می کنند، هم اکنون موجودند. اما آنها به خوبی انسانهای مترجم نیستند. همچنین سیستمها ی تشخیص صدا هم موجودند که می توانند صداهای گفتاری را به کلمات نوشتاری برگردانند، اما آنها نمی فهمند که چه می نویسند، در ضمن بسیار محدود هم هستند، شما باید به آرامی و به طور واضح حرف بزنید.
مشکل برنامه نویس برای یک برنامه پردازش زبان طبیعی، پیدا کردن قواعدی است که بین جملاتی مثل
He broke a window with a ston
و
He broke a window with a curtain
تمایز قائل شوند. این امر مستلزم ذخیره سازی لیست بلندی از کلمات است که نشان می دهند که آیا آنها وسیله هستند (مثل سنگ) و یا جزء تزئینات هستند(مثل پرده)، تا اینکه هماگونه که آنها در جمله ظاهر می شوند معنای درست را هم بتوان به آنها نسبت داد. پیشرفت های مهمی برای مثال در تشخیص کلمات کلیدی و ساختار گرامری ایجاد شده اند. برنامه های AI حتی می توانند با تفریحات و لطیفه های نوجوانانه و محترمانه هماهنگ باشند. اما جملات و لطیفه های زیادی هستند که ملزم به داشتن دانش جهانی گسترده ای هستد، از جمله دانستن اطلاعات مربوط به یک فرهنگ خاص درباره ورزش، مد، سیاست، و غیره. این فهرست از نظر ادبیاتی پایان ناپذیر است. احتمال کمی وجود دارد که یک سیستم AI واقعی به خوبی ما بتواند از زبان استفاده کند، زیرا آماده کردن و ساختاربندی چنین دانشی سخت است( بیشتر آن دانش تلویحی است و وارد کردن آن به حوزه آگاهی بسیار سخت است). در اینجا به یک تئوری روانشناسانه نیازمندیم که توضیح دهد این ظرفیت های انسانی چگونه ممکن هستند.

1-5-5 شبکه های عصبی
الگوی شبکه های عصبی تلاشی است برای تقلید از ساختار محاسباتی نورون ها یا اعصاب مغز انسان که در واقع در جستجوی بازتولید معماری مغز انسان است. ما با مجموعه ای از داده ها شروع می کنیم که بیانگر مسئله ای هستند که باید حل شود. مثلاً این داده ها ممکن است مجموعه ای از پیکسل ها باشند که تصویری را که باید شناخته شود را بیان می کنند. این داده ها به طور اتفاقی به لایه ای از نورون های شبیه سازی شده ارسال می شوند. هر یک از این نورون های شبیه سازی شده می توانند برنامه رایانه ای ساده ای باشند که یک الگوی عصب را در نرم افزار شبیه سازی می کند، یا اینکه این نورون ها می توانند ابزارهای الکترونیکی باشند.
فرض کنیم مسئله بر سر تشخیص یک تصویر چاپی باشد. ابتدا این مسئله به لایه ورودی ارسال می شود و بعد نورون های خروجی پاسخ را فراهم می کنند. در مورد طیف وسیعی از مسائل، پاسخ دقیق است. اما در واقع پاسخ ها ابداً دقیق نیستند. در آغاز خروجی ها به صورت کاملاً اتفاقی هستند. گام مهمی که وجود دارد، آن است که شبکه عصبی موضوع مورد نظر را بیاموزد. شبکه عصبی درست مثل مغز پستانداران که شبکه بر مبنای الگوی آن ساخته شده، در آغاز نادان است. معلم شبکه عصبی-که می تواند یک انسان، یک برنامه رایانه ای یا یک شبکه عصبی دیگر و پخته تر باشد- وقتی جواب دانش آموز خود را صحیح ببیند به او پاداش می دهد و وقتی پاسخش غلط باشد، او را تنبیه می کند. شبکه عصبی از این بازخورد استفاده می کند تا قدرت اتصالهای بین نورونی را تنظیم کند. اتصالاتی که پاسخ صحیح را فراهم می کنند قوی تر می شوند. به مرور زمان شبکه چنان خود را سازمان میدهد که بدون معلم پاسخ های صحیح ارائه می کند.
امروزه اکثر برنامه های رایانه ای شبکه عصبی، الگوهای نورونی خود را در نرم افزار شبیه سازی می کنند. این بدان معنی است که رایانه ها یک روند طویل را روی ماشینی شبیه سازی می کنند که هر بار فقط یک محاسبه انجام می دهد.
در حال حاضر عده زیادی از محققان به دنبال این هدف هستند که شبکه های عصبی را مطابق الگوهای طبیعت بسازند: یعنی شبکه ای طویل که برای هر نورون یک رایانه کوچک اختصاص یافته است. مؤسسه تحقیقاتی ارتباطات پیشرفته (ای تی آر140) که یک مرکز تحقیقی معتبر در کیوتوی ژاپن است، در حال ساخت این مغز مصنوعی با یک میلیارد نورون الکترونیکی است، اما این نورون ها با سرعت الکترونیکی عمل خواهند کرد که حدوداً یک میلیون بار سریع تر از نورون های انسان است.
1-5-5-1الگوهای ژنتیکی:
الگوهایی هستند که در آنها طراحان برنامه، مستقیماً برنامه یک راه حل را نمی نویسند، بلکه راه حل مسئله از طریق روند تکراری و شبیه سازی شده رقابت و بهبود، پدید می آید. الگوهای ژنتیکی همانند شبکه های عصبی، شیوه ای از بهره برداری و کاربرد الگوهای ظریف اما عمیقی هستند که در داده های بی نظم وجود دارند. منبع اصلی لازم، نمونه های متعدد مسائلی است که باید حل شود. در زمینه مسائل مالی، قطعاً کمبودی از لحاظ اطلاعات بی نظم وجود ندارد -هر ثانیه از معاملات مالی و تجاری بر روی اینترنت موجود و در دسترس است. الگوهای ژنتیکی بخصوص در حل مسائلی کارا هستند که متغیرهای آنها بیش از حد زیاد است و لذا محاسبه راه حل های تحلیلی دقیق برای آنها دشوار است. به عنوان مثال طراحی موتور یک هواپیمای جت بیش از یکصد متغیر را شامل می شود و نیازمند برآورده ساختن دهها شرط و قید است. الگوهای ژنتیکی امروز که از

پایان نامه
Previous Entries دانلود پایان نامه درباره هوش مصنوعی، سیستم های خبره، سیستم خبره، علوم کامپیوتری Next Entries دانلود پایان نامه درباره اسباب بازی، ایالات متحده، خانه سالمندان، مصرف کنندگان