دسته: کامپیوتر
حجم فایل: 2144 کیلوبایت
تعداد صفحه: 211
هوش مصنوعی
نام مرجع:
l Artificial Intelligence A Modern Approach
نویسنده:
استوارت راسل، پیتر نورویگ
l کتاب دروس تخصصی هوش مصنوعی از سری کتاب های راهیان ارشد، انتشارات آزاده
l هوش مصنوعی، نوشته بن کوپین، مترجم داورپناه و میرزایی
فصل اول
هوش مصنوعی چیست؟
مبانی هوش مصنوعی
تاریخچه هوش مصنوعی
فصل دوم
عامل
خواص محیطهای وظیفه
برنامه های عامل
فصل سوم
عاملهای حل مسئله
مسئله
اندازه گیری کارایی حل مسئله
جستجوی ناآگاهانه
اجتناب از حالتهای تکراری
جستجو با اطلاعات ناقص
فصل چهارم
متدهای جست و جوی آگاهانه
یادگیری برای جست و جوی بهتر
جست و جوی محلی و بهینه سازی
جست و جوی محلی در فضاهای پیوسته
عاملهای جست و جوی Online
فصل پنجم
بازیها چیستند و چرا مطالعه میشوند؟
انواع بازیها
الگوریتم minimax
بازیهای چند نفره
هرس آلفا-بتا
بازیهای قطعی با اطلاعات ناقص
بازیهایی که حاوی عنصر شانس هستند
فصل ششم
عاملهای مبتنی بر دانش
منطق
منطق گزاره ای
الگوهای استدلال در منطق گزاره ای
الگوریتم resolution
زنجیر پیشرو و عقبگرد
فصل هفتم
مروری بر منطق گزاره ای
منطق رتبه اول
انواع منطق
نحو و معنای منطق رتبه اول
مهندسی دانش
قیمت: 17,000 تومان
خلاصه
اکنون که ما بعضی از کاربردهای اصلی GA (اسمیلی کلی) پیوسته و دودوئی را مشاهده کرده ایم و بعضی از نکات مثبت اجرای آن ها را مورد بحث قرار دادیم، جالب است تا نگاهی به این مورد بیاندازیم که چه کارهایی را می توان با GA و واحدهای اطلاعاتی انجام داد. نمونه های این فصل از موضوعاتی که قبلا در فصل 5 به بحث گذاشته شد استفاده کرده و مواردی را به نمونه هایی که در فصل 4 نشان داده شده اضافه می کند. آن ها بخش های گسترده ای را تحت پوشش قرار داده و شامل نمونه های فنی و غیرفنی می باشند. اولین مثال حل مسئله فروشنده دوره گرد می باشد که GA می بایست الگوریتمی را در شهری که توسط این فروشنده مورد بازدید قرار می گیرد، ایجاد کند. دومین نمونه به بازبینی مکان یابی واحد های اضطراری از فصل 4 پرداخته اما این بار از "رمز گری" استفاده می کند. مورد بعدی به دنبال علائمی می باشد که یک پیام مخفی را رمزگشایی می کند. مثال بعدی در ارتباط با طرح مهندسی بوده که شامل برنامه ریزی حرکت ربات و طرح حرکات ابتدایی می باشد. ما کار خود را با چندین مثال از علوم و ریاضیات به پایان می رسانیم که به اثبات روش هایی می پردازد که در تحقیقات مورد استفاده قرار می گیرد: که شامل داده های بکارگرفته شده برای ایجاد مدل های معکوس، زوج هایی برای شبیه سازی به همراه GA برای تعیین اختصاص منابع برای ارزیابی آلودگی هوا، مواردی که به ترکیب GA با تکنیک هوش مصنوعی- شبکه های رشته ای- می باشد و مورد آخر راه حل هایی را برای معادله تفکیک غیرخطی درجه پنجم ایجاد می کند.
حل مسئله فروشنده دوره گرد
فصل 5 چندین روش را برای تغییرمسیر و جهش عملیات برای GA به منظور دنبال کردن مشکلات مربوط به جایگردی یا ترتیب دهی نشان می دهد. این زمانی می باشد که این مجموعه GA در ارتباط با فروشنده دوره گرد مد نظر قرار می گیرد، که مشکلات بهینه سازی ترافیک را که توسط روش های سنتی حل نمی گردد، نشان می دهد. هدف پیدا کردن کوتاه ترین مسیر برای فروشنده برای دیدار از شهر N می باشد.
چکیده
در بازار سهام، تجزیه و تحلیل فنی به عنوان روش مفیدی برای پیش بینی قیمت های سهام می باشد. اگرچه، تحلیلگران متخصص سهام و مدیران مالی، معمولا قضاوت های ذهنی را بر مبنای شاخص های فنی هدف انجام می دهند، برای افراد غیرمتخصص مشکل می باشد تا تکنیک پیش بینی را بکار گیرند، زیرا شاخص های فنی پیچیده بسیار زیادی وجود دارد که می بایست مد نظر قرار گیرد. علاوه بر این دو مانع در بسیاری از مدل های پیش بینی گذشته وجود دارد: 1) فرضیه های آماری در ارتباط با متغیرها برای مدل های سری زمانی همانند مدل میانگین متحرک اتورگرسیون (ARMA) و ناهماهنگی پراکنش شرطی اتورگرسیو (ARCH) مورد نیاز می باشند، تا مدل های پیش بینی کننده معادلات ریاضی را مطرح کرده و این موارد به آسانی توسط سرمایه گذاران بازار سهام درک نمی گردد؛ و 2) قوانینی که در نتیجه بعضی از الگوریتم های هوش مصنوعی، همانند شبکه های عصبی (NN) می باشند که به آسانی قابل درک نیستند.
مقدمه
برای غلبه بر این موانع، این مقاله مدل پیش بینی کننده هیبریدی را با استفاده از شاخص های فنی چندگانه برای پیش بینی روند بازار سهام مطرح می کند. علاوه بر این چنین مواردی شامل چهار روش مطرح شده در مدل های هیبریدی برای ایجاد قوانین کارامد به منظور پیش بینی می باشد، که حاصل قواعد استنباط شده با ارزش حمایتی بالا، با استفاده از مجموعه ابزارها بر مبنای مجموعه نظریات می باشد.
مقدمه
اولین جرقه فناوری نانو (البته در آن زمان هنوز به این نام شناخته نشده بود) در سال 1959 زده شد. در این سال ریچارد فاینمن طی یک سخنرانی با عنوان «فضای زیادی در سطوح پایین وجود دارد» ایده فناوری نانو را مطرح ساخت. وی این نظریه را ارائه داد که در آینده ای نزدیک می توانیم مولکول ها و اتم ها را به صورت مسقیم دستکاری کنیم. واژه فناوری نانو اولین بار توسط نوریوتاینگوچی استاد دانشگاه علوم توکیو در سال 1974 بر زبانها جاری شد. او این واژه را برای توصیف ساخت مواد (وسایل) دقیقی که تلورانس ابعادی آنها در حد نانومتر می باشد، به کار برد. در سال 1986 این واژه توسط کی اریک درکسلر در کتابی تحت عنوان: «موتور آفرینش: آغاز دوران فناوری نانو» بازآفرینی و تعریف مجدد شد. وی این واژه را به شکل عمیق تری در رساله دکترای خود مورد بررسی قرار داده و بعدها آنرا در کتابی تحت عنوان «نانوسیستم ها ماشین های مولکولی چگونگی ساخت و محاسبات آنها» توسعه داد.
تاریخچه نانو در جهان
چهل سال پیش ریچارد فیمن متخصص کوانتوم نظری و دارنده جایزه نوبل در سخنرانی معروف خود در سال 1959 با عنوان آن پایین فضای بسیاری هست به بررسی بعد رشد نیافته علم مواد پرداخت وی در آن زمان اظهار داشت اصول فیزیک، تا آنجایی که من توانایی فهمش را دارم، بر خلاف امکان ساختن اتم به اتم چیزها حرفی نمی زند او فرض را بر این قرار داد که اگر دانشمندان فرا گرفته اند که چگونه ترانزیستورها و دیگر سازه ها را با مقیاس های کوچک بسازند، پس خواهیم توانست که آنها را کوچک و کوچکتر نماییم. در واقع آنها به مرزهای حقیقی شان در لبه های نا معلوم کوانتوم نزدیک خواهند بود به طوری که یک اتم را در مقابل دیگری به گونه ای قرار دهیم که بتوانیم کوچکترین محصول مصنوعی و ساختگی ممکن را ایجاد نماییم و جای این سوال باقی می ماند که با استفاده از این فرمهای بسیار کوچک چه وسایلی می توانیم ایجاد کنیم؟
فیمن در ذهن خود یک دکتر مولکولی را تصور کرد که صدها بار از یک سلول منحصر به فرد کوچکتر خواهد بود و می تواند به بدن تزریق شود و درون بدن برای انجام کاری یا مطالعه و تایید سلامتی سلولها، انجام ترمیمی و به طور کلی برای نگهداری بدن در سلامت کامل به سیر بپردازد. واژه فناوری نانو اولین بار توسط نوریوتا ینگوچی استاد علوم دانشگاه توکیو مطرح شد. او این واژه را برای توصیف ساخت مواد (وسایل) دقیقی که تلورانس ابعادی آنها در حد نانومتر می باشد، به کاربرد. مینسکی توانست به تفکرات فیمن قوت ببخشد مینسکی پدر هوش مصنوعی و شاگردش درکسلرگروهی از دانشجویان کامپیوتر را به صورت انجمنی دور هم جمع کردند. او افکار جوانترها را با یکسری ایده ها که خودش نانوتکنولوژی نامگذاری کرده بود مشغول می داشت. درکسلر تنها درجه دکتری نانوتکنولوژی را در سال 1991 ازدانشگاه MIT دریافت داشت او یک پیشرو در طرح نانوتکنولوژی است. شکوفایی بسیار از فناوریهای مهم از جمله فناوری اطلاعات و بیوتکنولوژی به عنوان دو دستاورد بسیار عظیم قرن بیستم بدون بهره گیری از نانوتکنولوژی دچار اختلال خواهند شد.
چکیده
منطق فازی، یک شبکه عصبی و سیستم خبره است که برای ایجاد یک سیستم تشخیصی ترکیبی با یکدیگر ترکیب شده اند. با استفاده از چنین سیستمی ما یک روش جدید برای فراگیری مبانی دانش استفاده می کنیم. سیستم ما شامل یک سیستم خبره فازی همراه با یک بیس دانشی با منبع دوگانه است. دو سری قوانین لازم هستند، که به صورت استنباطی از مثالهای ارائه شده و به صورت استقرایی توسط فیزیک دانان بدست آمده اند. یک شبکه عصبی فازی سعی می کند که از داده های نمونه یاد گرفته و این اجازه را می دهد که قوانین فازی برای دانش پایه را استخراج کنیم. تشخیص electroencephalograms با تفسیر عناصر نموداری بعنوان یک نوع مشاهده در روش ما بکار گرفته می شود. نتایج اولیه نشان دهنده احتمالات مورد نظر با استفاده از روش ما می باشد.
مقدمه:
روشهای تکراری شناسایی و ارزیابی پدیده خاص را کار تشخیصی می نامند، که یکی از کاربردهای اصلی برای هوش مصنوعی (AI) می باشد. با توجه به اینکه رنج وسیعی از چنین کاربرهای تشخیصی وجود دارد. اگرچه رنج وسیعی از چنین کاربردهای تشخیصی در پزشکی وجود دارد ولی این بخش مورد توجه استفاده کنندگام از هوش مصنوعی قرار دارد. عمومی ترین روشهای AI در بخش پزشکی مبتنی بر دانش و مدلسازی رفتار تشخیصی متخصصان است. انواع مختلفی از چنین سیستمهای خبره ای از زمانی که Shrtlifee روش Shrtlifee Mycin را بi عنوان یک سیستم خبره برای تشخیص آسیبهای خونی انسان طراحی و معرفی کرد، بوسیله پزشکان مورد استفاده قرار گرفته است. یکی از بزرگترین مشکلات بر سر راه طراحی یک سیستم خبره مناسب، گردآوری و دانش پایه آن است. ما روش جدیدی را معرفی می کنیم که در آن دانش پایه با منبع دوگانه بوسیله یادگیری قیاسی واستقرایی ایجاد می شود. شیکه های عصبی نیز از این راه برای تشخیص استفاده می کنند. آنها قادرند رابطه بین مجموعه داده ها را با داشتن اطلاعات نمونه که نشان دهنده لایه های ورودی و خروجی آنها است، یاد بگیرند.
معرفی
دلایل طرح مدیریتدانش
مفهوم داده، اطلاعات و دانش
ارتباط داده، اطلاعات و دانش
نحوه گسترش دانش خواص دانش
عوامل محدود کننده و تاثیر گزار در دانش سازمانی
عوامل نابسامانی بازار دانش
راههای مقابله با عوامل نابسامانی و محدودکننده برنامه دانش در سازمان
کسب دانش
منابع متعهد
همجوشی
هدف
انواع دانش
نقشه دانش
عوامل اصلی پروژه دانش
ساختار دانش
ساختمند سازی دانش
عوامل انتقال دانش
موانع و عوامل محدود کننده
راهبردهای انتقال دانش
سرعت یا قوام
نقش مدیریت دانش
شرایط مدیران دانش
فعالیت های مدیر دانش
سطوح مسیولیتهای مدیریت دانش
کاربردهای فناوری اطلاعاتی
هدف استفاده ازفناوری دانش در مدیریت دانش
خواص فناوری دانش
فناوری های دانش – هوش مصنوعی
فناوری های دانش
اهداف طرحها برای مدیریت دانش
انواع مخازن دانش
جهت پیاده سازی برنامه دانش
عوامل موثر در توفیق طرح دانش
راهنمای پیاده سازی برنامه دانش
محورهای برنامه دانش
منابع
مدیریت دانش19995/?bid=383">
دسته: مقالات ترجمه شده
حجم فایل: 167 کیلوبایت
تعداد صفحه: 19
نقش توانمند سازی سیستم های پشتیبان تصمیم در یادگیری سازمانی
چکیده
سازمان ها به طور عادی اطلاعات را پردازش می کنند، تصمیماتی را اتخاذ نموده و آنها را اجرا می کنند. پیشرفت های اخیر در کامپیوتر و تکنولوژی های ارتباطات طریقه انجام هر یک از وظایف سازمان را تغییر داده است. سیستم های پشتیبان تصمیم (DSSs) یک دسته مهم از ابزار هایی هستند که یک سازمان برای پشتیبانی و ارتقاء فعالیت های تصمیم گیریش مورد استفاده قرار می دهد. به طور سنتی، سازمان ها به دنبال این هستند که یک سری اهداف از پیش تعیین شده و ثابت داشته باشند. اما برای حفظ جایگاه رقابتی و بقاء در محیط پویای امروز سازمان ها باید توانایی واکنش سریع نشان دادن و وفق پیدا کردن با تغییرات در وضعیت کسب و کارش را داشته باشند. برخی تغییرات می تواند به دلیل پیشرفت های فنی، رشد و تغییر تقاضای مشتریان، الزامات رقابتی، تغییر در نیروی کار، تاثیرات محیطی و سیاسی، فشارهای اجتماعی، نگرانی های امنیتی و غیره باشد. در سال های اخیر حوزه DSS بسیار تخصصی تر شده است و در برگیرنده پارادایم هایی همچون سیستم های خبره (ESs) ، DSS های هوشمند، DSSهای فعال و DSSهای سازگارپذیر می باشد. هوش مصنوعی (AI) بر پایه فنونی است که در بسیاری از کاربردهای DSS به کار گرفته شده اند، از اینرو قابلیت های پشتیبانی DSS افزایش می یابد. برخی پارادایم ها دارای کاربرد بالقوه در هر دو زمینه یادگیری سازمانی و فردی می باشند. هرچند میزان اینکه هر یک از DSSهای موجود می توانند یادگیری سازمانی را تقویت کنند هنوز به طور جدی مورد بحث است. این مقاله استراتژی های یادگیری به کارگرفته شده توسط سازمان ها و DSSها را مورد آزمون قرار می دهد و یک چارچوب را به منظور شرح اینکه چگونه یک DSS می تواند یادگیری سازمانی را ارتقاء دهد، ارائه می دهد.
واژگان کلیدی: سیستم های پشتیبان تصمیم، DSSهای سازگارپذیر، یادگیری سازمانی، هوش مصنوعی، یادگیری القائی
قیمت: 16,000 تومان
دسته: پزشکی
حجم فایل: 1207 کیلوبایت
تعداد صفحه: 32
ایجاد سیستم خبره ارجاع بیمارستان همراه با الگوریتم سیستم پشتیبانی تصمیم گیری مبتنی بر بهینه سازی و پیش بینی
چکیده
تحقیق کنونی برای ایجاد یک سیستم خبره با استفاده از مسئله ارجاع بیمارستانی به عنوان نمونه، شیوه جدیدی را ارائه می دهد. عوامل زیادی نظیر خصیصه های سازمانی، ریسک های بیمار، پیمودن مسافت و فرصت های ادامه حیات و عوارض، می بایست در تصمیم گیری انتخاب بیمارستان گنجانده شوند. مطلوب این است که هر بیمار به طور جداگانه به وسیله فرایند تصمیم نه تنها با در نظر گرفتن وضعیت شان بلکه باورهای آن ها در مورد ارزیابی مقایسه ای میان خصیصه های بیمارستانی مطلوب، درمان شود. یک سیستم خبره می تواند به این تصمیم گیری پیچیده کمک نماید. بالأخص زمانی که عوامل زیادی باید در نظر گرفته شوند، ما روشی را پیشنهاد داده ایم که الگوریتم سیستم پشتیبانی تصمیم گیری مبتنی بر بهینه سازی و پیش بینی (PODSS) خوانده می شود که بدون یک پایه دانش مشخص، سیستم خبره ای را به وجود می آورد. این الگوریتم دانش را خودش با ایجاد طبقه سازی های یادگیری ماشینی از طریق مجموعه ای از نمونه های برچسب زده شده، کسب می کند. در پاسخ به یک سؤال، الگوریتم با استفاده از یک مرحله بهینه سازی، پیشنهاد سفارشی می دهد تا به بیمار کمک می کند که احتمال دستیابی به یک نتیجه مطلوب را به حد اکثر برساند. در این حالت، بیمارستان پیشنهادی، راه حل بهینه ای است که احتمال نتیجه مطلوب را به حداکثر می کند. این سیستم خبره با طرح ریزی درست می تواند عوامل زیادی را ترکیب کند تا اینکه پشتیبانی تصمصم گیری انتخاب بیمارستان را در سطح فردی ارائه نماید.
کلیدواژه: سیستم های پشتیبانی تصمیم گیری؛ سیستم های خبره؛ داده کاوی؛ یادگیری ماشینی؛ ماشین های بردار پشتیبانی؛ بهینه سازی؛ هوش مصنوعی؛ ارجاع بیمارستان؛ کیفیت بیمارستان
قیمت: 17,000 تومان
مقدمه
مقدمه
اولین جرقه فناوری نانو (البته در آن زمان هنوز به این نام شناخته نشده بود) در سال 1959 زده شد. در این سال ریچارد فاینمن طی یک سخنرانی با عنوان «فضای زیادی در سطوح پایین وجود دارد» ایده فناوری نانو را مطرح ساخت. وی این نظریه را ارائه داد که در آینده ای نزدیک می توانیم مولکول ها و اتم ها را به صورت مسقیم دستکاری کنیم. واژه فناوری نانو اولین بار توسط نوریوتاینگوچی استاد دانشگاه علوم توکیو در سال 1974 بر زبانها جاری شد. او این واژه را برای توصیف ساخت مواد (وسایل) دقیقی که تلورانس ابعادی آنها در حد نانومتر می باشد، به کار برد. در سال 1986 این واژه توسط کی اریک درکسلر در کتابی تحت عنوان: «موتور آفرینش: آغاز دوران فناوری نانو» بازآفرینی و تعریف مجدد شد. وی این واژه را به شکل عمیق تری در رساله دکترای خود مورد بررسی قرار داده و بعدها آنرا در کتابی تحت عنوان «نانوسیستم ها ماشین های مولکولی چگونگی ساخت و محاسبات آنها» توسعه داد.
1-1-تاریخچه نانو در جهان
چهل سال پیش ریچارد فیمن متخصص کوانتوم نظری و دارنده جایزه نوبل در سخنرانی معروف خود در سال 1959 با عنوان آن پایین فضای بسیاری هست به بررسی بعد رشد نیافته علم مواد پرداخت وی در آن زمان اظهار داشت اصول فیزیک، تا آنجایی که من توانایی فهمش را دارم، بر خلاف امکان ساختن اتم به اتم چیزها حرفی نمی زند او فرض را بر این قرار داد که اگر دانشمندان فرا گرفته اند که چگونه ترانزیستورها و دیگر سازه ها را با مقیاس های کوچک بسازند، پس خواهیم توانست که آنها را کوچک و کوچکتر نماییم. در واقع آنها به مرزهای حقیقی شان در لبه های نا معلوم کوانتوم نزدیک خواهند بود به طوری که یک اتم را در مقابل دیگری به گونه ای قرار دهیم که بتوانیم کوچکترین محصول مصنوعی و ساختگی ممکن را ایجاد نماییم و جای این سوال باقی می ماند که با استفاده از این فرمهای بسیار کوچک چه وسایلی می توانیم ایجاد کنیم ؟
فیمن در ذهن خود یک دکتر مولکولی را تصور کرد که صدها بار از یک سلول منحصر به فرد کوچکتر خواهد بود و می تواند به بدن تزریق شود و درون بدن برای انجام کاری یا مطالعه و تایید سلامتی سلولها، انجام ترمیمی و به طور کلی برای نگهداری بدن در سلامت کامل به سیر بپردازد. واژه فناوری نانو اولین بار توسط نوریوتا ینگوچی استاد علوم دانشگاه توکیو مطرح شد. او این واژه را برای توصیف ساخت مواد (وسایل) دقیقی که تلورانس ابعادی آنها در حد نانومتر می باشد، به کاربرد. مینسکی توانست به تفکرات فیمن قوت ببخشد مینسکی پدر هوش مصنوعی و شاگردش درکسلرگروهی از دانشجویان کامپیوتر را به صورت انجمنی دور هم جمع کردند. او افکار جوانترها را با یکسری ایده ها که خودش نانو تکنولوژی نامگذاری کرده بود مشغول می داشت. درکسلر تنها درجه دکتری نانو تکنولوژی را در سال 1991 ازدانشگاه MIT دریافت داشت او یک پیشرو در طرح نانو تکنولوژی است. شکوفایی بسیار از فناوریهای مهم ازجمله فناوری اطلاعات و بیوتکنولوژی به عنوان دو دستاورد بسیار عظیم قرن بیستم بدون بهره گیری از نانو تکنولوژی دچار اختلال خواهند شد.