1 pdf soubor

Umělý život,
umělá inteligence
(neuronové sítě,
evoluční algoritmy,
a podobné věci)
Roman Neruda
Ústav informatiky AVČR
[email protected]
http://www.cs.cas.cz/~roman/ai
Od Darwina a Mendela ...
... k inteligentním agentům.
Umělý život
Odkazy:
●
Steven Levy: Artificial life. Pantheon books, New
York, 1992.
●
http://www.alife.org
●
http://www.his.atr.co.jp/~ray/
●
http://dllab.caltech.edu/avida/
●
http://biota.org/ksims/
●
http://www.frams.alife.pl/
●
http://www.cs.brandeis.edu/~zippy/alife-library.html
Základ života je ...
●
●
●
●
●
Duše (Aristoteles, ... )
Mechanisté: nic
(Descartes, Leibnitz)
Vitalisté: élan vital
(Henri Bergson),
např. elektřina
(Frankenstein)
Reprodukce
... reprodukce
●
John von Neumann
●
Celulární automaty
●
Sebe-reprodukující se
stroje
●
Ch. Langton (8 stavů)
●
Hra Life (Conway)
●
Lidský genom ~ 1GB
“Život” in silicio
●
T.S.Ray: Tierra
●
Avida
●
J. Hills: Connection
Machine
●
Karl Simms
●
Framsticks
●
Počítačové viry
Umělá inteligence
2 problémy
●
●
Umělá:
–
člověk s čipem v mozku,
–
geneticky modifikované organismy
Inteligence:
–
schopnost individua účelně jednat, rozumně
myslet a efektivně se vyrovnávat se svým okolím
–
a. The capacity to acquire and apply knowledge.
–
b. The faculty of thought and reason.
Turingův stroj a test
●
Alan Turing – základy
teorie výpočtů,
●
Turingův stroj
●
Turingův test:
●
Poznat muže/ženu
●
Poznat člověka/stroj
●
Eliza
●
Paradox čínského
pokoje
Umělá inteligence
●
Inteligentní chování
●
Učení
●
Schopnost adaptace
●
–
●
●
●
●
Symbolická
Expertní systémy,
formální logika
“Výpočetní”
Řízení
–
Neuronové sítě
Plánování
–
Evoluční algoritmy
–
Fuzzy logika
Rozpoznávání (řeč,
písmo, obrázky)
Evoluční algoritmy
Odkazy:
●
●
●
●
●
Holland: Adaptation in natural and artificial
systems, MIT Press, 1992.
Goldberg: Genetic algorithms in Optimization,
Search and Learning, Addison-Wesley, 1989.
Koza: Genetic Programming, I-III, MIT Press, 1992,
1994, 1999.
Mitchell: Introduction to GA, MIT Press, 1996.
Hitch-hiker's guide to EC:
http://www.faqs.org/faqs/ai-faq/genetic/
Princip Genetických Algoritmů
●
Gen = zakódované
řešení problému
●
Fitness
●
Populace genů
●
Selekce:
–
Ruleta
–
Turnaje
●
Mutace
●
Křížení
Genetické programování
●
●
Evoluce programů
Reprezentace
syntaktickými stromy
●
S-expressions, LISP
●
Křížení,
●
Mutace,
●
Procedury
Proč evoluce funguje?
●
Mutace = náhodné změny
●
Selekce = ”pohyb správným směrem”
●
●
Věta o schématech: GA rekombinují kompaktní
parciální řešení při hledání optima. Nadějná řešení
se množí exponenciálně.
Implicitní paralelismus: GA s n jedinci v populaci
pracuje zhruba jako n3 izolovaných hledačů.
●
Křížení: výměna informací
●
Zabraňuje uvíznutí v lokálních minimech.
Umělé neuronové sítě
Odkazy:
●
●
●
●
●
Haykin: Neural Networks, Prentice-Hall, 1999.
Hecht-Nielsen: Neurocomputing, Addison-Wesley,
Boston, MA, 1989.
Šíma, Neruda: Teoretické otázky neuronových sítí,
Matfyzpress, 1996.
http://www.gc.ssr.upm.es/inves/neural/ann1/anntut
orial.html
http://dsl.serc.iisc.ernet.in/~vikram/nn_intro.html
Perceptron
●
●
1943: McCulloch, Pitts:
formální neuron
1958: Rosenblatt:
perceptron
–
Lineárně separabilní
–
Učící algoritmus
–
Důkaz konvergence
–
Hardware
XOR
●
1969: Minsky, Pappert:
Perceptrons.
–
Neumí XOR
–
Sítě s více vrstavmi
asi nejde učit
–
Konec NS na 15 let
–
Kohonen, Hopfield,
Grossberg, Amari,
Rusové
Back Propagation
●
●
●
●
●
Učení sítě = nastavení
hodnot vah dle
tréningové množiny
Učení s učitelem
Nelineární optimalizace
- minimalizace chyby
Metoda největšího
spádu, apod.
Derivaci dE/dw lze
odvodit
Budoucnost ?
●
●
●
Hybridní metody:
–
Soft computing: EA+NS+Fuzzy
–
Soft + tradiční UI (symbolická)
–
Soft + hard computing (numerika, statistika)
Inteligentní (adaptivní) agenti:
–
Autonomní software,
–
Mobilní, komunikativní, sociální
–
Nálady, emoce, model dle lidské mysli
Všudypřítomné počítače (ubiquitus computing)
–
●
Smart devices, homes, matter, wearable comp.
Kyborgové?
Kyborgové?