Сдам Сам

ПОЛЕЗНОЕ


КАТЕГОРИИ







Преимущества ЭС перед человеком – экспертом.





У них нет предубеждений.

Они не делают поспешных выводов.

Экспертные системы выбирают наилучшую альтернативу из всех возможных.

База знаний предметной области может быть очень большой.

Экспертные системы устойчивы к "помехам".

 

При каких условиях и для решения, каких задач применяются нейронные сети.

Нейрон состоит из трех основных элементов:

- один или несколько дендритов (вход нейрона - принимает импульсы);

сома (тело нейрона - обрабатывает входящие импульсы);

аксон (выход нейрона - передача импульса другому нейрону).

Аксон контактирует с дендритами других нейронов через синапсы. Синапсы - это такие образования, которые регулируют входящие импульсы. Синапсы могут усиливать или уменьшать импульс. Синапсы можно рассматривать как приоритеты входящих сигналов. Сигнал от одного нейрона может быть более важным (синапс усиливает импульс), чем от другого (синапс снижает импульс). Каждый синапс имеет свою «силу» - ее называют весом синапса. Вес синапса - это его способность усиливать или уменьшать входящий импульс.

Модель биологического нейрона.

Дендриты – вход нейрона (прием) входящих импульсов)

Сома – тело нейрона (отвечают за обработку входящих импульсов)

Аксон – выход нейрона (через него передается обработанный импульс)

Синапсы (м/у дендритами и аксонами других нейронов) – регулирование (вверх, вниз) входящих импульсов; расставляют приоритеты входящих сигналов

Вес синапса – сила, способность регулировать входящих импульс.

Если суммарный импульс в соме превышает ее пороговое значение, то нейрон активизируется.

Математическая модель искусственного нейрона.

х – суммарный импульс



х1, х2, х3 – исходные данные, поступившие в нейронную сеть

w1, w2, w3 – коэффициенты, играют роль весов синапса

f(x) - функция активации (передаточная функция)

Матем. Процесс:

1 а – пороговое значение

х = x1*w1 + x2*w2 + x3*w3

2. Если х>a то нейрон расчитывает функции активации и передают импульс дальше

Обучение нейросети.

Для того чтобы нейросеть начала работать (решать задачи), необходимо выполнить два этапа:

выбрать архитектуру нейросети;

обучить нейросеть (подобрать веса).

Обучение нейросети осуществляется по принципу обратной связи.

Обучить нейронную сеть - значит, сообщить ей, чего мы от нее добиваемся. Этот процесс очень похож на обучение ребенка алфавиту.

Для обучения подбирается ряд успешных примеров решения поставленной задачи. Примеры включают исходные данные и ответы, которые мы бы хотели получать от нейросети.

Количество необходимых примеров зависит от сложности задачи. Одно из простейших эвристических правил гласит, что число примеров должно быть в десять раз больше числа связей в сети. Для большинства реальных задач бывает достаточно нескольких сотен или тысяч примеров.

Генетические алгоритмы – понятие, причины возникновения.

ГА –алгоритмы решения задач оптимизации имитирующие процессы биологической эволюции. Методы решения задач оптимизации: Переборный – перебираем все допустимые или возможные варианты решения и выбираем наилучший, с точки зрения критериев. Градиентный – задается начальная точка, затем осуществляется поиск направления, в котором нужно двигаться, чтобы найти лучшее решение (надстройка «поиск решения»).

Модель биологической эволюции, кроссинговер.

Эволюция –процесс оптимизации живых организмов. Оптимизация –приспособление организмов к условиям внешней среды.

Основные механизмы: 1.естественный отбор –наиболее приспособленные имеют больше возможности на выживание, размножение. Сам по себе не обеспечивает эволюцию;2.генетическое наследование -обеспечивает большую приспособленность потомка, чем естественный отбор.

Кроссинговер –процесс обмена участками ДНК, обеспечивает разнообразие внутри вида.

Кроссинговер (от англ. crossingover), перекрест, взаимный обмен участками парных хромосом, происходящий в результате разрыва и соединения в новом порядке их нитей; приводит к перераспределению (рекомбинации) сцепленных генов. Т. о., Кроссинговер — важнейший механизм, обеспечивающий комбинаторную изменчивость, а следовательно, — один из главных факторов эволюции.

Пример поиска глобального экстремума функции с помощью ген. алгоритма.

(ЛЕКЦИЯ)

Агенты, свойства.

Агенты –это компьютерные программы, которые самостоятельно решают поставленные пользователем задачи. Агенты (с лат. – вести, действовать.)

Свойства агентов:

1)Реактивность (реакции) - агенты воспринимают и реагируют на окружающую среду. Восприниматели: изображение через видеокарту, через клавиатуру, общая память.

2)Автономность – для создания самозапуска не нужно вмешательство пользователя.

3)Целенаправленность - агент имеет глобальную цель для достижения. Для достижения сущ-щей локальной цели.

4)Непрерывность функционирования - агент нах-ся в исполняемом процессе

5)Коммуникативность - агент может общаться с другими агентами, людьми; общение, запрос.

6)Обучаемость (адаптивность) - агенты обучаются на основании предыдущих действий и результатов, полученных действий. Результатами яв-ся нейронные сети

7)Мобильность - агент перемещается по сети

8)Гибкость - поведение агента яв-ся непростым выбирает одно из альтернативных вариантов поведения.

Программный агент StaffCop.

Программа StaffCop состоит из двух модулей - администраторского, который устанавливается на компьютер администратора, и пользовательского (агента). Агенты осуществляют сбор информации об активности сотрудников и передают ее администраторскому модулю. Агент представляет собой драйвер небольшого размера, работающий как служба Windows. Агент может работать в двух режимах: как обычная программа либо как программа-шпион (в невидимом режиме) -пользователь компьютера

не будет знать, что за ним ведется наблюдение.

Поисковые и коммерческие агенты.

Поисковые агенты: При обработке почти любого мыслимого запроса поисковый сервер может предложить сотни тысяч ссылок, просмотреть адреса всех этих ссылок совершенно нереально, не говоря уже о сайтах, на которые они ссылаются.

Поисковик сортирует ссылки по релевантности (соответствие запросу), но лично Вам последовательность предъявления ссылок может не подойти.

Цель поисковых агентов - извлечение только нужных пользователю данных. Для этого в поисковых агентах используется технологии нейронных сетей (распознавание образов и обработка графической информации), интерпретации текстов на естественном языке.

Коммерческие агенты:

С помощью программных агентов автоматизируют деловые процедуры - заключение коммерческих договоров между агентами покупателя и продавца в реальном режиме времени.

Встречаясь в Интернет, агенты покупателей и продавцов могут заключать коммерческие сделки. Эти агенты ищут в Сети необходимый товар по указанной цене и могут автоматически оформить заказ, воспользовавшись номером кредитной карточки хозяина.

Широкое распространение таких агентов пока ограничивают условия информационной безопасности..

Коллаборативная фильтрация.

Коллаборативная фильтрация - это технология поиска информации на основе анализа предпочтений пользователей.

В основе технологии лежит предположение о том, что если люди имеют общие интересы в одной сфере, то и в другой сфере их интересы будут близки.

Коллаборативная фильтрация позволяет давать автоматические прогнозы о предпочтениях пользователя. Прогнозы даются на основе информации о вкусах других пользователей, объединенных в группы по интересам. Специальные программы анализируют вкусы человека и определяют для него группу со схожими предпочтениями.

Обычно коллаборативная фильтрация используется интернет-сервисами, например сайтами по продаже книг, дисков и программного обеспечения.









Не нашли то, что искали? Воспользуйтесь поиском гугл на сайте:


©2015- 2019 zdamsam.ru Размещенные материалы защищены законодательством РФ.