16/17 - Mesterséges Intelligencia

16/17 - Mesterséges Intelligencia

A mesterséges intelligencia számítógépes algoritmusok gyűjteménye.

A mesterséges intelligencia tárgya az emberi intelligencia vizsgálata. A kurzus során nem az intelligencia modellezése, hanem az emberi gondolkodás eredménye, a feladatok megoldása illetve megoldási módszerek kerülnek középpontba. Ezért az emberi agy működésének a kérdése felületes: a számítógépes modellek esetében - a kurzusban - nem merül fel az emberi agyhoz hasonlóan "gondolkodó gép" megépítése. Amiről szó lesz: egyes emberi tevékenységek imitálása olyan minőségben, ami megfelel elvárásainknak. Az imitálás eszköze természetesen a számítógép, ellenben a programozók a "gondolkodó" rész, akik a feladatot kijelölik, a programokat egymás után fűzik, majd a programok eredményét tálalják úgy, hogy a felhasználó számára "intelligens" - legfőképpen könnyen értékelhető és értelmezhető - legyen az eredmény.
 

Ahhoz, hogy algoritmust lehessen írni, szükségesek adatok, melyekre futtatni lehet az illető programot. Az algoritmusok írását megelőző modellezési lépés tehát az ábrázolás, vagyis a reprezentáció kérdése. Azaz: "tudás"-halmazt számítógépesen feldolgozható formába átalakítani.

Az "intelligens viselkedésmód" egy definíciója - a Turing teszt - a (számító)gépnek az a képessége, hogy a kommunikáció során az ember ne észlelje azt, hogy egy géppel kommunikál. Tegyük fel, hogy a tesztelő kérdez és a kérdésekre kell az intelligens gépnek válaszolni. Ehhez mindenekelőtt szükséges a tényeknek - vagyis az ismereteknek - a tárolása a számítógépben.
A kommunikáció során például egy - nem könnyű - feladat a beszédnek szavakká, a képeknek objektumok összességévé való alakítása; ezen területek napjainkban külön tudományágként szerepelnek.

További - az algoritmus működését részletező - kérdések a tudáshalmazban való kereséssel foglalkoznak.
A reprezentáció lehet például objektumok kapcsolatait leíró relációs adatbázis illetve objektumokra érvényes következtető szabályok összessége. Egy ilyen rendszerben a feladat például két objektum viszonya: egy szakértői rendszerben az "adatok" halmaza a betegségeké és a szimptómáké. Az szakértők - az orvosok - megmondják, hogy a betegségekhez milyen szimptómák járulnak, a program meg egy páciens szimptómái alapján felállít egy lehetséges diagnózist - a diagnózis ebben az esetben a lehetséges betegségek listáját jelenti (lásd logikai programozás).
 
Nagyon gyakran az adatok numerikusak, tehát az ábrázolás kérdése nem tevődik fel, az megoldott. Itt a feladat a jelenség modelljének a definíciója. A keresés a lehetséges modell családjában történik és a megfigyelt adatokhoz legjobban illeszkedő modell az "intelligens" rendszer válasza a bemeneti adatokra.
Az adatok általában egy megfigyelt jelenség valamilyen formában történt mérési eredményei. A cél a jelenség megértése ahhoz, hogy a mért adatok alapján lehessen predikálni az illető jelenséget. Gyakori alkalmazás például az idősorok predikciója: a múlt ismeretében a jövőbeli viselkedés előrejelzése. Itt a mesterséges intelligencia - pontosabban a gépi tanulás - módszerei alternatívákat nyújtanak a klasszikus statisztikai módszerekre.
 
A feladat típusától függetlenül szükséges a számítógép által visszaadott eredmények vizualizálása vagy értelmezése.
A "mesterséges intelligenciát" bemutató filmek sokszor helyettesítik az intelligens válaszadást a "beszélni tudással". Ez utóbbi egy fontos megjelenítési eszköz mely - jelenleg - teljesen független az intelligens algoritmus fogalmától. Douglas Adams, a Hitch-hiker's Guide to the Galaxy (id. angolul) könyvében a "nagy filozófusok" megkérik a "mindentudó számítógép"-et, hogy válaszoljon a "végső" kérdésre "hogy miért vagyunk a világon". A számítógép válasza - egymillió év számítás után - "42". A tudósok kérdésére, hogy mit jelent ... a válasz: "Még egy kis gondolkodási időt kérek".
 

Az előadás bemutat algoritmusokat mesterséges intelligencia témaköréből és igyekszik e terület iránt felkelteni az érdeklődést. Az előadás három részre oszlik, a következők szerint

  1. Egy klasszikus - a gráfkereséseken alapuló - rész, ahol a hangsúlyt a feladatok megfogalmazására, a paramétertér specifikációjára, illetve a megírt algoritmusok visszatérési adatainak az értelmezésére tesszük.
    (az első hat előadás)
  2. Egy rész, ahol a minket körülvevő - adatok- és megfigyelésbeli - bizonytalanság kezelésével foglalkozunk. Bemutatunk különböző modelleket, melyek ezt a bizonytalanságot figyelembe veszik.
    (a hetedik előadás)
  3. Egy adatbányász - adatmodellező - rész. Itt a célunk egy megfigyelt adathalmazból való következtetés egy-egy új megfigyeléshez tartozó kimenet értékeit tekintve. A feladat lehet:
    • a tőzsde predikciója,
    • egy internetes dokumentum osztályozása,
    • beszélők azonosítása kevert és zajos felvételből.

    (a nyolcadik előadástól a félév végéig)

Az előadások "tartalomjegyzéke"

  • Bevezető fogalmak
  • Tudásreprezentáció
  • Gráfkeresési algoritmusok
  • Szemantikus hálók / Keretrendszerek
  • Játékok modellezése
  • Bizonytalanság kezelése és reprezentációja a mesterséges intelligenciában:
    • Bayes-modell és grafikus modell
    • Fuzzy modell és a Dempster-Schafer modell
  • Grafikus modellek
  • Tanuló rendszerek, indukció/dedukció, döntési fák
  • Szimulált kifűtés és genetikus algoritmusok
  • Neurális hálók bemutatása és használatuk feladatok megoldására:
    • A perceptron modell
    • A többrétegű neurális hálók
    • Önszervező modellek: Hebb-tanulás és a Kohonen-hálók
  • Gépi tanulás / mintafelismerés,nemparametrikus módszerek (amennyiben lesz rá idő)

Az évközi tevékenység számít: a szemináriumok alatt lehet pontokat gyűjteni, lehet jelentkezni "kis" előadások - bemutatók - tartására a MestInt előadások elején, illetve lehet bemutatni érdekes feladatokat. Az értékelés része szintén a félév közben bemutatott opcionális feladat, például a négyoszlopos Hanoi torony feladata, mely a kitűzött feladatok listáján található.

Laborfeladatok

A feladatokat határidőre be kell mutatni. Egy feladat bemutatása két időpontban lehetséges: a határidőig (a határidőket lásd a feladatok leírásában) vagy a határidő lejártától számított 2 héten belül (azaz a határidőt követő alkalommal még bemutatható). Az első esetben megkapható a maximális pontszám a feladatra, a második esetben legfeljebb a pontszám fele. A feladat ezután már nem mutatható be, és 0 pont jár érte.

Mindenki az órarend szerinti saját csoportjával kell laborórákra jöjjön. Egyszer a félév során megengedett, hogy valaki máskor jöjjön és mutasson be feladatot (pl. 3. hét helyett a 4. héten), és mindez pontlevonás nélkül. Ha ez kétszer vagy többször történik meg, már pontlevonás jár érte.

A laborfeladatok leadási hátáridejei

 

Date
Details