Mail:








Słowniczek Sztucznej Inteligencji





Wprowadzenie do Języka R




Język R … od słów do czynów !!!




A.I.: Jaka jest nasza Przyszłość?

[101 Prostych Pytań]




VIDEO



  Hipoteza Riemanna

 Pogadać z Maszyną 1

 Pogadać z Maszyną 2

 Pogadać z Maszyną 3

 Pogadać z Maszyną 4

 Wywiad z maszyną !

 Co słyszy Sztuczna Inteligencja?

 Komputer Kwantowy

 Świadomość Maszyn

 Sztuczna Inteligencja - Szansa czy Zagrożenie?

 This is AI 1

 This is AI 2 : How machines learn

 This is AI 3 : Learnig for life

 This is AI 4: A synthetic sixth sense




Bogowie Sztucznej Inteligencji






SŁOWNIK TERMINÓW ROBOTYCZNYCH




Anatomia Robota

  • Systemy Sterowania
  • Sprzęt Komputerowy
  • Niezawodność, Bezpieczeństwo i Zgodność
  • Kroki Projektowe: HLD
  • Energia i systemy zasilania
  • Kontrola Energii
  • DSP
  • Komunikacja
  • Silniki i Siłowniki
  • Mechanika



  • Artificial Intelligence




    Fundamenty


    • Prolog

    • Wprowadzenie do A.I.

    • Definiowanie roli danych

    • Biorąc pod uwagę alogorytmy

    • Pionierski ,specjalistyczny sprzęt

    • Zastosowanie AI w aplikacjach komputerowych

    • Automatyzacja typowych procesów

    • Zastosowanie AI w medycynie

    • A.I. a poprawa interakcji

    • Analiza danych przez A.I.

    • Wykorzystanie machine learning

    • Poprawa A.I. (…)

    • Rozwój robotów

    • Latanie dronami

    • Samochód napędzany A.I.

    • Zroumieć aplikacje bez szans

    • AI w Kosmosie

    • Nowe zawody w erze A.I.

    •  X zawodów dla A.I.(?)

    • Wkład A.I. w społeczeństwo

    • Jak zawiodła A.I.




    "Ocieplamy" Fundamenty


    • Intuicyjna koncepcja sztucznej inteligencji

    • Podstawy wyszukiwania

    • Inteligentne wyszukiwanie

    • Algorytmy Ewolucyjne

    • Zaawansowane podejście ewolucyjne

    • Inteligencja Roju: Mrówki

    • Inteligencja roju: Cząstki

    • Uczenie maszynowe

    • Sztuczne sieci neuronowe

    •  Uczenie się ze wzmocnieniem za pomocą Q-Learning




    XVI Filarów Świątyni ArtInt′a


    • Korzenie i Zakres

    • Reprezentacja i wyszukiwanie

    • Struktury i strategie wyszukiwania

    • Wyszukiwanie Heurystyczne

    • Metody Stochastyczne

    • Budowanie algorytmów sterowania

    • Reprezentacja Wiedzy

    • Silna metoda rozwiązywanie problemów

    • Rozumowanie w niepewnych sytuacjach

    •  Uczenie maszynowe : oparte na symbolach

    • Uczenie maszynowe : koneksjonizm

    • Uczenie maszynowe : genetyczne i awaryjne

    • Uczenie maszynowe : probabilistyczne

    • Automatyczne wnioskowanie

    • Rozumienie języka naturalnego

    • Sztuczna Inteligencja jako pytanie empiryczne




    IV Ściany Świątyni ArtInt′a


    • Ściana Północna : Sieci Bayesowskie

    • Ściana Zachodnia : Rozpoznawanie Obrazów

    •  Ściana Południowa : Obliczenia Ewolucyjne

    • Ściana Wschodnia : Systemy Rozmyte




    Dach Świątyni ArtInt′a


    • SuperInteligencja




    Sztuczna Inteligencja i Big Data

    Sekcja 1 : Big Data i systemy sztucznej inteligencji

    Sekcja 2 : Ontologia dla dużych zbiorów danych

    Sekcja 3: Uczenie się z dużych zbiorów danych

    Sekcja 4:Sieci neuronowe dla dużych zbiorów danych

    Sekcja 5: Deep Big Data Analytics

    Sekcja 6: Przetwarzanie języka naturalnego

    Sekcja 7: Systemy rozmyte

    Sekcja 8: Programowanie genetyczne

    Sekcja 9: Analiza roju

    Sekcja 10: Uczenie się przez wzmocnienie

    Sekcja 11: Cyberbezpieczeństwo

    Sekcja 12: Obliczenia poznawcze












    Wczoraj , Dziś … Jutro














    TEST : Jak zrównoważone jest Twoje życie?




    Odwiedzin: 7868
    Dzisiaj: 12
    On-line: 1
    Strona istnieje: 649 dni
    Ładowanie: 0.657 sek


    [ 1017 ]


    Ściana Północna

    Sieci bayesowskie to struktury graficzne służące do reprezentowania relacji probabilistycznych między dużą liczbą zmiennych i przeprowadzania wnioskowania probabilistycznego na tych zmiennych. W latach osiemdziesiątych przeprowadzono wiele powiązanych badań dotyczących rozwoju sieci bayesowskich (sieci przekonań, sieci przyczynowych, diagramów wpływu), algorytmów przeprowadzania z nimi wnioskowania oraz aplikacji, które z nich korzystały. Jednak praca została rozproszona po artykułach naukowych. W latach 90. pojawiły się doskonałe algorytmy uczenia sieci bayesowskich z danych. Jednak do 2000 r. nadal wydawało się, że nie ma dostępnego źródła "uczenia się sieci bayesowskich". Celem tego tekstu jest zapewnienie takiego źródła. Aby uczynić ten tekst kompletnym wprowadzeniem do sieci bayesowskich, omówię metody wnioskowania w sieciach bayesowskich i diagramy wpływu. Jednak nie staram się być wyczerpujący w tej dyskusji. Na przykład podaję szczegóły tylko dwóch algorytmów do dokładnego wnioskowania ze zmiennymi dyskretnymi, a mianowicie algorytmu przekazywania wiadomości Pearla oraz symbolicznego algorytmu wnioskowania probabilistycznego D'Ambrosio i Li. Może wydawać się dziwne, że przedstawiam algorytm Pearl, ponieważ jest jednym z najstarszych. Mam ku temu dwa powody: 1) algorytm Pearla odpowiada modelowi ludzkiego rozumowania przyczynowego, oraz 2) Algorytm Pearla z łatwością rozciąga się na algorytm wnioskowania ze zmiennymi ciągłymi.

    Część 1 zawiera wprowadzenie do sieci bayesowskich.

    Część 2 omawia dalsze relacje między DAG a rozkładami prawdopodobieństwa, takimi jak rozdzielenie d, warunek wierności i warunek minimalności.

    Część 3 omawia algorytm przekazywania wiadomości Pearl, symboliczne wnioskowanie probabilistyczne D'Ambrosio i Li oraz związek algorytmu Pearl z ludzkim rozumowaniem przyczynowym.

    Część 4 przedstawia algorytm wnioskowania ze zmienną ciągłą, algorytm wnioskowania przybliżonego i wreszcie algorytm wnioskowania abdukcyjnego (znajdowanie najbardziej prawdopodobnego wyjaśnienia)

    Część 5 omawia diagramy wpływów, które są sieciami bayesowskimi, uzupełnione o węzły decyzyjne i węzeł wartości oraz dynamiczne sieci bayesowskie i diagramy wpływów.

    Częśćy 6 wprowadza algorytmy omawiając zmienne binarne

    Część 7 uogólnia to na zmienne wielomianowe . Ponadto w rozdziale 7 omawiam parametry uczenia się, gdy zmienne są ciągłe.

    Część 8 przedstawia metodę bayesowską dla struktury uczenia się zarówno w przypadku zmiennych dyskretnych, jak i ciągłych.

    Część 9 omawia metodę opartą na ograniczeniach dla struktury uczenia się.

    Część 10 porównuje metody bayesowskie i metody oparte na ograniczeniach, a także przedstawia kilka przykładów uczenia się sieci bayesowskich w świecie rzeczywistym.

    Część 11 kończy się odniesieniem do zastosowań sieci bayesowskich

    To jest tekst dotyczący uczenia się sieci bayesowskich; nie jest to tekst o sztucznej inteligencji, systemach eksperckichh czy analizie decyzji. Jednak ponieważ są to dziedziny, w których sieci bayesowskie znajdują zastosowanie, pojawiają się one często w całym tekście.




    Ściana Zachodnia

    Przedstawiamy nowe podejście do widzenia komputerowego. Cały proces widzenia, od tworzenia obrazu do pomiaru, rozpoznawania lub reagowania, jest uważany za proces integralny. Widzenie komputerowe jest rozumiane jako zbiór technik pozyskiwania, przetwarzania, analizowania i rozumienia złożonych, wielowymiarowych danych z naszego środowiska na potrzeby badań naukowych i technicznych. W tym sensie bierzemy pod uwagę interdyscyplinarny charakter widzenia komputerowego z jego powiązaniami z praktycznie wszystkimi naukami przyrodniczymi i próbuje wypełnić dwie ważne luki. Pierwsza dotyczy współczesnych nauk fizycznych i wielu nowatorskich technik pozyskiwania obrazów. Druga dotyczy podstawowych badań i zastosowań.

    Pierwsza część, Czujniki i obrazowanie, : dotyczy tworzenia i akwizycji obrazu.

    Druga część, Przetwarzanie sygnału i rozpoznawanie wzorców, : koncentruje się na przetwarzaniu sygnałów przestrzennych i czasowo-przestrzennych odbieranych przez czujniki obrazowania.

    Trzecia część składa się z Galerii aplikacji, : która w zwięzłym przeglądzie przedstawia szeroką gamę przykładów zastosowań zarówno z przemysłu, jak i nauki. Ta część ilustruje, jak wizja komputerowa jest zintegrowana z różnymi systemami i aplikacjami

    •  Wprowadzenie

    I Czujniki i obrazowanie

    •  Promieniowanie i oświetlenie
    •  Optyka obrazowania
    •  Radiometria obrazowania
    •  Wykrywanie obrazu w stanie stałym
    •  Kalibracja geometryczna systemów obrazowania cyfrowego
    •  Techniki obrazowania trójwymiarowego

    II Przetwarzanie sygnału i rozpoznawanie wzorców

    •  Reprezentacja sygnałów wielowymiarowych
    •  Operatory Sąsiedzkie

    •  Ruch
    •  Algorytmy trójwymiarowego obrazowania
    •  Projektowanie nieliniowych filtrów dyfuzyjnych
    •  Wariacyjne wygładzanie adaptacyjne i segmentacja
    •  Operatory morfologiczne
    •  Modelowanie probabilistyczne w wizji komputerowej
    •  Przetwarzanie rozmytego obrazu
    •  Obliczenia w sieciach neuronowych do przetwarzania obrazu

    III Galeria aplikacji




    Ściana Południowa

    Dziedzina ta rozpoczęła się w późnych latach pięćdziesiątych i wczesnych sześćdziesiątych XX wieku, kiedy dostępność cyfrowych komputerów umożliwiła naukowcom i inżynierom tworzenie i eksperymentowanie z różnymi modelami procesów ewolucyjnych. Ta wczesna praca zaowocowała wieloma ważnymi paradygmatami WE, w tym programowaniem ewolucyjnym (EP), strategiami ewolucji (ES) i algorytmami genetycznymi (GA), które posłużyły za podstawę większości prac wykonanych w latach siedemdziesiątych XX wieku, okresie intensywnej badanie i udoskonalanie tych pomysłów. Rezultatem był szereg solidnych algorytmów o znacznym potencjale rozwiązywania trudnych problemów naukowych i inżynieryjnych. Pod koniec lat 80. i na początku lat 90. poziom aktywności wzrósł do tego stopnia, że każda z podgrup związanych z podstawowymi paradygmatami WE (GA, ES i EP) była zaangażowana w planowanie i organizowanie własnych, regularnie planowanych konferencji. Jednak w tej dziedzinie narastało poczucie potrzeby większej interakcji i spójności między różnymi podgrupami. Aby dziedzina jako całość dojrzała, potrzebowała nazwy, musiała mieć wyartykułowaną, spójną strukturę, potrzebowała rezerwuaru dla literatury archiwalnej. Lata 90. odzwierciedlają to dojrzewanie, wybierając obliczenia ewolucyjne jako nazwę dziedziny, tworząc dwa czasopisma dla tej dziedziny oraz zobowiązując się do stworzenia tego podręcznika jako pierwszego jasnego i spójnego opisu tej dziedziny.




    Ściana Wschodnia

    Część I Wprowadzenie

    Część II Narzędzia matematyczne

    Sekcje 1 : Rozmyte zbiory
    A. Definicje
    B. Operacje mnogościowe
    C. a-Cięcia
    D. Kardynalność zbioru rozmytego
    E. Włączenia i równości zbiorów rozmytych
    F. Wypukłe zbiory rozmyte i rozmyte zbiory strukturalne
    G. Zestawy rozmyte L
    H. Miary rozmycia

    Sekcja 2 : Zasada rozszerzenia, rozszerzone operacje i rozszerzone zbiory rozmyte

    A. Zasada rozszerzenia
    B. Rozszerzone operacje rzeczywiste
    C. Rozszerzone zestawy rozmyte

    Sekcja 3 Rozmyte relacje

    A. N-Ary Rozmyte relacje
    B. Binarne rozmyte relacje
    C. Relacje podobieństwa i powiązane tematy
    D. Rozmyte zamówienia
    E. Równania relacji rozmytych
    F. Uogólnione rozmyte relacje

    Sekcja 4 : Funkcje rozmyte

    A. Różne rodzaje funkcji rozmytych
    B. Fuzzy Extremum
    C. Całkowanie funkcji rozmytych w (nie) rozmytych przedziałach
    D. Różnicowanie
    E. Łamigłówka
    F. Kategorie zbiorów rozmytych

    Sekcja 5 : Miary rozmyte, prawdopodobieństwa / możliwości

    A. Miary rozmyte i całki Sugeno
    B. Możliwość i prawdopodobieństwo
    C. Zdarzeń rozmytych
    D. Rozkłady rozmyte

    Część III Rozmyte modele i struktury formalne

    Sekcja 6 : Logika wielowartościowa i rozmyta
    A. Fuzzy Switching Logic
    B.Logiki wielowartościowe
    C .Fuzzy Modal Logic
    D. Logika o wartościach rozmytych
    E. Przybliżone rozumowanie

    Sekcja 7: Dynamiczne systemy rozmyte

    A. Złożoność i niejasność w teorii systemu
    B. Systemy rozmyte z czasem dyskretnym
    C. Fuzzy Automata
    D. Systemy deterministyczne w rozmytym środowisku
    E.Liniowe systemy rozmyte
    F.Inne zagadnienia związane z nieostrożnością i systemami

    Sekcja 8 : Język rozmyty - algorytmy rozmyte

    A. Języki rozmyte i gramatyki rozmyte
    B. Fuzzy Algorytmy

    Sekcja 9 : Rozmyte modele badań operacyjnych
    A. Optymalizacja w rozmytym środowisku
    B. Grafy rozmyte

    Część IV Rozmyte tematy zorientowane na systemy

    Sekcja 10 L Skąd się biorą "oni"?
    A. Nieformalna dyskusja wstępna
    B. Praktyczne oszacowanie funkcji członkostwa
    C. Identyfikacja operatorów zbiorów rozmytych
    D. Analiza tolerancji z wykorzystaniem zbiorów rozmytych

    Sekcja 11 : Od języków programowania do języków naturalnych

    A. Rozmyte języki programowania
    B. Modelowanie języków naturalnych
    C. Dedukcyjne słowne systemy dynamiczne

    Sekcja 12 : Rozmyte zbiory w podejmowaniu decyzji

    A. Rozmyty porządek rang
    B. Podejmowanie decyzji pod kątem wielu kryteriów
    C. Agregacja opinii w grupie społecznej. Konsensus
    D. Podejmowanie decyzji w warunkach losowości i rozmywania

    Sekcja 13 : Fuzzy Control

    A. Rozmyta optymalna kontrola
    B. Synteza kontrolerów językowych

    Sekcja 14: Zbiory rozmyte w systemach uczących się

    A. Nauka za pomocą automatów lub rozmytych miar warunkowych
    B. Samodoskonalenie rozmytych kontrolerów językowych

    Sekcja 15 : Klasyfikacja wzorców za pomocą zbiorów rozmytych

    A. Rozpoznawanie wzorców
    B. Algorytmy klastrowania
    C. Zbieranie informacji

    Sekcja 16 : Rozmyta diagnoza

    A. Rozróżnianie stanów rozmytych w środowisku probabilistycznym
    B. Przedstawienie przyczynowości przez relacje rozmyte

    Sekcja 16 : Zbiory rozmyte w identyfikacji struktur

    A. Rozmyte modelowanie strukturalne
    B. Heurystyczna Synteza Struktury
    C. Rozmyte wnioskowanie gramatyczne

    Sekcja 17 : Rozmyte gry

    Sekcja 18 : Rozmyte zbiory i katastrofy

    Część V Przegląd potencjalnych zastosowań

    A. Sztuczna inteligencja i robotyka
    B. Przetwarzanie obrazu i rozpoznawanie mowy
    C. Nauki biologiczne i medyczne
    D. Kontrola
    E. Stosowane badania operacyjne
    F. Ekonomia i geografia
    G. Socjologia
    H. Psychologia
    I. Językoznawstwo
    J. Semiotyka
    K. Inne tematy




    Sztuczna Inteligencja z Językiem NetLogo



    LINK