Professional Documents
Culture Documents
AI-Chapter 2
AI-Chapter 2
ﻫﻮش ﻣﺼﻨﻮﻋﯽ
Artificial Intelligence
ﻧﺎم ﮐﺘﺎب :ﻫﻮش ﻣﺼﻨﻮﻋﯽ رﻫﯿﺎﺗﯽ ﻧﻮﯾﻦ
ﻫﻮش ﻣﺼﻨﻮﻋﯽ
ﻣﻮﻟﻒ :راﺳﻞ و ﻧﻮروﯾﮓ
ﻓﺼﻞ دوم-ﻋﺎﻣﻠﻬﺎي ﻫﻮﺷﻤﻨﺪ
ﻣﻬﺪي ﺑﺎزرﮔﺎﻧﯽ
داﻧﺸﮕﺎه آزاد اﺳﻼﻣﯽ زﻧﺠﺎن
ﻋﺎﻣﻞ ﻫﺎ و ﻣﺤﯿﻂ ﻫﺎ ﻋﺎﻣﻞ :ﻫﺮ ﭼﯿﺰي ﮐﻪ ﺑﺘﻮاﻧﺪ ﻣﺤﯿﻂ ﭘﯿﺮاﻣﻮﻧﺶ را از ﻃﺮﯾﻖ ﺣﺴﮕﺮﻫﺎ درك
١
٠٩/٢٩/١۴٣۶
][f: P* A
ادراك ﻫﺎ :ﻣﮑﺎن ﻫﺎ و ﻣﺤﺘﻮﯾﺎت آﻧﻬﺎ ،ﻣﺎﻧﻨﺪ ][A, Dirty
ﺑﺮﻧﺎﻣﻪ ﻋﺎﻣﻞ ﺑﺮاي اﯾﺠﺎد fﺑﺮ روي ﻣﻌﻤﺎري ﻓﯿﺰﯾﮑﯽ اﺟﺮا ﻣﯽ ﺷﻮد.
ﯾﮏ ﻋﺎﻣﻞ ﺑﺎﯾﺪ ﺑﺮ اﺳﺎس آﻧﭽﻪ ﮐﻪ ﻣﯽ ﺗﻮاﻧﺪ درك ﮐﻨﺪ و اﻋﻤﺎﻟﯽ ﮐﻪ ﻣﯽ ﺗﻮاﻧﺪ
اﻧﺠﺎم دﻫﺪ» ،ﮐﺎر درﺳﺖ را اﻧﺠﺎم دﻫﺪ« .ﻋﻤﻞ درﺳﺖ آن اﺳﺖ ﮐﻪ ﺑﺎﻋﺚ ﺷﻮد ﻋﺎﻣﻞ ﻋﻘﻼﻧﯽ اﯾﺪه آل :ﺑﺮاي ﻫﺮ دﻧﺒﺎﻟﻪ ادراﮐﯽ ﻣﻤﮑﻦ ،ﯾﮏ ﻋﺎﻣﻞ ﻋﻘﻼﻧﯽ
ﻋﺎﻣﻞ ﺑﯿﺸﺘﺮﯾﻦ ﻣﻮﻓﻘﯿﺖ را ﺑﺪﺳﺖ آورد. ﺑﺎﯾﺪ ﺑﺮ اﺳﺎس ﺷﻮاﻫﺪ درﯾﺎﻓﺘﯽ از دﻧﺒﺎﻟﻪ ادراﮐﯽ و داﻧﺶ دروﻧﯽ ،ﻋﻤﻠﯽ
ﻣﻌﯿﺎر ﮐﺎرآﯾﯽ :ﯾﮏ ﻣﻌﯿﺎر ﻫﺪف ﺑﺮاي ﺳﻨﺠﺶ ﻣﯿﺰان ﻣﻮﻓﻘﯿﺖ رﻓﺘﺎر ﯾﮏ ﻋﺎﻣﻞ را اﻧﺘﺨﺎب ﮐﻨﺪ ﮐﻪ اﻧﺘﻈﺎر ﻣﯽ رود ﻣﻌﯿﺎر ﮐﺎرآﯾﯽ اش را ﺑﻪ ﺣﺪاﮐﺜﺮ
ﻣﺜﺎل :ﻣﻌﯿﺎر ﻣﻮﻓﻘﯿﺖ ﻋﺎﻣﻞ دﻧﯿﺎي ﺟﺎرو ﺑﺮﻗﯽ: ﺑﺮﺳﺎﻧﺪ.
ﻣﻘﺪار ﮔﺮد و ﺧﺎك ﺗﻤﯿﺰ ﺷﺪه
ﻣﯿﺰان زﻣﺎن ﻣﺼﺮف ﺷﺪه
ﻣﻘﺪار ﺑﺮق ﻣﺼﺮف ﺷﺪه
ﻣﯿﺰان ﺳﺮ و ﺻﺪاي ﺗﻮﻟﯿﺪ ﺷﺪه و ...
٢
٠٩/٢٩/١۴٣۶
PEAS PEAS
11 12
ﻋﺎﻣﻞ :ﺳﯿﺴﺘﻢ ﺗﺸﺨﯿﺺ ﭘﺰﺷﮑﯽ ﻋﺎﻣﻞ :روﺑﺎت ﺟﺎﺑﻪ ﺟﺎ ﮐﻨﻨﺪه اﺷﯿﺎء
ﻣﻌﯿﺎر ﮐﺎرآﯾﯽ :ﺳﻼﻣﺘﯽ ﺑﯿﻤﺎر ،ﺑﻪ ﺣﺪاﻗﻞ رﺳﺎﻧﺪن ﻫﺰﯾﻨﻪ و ... ﻣﻌﯿﺎر ﮐﺎرآﯾﯽ :درﺻﺪ ﻗﻄﻌﺎﺗﯽ ﮐﻪ در ﺻﻨﺪوق درﺳﺖ ﻗﺮار ﻣﯽ ﮔﯿﺮﻧﺪ
ﻣﺤﯿﻂ :ﺑﯿﻤﺎر ،ﺑﯿﻤﺎرﺳﺘﺎن ،ﮐﺎرﻣﻨﺪان و ... ﻣﺤﯿﻂ :ﻧﻮار ﻧﻘﺎﻟﻪ و اﺷﯿﺎء روي آن ،ﺻﻨﺪوق ﻫﺎ
اﺛﺮ ﮐﻨﻨﺪه ﻫﺎ :ﺻﻔﺤﻪ ﻧﻤﺎﯾﺶ )ﭘﺮﺳﺶ ﻫﺎ ،آزﻣﺎﯾﺶ ﻫﺎ ،ﺗﺸﺨﯿﺺ ﻫﺎ ،ﻣﺪاوا( اﺛﺮﮐﻨﻨﺪه ﻫﺎ :ﺑﺎزوﻫﺎ و دﺳﺖ
ﺣﺴﮕﺮﻫﺎ :ﺻﻔﺤﻪ ﮐﻠﯿﺪ ) درﯾﺎﻓﺖ ﻋﻼﯾﻢ ،ﯾﺎﻓﺘﻪ ﻫﺎ و ﭘﺎﺳﺦ ﻫﺎي ﺑﯿﻤﺎر( ﺣﺴﮕﺮﻫﺎ :دورﺑﯿﻦ ،ﺣﺴﮕﺮ زاوﯾﻪ ﻣﻔﺎﺻﻞ
٣
٠٩/٢٩/١۴٣۶
PEAS ﻣﺤﯿﻂ
13 14
آﻣﻮزش دﻫﻨﺪه زﺑﺎن ﺑﻪ ﺻﻮرت ﻣﺤﺎوره اي ﻣﺤﯿﻂ در ﻫﺮ ﻟﺤﻈﻪ ﻓﻘﻂ در ﯾﮑﯽ از اﯾﻦ ﺣﺎﻟﺖ ﻫﺎ ﻣﯽ ﺑﺎﺷﺪ.
ﻣﻌﯿﺎر ﮐﺎرآﯾﯽ :ﺑﻪ ﺣﺪاﮐﺜﺮ رﺳﺎﻧﺪن ﻧﻤﺮه داﻧﺶ آﻣﻮز در اﻣﺘﺤﺎن
ﻣﺤﯿﻂ :ﻣﺠﻤﻮﻋﻪ داﻧﺶ آﻣﻮزان ﻣﺜﺎل :دﻧﯿﺎي ﻣﮑﺶ
در ﻟﺤﻈﻪ ﺷﺮوع ،ﻣﺤﯿﻂ در ﯾﮑﯽ از ﺣﺎﻟﺖ ﻫﺎي ﻣﻤﮑﻦ ﻣﯽ ﺑﺎﺷﺪ ﮐﺎﻣﻼ ﻗﺎﺑﻞ ﻣﺸﺎﻫﺪه )در ﻣﻘﺎﺑﻞ ﻣﺸﺎﻫﺪه ﭘﺬﯾﺮ ﺟﺰﺋﯽ( :ﻣﺤﯿﻄﯽ ﮐﻪ در آن
ﻋﻤﻞ ﻋﺎﻣﻞ در ﻣﺤﯿﻂ ،ﺑﺎﻋﺚ ﺗﻐﯿﯿﺮ ﺣﺎﻟﺖ ﻣﺤﯿﻂ ﻣﯽ ﺷﻮد در ﻫﺮ ﻟﺤﻈﻪ از زﻣﺎن ﺣﺴﮕﺮﻫﺎي ﻋﺎﻣﻞ ﺑﻪ آن اﻣﮑﺎن دﺳﺘﯿﺎﺑﯽ ﺑﻪ ﺣﺎﻟﺖ
ﺣﺎﻟﺖ ﻓﻌﻠﯽSi : ﮐﺎﻣﻞ ﻣﺤﯿﻂ را ﻣﯽ دﻫﻨﺪ.
Action ﻋﻤﻞ ﻋﺎﻣﻞAction :
Si Sj ﺣﺎﻟﺖ ﺑﻌﺪيSj : ][location, status ﻣﺜﺎل :دﻧﯿﺎي ﻣﮑﺶ – ﺣﺴﮕﺮﻫﺎ:
۴
٠٩/٢٩/١۴٣۶
ﻗﻄﻌﯽ) :در ﻣﻘﺎﺑﻞ اﺗﻔﺎﻗﯽ( :ﺣﺎﻟﺖ ﺑﻌﺪي ﻣﺤﯿﻂ ﮐﺎﻣﻼ ﺑﻮﺳﯿﻠﻪ ﺣﺎﻟﺖ ﻓﻌﻠﯽ و اﭘﯿﺰودﯾﮏ )در ﻣﻘﺎﺑﻞ ﺗﺮﺗﯿﺒﯽ( :ﺗﺠﺮﺑﻪ ﻋﺎﻣﻞ ﺑﻪ »دوره ﻫﺎي« ﻏﯿﺮﻗﺎﺑﻞ
ﻋﻤﻞ اﻧﺠﺎم ﺷﺪه ﺗﻮﺳﻂ ﻋﺎﻣﻞ ﻗﺎﺑﻞ ﺗﻌﯿﯿﻦ ﻣﯽ ﺑﺎﺷﺪ. ﺗﺠﺰﯾﻪ ﺗﻘﺴﯿﻢ ﻣﯽ ﺷﻮد )ﻫﺮ دوره ﺷﺎﻣﻞ ادراك ﻋﺎﻣﻞ و ﺳﭙﺲ اﻧﺠﺎم ﯾﮏ
اﮔﺮ ﻣﺤﯿﻂ ﺑﻪ ﺟﺰ در ﻣﻮرد ﻋﻤﻞ ﻋﺎﻣﻞ ﻫﺎي دﯾﮕﺮ ﻗﻄﻌﯽ ﺑﺎﺷﺪ ،آﻧﮕﺎه ﻣﺤﯿﻂ ﻋﻤﻞ ﻣﯽ ﺑﺎﺷﺪ( و اﻧﺘﺨﺎب ﻋﻤﻞ در ﻫﺮ دوره ﺗﻨﻬﺎ ﺑﻪ ﺧﻮد ﻫﻤﺎن دوره
اﺳﺘﺮاﺗﮋﯾﮏ ﻣﯽ ﺑﺎﺷﺪ. ﺑﺴﺘﮕﯽ دارد.
SUCK
SUCK
3 2 1 4 3 2 5 4 3
اﯾﺴﺘﺎ )در ﻣﻘﺎﺑﻞ ﭘﻮﯾﺎ( :ﻣﺤﯿﻂ در ﺣﯿﻦ ﺳﻨﺠﺶ ﻋﺎﻣﻞ )ﺑﺮاي اﻧﺘﺨﺎب ﻋﻤﻞ( ﮔﺴﺴﺘﻪ )در ﻣﻘﺎﺑﻞ ﭘﯿﻮﺳﺘﻪ( :ﻣﺤﯿﻄﯽ ﮐﻪ در آن ﺗﻌﺪاد ﻣﺤﺪود و ﻣﺘﻤﺎﯾﺰي از
ﺗﻐﯿﯿﺮ ﻧﻤﯽ ﮐﻨﺪ .اﮔﺮ ﺧﻮد ﻣﺤﯿﻂ ﺑﺎ ﮔﺬﺷﺖ زﻣﺎن ﺗﻐﯿﯿﺮ ﻧﮑﻨﺪ وﻟﯽ ﻣﻌﯿﺎر درك ﻫﺎ و ﻋﻤﻞ ﻫﺎي ﮐﺎﻣﻼ واﺿﺢ ﺗﻌﺮﯾﻒ ﺷﺪه ﺑﺎﺷﺪ.
ﮐﺎرآﯾﯽ ﻋﺎﻣﻞ ﺗﻐﯿﯿﺮ ﮐﻨﺪ ،آﻧﮕﺎه ﻣﺤﯿﻂ ﻧﯿﻤﻪ ﭘﻮﯾﺎ ﻣﯽ ﺑﺎﺷﺪ.
در ﻣﺤﯿﻂ ﮔﺴﺴﺘﻪ ،ﻣﺠﻤﻮﻋﻪ ﺣﺎﻻت ﻣﺤﯿﻂ ﯾﮏ ﻣﺠﻤﻮﻋﻪ ﮔﺴﺴﺘﻪ ﻣﯽ ﺑﺎﺷﺪ و
ﺣﺎﻻت ﺑﺴﺎدﮔﯽ ﻗﺎﺑﻞ ﺗﻤﺎﯾﺰ ﻣﯽ ﺑﺎﺷﻨﺪ.
ﺳﻨﺠﺶ ﻣﺤﯿﻂ ﻣﺜﺎل :ﻣﺤﯿﻂ دﻧﯿﺎي ﻣﮑﺶ
t ’t State = {1, 2, …, 8}
S S اﯾﺴﺘﺎ Action = {Left, Right, Suck, NoOp}
Percept = {[Left, Clean], [Left, Dirty], [Right, Clean], …}
S ’S ﭘﻮﯾﺎ
۵
٠٩/٢٩/١۴٣۶
ﺗﮏ ﻋﺎﻣﻠﯽ )در ﺑﺮاﺑﺮ ﭼﻨﺪ ﻋﺎﻣﻠﯽ( :ﯾﮏ ﻋﺎﻣﻞ ﺧﻮدش ﺑﻪ ﺗﻨﻬﺎﯾﯽ در ﻣﺤﯿﻂ راﻧﻨﺪﮔﯽ ﺗﺎﮐﺴﯽ ﺷﻄﺮﻧﺞ ﺑﺪون
ﺳﺎﻋﺖ
ﺷﻄﺮﻧﺞ ﺑﺎ ﺳﺎﻋﺖ
ﯾﮏ ﻋﺎﻣﻞ ﮐﺎﻣﻼ ﺑﻮﺳﯿﻠﻪ ﺗﺎﺑﻊ ﻋﺎﻣﻞ ﻣﺸﺨﺺ ﻣﯽ ﺷﻮد. ﯾﮏ روش ﺑﻪ ﻣﻨﻈﻮر ﺗﻮﺻﯿﻒ ﺗﺎﺑﻊ ﻋﺎﻣﻞ
ﯾﺎدآوري :ﺗﺎﺑﻊ ﻋﺎﻣﻞ دﻧﺒﺎﻟﻪ ادراﮐﯽ را ﺑﻪ ﻋﻤﻞ ﻧﮕﺎﺷﺖ ﻣﯽ ﮐﻨﺪ. ﻧﺸﺎن دﻫﻨﺪه ﻓﻌﺎﻟﯿﺖ ﻣﻨﺎﺳﺐ ﺑﺮاي ﻫﺮ دﻧﺒﺎﻟﻪ ادراﮐﯽ ﻣﻤﮑﻦ
ﯾﮏ ﺗﺎﺑﻊ ﻋﺎﻣﻞ )ﯾﺎ ﯾﮏ ﮐﻼس ﻫﻢ ارزي ﮐﻮﭼﮏ( ﻋﻘﻼﻧﯽ )(rationalﻣﯽ ][A, Clean Right
ﺑﺎﺷﺪ. ][A, Dirty Suck
][B, Clean Left
][B, Dirty Suck
ﻫﺪف :ﯾﺎﻓﺘﻦ روﺷﯽ ﺑﻪ ﻣﻨﻈﻮر ﭘﯿﺎده ﺳﺎزي ﺗﺎﺑﻊ ﻋﺎﻣﻞ ﻋﻘﻼﻧﯽ ﺑﻪ ﻃﻮر
][A, Clean], [A, Clean Right
ﻣﺨﺘﺼﺮ و ﻣﻔﯿﺪ ][A, Clean], [A, Dirty Suck
…
۶
٠٩/٢٩/١۴٣۶
ﭼﻬﺎر ﻧﻮع اﺻﻠﯽ ﺑﻪ ﺗﺮﺗﯿﺐ اﻓﺰاﯾﺶ ﻋﻤﻮﻣﯿﺖ ):(Generality ﻣﺜﺎل:
ﻋﺎﻣﻞ ﻫﺎي ﻣﺒﺘﻨﯽ ﺑﺮ ﻫﺪف )(Goal-based if status = Dirty then return Suck
ﻋﺎﻣﻞ ﻫﺎي ﻣﺒﺘﻨﯽ ﺑﺮ ﺳﻮدﻣﻨﺪي )(Utility-based else if location = A then return Right
else if location = B then return Left
٧
٠٩/٢٩/١۴٣۶
Environment
)state INTERPRET-INPUT( percept
)rule RULE-MATCH( state, rules
]action RULE-ACTION[ rule
What action I
Condition-action rules return action
should do now
Actuators
٨
٠٩/٢٩/١۴٣۶
ﻋﺎﻣﻞ ﻫﺎي واﮐﻨﺸﯽ ﻣﺒﺘﻨﯽ ﺑﺮ ﻣﺪل )ﺣﺎﻓﻈﻪ دار( ﻋﺎﻣﻞ ﻫﺎي واﮐﻨﺸﯽ ﻣﺒﺘﻨﯽ ﺑﺮ ﻣﺪل
33 34
ﻋﺎﻣﻞ واﮐﻨﺸﯽ ﺳﺎده در ﺻﻮرﺗﯽ ﮐﺎر ﻣﯽ ﮐﻨﺪ ﮐﻪ ﻣﺤﯿﻂ ﮐﺎﻣﻼ ﻗﺎﺑﻞ
State
Sensors
ﻣﺸﺎﻫﺪه ﺑﺎﺷﺪ
What the world
اﮔﺮ ﻣﺤﯿﻂ ﻣﺸﺎﻫﺪه ﭘﺬﯾﺮ ﺟﺰﺋﯽ ﺑﺎﺷﺪ ،ﭘﯿﮕﯿﺮي ﺗﻐﯿﯿﺮات دﻧﯿﺎ ﻻزم اﺳﺖ How the world evolves
is like now
Environment
ﻣﺜﺎل :ﺗﺎﮐﺴﯽ اﺗﻮﻣﺎﺗﯿﮏ What my actions do
ﻣﺴﺘﻠﺰم دو ﻧﻮع داﻧﺶ
Agent Actuators
٩
٠٩/٢٩/١۴٣۶
Sensors
State
اﻃﻼﻋﺎت ﻻزم ﺑﺮاي ﺗﺼﻤﯿﻢ ﮔﯿﺮي در ﻣﻮرد ﻋﻤﻠﯽ ﮐﻪ ﺑﺎﯾﺪ اﻧﺠﺎم ﺷﻮد:
What the world
اﻃﻼﻋﺎت ﻣﺮﺑﻮط ﺑﻪ ﺣﺎﻟﺖ ﻓﻌﻠﯽ How the world evolves
is like now
Environment
اﻃﻼﻋﺎت ﻫﺪف )ﺗﻮﺻﯿﻒ ﻣﻮﻗﻌﯿﺖ ﻣﻄﻠﻮب(
What my actions do
ﻣﺜﺎل :ﻋﻤﻞ ﻣﻨﺎﺳﺐ ﺑﺮاي ﺗﺎﮐﺴﯽ اﺗﻮﻣﺎﺗﯿﮏ در ﯾﮏ ﭼﻬﺎر راه ﮐﺪام اﺳﺖ؟ What it will be like
)ﺑﺎﻻ ،ﭘﺎﯾﯿﻦ ﭼﭗ ،راﺳﺖ( if I do action A
١٠
٠٩/٢٩/١۴٣۶
ﻋﺎﻣﻞﻫﺎي ﺳﻮدﻣﻨﺪ: ﺳﻮدﻣﻨﺪي :ﺗﺎﺑﻌﯽ اﺳﺖ ﮐﻪ ﯾﮏ وﺿﻌﯿﺖ را ﺑﻪ ﻋﺪد ﺣﻘﯿﻘﯽ ﻧﮕﺎﺷﺖ ﻣﯽدﻫﺪ ،ﮐﻪ درﺟﻪ
رﺿﺎﯾﺖ ﻣﺮﺑﻮط را ﺗﺸﺮﯾﺢ ﻣﯽﮐﻨﺪ.
اﻫﺪاف ﺑﻪ ﺗﻨﻬﺎﯾﯽ ﺑﺮاي ﺗﻮﻟﯿﺪ رﻓﺘﺎر ﺑﺎ ﮐﯿﻔﯿﺖ ﺑﺎﻻ ﮐﺎﻓﯽ ﻧﯿﺴﺘﻨﺪ. ﻣﺸﺨﺼﺎت ﮐﺎﻣﻞ ﺗﺎﺑﻊ ﺳﻮدﻣﻨﺪي اﻣﮑﺎن ﺗﺼﻤﯿﻢﮔﯿﺮي ﻣﻨﻄﻘﯽ را ﺑﺮاي دو ﻧﻮع ﺣﺎﻟﺘﯽ ﮐﻪ
ﻫﺪف ﻣﺸﮑﻞ دارد ،اﺟﺎزه ﻣﯽدﻫﺪ.
ﻣﻼك ﮐﺎراﯾﯽ ﻋﻮﻣﯽ ﺑﺎﯾﺪ ﻣﻘﺎﯾﺴﻪاي ﺑﯿﻦ وﺿﻌﯿﺖﻫﺎي دﻧﯿﺎي ﻣﺘﻔﺎوت )ﯾﺎ دﻧﺒﺎﻟﻪ ﺣﺎﻻت(
را ﺑﺮ ﭘﺎﯾﻪ ﭼﮕﻮﻧﮕﯽ رﺿﺎﯾﺖ ﻋﺎﻣﻞ در ﺻﻮرت ﺣﺼﻮل ﻫﺪف ﺑﺪﻫﺪ. .١زﻣﺎﻧﯽ ﮐﻪ اﻫﺪاف ﻣﺘﻨﺎﻗﺺ وﺟﻮد دارﻧﺪ.
ﺑﻨﺎﺑﺮاﯾﻦ اﮔﺮ ﯾﮏ وﺿﻌﯿﺖ دﻧﯿﺎ ﺑﻪ دﯾﮕﺮي ﺗﺮﺟﯿﺢ داده ﻣﯽﺷﻮد ،آﻧﮕﺎه آن ﺑﺮاي ﻋﺎﻣﻞ .٢زﻣﺎﻧﯽ ﮐﻪ ﭼﻨﺪﯾﻦ ﻫﺪف دارﻧﺪ ﮐﻪ ﻋﺎﻣﻞ ﻣﯽﺗﻮاﻧﺪ آﻧﻬﺎ را ﻫﺪف ﻗﺮار دﻫﺪ و ﻫﯿﭽﮑﺪام از
Environment
What it will be like if
ﺳﺮﯾﻌﺘﺮ ،اﻣﻦ ﺗﺮ ،ﻣﻄﻤﺌﻦ ﺗﺮ و ﯾﺎ ارزاﻧﺘﺮ از ﺑﻘﯿﻪ ﻣﯽ ﺑﺎﺷﻨﺪ What my actions do
I do action A
اﻫﺪاف ﻣﻼﮐﯽ ﺧﺎم ﺑﺮاي ﺗﻮﺻﯿﻒ وﺿﻌﯿﺖ ﻫﺎ ﻫﺴﺘﻨﺪ )ﻣﻄﻠﻮب و ﻧﺎﻣﻄﻠﻮب(
١١
٠٩/٢٩/١۴٣۶
ﺗﻮرﯾﻨﮓ ) :(1950اﯾﺪه ﺑﺮﻧﺎﻣﻪ ﻧﻮﯾﺴﯽ واﻗﻌﯽ ﻫﻮﺷﻤﻨﺪ ﺑﻪ ﺻﻮرت دﺳﺘﯽ اﻧﻮاع داﻧﺸﯽ ﮐﻪ ﻋﻨﺼﺮ ﯾﺎدﮔﯿﺮﻧﺪه ﻣﯽ ﺗﻮاﻧﺪ ﯾﺎد ﺑﮕﯿﺮد:
ﻧﯿﺎز ﺑﻪ روش ﻫﺎي ﺳﺮﯾﻌﺘﺮ
ﯾﺎدﮔﯿﺮي ﻣﺴﺘﻘﯿﻢ از دﻧﺒﺎﻟﻪ ادراﮐﯽ
ﺳﺎﺧﺖ ﻣﺎﺷﯿﻦ ﻫﺎي ﯾﺎدﮔﯿﺮﻧﺪه و آﻣﻮزش ﺑﻪ آﻧﻬﺎ
ﻣﻮﻟﻔﻪ ﻫﺎي ﻋﺎﻣﻞ ﯾﺎدﮔﯿﺮﻧﺪه ﯾﺎدﮔﯿﺮي ﻧﺤﻮه ﺗﻐﯿﯿﺮات دﻧﯿﺎ :ﻣﺸﺎﻫﺪه دو ﺣﺎﻟﺖ ﻣﺘﻮاﻟﯽ
ﻋﻨﺼﺮ ﯾﺎدﮔﯿﺮﻧﺪه :ﺑﺮاي اﯾﺠﺎد ﺑﻬﺒﻮد ﯾﺎدﮔﯿﺮي در ﻣﻮرد ﺗﺎﺛﯿﺮ ﻋﻤﻞ ﻋﺎﻣﻞ :ﻣﺸﺎﻫﺪه ﻧﺘﺎﯾﺞ ﻓﻌﺎﻟﯿﺖ ﻋﺎﻣﻞ
ﻋﻨﺼﺮ ﮐﺎرآﯾﯽ :اﻧﺘﺨﺎب ﻓﻌﺎﻟﯿﺖ ﻫﺎي ﺧﺎرﺟﯽ
ﻣﺜﺎل :ﻧﺤﻮه ﺗﺮﻣﺰ ﮐﺮدن در ﺟﺎده ﻫﺎي ﺧﯿﺲ
ﻣﻨﺘﻘﺪ :ﺗﻮﻟﯿﺪ ﺑﺎزﺧﻮرد ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ اﺳﺘﺎﻧﺪارد ﮐﺎرآﯾﯽ ﺑﺮاي ﻋﻨﺼﺮ ﯾﺎدﮔﯿﺮﻧﺪه
ﻣﻮﻟﺪ ﻣﺴﺎﻟﻪ :ﭘﯿﺸﻨﻬﺎد ﻓﻌﺎﻟﯿﺖ ﻫﺎي اﮐﺘﺸﺎﻓﯽ
اﯾﺠﺎد ﻗﺎﻧﻮﻧﯽ ﺑﯿﺎﻧﮕﺮ ﺑﺪ ﺑﻮدن اﯾﻦ ﻋﻤﻞ و اﺻﻼح ﻋﻨﺼﺮ ﮐﺎرآﯾﯽ
47
Critic Sensors
feedback
Environment
changes
Learning Performance
element element
knowledge
learning
goals
Problem
generator
Agent Actuators
١٢