Chương 1 Tổng quan về Trí tuệ nhân tạo Chương 2 Chiến lược tìm kiếm mù Chương 3 Chiến lược tìm kiếm có thông tin heuristic Chương 4 Tìm kiếm đối kháng - trò chơi Chương 5 Biểu diễn tri thức Chương 6 Chứng minh trong logic mệnh đề Chương 7 Logic vị từ Chương 8 Tri thức và suy luận không chắc chắn
Trí Tuệ Nhân Tạo Artificial Intelligence Mục tiêu môn học ◼ ◼ Các khái niệm trí tuệ nhân tạo Giải vấn đề phương pháp tìm kiếm ❑ ❑ ◼ Tìm kiếm mù Tìm kiếm heuristic Biểu diễn tri thức lập luận ❑ ❑ Logic mệnh đề Logics suy diễn (bậc nhất, không chắn) KẾT CẤU BÀI GIẢNG Chương Tổng quan Trí tuệ nhân tạo Chương Chiến lược tìm kiếm mù Chương Chiến lược tìm kiếm có thơng tin heuristic Chương Tìm kiếm đối kháng - trò chơi Chương Biểu diễn tri thức Chương Chứng minh logic mệnh đề Chương Logic vị từ Chương Tri thức suy luận không chắn Yêu cầu môn học ◼ ◼ ◼ ◼ Sinh viên phải dự 80% số tiết dự thi kết thúc học phần Thảo luận, thực hành, seminar Làm tập chương Làm đồ án theo nhóm (4-5 SV) Đánh giá môn học ◼ ◼ ◼ Kiểm tra, thực hành, điểm danh: 25% Đồ án môn học: 25% (nhóm 4-5 SV) Thi hết mơn : 50% ❑ ❑ ◼ Thi viết Đề mở Question & discussion? Phân bổ thời gian ◼ ◼ Lên lớp: 20 tiết Thực hành: 20 tiết ❑ ❑ ❑ Các giải thuật tìm kiếm/Lập trình logic C C++/Prolog Yêu cầu: viết báo cáo, chương trình Nội dung mơn học ◼ ◼ Giới thiệu Trí tuệ nhân tạo Các phướng pháp giải vấn đề ❑ ❑ ❑ ❑ ◼ Các phương pháp biểu diễn Các phương pháp giải vấn đề Tìm kiếm mù khơng gian trạng thái Tìm kiếm với thơng tin heuristic Biểu diễn tri thức ❑ ❑ ❑ Lược đồ biểu diễn tri thức Xử lý tri thức Tri thức suy luận không chắn Tài liệu tham khảo ◼ Sách, giáo trình ❑ ❑ ❑ ◼ Artificial Intelligence: A Modern Approach Stuart Russell & Peter Norvig (3nd edition, 2009) Phạm Nguyên Khang, Giáo trình Trí tuệ nhân tạo, ĐHCT Từ Minh Phương, Giáo trình Trí tuệ nhân tạo, Học viện Bưu Viễn thơng Sách/Slides tham khảo ❑ Bài giảng Trí tuệ nhân tạo ◼ ◼ http://www.doc.ic.ac.uk/~sgc/teaching/pre2012/v231 http://www-scf.usc.edu/~csci460/schedule.htm Chương 1: Tổng quan Trí tuệ nhân tạo Nội dung ◼ ◼ ◼ ◼ ◼ ◼ Trí tuệ nhân tạo (TTNT) gì? Turing Test Các tảng TTNT Mục tiêu nghiên cứu Trí tuệ nhân tạo Lịch sử hình thành Các thành tựu 10 Logic Mờ (Fuzzy Logic) Một số phần giới nhị phân Con mimi mèo Một số phần khơng An cao, Bảo thuộc loại cao, tơi cao, Trân khơng cao Nhị phân biểu diễn đồ thị Logic mờ biểu diễn đồ thị, đồ thị liên tục 22 Tập Mờ Cho S tập hợp x phần tử tập hợp Một tập mờ F S định nghĩa hàm tư cách thành viên F(x) đo “mức độ” mà theo x thuộc tập F Trong đó, F(x) Khi Khi F(x) = F(x) = => x F hoàn toàn => x F hoàn toàn Nếu x, F(x) = F xem “giịn” Hàm thành viên F(x) thường biểu diễn dạng đồ thị 23 Ví dụ Tập Mờ Ví dụ : S tập hợp tất số nguyên dương F tập mờ S gọi “số nguyên nhỏ” Số nguyên nhỏ … Ví dụ: Một biểu diễn tập mờ cho tập người đàn ơng thấp, trung bình, cao Thấp Trung bình Cao || 4‟ 4‟6” 5‟ 5‟6” 6‟ 6‟6” Chiều cao 24 Tính Chất Tập Mờ Hai tập mờ nhau: A = B x X, A (x) = B (x) Tập con: A B x X, A (x) B (x) Một phần tử thuộc nhiều tập mờ Ví dụ: người đàn ông cao 5‟10” thuộc hai tập “trung bình” “cao” Tổng giá trị mờ phần tử khác 1: Thấp(x) + Trungbình(x) + Cao(x) 25 Mờ hóa (fuzzification) Từ hàm thành viên cho trước, ta suy mức độ thành viên thuộc tập hợp, hay giá trị mờ Các tập mờ 0.8 0.5 0.3 Trẻ Trung niên Tuổi 23 25 28 Giá trị mờ Già An 35 Bảo 55 40 Châu 26 Hợp hai tập mờ Khái niệm: Hợp hai tập mờ (AB) thể mức độ phần tử thuộc hai tập Công thức: A B(x) = max (A(x), B(x) ) AB Thí dụ: Tre(Bao) = 0.8 Trung niên(Bao) = 0.3 → Tre Trung Niên(Bao) = max(0.8, 0.3) = 0.8 27 Giao hai tập mờ Khái niệm: Giao hai tập mờ (AB) thể mức độ phần tử thuộc hai tập Công thức: A B(x) = (A(x) , B(x) ) AB Thí dụ: Tre(Bao) = 0.8 vàTrung niên(Bao) = 0.3 → Tre Trung Niên(Bao) = min( 0.8, 0.3) = 0.3 28 Bù tập mờ Khái niệm: Bù tập mờ thể mức độ phần tử khơng thuộc tập Cơng thức: A(x) = - A(x) A’ Thí dụ: Trẻ(Bao) = 0.8 → Trẻ(Bao) = – 0.8 = 0.2 29 Luật mờ Một luật mờ biểu thức if - then phát biểu dạng ngôn ngữ tự nhiên thể phụ thuộc nhân biến Biến Thí dụ: if nhiệt độ lạnh Giá trị biến giá dầu rẻ (hay tập mờ) then sưởi ấm nhiều Hoặc: if người có chiều cao cao bắp lực lưỡng then chơi bóng rổ hay 30 Nhận xét Logic mờ không tuân theo luật tính bù logic truyền thống: A A(x) A A(x) Thí dụ: A A(x) = max (0.8, 0.2) = 0.8 A A(x) = min( 0.8, 0.2) = 0.2 31 Thủ tục định mờ (fuzzy decision making procedure) Mờ hóa (fuzzification) Suy luận mờ (fuzzy reasoning) Khử tính mờ (defuzzification) Chuyển giá trị liệu thực tế dạng mờ Thực tất luật khả thi, kết kết hợp lại Chuyển kết dạng mở dạng liệu thực tế 32 Hệ thống mờ dùng điều trị bệnh IF sốt nhẹ THEN liều lượng asperine thấp IF sốt THEN liều lượng asperine bình thường IF sốt cao THEN liều lượng asperine cao IF sốt cao THEN liều lượng asperine cao 37 SN S SC 38 39 40 T 200 600 800 oC 41 C BT 400 SRC CN 1000 mg 33 Ví dụ: Một bệnh nhân sốt 38.7 độ Hãy xác định liều lượng asperince cần thiết để cấp cho bệnh nhân Bước 1: Mờ hóa giá trị x =38.8 cho ta thấy 38.8 thuộc tập mờ sau: 0.7 SN S 38 38.8 39 SC SRC 0.3 37 Sốt nhẹ (x) = 0.3 Sốt cao (x) = 40 oC 41 Sốt (x) = 0.7 Sốt cao (x) = 34 Ví dụ (tt.) Bước 2: Ta thấy có luật áp dụng cho hai liều lượng aspirine: Thấp (x) = 0.3 Bình thường (x) = 0.7 Kết hợp giá trị mờ lại ta vùng tô màu sau đây: BT 0.3 0.7 T 200 400 600 800 mg 35 Ví dụ (tt.) Bước 3: Phi mờ hóa kết cách tính trọng tâm diện tích tơ hình trên: Chiếu xuống trục hoành ta giá trị 480mg Kết luận: liều lượng aspirine cần cấp cho bệnh nhân 480mg 36