Khoa Công Nghệ Thông Tin Trường Đại học Cần Thơ TRÍ TUỆ NHÂN TẠO Artificial Intelligence: Structure and Strategies for Complex Problem Solving (3rd edition - 1997) George F Luger, William A Stubblefield Giáo viên: Trần Ngân Bình TTNT p.1 CuuDuongThanCong.com https://fb.com/tailieudientucntt Nội Dung          Chương Giới thiệuTTNT Chương Phép tính vị từ Chương Cấu trúc chiến lược dùng cho tìm kiếm khơng gian trạng thái (TK-KGTT) Chương Tìm kiếm heuristic Chương Điều khiển cài đặt TK-KGTT Chương 6: Giải vấn đề tri fthức chuyên sâu Chương 7: Suy luận với thông tin khơng xác khơng đầy đủ Chương Suy luận tự động (Automatic reasoning) Chương Học máy TTNT p.2 CuuDuongThanCong.com https://fb.com/tailieudientucntt Trí Tuệ Nhân Tạo gì?  Là nhánh khoa học máy tính liên quan đến tự động hóa hành vi thơng minh Trí tuệ gì?  Các câu hỏi chưa có câu trả lời: – Liệu trí tuệ có phải khả tên gọi cho tập hợp hành vi phân biệt độc lập nhau? – Thế khả sáng tạo? – Thế trực giác? – Điều diễn q trình học? – Có thể kết luận tính trí tuệ từ việc quan sát hành vi hay khơng hay cần phải có biểu chế nằm bên ? TTNT p.3 C.1 – Giới thiệu CuuDuongThanCong.com https://fb.com/tailieudientucntt Định Nghĩa AI Rich, E and K Knight 1991 Artificial Intelligence New York: McGraw-Hill “Artificial intelligence (AI) is the study of how to make computers things which at the moment, people better.”  George Luger: “An AI approach problem-solving is one which: • uses domain-specific knowledge • to find a good-enough solution • to a hard problem • in a reasonable amount of time.”  TTNT p.4 C.1 – Giới thiệu CuuDuongThanCong.com https://fb.com/tailieudientucntt Turing Test Interrogator  Ưu điểm Turing Test – Khái niệm khách quan trí tuệ – Tránh thảo luận trình bên ý thức – Loại trừ định kiến thiên vị người thẩm vấn TTNT p.5 C.1 – Giới thiệu CuuDuongThanCong.com https://fb.com/tailieudientucntt Các ý kiến phản đối Turing Test  Thiên vị nhiệm vụ giải vấn đề ký hiệu  Trói buộc thơng minh máy tính theo kiểu người, người có: – Bộ nhớ giới hạn – Có khuynh hướng nhầm lẫn Tuy nhiên, trắc nghiệm Turing cung cấp sở cho nhiều sơ đồ đánh giá dùng thực cho chương trình TTNT đại TTNT p.6 C.1 – Giới thiệu CuuDuongThanCong.com https://fb.com/tailieudientucntt Các Ứng Dụng TTNT Trị chơi tốn đố Suy luận chứng minh định lý tự động Các hệ chuyên gia (các hệ tri thức) Xử lý ngôn ngữ tự nhiên Lập kế hoạch người máy Máy học Mạng Neuron giải thuật di truyền … TTNT p.7 C.1 – Giới thiệu CuuDuongThanCong.com https://fb.com/tailieudientucntt Trí Tuệ Nhân Tạo - Đặc Điểm        Sử dụng máy tính vào suy luận ký hiệu, nhận dạng qua mẫu, học, suy luận khác… Tập trung vào vấn đề “khó” khơng thích hợp với lời giải mang tính thuật tốn Quan tâm đến kỹ thuật giải vấn đề sử dụng thơng tin khơng xác, khơng đầy đủ, mơ hồ… Cho lời giải ‘đủ tốt’ lời giải xác hay tối ưu Sử dụng heuristics – “bí quyết” Sử dụng tri thức chun mơn … TTNT p.8 C.1 – Giới thiệu CuuDuongThanCong.com https://fb.com/tailieudientucntt Những vấn đề chưa giải  Chương trình chưa tự sinh heuristic  Chưa có khả xử lý song song người  Chưa có khả diễn giải vấn đề theo nhiều phương pháp khác người  Chưa có khả xử lý thông tin môi trường liên tục người  Chưa có khả học người  Chưa có khả tự thích nghi với môi trường TTNT p.9 C.1 – Giới thiệu CuuDuongThanCong.com https://fb.com/tailieudientucntt TTNT = Biểu Diễn + tìm kiếm TTNT p.10 TTNT  biểu diễn tìm kiếm CuuDuongThanCong.com https://fb.com/tailieudientucntt Neural Networks  Các thuộc tính tổng quát mạng là: – Hình thái mạng: mẫu kết nối (các tầng của) neuron – Giải thuật học: cách điều chỉnh trọng số trình xử lý tập liệu rèn luyện – Cơ chế mã hóa: thơng dịch tín hiệu vào tín hiệu I1 w11 w12 H1 O1 I2 H2 I3 I1 w11 H1 w12 O1 I2 wij Chương p.26 CuuDuongThanCong.com https://fb.com/tailieudientucntt Ví dụ: Neuron McCulloch-Pitts Các neurron dùng để tính hàm logic and or Chương p.27 CuuDuongThanCong.com https://fb.com/tailieudientucntt Học Perceptron  Mạng neuron đơn tầng Các giá trị vào -1 Các trọng số kiểu thực Mức kích hoạt ∑i wixi Hàm ngưỡng giới hạn cứng f :  Điều chỉnh trọng số:     f(net) t net = ∑i wixi if ∑i wixi >= t -1 if ∑i wixi < t ∆wi = c(d-f(∑i wixi)) xi c: số tốc độ học d: đầu mong muốn Nếu kết thực kết mong muốn giống nhau, khơng làm Nếu kết thực -1 kết mong muốn 1, tăng trọng số đường thứ i lên 2cxi Nếu kết thực kết mong muốn -1, giảm trọng số đường thứ i xuống 2cxi Chương p.28 CuuDuongThanCong.com https://fb.com/tailieudientucntt Phân loại hệ thống Học  Học có hướng dẫn (Supervised learning) – Cho hệ thống tập ví dụ câu trả lời cho ví dụ – Rèn luyện hệ thống đưa câu trả lời cho ví dụ  Học khơng có hướng dẫn (Unsupervised learning) – Cho hệ thống tập hợp ví dụ cho tự khám phá mẫu thích hợp ví dụ Mạng neuron sử dụng hình thức học có hướng dẫn Chương p.29 CuuDuongThanCong.com https://fb.com/tailieudientucntt Sử dụng perceptron toán phân loại Fig 14-4: Một hệ thống phân loại đầy đủ Chương p.30 CuuDuongThanCong.com https://fb.com/tailieudientucntt Ví dụ Perceptron   Cho trước: tập liệu vào Yêu cầu: rèn luyện perceptron cho phân loại đầu vào cách đắn Chương p.31 CuuDuongThanCong.com https://fb.com/tailieudientucntt Ví dụ Perceptron: giải pháp   tín hiệu vào Một tín hiệu vào thứ ba x1 x2 sử dụng thiên vị có giá trị cố định 1, cho phép dịch chuyển đường phân cách  Mức kích hoạt: Hàm ngưỡng:  Các trọng số: khởi tạo ngẫu nhiên, cập nhật 10 lần, với tốc độ học 0.2  Kết quả: -1.3x1 + -1.1x2 + 10.9 =  w1x1 + w2x2 + w3 hàm dấu, >0 = +1, kết tốt Chương p.37 CuuDuongThanCong.com https://fb.com/tailieudientucntt Figure 10.12: A backpropagation net to solve the exclusive-or problem The Wij are the weights and H is the hidden node Sử dụng mẫu ví dụ để luyện tập: (0,0) -> 0; (1,0) ->1; (0,1) -> 1; (1,1) ->0 Sau 1400 lượt: WH1 = -7.0 WHB = 2.6 WO1 = -5.0 WH2 = -7.0 WOB = 7.0 WO2 = -4.0 WHO = -11.0 Chương p.38 CuuDuongThanCong.com https://fb.com/tailieudientucntt Các vấn đề liên quan sử dụng Neural Networks mạng đa tầng đầy đủ mặt tính tốn, nhiên:  Các – – – – – Làm để chọn số nút ẩn số tầng ẩn Khi sử dụng nút thiên lệch Cách chọn tập rèn luyện Điều chỉnh trọng số hay tốc độ học nên n.t.n? … Chương p.39 CuuDuongThanCong.com https://fb.com/tailieudientucntt Giải thuật Genetic    Nắm bắt ý tưởng từ thuyết tiến hóa Học xem cạnh tranh quần thể giải pháp tiến hóa toán Thành phần: – Quần thể giải pháp – Hàm đánh giá – Các phép toán tạo mới: • giao (crossover) • Đột biến (mutation)  Giải thuật: Khởi tạo quần thể Y ĐK thỏa N •Gọi hàm đánh giá •Chọn thành viên tốt •Tạo – Điều kiện kết thúc: #vònglặp, Trung bình ‘độ tốt’ quần thể •Thay thành viên Chọn giải pháp từ quần thể Chương p.40 CuuDuongThanCong.com https://fb.com/tailieudientucntt ... https://fb.com/tailieudientucntt Trí Tuệ Nhân Tạo gì?  Là nhánh khoa học máy tính liên quan đến tự động hóa hành vi thơng minh Trí tuệ gì?  Các câu hỏi chưa có câu trả lời: – Liệu trí tuệ có phải khả tên... truyền … TTNT p.7 C.1 – Giới thiệu CuuDuongThanCong.com https://fb.com/tailieudientucntt Trí Tuệ Nhân Tạo - Đặc Điểm        Sử dụng máy tính vào suy luận ký hiệu, nhận dạng qua mẫu, học,... cho tập hợp hành vi phân biệt độc lập nhau? – Thế khả sáng tạo? – Thế trực giác? – Điều diễn q trình học? – Có thể kết luận tính trí tuệ từ việc quan sát hành vi hay khơng hay cần phải có biểu