1.4 Cách phòng tránh đạo vănCách tốt nhất để tránh việc đạo văn là hãy trích dẫn nguồn tham khảo một cách chính xác hoặc có thể tự viết ý tưởng của riêng mình, không sử dụng nội dung của
Trang 1BỘ GIÁO DỤC VÀ ĐÀO TẠO
TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT TP.HCM
MÔN HỌC: TRÍ TUỆ NHÂN TẠO
Trang 2Chúng em xin cam đoan đồ án này do các thành viên trong nhóm thực hiện.Chúng em không sao chép, sử dụng bất kỳ tài liệu, mã nguồn… của người khácmà không ghi nguồn Chúng em xin chịu hoàn toàn trách nhiệm nếu vi phạm
Trang 32.2 Machine learning(học máy) 2
2.3 Deep learning(học sâu) 2
2.4 Ethics and Laws 3
2.5 Các hướng tiếp cận AI: 5
2.6 Nền tảng của AI: 5
2.7 Lịch sử AI: 5
Chương 3 : TÌM HIỂU VỀ CÁC THUẬT TOÁN 6
3.1 CONCEPTUAL ALGORITHM 6
3.1.1 Thuật toán Tree-Search 6
3.1.2 Thuật toán Graph -Search 7
3.2 Uninformed Search (Blind Search) 8
3.2.1 Breath-first-search 8
3.2.2 Depth – first- search (DFS) 9
3.2.3 Uniform – cost search 10
3.2.4 Depth-Limited search 11
3.2.5 Iterative deepening search 12
3.3 Informed Search Algorithms 13
3.3.1 Best-First Search 13
3.3.2 A* Search 14
3.4 SEARCHING IN MORE COMPLEX ENVIROMENTS 15
3.4.1 LOCAL SEARCH- SEARCHING FOR GOAL STATE 15
3.4.2 Hill-Climbing Search 16
Trang 43.4.3 Simulated annealing algorithm 18
3.5 SEARCHING IN NONDETERMINISTIC ENVIRONMENTS 18
3.6 Searching in non-fully-observable Environments 19
3.7 Searching with no observation (agent không có bất kỳ thông tin nào về môi trường) .20 3.8 Searching for partially observable problems 20
3.9 SEARCHING WITH NO TRANSITION MODEL – ONLINE SEARCH 21
3.9.1 Online depth-first search agent 22
3.9.2 Online A* search: LRTA* (Learning Real-Time A*) algorithm 23
3.10 Constraint satisfaction problems (CSP) 23
3.11 Solve CSPs using Constraint Propagation 24
3.12 AC-3 alorgithm 25
TÀI LIỆU THAM KHẢO 26
Trang 5Chương 1: Tìm hiểu về đạo văn1.1 Khái niệm
Đạo văn (tiếng Anh: plagiarism) là chiếm hữu một cách sai trái, ăn cắp, công bố ngôn ngữ, suy nghĩ, ý tưởng, hay cách diễn đạt của người khác và xem chúng như
Trộn thông tin từ các nguồn khác nhau;
Viết và sử dụng các từ và cụm từ từ nhiều nguồn và ghép chúng lại với nhau trong câu mới;
Không trích dẫn đúng tài liệu nguồn;
Không xin phép ai đó khi bạn sử dụng câu từ của họ trong sản phẩm của bạn;
Không trích dẫn chính xác nội dung của bạn nếu bạn đã sử dụng nó trong một ngữ cảnh khác.2
1.3 Hậu quả của đạo văn
Bị kết tội đạo văn, dù cố ý hay vô ý, đều có tác dụng lâu dài và thậm chí có thể ảnh hưởng đến khả năng xuất bản một công trình nghiên cứu.của người nghiên cứu Hậu quả của đạo văn bao gồm bị đánh rớt về điểm số, quản chế học tập, lưu vết trên hồ sơ cá nhân vĩnh viễn Hậu quả tồi tệ nhất là bị đuổi khỏi Trường hoặc bị sa thải trong công việc.3
1 “ Đ o văn ạ”, https://vi.wikipedia.org/wiki/Đạo_văn2,3“ Đ o văn ”, htps://lib.tdtu.edu.vn/vi/huong-dan/dao-vanạ3
1
Trang 61.4 Cách phòng tránh đạo văn
Cách tốt nhất để tránh việc đạo văn là hãy trích dẫn nguồn tham khảo một cách chính xác hoặc có thể tự viết ý tưởng của riêng mình, không sử dụng nội dung của người khác hay nội dung có sẵn trên Internet.
Chương 2: Tìm hiểu về Trí tuệ nhân tạo2.1 Khái niệm
Trong khoa học máy tính, trí tuệ nhân tạo hay AI (tiếng Anh: artificial intelligence), đôi khi được gọi là trí thông minh nhân tạo, là trí thông minh được thể hiện bằng máy móc, trái ngược với trí thông minh tự nhiên của con người Thông thường, thuật ngữ "trí tuệ nhân tạo" thường được sử dụng để mô tả các máy móc (hoặc máy tính) có khả năng bắt chước các chức năng "nhận thức" mà con người thường phải liên kết với tâm trí, như "học tập" và "giải quyết vấn đề".4 Cách hoạt động: ban đầu agent (đối tượng) sẽ tác động lên environment (môi trường) thông qua actions (các hành động), sau đó environment sẽ trả về cho agents là percepts/observations (các quan sát) Với mỗi action với môi trường, agent sẽ thu về percepts/observations thông qua sensors, các percepts tập hợp lại thành 1 chuỗi gọi là percepts sequence.
2.2 Machine learning(học máy)
Machine learning (ML) hay máy học là một nhánh của trí tuệ nhân tạo (AI), nó là một lĩnh vực nghiên cứu cho phép máy tính có khả năng cải thiện chính bản thân chúng dựa trên dữ liệu mẫu (training data) hoặc dựa vào kinh nghiệm (những gì đã được học) Machine learning có thể tự dự đoán hoặc đưa ra quyết định mà không cần được lập trình cụ thể.5
Phân loại machine learning:
Supervised learning: học có giám sát Unsupervised learning: học không giám sát
2.3 Deep learning(học sâu)
Deep Learning là tập hợp con của Machine Learning và nó có tác dụng hỗ trợ cho máy tính tự huấn luyện chính nó để có thể thực hiện mọi tác vụ tương tự như con người Điều này chính là giúp máy tính bắt chước con người cách học hỏi và suy nghĩ
4 “Trí tu nhân t o”, ệạ htps://vi.wikipedia.org/wiki/Trí_tu _nhân_t oệạ5 “Machine learning là gì?”, htps://topdev.vn/blog/machine-learning-la-gi/
2
Trang 7Các hệ thống của Deep Learning có khả năng cải thiện được những hiệu suất của chúng với quyền truy cập vào dữ liệu sẽ được nhiều hơn.
2.4 Ethics and LawsEthics:
- 3 vấn đề chính trong chuẩn đạo đức: Virtue ethics (đạo đức về đức hạnh), Deontology (đạo lý), consequentialism (hậu quả).
- Idiom: You reap what you sow (Gieo nhân nào gặt quả nấy)
- Một kết luận từ công trình nghiên cứu của Dr.Kim (Đại học Havard) về y tế lâm sàng cho rằng:
“growing evidence suggests that volunteers reap health and well-being
benefits from their altruistic activities.”
Dữ liệu được lấy từ 12.998 người tham gia Nghiên cứu Sức khỏe và Hưu trí -một mẫu lớn, đa dạng, có triển vọng và đại diện quốc gia cho cộng đồng những người trưởng thành ở Hoa Kỳ.
Trong thời gian theo dõi 4 năm, những người tham gia tình nguyện ≥ 100 giờ / năm (so với 0 giờ / năm) giảm nguy cơ tử vong và các hạn chế về chức năng thể chất, hoạt động thể chất cao hơn và kết quả tâm lý xã hội tốt hơn.6
Golden Rules: qui luật được mọi người trên thế giới xem là quy luật ngắn gọn nhất để mọi người có thể làm theo, noi theo, làm người gương mẫu.
6 Kim, E S., Whillans, A V., Lee, M T., Chen, Y., & VanderWeele, T J (2020) Volunteering and subsequent healthand well-being in older adults: an outcome-wide longitudinal approach American Journal of Preventive Medicine
3
Trang 8Nguồn ảnh: Tom Zeller Jr., undark.org
- Luật lệ trong phân tích dữ liệu: statutory law (Luật quy định), common law (luật lệ thông thường), constitunional law (luật liên bang).
- Các luật chi phối dữ liệu:
Mỹ: privacy laws - luật riêng tư (HIPAA 1996, COPPA 1998, FACTA 2003), Negligence laws – luật về việc thiếu trách nhiệm, bất cẩn.
Liên minh Châu Âu: General Data Protection Regulation (GDPR), bao
Rule: xác định các luật, quy tắc áp dụng cho vấn đề Apply: phân tích vấn đề theo quy tắc
Conclusion: đưa ra kết luận pháp lý cho vấn đề
2.5 Các hướng tiếp cận AI:
Suy nghĩ giống con người (Thinking humanly) Suy nghĩ có lý trí (Thingking relationly) Hành động giống con người (Acting humanly)
Hành động có lý trí (Ating relationly: đưa ra 1 solution gồm một chuỗi các
Trang 9- Neuroscience (khoa học thần kinh) - Psychology (vật lý)
- Linguistics (ngôn ngữ học)
- Computer engineering (kỹ thuật máy tính) - Control theory (thuyết kiểm soát)8
2.7 Lịch sử AI:
- Năm 1956, John McCarthy tổ chức hội nghị Dartmouth lần đầu tiên với sự tham gia của nhiều nhà khoa học trên thế giới Hội nghị thảo luận về trí tuệ nhân tạo và lĩnh vực nghiên cứu mới ra đời Mục đích của lĩnh vực này được tạo ra là phát triển các máy móc có thể mô phỏng mọi khía cạnh của trí thông minh.9
- Những năm 1980, do sự phát triển của nhiều công trình nghiên cứu, ngành AI bứt phá và ứng dụng nhiều trong lĩnh vực công nghiệp và tự động hoá, tuy nhiên các tiến trình nghiên cứu bị chậm lại vì nhiều nguyên nhân, sự kỳ vọng vào công nghệ đã đem lại nỗi thất vọng quá lớn và sự quan tâm của mọi người đến AI cũng bị sụt giảm dần và AI bị lãng quên.
- Năm 1995, với sự bùng nổ của internet, nhu cầu của con người về intelligent agents (chatbots, search bots, …) ngày càng nhiều.
- Hiện tại, kho dữ liệu số mà con người tạo ra ngày càng lớn, ta có thể tạo ra những AI thông minh có thể đạt tới human-level AI và sau này có thể tốt hơn.
Chương 3 : TÌM HIỂU VỀ CÁC THUẬT TOÁN 3.1 CONCEPTUAL ALGORITHM
3.1.1 Thuật toán Tree-Search
-Trong khoa học máy tính , cây tìm kiếm là một cấu trúc dữ liệu dạng cây được sử dụng để định vị các khóa cụ thể từ bên trong một tập hợp Để một cây hoạt động như một cây tìm kiếm, khóa cho mỗi nút phải lớn hơn bất kỳ khóa nào trong cây con ở bên trái và nhỏ hơn bất kỳ khóa nào trong cây con ở bên phải
Ưu điểm của cây tìm kiếm là thời gian tìm kiếm hiệu quả của chúng do cây được cân bằng hợp lý, nghĩa là các ở hai đầu có độ sâu tương đương Các cấu trúc dữlá 8 To learn more: Section 1.2 of (Russell, 2016)
9 "LỊCH SỬ TRÍ TUỆ NHÂN TẠO (PHẦN 2)," Trí tuệ nhân tạo, 27/10/2019, https://trituenhantao.io/tin-tuc/lich-su-tri-tue-nhan-tao-phan-2/
5
Trang 10liệu cây tìm kiếm khác nhau tồn tại, một số cấu trúc trong số đó cũng cho phép chèn và xóa các phần tử một cách hiệu quả, mà các hoạt động sau đó phải duy trì sự cân bằng của cây.
Cây tìm kiếm thường được sử dụng để triển khai một mảng kết hợp Thuật toán cây tìm kiếm sử dụng khóa từ cặp khóa giá trị để tìm một vị trí và sau đó ứng dụng lưu trữ toàn bộ cặp khóa-giá trị tại vị trí cụ thể đó10
- Giải thuật:
Ví dụ :
Nguồn : “Binary search tree”, https://www.gatevidyalay.com/binary-search-trees-data-structures
3.1.2 Thuật toán Graph -Search
Đồ thị là cấu trúc dữ liệu rất hữu ích trong việc giải quyết nhiều thách thức toán học quan trọng Ví dụ cấu trúc liên kết mạng máy tính hoặc phân tích cấu trúc phân tử của các hợp chất hóa học Chúng cũng được sử dụng trong giao thông thành phố hoặc lập kế hoạch tuyến đường và thậm chí trong ngôn ngữ của con người và ngữ pháp của họ Tất cả các ứng dụng này đều có một thách thức chung là duyệt qua đồ thị bằng cách sử dụng các cạnh của chúng và đảm bảo rằng tất cả các nút của đồ thị 10 Black, Paul and Pieterse, Vreda (2005) "search tree" Dictionary of Algorithms and Data Structures, https://en.wikipedia.org/wiki/Search_tree
6
Trang 11đều được truy cập Có hai phương pháp phổ biến được thiết lập để thực hiện việc chuyển tải này được mô tả bên dưới.
Mô tả thuật toán :
Tìm kiếm theo chiều rộng ( BFS ) là một thuật toán để tìm kiếm cấu trúc dữ liệu dạngcây cho một nút thỏa mãn một thuộc tính nhất định Nó bắt đầu từ gốc cây và khám phá tất cả các nút ở độ sâu hiện tại trước khi chuyển sang các nút ở mức độ sâu tiếp theo Bộ nhớ bổ sung, thường là một hàng đợi , là cần thiết để theo dõi các nút con đã gặp nhưng chưa được khám phá.
7
Trang 12Ví dụ: trong một ván cờ kết thúc , một công cụ cờ vua có thể xây dựng cây trò chơitừ vị trí hiện tại bằng cách áp dụng tất cả các nước đi có thể có và sử dụng tìm kiếm theo chiều rộng để tìm ra vị trí thắng cho quân trắng Cây ẩn (chẳng hạn như cây trò chơi hoặc cây giải quyết vấn đề khác) có thể có kích thước vô hạn; tìm kiếm theo chiều rộng được đảm bảo sẽ tìm thấy một nút giải pháp nếu một nút tồn tại.
Mô tả thuật toán :
3.2.2 Depth – first- search (DFS)
Tìm kiếm theo độ sâu trước tiên ( DFS ) là một thuật toán để duyệt qua hoặc tìm kiếm cấu trúc dữ liệu dạng cây hoặc đồ thị Thuật toán bắt đầu ở nút gốc (chọn một số nút tùy ý làm nút gốc trong trường hợp biểu đồ) và khám phá càng xa càng tốt dọc theo mỗi nhánh trước khi bẻ khóa ngược.
8
Trang 13Nguồn: (Russell, 2016)
Mô tả thuật toán :
Nếu so sánh với BFS thì DFS sẽ xử lý tốt hơn trong các không gian phức tạp vì nó sẽ duyệt qua hết tất cả các node để tìm goal state, nhưng bù lại nó lại kém tối ưu hơn vì khi duyệt qua tất cả node, DFS sẽ duyệt qua các đỉnh không cần thiết nên không nên áp dụng trong trường hợp số node là quá lớn.
9
Trang 143.2.3 Uniform – cost search
Là một thuật toán tìm kiếm không được thông tin sử dụng chi phí tích lũy thấp nhất để tìm đường dẫn từ nguồn đến đích Các nút được mở rộng, bắt đầu từ gốc, theo chi phí tích lũy tối thiểu Sau đó, tìm kiếm chi phí thống nhất được triển khai bằng cách sử dụng hàng đợi ưu tiên.
Mô tả thuật toán :
3.2.4 Depth-Limited search
Phương pháp tìm kiếm giới hạn theo độ sâu (DLS) gần như tương đương với tìm kiếm theo độ sâu (DFS), nhưng DLS có thể giải quyết vấn đề không gian trạng thái vô hạn vì nó giới hạn độ sâu của cây tìm kiếm với giới hạn L Các nút ở độ sâu này giới hạn được coi như thể chúng không có người kế nhiệm.
10
Trang 15Nguồn: https://bloglaptrinh2016.wordpress.com/2016/06/09/dls-thuat-toan-tim-kiem-gioi-han-do-sau/
Mô tả thuật toán :
3.2.5 Iterative deepening search
Trong khoa học máy tính , tìm kiếm theo chiều sâu lặp đi lặp lại hoặc cụ thể hơn là tìm kiếm theo chiều sâu lặp đi lặp lại (IDS hoặc IDDFS) là một chiến lược tìm kiếm không gian / đồ thị trạng thái trong đó phiên bản tìm kiếm theo chiều sâu giới hạn đ sâuộ được chạy lặp đi lặp lại với độ sâu ngày càng tăng giới hạn cho đến khi mục tiêu được tìm thấy IDDFS tối ưu giống như tìm kiếm theo chiều rộng , nhưng sử dụng ít bộ nhớ hơn nhiều; ở mỗi lần lặp lại, nó truy cập các nút trong cây tìm kiếm theo thứ tự giống như tìm kiếm theo chiều sâu, nhưng thứ tự tích lũy mà các nút được truy cập đầu tiên là theo chiều rộng thực sự.11
11 KORF, Richard E (1985) "Làm sâu thêm lần lặp lại đầu tiên" (PDF),
11
Trang 16- Mô tả thuật toán :
* Bảng so sánh mức độ hoàn thành, thời gian, Lựa chọn tốt nhất của các thuật toán trên :
Nguồn: section 3.4.5 of (Russell, 2016)
3.3 Informed Search Algorithms
Thuật toán tìm kiếm informed
Dạng chung: giống như UNIFORM-COST-SEARCH nhưng thay thế PATH-COST = f(n)
Mô tả thuật toán :
12
Trang 173.3.1 Best-First Search
- Chọn f(n) = h(n): heuristic function (tức là phỏng đoán) - heuristic function h(n) là phỏng đoán từ nút n cho đến nút goal
Example: straifht-line dist heuristic (bài toán tìm đường)
- Lấy khoảng cách từ node n đến goal là bao nhiêu => tức là ước lượng quãng đường còn lại phải đi là bao nhiêu.
- Từ đó ta tìm được giải pháp tốt hơn và nhanh hơn - Nhưng Best-first search thì “Not optimal” vì:
f(n) = h(n): thiếu PATH-COST
“bad” heuristic (tức là chúng ta ước lượng sai)
- Để cải tiến nhằm giúp thuật toán trở nên “optimal” ta có thuật toán A* search.
3.3.2 A* Search
Trong khoa học máy tính, A* (đọc là A sao) là thuật toán tìm kiếm trong đồ thị Thuật toán này tìm một đường đi từ một nút khởi đầu tới một nút đích cho trước (hoặc tới một nút thỏa mãn một điều kiện đích) Thuật toán này sử dụng một "đánh giá heuristic" để xếp loại từng nút theo ước lượng về tuyến đường tốt nhất đi qua nút đó Thuật toán này duyệt các nút theo thứ tự của đánh giá heuristic này Do đó, thuật toán A* là một ví dụ củatìm kiếm theo lựa chọn tốt nhất (best-first search).
13
Trang 18Thuật toán A* được mô tả lần đầu vào năm 1968 bởi Peter Hart Nils Nilsson, , và Bertram Raphael Trong bài báo của họ, thuật toán được gọi là thuật toán A; khi sử dụng thuật toán này với một đánh giá heuristic thích hợp sẽ thu được hoạt động tối ưu, do đó mà có tên A*.
Năm 1964, Nils Nilsson phát minh ra một phương pháp tiếp cận dựa trên khám phá để tăng tốc độ của thuật toán Dijkstra Thuật toán này được gọi là A1 Năm 1967 Bertram Raphael đã cải thiện đáng kể thuật toán này, nhưng không thể hiển thị tối ưu Ông gọi thuật toán này là A2 Sau đó, trong năm 1968 Peter E Hart đã giới thiệu một đối số chứng minh A2 là tối ưu khi sử dụng thuật toán này với một đánh giá heuristic thích hợp sẽ thu được hoạt động tối ưu Chứng minh của ông về thuật toán cũng bao gồm một phần cho thấy rằng các thuật toán A2 mới là thuật toán tốt nhất có thể được đưa ra các điều kiện Do đó ông đặt tên cho thuật toán mới là A *(A sao, A-star).12
- f(n) = n.PATH-COST + h(n) n: initial state
- A* SEARCH là thuật toán “complete” và “optimal*” Optimal*: h(n) phải là consisdent heuristic
- 1 heuristic được coi là consistent phải thỏa điều kiện sao đây: - Nếu h(n) càng lớn gần bằng actual cost thì thuật toán chạy còn nhanh - A* có thể được coi như một phiên bản nâng cấp cải thiện cảu uniform-cost-search mà uniform-cost-uniform-cost-search lại lại một biến thể của breadth-first-uniform-cost-search thì nó có một vấn đề là space complexity rất lớn, mặc dù A* cải thiện hơn nhưng trong thực tế có nhiều vấn đề mặc dù nó chạy ngốn hết bộ nhớ nhưng vẫn chưa tìm được solution Và đề giải quyết cho vấn đề đó thì có 1 số thuật toán cải thiện.