Конспект лекций по дисциплине «Системы искусственного интеллекта»




НазваниеКонспект лекций по дисциплине «Системы искусственного интеллекта»
страница4/11
Дата05.09.2012
Размер1.15 Mb.
ТипКонспект
1   2   3   4   5   6   7   8   9   10   11

Лекция 4. Представление знаний. Cемантические сети и системы фреймов.


Семантические сети наряду с системами правил являются весьма распространенным способом представления знаний в интеллектуальных системах. Особое значение этот способ представления знаний приобретает в связи с развитием сети интернет. Кроме ряда особенностей, позволяющих применять семантические сети в тех случаях, когда системы правил не применимы, семантические сети обладают следующим важным свойством: они дают возможность соединения в одном представлении синтаксиса и семантики или синтаксического и семантического аспекта описаний знаний предметной области. Происходит это благодаря тому, что в семантических сетях наряду с переменными для обозначения тех или иных объектов (элементов множеств, некоторых конструкций из них) присутствуют и сами эти элементы и конструкции; присутствуют и связи, сопоставляющие тем или иным переменным множества допустимых интерпретаций. Эти обстоятельства позволяют во многих случаях резко уменьшить реальную вычислительную сложность решаемых задач.


4.1. Простые и расширенные семантические сети.

Понятие семантической сети возникло в 1966 г. году в работах М.Р.Квиллиана [7] при попытке описания семантики глагола с помощью графа специального вида. Это описание было составлено из вершин, в которых находились лексические единицы анализируемого предложения и «ассоциативных» дуг, служащих для описания ссылок одних вершин на другие. Для таких описаний М.Р. Квиллиан ввел термин «семантическая память». Каждой вершине в семантической памяти соответствовала некоторая «страница», содержащая определение соответствующего вершине понятия. Каждый из указателей относился к одному из следующих типов: подкласс, дизъюнкция, конъюнкция, свойство, субъект.

Такие структуры обладали некоторыми дедуктивными свойствами, порождаемыми отношениями «подкласс» и «свойство». Один из механизмов вывода в семантической сети Квиллиана состоял в распространении активности и поиске по пересечению. Пути от начальных вершин к общей вершине определяют некоторое отношение между двумя лексическими единицами. Иначе говоря, речь шла об обнаружении неявно (имплицитно) заданной информации для дальнейшего ее использования в интеллектуальной системе.

Роберт Ковальский из Эдинбурга в 1979 г. [8] ввел понятия простых и расширенных семантических сетей, использовав клаузальную логику для их определения.

Для рассмотрения семантических сетей такого вида вернемся к языку исчисления предикатов первого порядка, а именно, к его клаузальной форме.

Клауза есть выражение вида B1 , B2 ,..., Bm  A1,...,An

где B1 , B2 ,..., Bm суть атомарные формулы, n и m.

Атомарные формулы A1,...,An суть совместные посылки клаузы, а B1 , B2 ,..., Bm суть альтернативные заключения. (Множество клауз совместно, если оно истинно в одной из моделей языка).

Если клауза содержит переменные x1, x2,…,xk, то она соответствует формуле с квантором всеобщности: x1, x2 ,…, xk (B1 B2 ... Bm, если A1^,…,^ An.)

Если n=0, то клаузу следует интерпретировать так:

 x1, x2,…, xk, (B1 B2 ... Bm.). Если m=0, то интерпретация такова:  x1, x2,…, xk A1^,…,^ An.

Если n=m=0 то клауза является тождественно ложным высказыванием и записывается .

Если клауза содержит не более одной атомарной формулы в заключении, т.е.m1, то клауза называется клаузой Хорна или Хорновской клаузой.

Простая семантическая сеть может рассматриваться как форма записи утверждений клаузальной логики без свободных переменных. Например, клауза P(a,b)  в языке простых семантических сетей изображается как дуга, помеченная меткой P и направленная из a в b:




a P b

рис.1.3.1.

В расширенных семантических сетях, как и в простых, вершины сопоставляются индивидам, а ребра – бинарным отношениям.

Однако, вершины в расширенных семантических сетях могут соответствовать константным символам, переменным или термам, содержащим функциональные символы. Атомарные формулы, соответствующие условиям клауз описываются с помощью двойных дуг, а заключения - одинарных. Клаузы, содержащие более одной атомарной формулы, можно выделять как подсети. Например, расширенная семантическая сеть на рис.1.3.2.

нравится

Мэри X

нравится нравится



Боб

Джон логика

Является нравится нравится



Человек у




Рис.1.3.2.


соответствует множеству клауз:

Джону нравится Мери 

Джон является человеком

Мери нравится Джон, Мери нравится БобМери нравится x

Бобу нравится yy нравится логика

Наклонная прямая отделяет подсеть, содержащую условия (левая верхняя полуплоскость) от подсети заключений.

Помимо изобразительных возможностей, семантические сети обладают более серьезными достоинствами. То обстоятельство, что вся информация об индивиде представлена в единственном месте – в одной вершине, означает, что вся эта информация непосредственно доступна в этой вершине, что, в свою очередь сокращает время поиска, в частности, при выполнении унификации и подстановки в задачах логического вывода.

Существует еще одна, более тонкая особенность расширенных семантических сетей – они позволяют интегрировать в одном представлении синтаксис и семантику (т.е. интерпретацию) клаузальных форм. Это позволяет в процессе вывода обеспечивать взаимодействие синтаксических и семантических, теоретико-модельных подходов, что, в свою очередь, также является фактором, зачастую делающим вывод более эффективным.


4.2. Универсум Эрбрана и семантические сети.


Здесь мы развернем тезис, сформулированный в последнем абзаце предыдущего раздела. Пусть задано некоторое множество клауз. Попытаемся «экономным» способом построить для него модель. Это означает, что следует выбрать некоторый универсум и указать соответствие между константами и иными конструкциями языка и объектами этого универсума и конструкциями из них. Следуя принципу экономии, мы не будем вводить специальных имен для элементов модели, поэтому выберем в качестве универсума такое множество, которое включает все константы, встречающиеся в множестве клауз и все термы, построенные из них с помощью функциональных символов, встречающихся в множестве клауз. Такое множество называется универсумом Эрбрана.

Иначе говоря, интерпретация I есть в данном случае тождественное отображение из множества термов в себя. Далее, доведя принцип экономии до предела, мы используем n – местные предикатные символы, встречающиеся в клаузах, для обозначения соответствующих им при отображении I n – арных отношений над элементами универсума.

Рассмотрим простой пример.

Пусть задано множество клауз.

Всякий человек, который является хозяином собак, не является хозяином кошек.

Джон является хозяином Линды

Петя является хозяином Мурки

Введем бинарные предикатные символы P – быть хозяином и Q – не быть хозяином. Тогда клаузальная форма этих утверждений имеет следующий вид:

Q(человек, кошка) P(человек, собака)

P(Джон, Линда) 

P(Петя,Мурка) .

Для полноты картины введем еще один предикатный символ, означающий принадлежность экземпляра (примера) общему понятию. В теории интеллектуальных систем его принято обозначать ISA (“is a” - третье лицо единственного числа английского глагола to be):

ISA (Джон, человек) 

ISA (Петя, человек) 

ISA (Линда, собака) 

ISA (Мурка, кошка)

(Иногда этот предикатный символ используется в инфиксной нотации, например, «Джон ISA человек», но это не имеет существенного значения).

Представим теперь описанную ситуацию в виде расширенной семантической сети (рис.1.3.3).

Петя Линда




Джон

Мурка Собака




Человек


Кошка


Рис.1.3.3.


На рис. 1.3.3. каждому предикатному символу соответствует свой тип линии, а именно:

P -

ISA -

Q -

Направление стрелки указывает порядок следования аргументов в формуле.

Если сопоставить этот рисунок со сказанным об универсуме Эрбрана, то легко видеть, что закрашенные вершины соответствуют элементам, а пары (Петя, Мурка), (Джон, Линда) – элементам отношений универсума Эрбрана, а именно – отношению P. Что касается пар (Мурка, кошка), (Линда, собака) (Петя, человек) и (Джон, человек), принадлежащих отношению ISA, то они связывают синтаксис с семантикой или синтаксические элементы “Кошка”, “Собака” и “Человек”, являющиеся именами общих понятий, с примерами этих понятий.

Оставив более детальное изучение полезных свойств универсума Эрбрана для последующих глав, используем нотацию расширенных семантических сетей для ответа на вопрос “Является ли Джон хозяином Мурки?” Для решения этой задачи вначале совместим пары закрашенных вершин с парами незакрашеных по ISA ребрам, при этом метка ребра пары закрашенных вершин должна совпадать с меткой ребра пары незакрашенных вершин. Затем проделаем такую же операцию с интересующими нас целевыми вершинами (т.е. совместим их с не закрашенными вершинами по ISA – связям) в результате чего немедленно получим, что Джон не является хозяином Мурки. Этот простой пример есть пример вывода на расширенной семантической сети.

В 1986 году В.Н. Вагиным [9] были предложены раскрашенные семантические сети. В отличие от расширенных семантических сетей, в раскрашеных семантических сетях вершины соответствуют клаузам, их условиям, заключениям и предикатным символам, в них входящим, а ребра, связывают условия и заключения клауз с вершинами, соответствующими клаузам. Далее, атомарные формулы, входящие в условия и заключения соединяются ребрами с вершинами, соответствующими условиям и заключениям и, наконец, индивидные символы соединяются ребрами с вершинами, соответствующими атомарным формулам. Кроме того, введены специальные правила раскраски семантических сетей. Они таковы: для каждой клаузы A  B условие и заключение “раскрашиваются” различными цветами. Это правило распространяется также на тот случай, когда как условие, так и заключение состоят более чем из одной атомарной формулы. Раскрашенные сети позволяют более эффективно, чем предыдущие представления, организовать процесс параллельной дедукции. Более подробную информацию о них можно почерпнуть из литературы, указанной в конце книги.

В 1987 году автор этих строк [10] ввел понятие неоднородных семантических сетей.

Приведем краткое описание этого способа представления знаний.


4.3. Неоднородные семантические сети.

Неоднородная семантическая сеть (НСС) – семейство графов, имеющих общее множество вершин; вершинам сопоставлены объекты моделируемой действительности, ребрам - элементы некоторых бинарных отношений на множестве вершин; ребрам же сопоставлены процедуры, предназначенные для проверки корректности сети и порождения различного рода гипотез, повышающих эффективность процесса построения сети. Подробнее о роли таких процедур будет сказано в главе, посвященной приобретению знаний.

НСС предназначены для описания, главным образом, таких областей, которые можно отнести к плохо структурированным, т.е. областей, для которых не известен полный набор свойств их индивидов, не полностью известна структура самих индивидов, а знания об индивидах и их взаимосвязях и зависимостях не имеют «готового», завершенного вида, такого, например, который описывается с помощью правил. При этом предполагается, что те связи и зависимости, которые удается, всё же, установить, носят локальный характер.

.


Определение 1.3.1. Неоднородной семантической сетью будем называть алгебраическую систему

H=<D, N, R, F> , где


D={ D1, D2,..., Dn} - семейство непустых множеств;

N  N – выделенное подмножество множества слов конечной длины над некоторым алфавитом;

R - семейство бинарных отношений R1, R2,...,Rq на N2; Ri N2 ; i{1, 2, …, q}.

F ={f1,f2,...,fm} семейство функций, каждой из которых приписан некоторый тип. А именно, функция fi (i{1,2, …, m}) имеет тип <, > , где  = k1, k2, …, km если она определена на декартовом произведении D k1 x D k2 x ... x D km , а областью её значений является множество D , так что каждому кортежу   D k1 x D k2 x ... x D km функция f i типa <, > из F ставит в соответствие некоторый элемент f() из D. То обстоятельство, что fi имеет тип <, > будем обозначать <, > (fi).

Неоднородную семантическую сеть, определенную таким образом, будем называть интенсиональной семантической сетью.


Лекция 5. Рассуждения. Автоматизация дедуктивных рассуждений.


Вначале приведём краткую характеристику основных процедур рассуждений, таких как дедукция, индукция, аналогия, рассуждения на основе прецедентов, абдукция и аргументация. Затем более детально рассмотрим методы автоматизации некоторых из названных типов рассуждений в вычислительных системах. Начнем с дедуктивных рассуждений.

Дедуктивное рассуждение - это последовательность дедуктивных умозаключений. Дедуктивным называют такое умозаключение, в котором из знания большей степени общности выводится знание меньшей степени общности. Первые точные схемы дедуктивных умозаключений принадлежат Аристотелю (384-322 г.г. до нашей эры). Эти схемы носят название силлогизмов. К числу основных силлогизмов Аристотеля относятся категорический силлогизм, условный силлогизм, разделительный силлогизм, условно-разделительный силлогизм; сокращенные, сложные и сложносокращенные силлогизмы или энтимемы.

Каждый из силлогизмов имеет несколько разновидностей, отличающихся друг от друга количеством и качеством посылок и называемых модусами. Связано такое разделение с тем, что все суждения по своему качеству делятся на четыре вида: общеутвердительные, общеотрицательные, частноутвердительные и частноотрицательные.

Так, простой категорический силлогизм состоит из трех суждений, два из которых выступают в качестве посылок, а одно – заключение. Первая из посылок носит общеутвердительный характер, вторая посылка и заключение могут носить частноутвердительный характер. Например, «Каждый студент должен владеть дедуктивным методом», «Сидоров – студент»; «Сидоров должен владеть дедуктивным методом». Здесь до точки с запятой приведены посылки, а после точки с запятой – заключение силлогизма.

Существует определенный набор правил работы с силлогизмами, определяющих корректность их применения. Можно считать, что именно с этими событиями связано возникновение науки под названием логика.

С середины 19 века (Дж.Буль, 1847, О. де Морган, 1858) появились первые работы по формализации аристотелевой логики. Г.Фреге (1848) и Ч.Пирс (1885) ввели в логику предикатные переменные, предметные переменные и кванторы. В ходе последовавших затем работ по применению логического подхода к изучению оснований математики был создан богатый логический аппарат и оформилась математическая научная дисциплина под названием математическая логика.

В классической математической логике основными правилами дедуктивных рассуждений являются аксиомы и правила вывода.

Например, правило модус поненс (правило отделения):

если А. B и C – формулы,

то из выводимости А и В  С следует выводимость С;

или аксиомы:

(А  В)  (В  А)

Дедуктивные рассуждения относят к числу достоверных рассуждений.

Индуктивные рассуждения основаны на индуктивных умозаключениях. Индуктивным называют умозаключение от знания меньшей степени общности к знанию большей степени общности, от частного к общему, от фактов к обобщениям. Индукция эффективна при выдвижении гипотез, нахождении причинных связей явлений. Индуктивные заключения, вообще говоря, не относятся к числу достоверных; их следует назвать правдоподобными. Различается два вида индукции: полная и неполная. Полной индукцией называют индуктивное умозаключение, в котором заключается, что все представители рассматриваемого класса обладают определенным признаком на том основании, что этим признаком обладает каждый из представителей этого класса. (Пример - индуктивные рассуждения в математике, полная математическая индукци, неотъемлемым шагом которой является дедуктивное умозаключение).

Неполной индукцией называется такое индуктивное умозаключение, в котором заключается, что все представители рассматриваемого класса обладают определенным признаком на том основании , что этим признаком обладают некоторые представители этого класса.

Различают также популярную индукцию и научную индукцию. В основе этого различения лежат способы обоснования заключения. В популярной индукции вывод обо всех элементах класса делается на основании исследования некоторых элементов класса при отсутствии противоречащих примеров. В отличие от этого, в научной индукции производится анализ и отбор фактов, исключающих случайность обобщения. Умозаключения научной индукции основаны на изучении причинной связи явлений.

Для изучения причинной связи явлений Дж.С. Миль предложил метод сходства, метод различия, метод сходстваразличия . Существуют и иные методы изучения причинной связи явлений.

Метод сходстваэто умозаключение о причине явления, основанное на сравнении двух или более групп факторов, при наличии которых наступает это явление. Если все случаи наблюдаемого явления имеют только один общий фактор, то этот общий фактор и является причиной рассматриваемого явления.

Метод различия – это умозаключение о причине явления, основанное на сравнении случаев, в которых исследуемое явление наступает и не наступает. Если оба случая сходны по всем факторам, кроме одного, и этот фактор присутствует в случае, когда явление наступает, то он является причиной рассматриваемого явления. Методы индуктивных рассуждений особенно востребованы в исследованиях открытых систем.

Абдукция - это способ порождения гипотез, основанный на переходе от частного суждения к частному. В простейшем случае она имеет следующую форму: « из А и В влечет А выводится В. Абдуктивная гипотеза В может рассматриваться как возможное объяснение А. Разумеется этот способ рассуждений также относится к числу правдоподобных.

Аналогией называют перенос свойств некоторого единичного явления, процесса или предмета на другое единичное явление, процесс или предмет если между ними замечено сходство их существенных свойств. Различают строгую и нестрогую или простую аналогию.

При строгой аналогии должно быть достоверно установлено, что переносимый признак предмета А с необходимостью связан с признаками сходства. Тогда это обстоятельство служит достаточным основанием для достоверного переноса этого признака на предмет В.

При простой аналогии зависимость между признаками сходства и переносимым признаком носит правдоподобный характер.


5.1. Автоматизация дедуктивных рассуждений. Поиск доказательств теорем методом резолюций.


Многие интересные и практически важные задачи могут быть сформулированы как задачи доказательства теорем в подходящем логическом исчислении.

Перечислим некоторые из таких задач.

  1. Дедуктивные вопросно – ответные системы. В вопросно – ответных системах факты могут быть представлены логическими формулами. Тогда для ответа на некоторый вопрос следует доказать, что формула, соответствующая ответу, логически выводима из фактов.

  2. Задача анализа программ. В задаче анализа программ выполнение программы можно описать формулой А, а условие завершения работы программы – формулой В. Тогда проверка того, что программа завершит работу эквивалентна доказательству того, что формула В следует из формулы А

  3. Задача синтеза программ. Если условие и результат задачи можно представить в виде логических формул, то решение задачи можно рассматривать как логический вывод результата из формул условия.

Программа же решения задачи извлекается в этом случае из вывода.

  1. Изоморфизм графов. Часто требуется выяснить, изоморфен ли граф подграфу другого графа. Задача может быть сформулирована как задача выводимости формулы, представляющий один граф из формулы, представляющей другой граф.


Поскольку все перечисленные задачи относятся к трудным вычислительным задачам, то через некоторое время после появления вычислительных машин, а именно, во второй половине 60-х годов наблюдался резкий всплеск интереса к машинному автоматическому поиску доказательств теорем.

На самом деле поиск универсальной разрешающей процедуры для проверки общезначимости формул был начат еще Лейбницем в 17 веке. В дальнейшем эти попытки возобновили Пеано (на рубеже 20 века) и Гильберт со своими учениками в 20-х годах 20 века.

Эти попытки продолжались до тех пор, пока Черч и Тьюринг в 1936 году не доказали, что никакой общей разрешающей процедуры для проверки общезначимости формул не существует, иначе говоря, не существует универсального алгоритма, проверяющего общезначимость формул в логике первого порядка.

Это не означает, однако, что общезначимость формулы установить невозможно. Существуют алгоритмы, которые могут установить, что формула общезначима, если она на самом деле общезначима. Если же она не является общезначимой, то эти алгоритмы вообще говоря, никогда не закончат свою работу. Это лучшее, что можно ожидать от универсальных алгоритмов поиска доказательства.

Теоретические основы соответствующих компьютерных методов были заложены в 1930 г. Эрбраном. Первые же практически важные шаги на пути создания программ автоматического доказательства теорем были сделаны после основополагающих работ С.Ю.Маслова [17] об обратном методе установления выводимости в классическом исчислении предикатов и Дж.А.Робинсона [18] о методе резолюций , выполненных ими независимо в 1964 и 1965 годах, соответственно.


Скулемовская стандартная форма.



При поиске доказательства методом резолюций используются так называемые Скулемовские стандартные формы формул исчисления предикатов первого порядка.

При приведении формулы к Скулемовской стандартной форме используются следующие соображения:

  1. Формула логики первого порядка может быть приведена к предваренной нормальной форме, в которой все кванторы содержатся в префиксе (т.е. ни одному квантору не предшествует предикатный символ).

  2. Матрица (т.е., часть формулы, следующая за префиксом и не содержащая кванторов) может быть сведена к коньюктивной нормальной форме.

  3. В формуле можно элиминировать кванторы существования с помощью скулемовских функций.


Рассмотрим вначале метод приведения формулы к предваренной нормальной форме [19]. Для этого рассмотрим основные законы эквивалентности в логике первого порядка. Здесь мы полагаем, что х и y являются свободными переменными в А и В, соответственно:


  1. -









  2. .


Имеется и ряд других эквивалентностей, которые будут использоваться по мере необходимости.

Здесь уместно заметить, что квантор всеобщности  и квантор существования  нельзя проносить через дизъюнкцию и конъюнкцию, соответственно, т.е.






В таких случаях, надо вспоминать, что связанная переменная – лишь место для подстановки какой угодно переменной и, следовательно, каждую связанную переменную можно переименовать. Например, формулу





можно преобразовать в формулу где z не встречается в А(x). Тогда




Аналогичным образом преобразуется и формула





Далее, формулу следует привести к следующему виду:

(Q1х1).. (Qnхn)(M),


где каждое Qiхi (i=1,2,…,n) есть или (xi ) или (xi),а М есть формула, не содержащая кванторов. Такой вид и будет называться предваренной нормальной формой.

Тогда (Q1х1).. (Qnхn) называют префиксом, а М- матрицей формулы


Опишем теперь кратко алгоритм приведения формул к предваренной нормальной форме [17]:


  1. Если в формуле присутствуют логические связки

  • и , то применим к ней законы






для исключения этих связок.

2.Если перед формулой имеется знак отрицания, то используем законы

(F) = F



и законы



,

для того чтобы пронести знак отрицания внутрь формулы.

3.Если необходимо, переименовываем связанные переменные.

  1. Выносим кванторы в начало формулы, для чего используем законы





Далее следует М - матрицу формулы привести к конъюнктивной нормальной форме.

Для этого введем следующие определения:

Определение 5.1. Литерой будем называть атомарную формулу или ее отрицание.

Определение 5.2. Формула F находится в конъюнктивной нормальной форме тогда и только тогда, когда F имеет вид

n

1, а каждая F1 ,F2,…,F n есть дизъюнкция литер.

Приведем схематическое описание процедуры преобразования к конъюнктивной нормальной форме (впрочем, следует заметить, что эта же схема годится и для дизъюнктивной нормальной формы):

1. Элиминируем логические связки и применяя эквивалентности





2.Проносим знак отрицания к атомам, используя, (возможно, несколько раз) законы.

(F) = F



3.Используем (возможно, несколько раз) законы





для получения нормальной формы.


После выполнения соответствующих процедур, для приведения формулы к Скулемовской нормальной форме осталось элиминировать кванторы существования. Это выполняется следующим образом:

пусть формула имеет вид (Q1х1).. (Qnхn)(M), где М есть конъюнктивная нормальная форма и пусть некоторое Qi есть квантор существования в префиксе (Q1х1).. (Qnхn)(M).

Если в указанном префиксе левее Qi нет никакого квантора всеобщности, выбирается новая константа c, отличная от всех иных констант, входящих в М и все xi в М заменяются на с. Если же левее Qi встречаются кванторы всеобщности Q,…,Q выбирается новый m-местный функциональный символ f, отличный от всех иных функциональных символов в М, то все xi в М заменяются на f(x,…,x) и (Qixi)вычеркивается из префикса. Затем это процесс применняется ко всем кванторам существования в префиксе. Последняя из полученных таким образом формул и есть скулемовская нормальная форма. Константы и функции, используемые для замены переменных, связанных кванторами существования, называются скулемовскими функциями.

Введем понятие дизъюнкта:

Определение 5.3.Дизъюнкция литер называется дизъюнктом.

Далее, там где это будет удобно, будем рассматривать как синоним дизъюнкта множество литер.
1   2   3   4   5   6   7   8   9   10   11

Похожие:

Конспект лекций по дисциплине «Системы искусственного интеллекта» iconКонспект лекций по дисциплине "Программное обеспечение интеллектуальных систем". Для магистров специальности 5А521902
Целью данного курса является приобретение знаний по разработки и реализации основных элементов систем искусственного интеллекта
Конспект лекций по дисциплине «Системы искусственного интеллекта» iconЛабораторная работа №1 по дисциплине “Системы искусственного интелекта
Исчисление предикатов первого порядка является теоретической основной множества формализмов методов искусственного интеллекта. Задачи...
Конспект лекций по дисциплине «Системы искусственного интеллекта» icon«шаг за шагом» создание искусственного интеллекта гашева Светлана
Интеллект рассматривают как прикладную область исследований, связанных с имитацией отдельных функций интеллекта человека [6]. Распознавание...
Конспект лекций по дисциплине «Системы искусственного интеллекта» iconУчебно-методический комплекс по дисциплине “основы искусственного интеллекта”
...
Конспект лекций по дисциплине «Системы искусственного интеллекта» icon«Основы искусственного интеллекта»
Рабочая учебная программа по дисциплине «Основы искусственного интеллекта» для ооп «050100 Физика и информатика по циклу б в. 13...
Конспект лекций по дисциплине «Системы искусственного интеллекта» iconРабочая программа дисциплины «Системы искусственного интеллекта»
Рабочая программа основана на требованиях Федерального государственного стандарта высшего профессионального образования по направлению...
Конспект лекций по дисциплине «Системы искусственного интеллекта» iconУчебно-методический комплекс по дисциплине “основы искусственного интеллекта” для специальности
...
Конспект лекций по дисциплине «Системы искусственного интеллекта» iconУчебно-методический комплекс по дисциплине “основы искусственного интеллекта” для специальности
...
Конспект лекций по дисциплине «Системы искусственного интеллекта» iconВ. К. Финн к структурной когнитологии: феноменология сознания с точки зрения искусственного интеллекта
Ки и искусственного интеллекта – полигона экспериментальной проверки научных средств имитации рациональности и продуктивного мышления....
Конспект лекций по дисциплине «Системы искусственного интеллекта» icon1. интеллектуальные системы
Системы искусственного интеллекта, решающие задачи по обработке знаний и при этом проявляющие черты, сходные с чертами естественного...
Разместите кнопку на своём сайте:
Библиотека


База данных защищена авторским правом ©lib.znate.ru 2014
обратиться к администрации
Библиотека
Главная страница