تبلیغات
هوش مصنوعی
LOGO
همیشه جایی در پشت ذهنت به خاطر بسپار که اثر انگشت خداوند بر همه چیز هست...

سلام دوست عزیز به وبلاگ خودت خوش اومدی هرسوالی داشتی درموردکامپیوتر مطرح کنین آدرس ایمیلتونم بنویسین درعرض24ساعت جواب میدم.

دوشنبه 14 مرداد 1392







هوش مصنوعی (Artificial Intelligence) را باید عرصهٔ پهناور تلاقی و ملاقات بسیاری از دانشها، علوم، و فنون قدیم و جدید دانست. ریشه‌ها و ایده‌های اصلی آن را باید در فلسفه، زبان‌شناسی، ریاضیات، روان‌شناسی، نورولوژی، و فیزیولوژی نشان گرفت و شاخه‌ها، فروع، و کاربردهای گونه‌گونه و فراوان آن را در علوم رایانه، علوم مهندسی، علوم زیست‌شناسی و پزشکی، علوم ارتباطات و زمینه‌های بسیار دیگر.

هوش مصنوعی را به عنوان کوششهائی در پی ساختن رایانه های نظام مند ( سخت افزار و نرم افزار ) که رفتاری شبیه انسان داشته باشند ، بیان می کنند . یک سیستم هوش مصنوعی به راستی نه مصنوعی است و نه هوشمندبلکه دستگاهی است هدف گرا که مسائل را به روش مصنوعی حل می کند ، این سیستم ها بر پایه دانش ، تجربه و الگوهای استدلالی انسان به وجود آمده اند .

هدف هوش مصنوعی بطور کلی ساخت ماشینی است که بتواند «فکر» کند. اما برای دسته بندی و تعریف ماشینهای متفکر، می‌بایست به تعریف «هوش» پرداخت. همچنین به تعاریفی برای «آگاهی» و «درک» نیز نیازمندیم و در نهایت به معیاری برای سنجش هوش یک ماشین نیازمندیم..............

امروزه دانش مدرن هوش مصنوعی به دو دسته اصلی تقسیم می‌شود: یكی هوش مصنوعی سمبولیك یا نمادین (Symbolic AI) و دیگری هوش غیرسمبولیك كه پیوندگرا (Connection AI) نیز نامیده می‌شود.

هوش مصنوعی سمبولیك از رهیافتی مبتنی بر محاسبات آماری پیروی می‌كند و اغلب تحت عنوان "یادگیری ماشین" یا (Machine Learning) طبقه‌بندی می‌شود. هوش سمبولیك می‌كوشد سیستم و قواعد آن را در قالب سمبول‌ها بیان كند و با نگاشت اطلا‌عات به سمبول‌ها و قوانین به حل مسئله بپردازد. در میان معروف‌ترین شاخه‌های هوش مصنوعی سمبولیك می‌توان به سیستم‌های خبره (Expert Systems) و شبكه‌های Bayesian اشاره كرد.

یك سیستم خبره می‌تواند حجم عظیمی از داده‌ها را پردازش نماید و بر اساس تكنیك‌های آماری، نتایج دقیقی را تهیه كند. شبكه‌های Bayesian یك تكنیك محاسباتی برای ایجاد ساختارهای اطلاعاتی و تهیه استنتاج‌های منطقی از روی اطلاعاتی است كه به كمك روش‌های آمار و احتمال به دست‌ آمده‌اند. بنابراین در هوش سمبولیك، منظور از "یادگیری ماشین" استفاده از الگوریتم‌های تشخیص الگوها، تحلیل و طبقه‌بندی اطلاعات است.

این گرایش هوش مصنوعی ، بیشتر بر مدل سازی شناخت اعمال تأکید دارد و چندان خود را به قابلیت تعمق در بیولوژیک سیستم های ارائه شده مقید نمی کند.Case-Based Reasoning یکی از گرایش های فعال در این شاخه می باشد . به عنوان مثال روند استدلال توسط یک پزشک هنگام تشخیص یک بیماری کاملاً شبیه به CBR می باشد به این ترتیب که پزشک در ذهن خود تعداد بسیاری زیادی از شواهد بیماریهای شناخته شده را دارد و تنها باید مشاهدات خود را با نمونه های موجود در ذهن خویش تطبیق داده ، شبیه ترین نمونه را به عنوان بیماری بیابد . به این ترتیب مشخصات ، نیازمندی ها و توانائیهای CBR به عنوان یک چارچوب کلی پژوهش در هوش مصنوعی مورد توجه قرار گرفته است.

اما هوش پیوندگرا متكی بر یك منطق استقرایی است و از راه حل "آموزش/ بهبود سیستم از طریق تكرار" بهره‌ می‌گیرد. این آموزش‌ها نه بر اساس نتایج و تحلیل‌های دقیق آماری، بلكه مبتنی بر شیوه آزمون و خطا و <یادگیری از راه تجربه> است. در هوش مصنوعی پیوندگرا، قواعد از ابتدا در اختیار سیستم قرار نمی‌گیرد، بلكه سیستم از طریق تجربه، خودش قوانین را استخراج می‌كند. متدهای ایجاد شبكه‌های عصبی (Neural Networks) و نیز به‌كارگیری منطق فازی (Fuzzy Logic) در این دسته قرار می‌گیرند.

پیوندگرایی (Connectionism) هوشمندی را تنها حاصل كار موازی و هم‌زمان و در عین حال تعامل تعداد بسیار زیادی اجزای كاملاً ساده به هم مرتبط می‌داند.

شبكه‌های عصبی كه از مدل شبكه عصبی ذهن انسان الهام گرفته‌اند امروزه دارای كاربردهای كاملاً علمی و گسترده تكنولوژیك شده‌اند و كاربرد آن در زمینه‌های متنوعی مانند سیستم‌های كنترلی، رباتیك، تشخیص متون، پردازش تصویر،… مورد بررسی قرار گرفته است.

علاوه بر این كار بر روی توسعه سیستم‌های هوشمند با الهام از طبیعت (هوشمندی‌های ـ غیرازهوشمندی انسان) اكنون از زمینه‌های كاملاً پرطرفدار در هوش مصنوعی است..............



ادامه مطلب
ساعت ارسال 11:03 ب.ظ نویسنده: فرشته ملكزاده نظر: ()

نویسندگان

نظرسنجی

وبلاگمون چطور بود؟

آمار بازدید کل بازدید ها :
بازدید امروز :
بازدید دیروز :
بازدید این ماه :
بازدید ماه قبل :
آمار مطالب تعداد نویسندگان :
تعداد کل مطالب :
آخرین بروز رسانی :

درباره ما