Professional Documents
Culture Documents
ИНТЕЛИГЕНЦИЈЕ
План: Семестар V (3+1+1)
Студијски програм: РИ
Студијски програм: ЕА; Усмјерење: Аутоматика
Предавања: Проф. Др Милорад Божић
Вјежбе: Александар Ацо Марковић
Области које се изучавају у оквиру
предмета
Системи вјештачке интелигенције (ВИ).
Процедурални, продукциони и системи
засновани на подацима. Хеуристичко
рјешавање проблема. Генетички алгоритми.
Фазифицација, фази инференција, и
дефазификација. Алати фази логике у
MATLAB-у. Архитектура и пројектовање
експертних система. Архитектуре неуронских
мрежа (НМ). Алгоритми обучавања.
Вишеслојне НМ. Алгоритам пропагације
грешке уназад (Backpropagation). Рекурзивне
НМ. Експертни системи засновани на НМ.
Предуслови за праћење
Посједовање знања
интелигенције или
разумијевање
• ВИ игра важну улогу код испоруке пакета при чему се користе технике
претраживања, планирања и оптимизације у случајевима милиона
пакета и могућег избора, напримјер, више хиљада камиона и авиона
које стоје на располагању.
Аутономна возила
• Стварни задатак
1.Моделовање, гдје се
замeтни проблеми из реалног
свијета преводе у формалне
математичке објекте – моделе;
Моделовање
2. Алгоритме, помоћу којих се
проналазе ефикасни начини
за рјешавање формалних
Формални задатак (модел)
задатака из 1. етапе.
3.Моделе је могуће анализирати
Алгоритми помоћу рачунара.
4.Нажалост, модели су само
боља или лошија апроксимација
Програм реалности.
Парадигма: моделовање(1)
• Узмимо примјер система ВИ за навигацију у неком граду.
Реални свијет:
Модел:
Парадигма: инференција
• Инференција је давање одговора у складу са датим моделом.
Напримјер, имајући модел града у форми графа, могуће је
поставити питање која је накраћа путања између два мјеста у
граду или која је путања са најмањим утрошком горива и сл.
Inferencija
Predikcija
Парадигма: Учење
Podaci
Učenje
Model sa parametrima
Парадигма: Учење(1)
• Треба имати у виду да су реални проблеми (реални свијет)
веома комплексни, па су отуда уобичајено и сами модели врло
сложени. Али јако сложени модели се не могу записивати ручно.
• Идеја иза (машинског) учења је да одговарајуће моделе
добијамо на основу сакупљених података. Умјесто
конструисања модела, конструише се одговарајући скелет
модела (бира се структура, односно фамилија модела), то јест
модел без параметара.
• Послије тога, ако на располагању имамо прави тип података (и
довољан број) користећи алгоритме машинског учења врши се
подешавање параметара изабраног модела.
Моделовање и алгоритми
Формални задатак
• Улаз: Дата је листа L=[x1,x2,..,xn] и функција
• Излаз: k елемената са највећом оцјеном
Примјер:
Моделовање
Podaci
Алгоритам учења
Програм
улаз излаз
параметри
Оптимизација
• Подсјетимо се да се поступком моделовања стварни проблеми
преводе у моделе који се рјешавају помоћу алгоритама. Моделе
можемо представити као оптимизационе проблеме, који
обезбјеђују математичку спецификацију шта се жели
израчунати.
• У оптимизационим проблемима се траже таква рјешења, за
неко x из ограниченог скупа C, у којима функција F(x) поприма
екстремно малу (или велику) вриједност.
• Два типа оптимизационих проблема који се често користе у ВИ:
- дискретни, који се рјешавају помоћу динамичког
програмирања,
- континуални, који се рјешавају неким од градијентних
поступака.
Оптимизација(1)
• Проблем инференције и учења се може посматрати као
проблем оптимизације што омогућава да се раздвоје
математичке спецификације шта се жели израчунати од начина
како се то израчуна.
• Дискретна оптимизација се углавном користи за рјешење
инференције, док се континуална користи првенствено за
рјешавање задатака машинског учења.
Оптимизација(2)
• Модели су оптимизациони проблеми:
• Аутономно возило