TRÍ TUỆ NHÂN TẠO Artificial Intelligence

TRÍ TUỆ NHÂN TẠO Artificial Intelligence TS Nguyễn Đình Thn Khoa Cơng nghệ Thơng tin Đại học Nha Trang Email: thuanvinh122@gmail.com Nha Trang 8-2007 Nội dung môn học Chương 1: Giới thiệu – – – – Mở đầu Lĩnh vực nghiên cứu AI Ứng dụng AI Các vấn đề đặt Slide Nội dung môn học (tiếp) Chương 2:Tìm kiếm khơng gian trạng thái – – – – Bài tốn tìm kiếm Giải thuật tổng qt Depth first search (DFS) Breath first search (BFS) Chương 3:Tìm kiếm theo Heuristic – – – – Giới thiệu Heuristic Tìm kiếm theo heuristic Giải thuật Best first search (BFS), Giải thuật AT, AKT, A* Chiến lược Minimax, Alpha Beta Slide Nội dung môn học (tiếp) Chương 4:Biểu diễn tri thức – – – – – – Bộ ba Đối tượng – Thuộc tính – Giá trị Các luật dẫn Mạng ngữ nghĩa Frame Logic mệnh đề, Logic vị từ Thuật giải Vương Hạo, Thuật giải Robinson Chương 5: Máy học – – – Các hình thức học Thuật giải Quinland Học theo độ bất định Slide Thực hành &Tài liệu tham khảo Thực hành Prolog / C++ / Pascal – – – Các giải thuật tìm kiếm Biểu diễn tri thức Bài tập lớn Tài liệu tham khảo – – – – Bài giảng “Trí tuệ nhân tạo” – TS Nguyễn Đình Thn Giáo trình “Trí tuệ nhân tạo” - GS Hồng Kiếm– ĐHQGTPHCM Trí tuệ nhận tạo–PGS Nguyễn Thanh Thủy–ĐH Bách Khoa HàNội Artificial Inteligent – George F Luget & Cilliam A Stubblefied Slide Chương 1: GIỚI THIỆU TS Nguyễn Đình Thn Khoa Cơng nghệ Thơng tin Đại học Nha Trang Email: thuanvinh122@gmail.com 1.1 Mở đầu Trí tuệ gì: Theo từ điển Bách khoa tồn thư Webster: Trí tuệ khả năng: – – Phản ứng cách thích hợp lại tình thơng qua điều chỉnh hành vi cách thích hợp Hiểu rõ mối liên hệ kiện giới bên ngồi nhằm đưa hành vi phù hợp đề đạt mục đích Slide Sự Thơng Minh Khái niệm tính thơng minh đối tượng thường biểu qua hoạt động: Sự hiểu biết nhận thức tri thức Sự lý luận tạo tri thức dựa tri thức có Hành động theo kết lý luận Kỹ (Skill) TRI THỨC ??? Slide Tri thức (Knowledge) Tri thức thơng tin chứa đựng thành phần – Các khái niệm: Các khái niệm bản: khái niệm mang tính quy ước Các khái niệm phát triển: Được hình thành từ khác niệm thành khái niệm phức hợp phức tạp – Các phương pháp nhận thức: Các qui luật, thủ tục Phương pháp suy diễn, lý luận, Tri thức điều kiện tiên hành xử thơng minh hay “Sự thơng minh” Tri thức có qua thu thập tri thức sản sinh tri thức Q trình thu thập sản sinh tri thức hai q trình song song nối tiếp với – khơng chấm dứt thực thể “Thơng Minh” Slide Tri thức – Thu thập sản sinh Thu thập tri thức: – Tri thức thu thập từ thơng tin, kết q trình thu nhận liệu, xử lý lưu trữ Thơng thường q trình thu thập tri thức gồm bước sau: Xác định lĩnh vực/phạm vi tri thức cần quan tâm Thu thập liệu liên quan dạng trường hợp cụ thể Hệ thống hóa, rút thơng tin tổng qt, đại diện cho trường hợp biết – Tổng qt hóa Xem xét giữ lại thơng tin liên quan đến vấn đề cần quan tâm , ta có tri thức vấn đề Sản sinh tri thức: – – Tri thức sau thu thập đưa vào mạng tri thức có Trên sở thực liên kết, suy diễn, kiểm chứng để sản sinh tri thức Slide 10 4.5.2 Thuật giải Robinson (tiếp) B1 : Phát biểu lại giả thiết kết luận vấn đề dạng chuẩn sau : GT1, GT2, , GTn → KL1, KL2, , KLm Trong : GTi KLj xây dựng từ biến mệnh đề phép tốn : ∧, ∨, ¬ B2 : Nếu GTi có phép ∧ thay dấu "," Nếu KLi có phép ∨ thay dấu "," B3 : Biến đổi dòng chuẩn B1 thành danh sách mệnh đề sau : { GT1, GT2, , GTn , ¬ KL1, ¬ KL2, , ¬ KLm } B4 : Nếu danh sách mệnh đề bước có mệnh đề đối ngẫu tốn chứng minh Ngược lại chuyển sang B5 (a ¬a gọi hai mệnh đề đối ngẫu nhau) Slide 99 4.5.2 Thuật giải Robinson (tiếp) B6 : Áp dụng phép hợp giải i) p ∧ (¬ p ∨ q) → q ii) (p ∨ q)∧ (¬ p ∨ r) → q ∨ r B7 : Nếu khơng xây dựng thêm mệnh đề danh sách mệnh đề khơng có mệnh đề đối ngẫu vấn đề khơng chứng minh Ví dụ : Chứng minh (¬ p ∨ q) ∧ (¬ q ∨ r) ∧ (¬ r ∨ s) ∧ (¬ u ∨ ¬s) → ¬ p ∨ ¬u Slide 100 Chương Máy học 5.1 MỞ ĐẦU Các chương trước thảo luận biểu diễn suy luận tri thức Trong trường hợp giả định có sẵn tri thức biểu diễn tường minh tri thức Tuy nhiều tinh huống, khơng có sẵn tri thức như: – – – Kỹ sư tri thức cần thu nhận tri thức từ chun gia lĩnh vực Cần biết luật mơ tả lĩnh vực cụ thể Bài tốn khơng biểu diễn tường minh theo luật, kiện hay quan hệ Có hai tiếp cận cho hệ thống học: – – Học từ ký hiệu: bao gồm việc hình thức hóa, sửa chữa luật tường minh, kiện quan hệ Học từ liệu số: áp dụng cho hệ thống mơ hình dạng số liên quan đến kỹ thuật nhằm tối ưu tham số Học theo dạng số bao gồm mạng Neural nhân tạo, thuật giải di truyền, tốn tối ưu truyền thống Các kỹ thuật học theo số khơng tạo CSTT tường minh Slide 101 5.2 CÁC HÌNH THỨC HỌC Học vẹt: Hệ tiếp nhận khẳng định định Khi hệ tạo định khơng đúng, hệ đưa luật hay quan hệ mà hệ sử dụng Hình thức học vẹt nhằm cho phép chun gia cung cấp tri thức theo kiểu tương tác Học cách dẫn: Thay đưa luật cụ thể cần áp dụng vào tình cho trước, hệ thống cung cấp dẫn tổng qt Ví dụ: "gas bị từ van thay từ ống dẫn" Hệ thống phải tự đề cách biến đổi từ trừu tượng đến luật khả dụng Học qui nạp: Hệ thống cung cấp tập ví dụ kết luận rút từ ví dụ Hệ liên tục lọc luật quan hệ nhằm xử lý ví dụ Slide 102 5.2 CÁC HÌNH THỨC HỌC (Tiếp) Học tương tự: Hệ thống cung cấp đáp ứng cho tác vụ tương tự khơng giống Hệ thống cần làm thích ứng đáp ứng trước nhằm tạo luật có khả áp dụng cho tình Học dựa giải thích: Hệ thống phân tích tập lời giải ví dụ (và kết quả) nhằm ấn định khả sai tạo giải thích dùng để hướng dẫn cách giải tốn tương lai Học dựa tình huống: Bất kỳ tính hệ thống lập luận lưu trữ với kết cho dù hay sai Khi gằp tình hướng mới, hệ thống làm thích nghi hành vi lưu trữ với tình Khám phá hay học khơng giám sát: Thay có mục tiêu tường minh, hệ khám phá liên tục tìm kiếm mẫu quan hệ liệu nhập Các ví dụ học khơng giám sát bao gồm gom cụm liệu, học để nhận dạng đặc tính cạnh từ điểm ảnh Slide 103 Ví dụ CÁC HÌNH THỨC HỌC Ví dụ: - Hệ MYCIN - Mạng Neural nhân tạo - Thuật tốn học Quinland - Bài tốn nhận dạng - Máy chơi cờ carơ, cờ tướng Slide 104 5.3 THUẬT GIẢI Quinlan - Là thuật tốn học theo quy nạp dùng luật, đa mục tiêu Do Quinlan đưa năm 1979 Ý tưởng: Chọn thuộc tính quan trọng để tạo định Thuộc tính quan trọng thuộc tính phân loại Bảng quan sát thành bảng cho từ bảng dễ phân tích để tìm quy luật chung Slide 105 5.3.1 THUẬT GIẢI A Quinlan STT Size Nationality Family Conclusion Small German Single A Large French Single A Large German Single A Small Italian Single B Large German Married B Large Italian Single B Large Italian Married B Small German Married B Slide 106 Với thuộc tính bảng quan sát: Xét vector V: có số chiều số phân loại – – – V(Size=Small) = (ASmall, BSmall) ASmall=Số quan sát A có Size Small / Tổng số quan sát có Size=Small BSmall= Số quan sát B có Size Small / Tổng số quan sát có Size=Small V(Size=Small) = (1/3 , 2/3) V(Size=Large) = (2/5 , 3/5) Với thuộc tính Nationality V(Nat = German)= (2/4 , 2/4) V(Nat = French) = (1 , 0) V(Nat = Italian) = (0 , 1) Thuộc tính Family: V(Family=Single) = (3/5 ,2/5) V(Family = Married) = (0, 1) Slide 107 Với thuộc tính bảng quan sát: Chỉ xét German •Thuộc tính Size: V(Size=Small) = (1/2 , 1/2) V(Size=Large) = (1/2 , 1/2) •Thuộc tính Family: V(Family=Single) = (1, 0) V(Family=Married) = (0,1) STT Size Family Conclusion Small Single A Large Single A Large Married B Small Married B Nationality Italian French German Single Married Slide 108 Với thuộc tính bảng quan sát(tiếp) Nationality Italian French German Single Married Rule 1: If (Nationality IS Italian) then (Conclusion IS B) Rule 2: If (Nationality IS French) then (Conclusion IS A) Rule 3: If (Nationality IS German) AND (Family IS Single) then (Conclusion IS A) Rule 4: If (Nationality IS German) AND (Family IS Married) then (Conclusion IS B) Slide 109 5.3.2 Thuật giải Học theo độ bất định Stt 10 Age Old Midle Midle Old New New Midle New Midle Old Competition No Yes No No No No No Yes Yes Yes Type Software Software Hardware Hardware Hardware Software Software Software Hardware Hardware Profit Down Down Up Down Up Up Up Up Down Down Slide 110 Học theo độ bất định(tiếp) Độ bất định X: k E ( X ) = -∑ p i log p i i =1 Tính Entropy cho thuộc tính chọn thuộc tính có Entropy nhỏ k E ( C / A ) = - ∑ p ( c i , a i ) log p ( c i , a i ) i =1 4 2 E ( C / Competitio n = No ) = - log - log = 918 6 6 1 3 E ( C / Competitio n = Yes ) = - log - log = 811 4 4 E ( C / Competitio n ) = * 918 + * 811 = 8752 Slide 111 Học theo độ bất định(tiếp) Tương tự: E(C/Age) = 0.4 E(C/Type) = Age cho nhiều thơng tin STT Competition Type Profit Yes Software Down No Hardware Up No Software Up Yes Hardware Down Age Old Milde New Down Competition Up No Up Yes Down Slide 112 Học theo độ bất định(tiếp) Age Old Milde New Down Competition Up No Up Yes Down Rule 1: If (Age IS Old) then (Profit IS Down) Rule 2: If (Age IS New) then (Profit IS Up) Rule 3: If (Age IS Midle) And (Competition IS No) then (Profit IS Up) Rule 4: If (Age IS Midle) And (Competition IS Yes) then (Profit IS Down) Slide 113