Intelligenza Artificiale
lunedì 5 gennaio 2015
Fuzzy
La teoria fuzzy è nata nel 1965, venne pubblicata per la prima volta in un articolo dal professor Zadeh.
Il concetto d’insieme di fuzzy nasce dalla necessità di rappresentare un concetto impreciso.
Ad esempio “quella strada è lunga” il concetto di lunga è impreciso, in quanto non sappiamo quanto è lunga.
Nel linguaggio naturale noi usiamo spesso questi concetti imprecisi.
L’insieme fuzzy ha il compito di rappresentare su sistemi informatici il modo tipico di ragionare dell’uomo.
Usando il sistema fuzzy in un programma per computer è possibile rendere le macchine più adatte alle situazioni reali, in questo modo possono interagire col mondo esterno anche senza avere input diretti.
Vantaggi del sistema fuzzy, è semplice da comprendere, è flessibile, si possono usare dati imprecisi.
Algoritmo genetico
Un algoritmo genetico genera la soluzione di un problema facendo evolvere (in senso genetico) un insieme di soluzioni candidate in modo da ottenere la soluzione migliore, facendo estinguere le peggiori.
Per poter realizzare un algoritmo genetico, è necessario partire da un gruppo di possibili soluzioni del problema.
Ad ogni individuo viene corrisposta una soluzione, la popolazione è composta da un insieme di individui, ovvero da un insieme di soluzioni.
Ogni individuo è composto da un suo cromosoma, un insieme di geni (bit) che ne codifica la soluzione.
Per definire la qualità di un individuo, si definisce una funzione con lo scopo di assegnargli un valore. Questa funzione viene comunemente chiamata fitness.
Un valore migliore di fitness indica una migliore soluzione.
Una volta ottenuto il valore di fitness gli individui sono ordinati in base ad essa.
Gli individui più promettenti vengono selezionati come genitori.
Partendo dai genitori viene creata la generazione successiva, questa avrà le caratteristiche di entrambi i genitori (incrocio), oppure potrà avere dei cambiamenti casuali (mutazione).
La nuova generazione prende il posto della vecchia ed il ciclo si ripete.
Esiste inoltre anche una funzione che viene chiamata crossover, consiste nella generazione di una nuova soluzione mescolando quelle precedenti.
L’algoritmo continua fino a quando non si verifica una delle condizioni imposte al sistema.
Rete neurale
Le reti neurali simulano un sistema nervoso più o meno complesso. Questo è basato sulla realizzazione di neuroni artificiali. I neuroni artificiali solitamente hanno molti ingressi ed una sola uscita, ad ogni ingresso viene assegnato un peso, l’attivazione del neurone viene data dalla somma di questi pesi.
Il metodo che solitamente viene usato per addestrare una rete neurale, è quello di fornire degli esempi in ingresso alla rete neurali, la risposta fornita viene confrontata con la risposta desiderata ed in base ad essa vengono aggiustati i pesi in ingresso.
Questo lavoro viene ripetuto finché non si arriva ad livello di errori accettabile.
I vantaggi che si possono trarre da una rete neurale sono: è possibile trarre buone risposte anche da input non considerati, sono facili da implementare, sono molto veloci, stabilità di output anche con valori di input non completi o parzialmente errati.
Gli svantaggi sono: non è possibile descrivere e localizzare la conoscenza memorizzata, addestramento molto lungo, non sempre è possibile risolvere il problema, per avere un basso errore di output occorre una casistica di esempi di input molto ampia.
Possiamo pertanto dire che le reti neurali sono adatte per risolvere problemi che non richiedono risposte accurate, ma è difficile comprendere perché si ottiene un certo risultato.
Agente
Un agente è un componente hardware o software che cerca di simulare il comportamento animale o umano.
Generalmente esso è composto da tre parti, la parte sensoriale, la parte decisionale e gli attuatori.
Il sistema sensoriale analizza l’ambiente in cui si trova il sistema.
Il sistema decisionale utilizza i dati in arrivo dal sistema sensoriale, i dati immagazzinati e le regole impartite per decidere come comportarsi.
Gli attuatori sono componenti che sono gestiti dalla parte decisionale ed interagiscono con l’ambiente.
Esistono vari tipi di agente, il più semplice è l’agente “stimolo risposta”, ad uno stimolo corrisponde una risposta, e questa sarà sempre la stessa.
Un’altro tipo di agente è lo “stimolo stato risposta” questo tipo di agente a differenza di quello precedente può comportarsi in maniera differente, è influenzato da dati che sono stati memorizzati al suo interno negli stati passati.
Un altro tipo di agente è quello chiamato deliberativo. questo agente ha un modello più complesso dell’ambiente ed in base a questo a seconda degli stimoli in ingresso decide cosa fare.
Un altro tipo è agente con apprendimento per rinforzo, esso riceve degli stimoli esterni, il sistema decisionale li elabora e quindi comanda gli attuatori di svolgere operazioni. In base a come svolge queste operazioni riceve o dei premi o delle punizioni, essendo stato sviluppato per ottenere più premi possibile, l’agente tenderà a svolgere le migliori azioni possibili.
Apprendimento con rinforzo
L’apprendimento con rinforzo è un sistema di programmazione per la generazione di algoritmi in grado di adattarsi all’ambiente.
Con questo sistema è possibile dare degli stimoli esterni a seconda delle scelte dell’algoritmo, un premio per una scelta giusta una penalità per una scelta sbagliata.
Il sistema cerca di guadagnare più premi possibile, quindi tenderà ad effettuare il miglior lavoro possibile.
Esistono principalmente due sistemi per realizzare l’apprendimento con rinforzo, gli “algoritmi ad apprendimento continuo” e gli “algoritmi ad addestramento preventivo”.
Gli algoritmi ad apprendimento continuo, con questo sistema è possibile adattarsi anche a grandi modifiche dell’ambiente, un semplice esempio sono i programmi di riconoscimento vocale, che all’inizio fanno un po’ fatica a riconoscere la voce delle persone e poco per volta con l’uso migliorano le loro prestazioni.
Gli algoritmi ad addestramento preventivo, si usano principalmente quando non è possibile o è troppo costoso valutare di volta in volta le azioni dell’algoritmo.
In questo caso l’apprendimento viene fatto prima che il sistema entri in funzione ed una volta terminato non è più modificabile. A volte i circuiti elettronici sono realizzati apposta per lo scopo quindi non pi modificabili.
Per realizzare queste forme di algoritmi si utilizza principalmente i sistemi ad agente, a reti neurali, ad algoritmi genetici.
domenica 4 gennaio 2015
Apprendimento non supervisionato
L’apprendimento non supervisionato è un insieme di algoritmi in grado di estrarre in modo automatico conoscenza partendo da una base di dati.
Un esempio tipico è quello dei motori di ricerca.
Da una o più parole chiave il programma è in grado di creare una pagina di link che rimandano a dei siti web che il programma ritiene più attendibili al tipo di ricerca.
Questi algoritmi lavorano correttamente quando i dati appartengono ad un raggruppamento identificabile o ad un ordinamento.
Gli algoritmi più conosciuti sono le regole di associazione e i clustering.
Le regole di associazioni sono in grado di trovare da un insieme di dati delle correlazioni interne.
I clustering è un insieme di tecniche di analisi con lo scopo di raggruppare elementi omogenei in un insieme di dati. Tutte le tecniche di clustering si basano sul concetto di distanza tra due elementi.
Se in uno spazio noi collochiamo una serie di oggetti (sono forma di punti) i quali vengono posizionati in esso in base alle loro caratteristiche, siamo in grado con una semplice occhiata di raggruppare oggetti simili vicini tra loro. Un cluster è un insieme di oggetti.
Esistono due sistemi di clustering “dal basso verso l’alto” e “dall’alto verso il basso”.
Nel sistema da basso verso l’alto l’algoritmo unisce tutti i punti in cluster sino al raggiungimento di un numero prefissato di cluster o fino a che la distanza tra i cluster non superi un determinato valore.
Nel sistema dall’alto verso il basso l’algoritmo divide il cluster in tanti cluster più piccoli, l’algoritmo continua fino a che non è stato raggiunto il limite di cluster prefissato.
Apprendimento supervisionato
L’apprendimento supervisionato, è una tecnica che serve per istruire un computer in modo di risolvere compiti in automatico.
Al sistema viene dato un insieme di dati sia d’ingresso che d’uscita, da questi dati l’algoritmo di apprendimento supervisionato cerca di costruire un modello.
Come si può intuire maggiori sono i dati inseriti più preciso sarà il modello.
Per creare algoritmi di apprendimento supervisionato normalmente si utilizza o gli alberi di decisione di cui abbiamo già parlato, o le regole di decisione o i sistemi esperti.
Le regole di decisione sono delle formule logiche che cercano di collegare i parametri in ingresso a decisioni. Le regole analizzano i dati d’ingresso e cercano di trovare una formula logica per riprodurre la scelta.
Spesso succede che per uno specifico caso possono esistere più regole, quindi è necessario dare una priorità a queste, in modo da dare maggior importanza ai casi più comuni e minor importanza ai casi più rari.
I sistemi esperti si fondano su una base della conoscenza (una serie di regole) che può essere aggiornata e modificata in base all’esperienza. Ne esistono di due tipi, il sistema esperto basato su alberi e basato su regole.
Il sistema esperto basato su alberi, crea un albero da un insieme di dati e deduzioni, quindi con l’inserimento di nuovi dati questi vengono analizzati dall’albero e tramite questo si arriverebbe ad una deduzione.
Il sistema basato su regole è un programma basato su regole del tipo IF (condizione) THEN (azione).
I limiti dei sistemi esperti è che non sono in grado di uscire dalle nozioni inserite inizialmente. Quindi non si tratta di un sistema intelligente, ma di un sistema in grado di controllare una grandissima quantità di dati e tramite una miriade di regole arrivare a delle deduzioni.
Iscriviti a:
Post (Atom)