Đây là nguồn tài liệu cực kì thiết thực và hữu ích cho những ai đã và đang nghiên cứu về trí tuệ nhân tạo hoặc những vấn đề liên quan. Cuốn sách bao gồm nhiều phần, bao gồm giới thiệu định nghĩa của trí tuệ nhân tạo. Các phần sâu chủ yếu đào sâu về trọng tâm nghiên cứu của trí tuệ nhân tạohay còn gọi là AI. Chúc các bạn thành công
ĐẠI HỌC QUỐC GIA TRƯỜNG ĐẠI HỌC BÁCH KHOA THÀNH PHỐ KHOA ĐIỆN VÀ ĐIỆN TỬ BỘ MÔN ĐIỀU KHIỂN TỰ ĐỘNG BÀI GIẢNG MÔN HỌC : Trí Tuệ Nhân Tạo Và Hệ Chuyên Gia Thành phố Hồ Chí Minh Ngày Tháng 01 Năm 2006 Biên sọan : Tiến só Nguyễn Thiện Thành Bài giảng môn Trí tuệ nhân tạo hệ chuyên gia Nội dung giảng: CHƯƠNG : TỔNG QUAN VỀ TRÍ TUỆ NHÂN TẠO 1.1) Trí tuệ nhân tạo ? .5 1.2) Lòch sử phát triển trí tuệ nhân taïo : 1.3) Các thành phần trí tuệ nhân tạo : CHƯƠNG : CÁC PHƯƠNG PHÁP GIẢI QUYẾT VẤN ĐỀ CƠ BẢN 2.1) Không Gian Bài Tóan : Ví dụ 1: Không gian tóan bình đựng nước Ví dụ : Không gian tóan trò chơi số 11 Ví dụ : Không gian tóan ba tu só ba kẻ ăn thòt người 12 Ví dụ : Bài tóan rao số học (Cryarithmetic) 14 Ví dụ : Bài tóan hành trình người bán hàng 14 2.2) Chiến Lược Tìm Kiếm : 14 1) Tìm kiếm suy diễn tiến : 14 2) Chiến lược tìm kiếm suy diễn lùi : 15 2.3) Giải Thuật Tìm Kiếm : 16 1) Giaûi thuật tìm kiếm theo chiều rộng ((Breadth_First_Search): .17 2) Giải thuật tìm kiếm theo chiều sâu (Depth First Search) : 18 3) Giải thuật tìm kiếm truyền lùi ( Back Tracking search ) : .19 2.4) Tìm Kiếm Heuristic : .20 1) Heuristic laø ? 20 2) Giải thuật tìm kiếm Best_First_Search : 21 3) Hàm đánh giá heuristic : 23 2.5) Bài Tóan Ràng Buộc : 26 CHƯƠNG : HỆ CHUYÊN GIA 28 3.1) Hệ chuyên gia ? 28 3.2) Cấu trúc hệ chuyên gia : 29 3.3) Thieát Keá Hệ Chuyên Gia : 30 1) Hệ chuyên gia suy diễn tiến : 31 2) Thiết kế hệ chuyên gia suy diễn lùi : 36 http://www.khvt.com Trang Biên soạn: Tiến só Nguyễn Thiện Thành CHƯƠNG : CÁC PHƯƠNG PHÁP BIỂU DIỄN TRI THỨC .41 4.1) Biểu Diễn Tri Thức Là Gì ? 41 4.2) Biểu Diễn Tri Thức Nhờ Logic Vò Từ : 42 1) Logic đề xuất : 42 2) Logic vò từ : 44 3) Giải tóan phương pháp hợp giải : 47 4.3) Biểu Diễn Tri Thức Nhờ Mạng Ngữ Nghóa : 49 4.4) Biểu Diễn Tri Thức Nhờ Frame : 51 4.5) Giới Thiệu Về Ngôn Ngữ Lập Prolog : 56 1) Cấu trúc chương trình : 56 2) Các lọai tóan tử : 58 3) Xử lý danh sách ngôn ngữ lập trình Prolog : .59 5.1) Ứng Dụng trí Tuệ Nhân Tạo Phân Tích Bảo Vệ Hệ Thống Năng Lượng điện : 73 5.2) Bài Tóan Robot Tìm Vàng : 78 5.3) Bài Tóan Lập Phương n Cho Cánh Tay Robot Xếp Khối : 81 CHƯƠNG : XỬ LÝ TRI THỨC KHÔNG CHẮC CHẮN 86 6.1) Lý Giải Dưới Điều Kiện Không Chắc Chắn : .86 6.2) Xử Lý Tri Thức Không Chắc Chắn Dùng Lý Thuyết Xác Suất : 87 1) Lý thuyết xác suất : 87 2) Lý giải xác điều kiện không chắn dùng xác suaát : 88 3) Lý thuyết chắn : 90 4) Lý giải xấp xỉ điều kiện không chắn dùng lý thuyết số đo chắn : 92 6.3) Xử Lý Tri Thức Không Chắc Chắn Dùng Logic Mờ : 93 1) Tập mờ phép tóan tập mờ : 94 2) Quan hệ mờ phép tóan quan hệ mờ : 96 3) Logic mờ lý giải xấp xỉ mờ : 98 4) Cơ sở tri thức mờ : 100 5) Kỹ thuật suy diễn mờ : 101 CHƯƠNG : VIỆC HỌC MÁY 104 7.1) Việc Học Máy Là Gì ? 104 7.2) Mô Hình Học Máy Trên Cơ Sở Tri Thức : 105 1) Giải thuật học gám sát hướng đặc trưng đến tổng quát ngược laïi : 106 2) Giải thuật học quy nạp đònh : .109 3) Học heuristic với giải thuật học quy nạp đònh : 111 Học kì năm học 2005-2006 Trang Bài giảng môn Trí tuệ nhân tạo hệ chuyên gia 4) Khái niệm học củng cố học không giám mô hình học sở tri thức : 112 7.3) Mô hình Học Máy Nhờ Mạng Neuron Nhân Tạo : 114 1) Tổng quan mạng neuron nhân tạo : 114 2) Mạng truyền thẳng giải thuật học lan truyền ngược : 117 http://www.khvt.com Trang Biên soạn: Tiến só Nguyễn Thiện Thành Chương : Tổng Quan Về Trí Tuệ Nhân Tạo 1.1) Trí tuệ nhân tạo ? Trí tuệ nhân tạo lónh vực khoa học chuyên nghiên cứu phương pháp chế tạo trí tuệ máy cho giống trí tuệ người Vài đònh nghóa trí tuệ nhân tạo điển hình - Hệ thống mà biết suy nghó người - Hệ thống mà biết hành động người Để hệ thống mà biết suy nghó hành động người hệ thống phải trang bò công cụ thính giác, tri thức, lý giải tự động, việc học, thò giác di chuyển giống người Thông thường, cách giải vấn đề người thể qua bốn thao tác - Xác đònh tập hợp đích - Thu thập kiện luật suy diễn - Cơ chế tập trung - Bộ máy suy diễn Như vậy, trí tuệ máy ? khả giải vấn đề máy - Hành động giống người - Suy nghó giống người - Học giống người - Xử lý thông tin giống người - Hành động suy nghó sở logic xác 1.2) Lòch sử phát triển trí tuệ nhân tạo : Ý tưởng chế tạo trí tuệ máy có từ lâu đến năm 1950, nhà tóan học người Anh công bố công trình khoa học ông ta “Máy tính Thông minh”, xem mốc loch sử bắt đầu phát triển trí tuệ nhân tạo Nối theo thời điểm này, chương trình thông minh công bố + Năm 1956, chương trình giải tóan tổng quát xuất + Năm 1958, chương trình chứng minh đònh lý hình học khám phá Học kì năm học 2005-2006 Trang Bài giảng môn Trí tuệ nhân tạo hệ chuyên gia Đỉnh cao việc phát triển lónh vực phải nói đến năm 1960 Dù bò hạn chế trang thiết bò năm có nhiều công trình công bố + Năm 1960, ngôn ngữ Lisp + Năm 1961, chương trình giải tóan đại số sơ cấp + Năm 1963, chương trình trò chơi cờ vua + Năm 1964, chương trình tính tích phân + Năm 1966, chương trình phân tích học nói + Năm 1968, chương trình điều khiển Robot theo phương án mắt tay + Năm 1972, ngôn ngữ Prolog Từ năm 1969 đến năm 1999, có nhiều chương trình xây dựng hệ sở tri thức Thật vậy, lónh vực trí tuệ vào đời sống dân dụng từ năm 1980 đến 1.3) Các thành phần trí tuệ nhân tạo : Có hai thành phần trí tuệ nhân tạo biểu diễn tri thức tìm kiếm tri thức miền biểu diễn Tri thức tóan phân làm ba lọai tri thức tri thức mô tả, tri thức thủ tục tri thức điều khiển + Tri thức mô tả : lọai tri thức mô tả mà biết tóan Lọai tri thức bao gồm kiện, quan hệ tính chất tóan + Tri thức thủ tục : lọai tri thức mô tả cách giải tóan Lọai tri thức bao gồm luật suy diễn hợp lệ, chiến lược tìm kiếm giải thuật tìm kiếm + Tri thức điều khiển : lọai tri thức xem luật chủ chốt điều khiển trình lý giải để dẫn đến kết luận Để biểu diễn tri thức tóan nhờ phương pháp biểu diễn + Phương pháp biểu diễn nhờ luật + Phương pháp biểu diễn nhờ mạng ngữ nghóa + Phương pháp biểu diễn nhờ Frame + Phương pháp biểu diễn nhờ logic vò từ http://www.khvt.com Trang Biên soạn: Tiến só Nguyễn Thiện Thành Sau tri thức tóan biểu diễn, kỹ thuật giải tóan lónh vực trí tuệ nhân tạo phương pháp tìm kiếm miền đặc trưng tri thức tóan Ví dụ : Xét tóan người nông dân, chồn, ngỗng ngũ cốc Bài tóan đặt người nông dân muốn mang theo với chồn, ngỗng số ngũ cốc qua bên sông thuyền Tuy nhiên, thuyền ông ta bé mang theo thứ với ông ta chuyến thuyền sang sông Nếu ông ta để lại chồn ngỗng bên sông chồn ăn ngỗng ông ta để lại ngỗng ngũ cốc ngỗng ăn hết số ngũ cốc Hãy xếp chuyến thuyền cho người nông dân mang thứ sang bên sông an tòan? Với tóan này, ta biểu diễn nhờ thông qua phát biểu ngôn ngữ tự nhiên, nhiên cách biểu diễn không giúp ta vạch trần ràng buộc vốn sẵn có tóan Cách biểu diễn tốt giúp ta vạch trần ràng buộc vốn sẵn có tóan xây dựng biểu đồ với nút có đánh nhãn người nông dân mang theo thứ mà ông ta cần phải mang theo chuyến thuyền cạnh liên kết nút đường mũi tên chuyến thuyền qua lại sông Cách biểu diễn hàm chứa thành phần ngữ từ học, cấu trúc, thủ tục ngữ nghóa + Ngữ từ học (Lexical) : từ vựng hợp lệ sử dụng ký hiệu biểu diễn + Cấu trúc (Structure) : đường mũi tên liên kết nút đònh chuyến thuyền qua lại sông + Thủ tục (Procedure) : mô tả cách giải tóan từ nút đến nút nhờ thông đường đònh mũi tên + Ngữ nghóa (Semantic) : ý nghóa nút cạnh liên kết thông qua cách giải tóan Biểu đồ biểu diễn tóan người nông dân, chồn, ngỗng ngũ cốc mô tả hình Học kì năm học 2005-2006 Trang Bài giảng môn Trí tuệ nhân tạo hệ chuyên gia Start Nông dân Chồn Ngỗng Ngũ cốc Nông dân Chồn Ngỗng Ngũ cốc Nông dân Chồn Ngỗng Ngũ cốc Nông dân Chồn Ngỗng Nông dân Chồn Nông dân Chồn Ngỗng Ngỗng Ngũ cốc Ngũ cốc Nông dân Chồn Ngỗng Ngũ cốc Ngũ cốc Nông dân Chồn Ngỗng Ngũ cốc Nông dân Chồn Ngỗng Ngũ cốc Nông dân Chồn Ngỗng Ngũ cốc Finish http://www.khvt.com Trang Biên soạn: Tiến só Nguyễn Thiện Thành Chương : Các Phương Pháp Giải Quyết Vấn Đề Cơ Bản 2.1) Không Gian Bài Tóan : Tri thức tóan chia làm ba lọai tri thức tri thức mô tả, tri thức thủ tục tri thức điều khiển, tri thức thủ tục đònh nghóa không gian tóan Không gian tóan biểu diễn không gian trạng trạng thái biểu diễn đồ thò đònh hướng gồm bốn thành phần sau : + S : trạng thái ban đầu tóan (dữ liệu ban đầu) + G : tập trạng thái đích tóan (dữ liệu đích) + N : tập trạng thái khác phát sinh từ trạng thái ban đầu đạt đến trạng thái đích nút đồ thò + A : Tập trạng thái chuyển tiếp cung liên kết nút đồ thò nhờ thông qua luật áp dụng tóan Luật áp dụng luật mà vế điều kiện hợp với trạng thái có để vế kết luận phát sinh trạng thái Đường lời giải tóan đường trạng thái ban đầu thông qua trạng thái khác phát sinh đến trạng thái tập trạng thái đích Ví dụ 1: Không gian tóan bình đựng nước Cho hai bình đựng nước, bình có dung tích lít bình khác có dung tích lít, hai bình dấu dung tích Trạng thái ban đầu hai bình rỗng, dùng bơm nước làm đầy nước với hai bình Làm cách để có xác lít nước bình lít ? Vậy, không gian trạng thái cho tóan ? Giải : Cho cặp biến số nguyên (x,y) biểu diễn trạng thái không gian trạng thái cho tóan này, x số lít nước bình lít y số lít nước bình lít Không gian trạng thái cho tóan mô tả thành phần sau : + Trạng thái ban đầu tóan : hai bình rỗng cặp số nguyên (0,0) + Trạng thái đích tóan : cần có xác lít nước bình lít cặp số nguyên (2,n), tronng n số không xác đònh bình lít Học kì năm học 2005-2006 Trang Bài giảng môn Trí tuệ nhân tạo hệ chuyên gia + Trạng thái khác tóan : cặp số nguyên (x,y) mô tả trạng thái không gian tóan + Trạng thái chuyển tiếp tóan : la’ bước chuyển tiếp từ trạng thái có đến trạng thái nhờ thông luật áp dụng tóan Luật áp dụng luật mà vế điều kiện hợp với trạng thái hữu để vế kết luận phát sinh trạng thái Tập luật giải tóan bình đựng nước liệt kê Luaät : (x,y/ x < ) → (4,y) Luaät : (x,y/ y < ) → (x,3) Luaät : (x,y/ x > ) → (0,y) Luaät : (x,y/ y > ) → (x,0) Luật : (x,y/ x + y >= y > ) → (4,y – (4 – x)) Luật : (x,y/ x + y >= x > ) → (x – (3 –y),3) Luaät : (x,y/ x + y < vaø y > ) → (x + y,0) Luaät : (x,y/x + y < vaø x > ) → (0,x + y) Không gian trạng thái cho tóan biểu diễn đồ thò hình (0,0) (4,0) (4,3) (0,0) (0,3) (1,3) (4,3) (0,0) (3,0) (2,n) Vậy, không gian trạng thái cho tóan bình đựng nước bao gồm trạng thái ban đầu, tất trạng thái khác đạt từ trạng thái ban đầu nhờ thông qua luật ứng dụng (các trạng thái chuyển tiếp ) trạng thái đích tóan http://www.khvt.com Trang 10 Bài giảng môn Trí tuệ nhân tạo hệ chuyên gia Chương : Việc Học Máy 7.1) Việc Học Máy Là Gì ? Con người có nhiều cách học học ký ức, học kiện nhờ thông qua quan sát thăm dò, học cải thiện kỹ xảo thông qua thực tiễn, học nhờ phát triển hệ thần kinh sinh học người học nhờ gen di truyền từ hệ trước Dù cách học nữa, mục tiêu việc học thu thập tri thức xử lý tri thức cho thích nghi với tình Giống cách học người, người ta muốn xây xựng chương trình học cho máy cho máy có khả thu thập tri thức xử lý tri thức cho thích nghi với tình Giống cách học người, máy lọai học học giám sát, học củng cố học không giám sát + Học giám sát : học giám sát thể lọai học với trình học có tín hiệu hướng dẫn vào xác thầy giáo Với thể lọai học này, liệu học vào mong muốn hệ thống học phải thiết lập trước Sau trình học, hệ thống tìm luật thích hợp để thực tốt công việc dự báo ngõ kết hợp với ngõ vào hệ thống + Học củng cố : học củng cố thể lọai học giám sát; nhiên tín hiệu hướng dẫn thầy giáo tín hiệu củng cố Với thể lọai học này, tín hiệu học thầy giáo tín hiệu thưởng tương ứng với tín hiệu phạt tương ứng với tín sai sở tri thức sẵn có hệ thống cho tập mẫu liệu học vào mong muốn Quá trình học, hệ thống tìm luật thích hợp để củng cố hành động đònh hệ thống + Học không giám sát : gọi thể lọai học tự học, với thể lọai học này, trình học trợ giúp thông tin hướng hẫn thầy giáo, hệ thống tự khám phá luật thích nghi để thực tốt công việc ngõ kết hợp với ngõ vào từ tập mẫu liệu học ngõ vào mong muốn Có ba lónh vực học máy học sở tri thức, học nhờ mạng neuron nhân tạo học nhờ giải thuật học di truyền http://www.khvt.com Trang 104 Biên soạn: Tiến só Nguyễn Thiện Thành 7.2) Mô Hình Học Máy Trên Cơ Sở Tri Thức : Việc học máy sở tri thức với mô hình tổng quát trình học mô tả lưu đồ khối hình Ngôn ngữ biểu diễn Luật học Không gian học Tìm kiếm heuristic Thu thập tri thức Dữ liệu đích tác vụ học Mô hình học sở tri thức gồm thành phần liệu học đích tác vụ học, ngôn ngữ biểu diễn tri thức học, luật học, không gian học tìm kiếm heuristic + Dữ liệu đích việc học : công đọan việc học phải xác đònh đặc thù tóan học theo đích người học liệu học thiết lập Ví dụ điển hình thuật tóan học quy nạp, liệu học tập mẫu ví dụ đích việc học suy diễn đònh nghóa tổng quát để nhận dạng lớp đối tượng + Biểu diễn tri thức học : công đọan thứ hai mô hình học sở tri thức chọn ngôn ngữ biểu diễn thích hợp để mã hóa tri thức học Đó ngôn ngữ biểu diễn nhờ logic vò từ ngôn ngữ biểu diễn nhờ frame khảo sát trước + Luật học : công đọan thứ ba luật học, cho liệu học, người học phải xây dựng luật học cho thỏa mãn đích việc học + Không gian học : ngôn ngữ biểu diễn tri thức học kết hợp với luật học đònh nghóa không gian học, người học phải tìm kiếm không gian để tìm khái niệm mong muốn học + Tìm kiếm heuristic : hầu hết chương trình học sử dụng thông tin heuristic để giúp trình học nhanh có hiệu Với mô hình học sở tri thức này, hệ thống thu thập tri thức từ tri thức sẵn có hệ thống Học kì năm học 2005-2006 Trang 105 Bài giảng môn Trí tuệ nhân tạo hệ chuyên gia 1) Giải thuật học gám sát hướng đặc trưng đến tổng quát ngược lại : Mục tiêu hai lọai giải thuật học tìm đònh nghóa tổng quát để nhận dạng tất đối tượng lớp Giải thuật sử dụng liệu học gồm hai tập mẫu liệu huấn luyện dương P âm N Dữ liệu huấn luyện dương liệu cung cấp thông tin bổ ích biết đối tượng lớp muốn học liệu âm liệu cung cấp thông tin không bổ ích biết đối tượng lớp Giải thuật học hướng đặc trưng đến tổng quát hóa trình học, hệ thống đối tượng với thành phần đặc trưng nhất, tổng quát hóa thành phần đặc trưng cho đạt đến đònh nghóa tổng quát mà nhận dạng tất đối tượng lớp Luật học giải thuật tóan tử tổng quát hóa tóan tử thay thành phần số đối tượng với biến số Giải thuật học hướng tổng quát đến đặc trưng trình học, hệ thống đối tượng với thành phần tổng quát hóa nhất, đặc trưng thành phần cho đạt đến đònh nghóa tổng quát mà nhận dạng tất đối tượng lớp Luật học giải thuật tóan tử đặc trưng hóa tóan tử thay thành phần biến số đối tượng với số Giải thuật học hướng đặc trưng đến tổng quát mô tả Begin - Cho danh sách S chứa mẫu huấn luyện dương đặc trưng - Cho N tập chứa mẫu huấn luyện âm - Cho mẫu huấn luyện dương p Begin - Cho mẫu s∈S không hợp với p, thay thành phần đặc trưng s với biến số cho hợp với p - Lọai bỏ tất mẫu tổng quát vài mẫu khác S - Lọai bỏ tất mẫu S mà hợp với mẫu âm n giám sát trước End ; - Cho mỗi mẫu âm n Begin - Lọai bỏ tất thành viên S hợp với n - Cộng n vào tập N để giám sát mẫu tổng quát khác trình học End; End http://www.khvt.com Trang 106 Biên soạn: Tiến só Nguyễn Thiện Thành Giải thuật học hướng tổng quát hóa đến đặc trưng hóa mô tả Begin - Cho danh sách G chứa mẫu với thành phần tổng quát biến số mô tả thành phần đối tượng - Cho P danh sách chứa mẫu huấn luyện dương - Cho mẫu huấn luyện âm n Begin - Cho mẫu g∈G hợp với n thay thành phần tổng quát g với thành phần đặc trưng cho không hợp với n - Lọai bỏ tất mẫu đặc trưng vài mẫu khác G - Lọai bỏ tất mẫu không hợp với vài mẫu dương p P End; - Cho mẫu dương p Begin - Lọai bỏ tất mẫu không hợp với p G - Cộng p vào tập P để giám sát mẫu đặc trưng trình học End; End Ví dụ : Học nhận dạng đối tượng lớp bóng sử dụng giải thuật học hướng đặc trưng hướng tổng quát Cho miền đối tượng với giá trò Kích_thước = {lớn, nhỏ} Màu = {đỏ, trắng, xanh} Hình = {quả_bóng, viên_gạch, hộp_phấn} Dữ liệu học cho đối tượng thiết lập + Tập mẫu liệu huấn luyện dương P gồm mẫu P = {đối_tượng(nhỏ, đỏ, quả_bóng), đối_tượng(lớn, đỏ, quả_bóng), đối_tượng(nhỏ, trắng, quả_bóng), đối_tượng(lớn, trắng, quả_bóng), đối_tượng(nhỏ, xanh, quả_bóng), đối_tượng(lớn, xanh, quả_bóng)} + Tập mẫu liệu huấn luyện âm N gồm mẫu N = { đối_tượng(nhỏ, đỏ, viên_gạch), đối_tượng(lớn, đỏ, viên_gạch), đối_tượng(nhỏ, trắng, viên_gạch), đối_tượng(lớn, trắng, viên_gạch), đối_tượng(nhỏ, xanh, viên_gạch), đối_tượng(lớn, xanh, viên_gạch), đối_tượng(nhỏ, đỏ, hộp_phấn), đối_tượng(lớn, đỏ, hộp_phấn), Học kì năm học 2005-2006 Trang 107 Bài giảng môn Trí tuệ nhân tạo hệ chuyên gia đối_tượng(nhỏ, trắng, hộp_phấn), đối_tượng(lớn, trắng, hộp_phấn), đối_tượng(nhỏ, xanh, hộp_phấn), đối_tượng(lớn, xanh, hộp_phấn)} + Quá trình học để nhận dạng đối tượng lớp bóng dùng giải thuật học hướng đặc trưng mô tả hình S={} p = đối_tượng(nhỏ, đỏ, quả_bóng) S = {đối_tượng(nhỏ, đỏ, quả_bóng)} p = đối_tượng(nhỏ, trắng, quả_bóng) S = {đối_tượng(nhỏ, Y, quả_bóng)} p = đối_tượng(lớn, xanh, quả_bóng) S = {đối_tượng(X, Y, quả_bóng)} Quá trình học để nhận dạng đối tượng lớp bóng dùng giải thuật học hướng tổng quát mô tả hình G = {đối_tượng(X,Y,Z)} n = đối_tượng(nhỏ, đỏ, viên_gạch) G = {đối_tượng(lớn,Y,Z),đối_tượng(X, trắng, Z), p = đối_tượng(lớn, trắng,quả_bóng) đối_tượng(X,xanh,Z), đối_tượng(X,Y,quả_bóng), đối_tượng(X,Y,hộp_phấn)} G = {đối_tượng(lớn,Y,Z), đối_tượng(X, trắng, Z), đối_tượng(X,Y,quả_bóng)} n = đối_tượng(lớn, xanh, viên_gạch) G = {đối_tượng(lớn,trắng,Z), đối_tượng(X, trắng, Z), đối_tượng(X,Y,quả_bóng)} p = đối_tượng(nhò, xanh,quả_bóng) G = {đối_tượng(X,Y,quả_bóng)} http://www.khvt.com Trang 108 Biên soạn: Tiến só Nguyễn Thiện Thành 2) Giải thuật học quy nạp đònh : Một lọai giải thuật học khác giải thuật học quy nạp đònh Giải thuật học sử dụng liệu học với mẫu liệu thu thập dạng bảng Bảng chứa mẫu liệu thu thập với số cột tương ứng với thuộc tính mô tả thành phần đối tượng số hàng tương ứng với số mẫu liệu thu thập Mục tiêu giải thuật học xây dựng đònh để phân lớp liệu từ liệu thu thập nhờ thông qua thực nghiệm Giải thuật chọn thuộc tính làm gốc để từ phân lớp liệu theo nhánh với giá trò tương ứng thuộc tính Thủ tục đệ quy cho có hòan chỉnh Ví dụ : Cho bảng liệu thu thập từ kinh nghiệm mua quà Các Nhân Tố Quyết Đònh Kết Stt Tiền Tuổi Quà nhiều lớn xe nhiều nhỏ máy tính lớn hoa nhỏ kẹo Quá trình học mua quà giải thuật học quy nạp từ bảng liệu mô tả hình Tiền ? nhiều Tuổi ? lớn Quà ? xe Tuổi ? nhỏ Quà ? Máy tính lớn nhỏ Quà ? Quà ? hoa kẹo Cho Example_set bảng chứa tất mẫu liệu thu thập Properties danh sách chứa thuộc tính tương ứng bảng liệu Giải thuật học quy nạp đònh mô tả sau : Học kì năm học 2005-2006 Trang 109 Bài giảng môn Trí tuệ nhân tạo hệ chuyên gia Function induce_tree(Example_set, Properties) Begin If ( Tất thành viên Example_set lớp ) Then ( tạo nút đánh nhãn với lớp đó) Elseif ( Properties danh sách rỗng) Then ( Trả nút có đánh nhãn giới từ tất lớp Example_set ) Else begin - Chọn thuộc tính P danh sách Properties làm gốc lọai bỏ thuộc tính khỏi danh sách - Cho giá trò V thuộc tính P Begin - Tạo nhánh có đánh nhãn V - Đặt Partition chứa tất mẫu có giá trò V - Thủ tục đệ quy cho cách gọi hàm induce_tree(Partition, Properties), nối kết vào nhánh V End; End; End Ví dụ : Cho liệu thu thập việc cho nợ vay vốn bảng stt 10 11 12 13 14 Rủi Ro cao cao vừa cao thấp thấp cao vừa thấp thấp cao vừa thấp cao http://www.khvt.com Uy Tín xấu chưa biết chưa biết chưa biết chưa biết chưa biết xấu xấu tốt tốt tốt tốt tốt xấu Khỏan Nợ nhiều nhiều ít ít ít nhiều nhiều nhiều nhiều nhiều Thế Chấp không không không không không có không không không không Thu Nhập thấp trung bình trung bình thấp cao cao thấp cao cao cao thấp trung bình cao trung bình Trang 110 Biên soạn: Tiến só Nguyễn Thiện Thành Hãy học xây dựng đònh đánh giá rủi ro cho nợ vay vốn ? Giải thuật học quy nạp đònh sử dụng phổ biến nhiều lónh vực khác dự báo, đánh giá, nhận dạng điều khiển kinh nghiệm Giải thuật giúp người học tìm kiếm nhanh mục đích muốn học từ đònh Giải thuật giúp người học thiết kế hệ chuyên gia với liệu thu thập kinh nghiệm Sau trình học, đònh hình thành, thủ tục thiết kế hệ chuyên gia từ đònh nhánh có số liệu dẫn đến kết luận luật suy diễn hệ chuyên gia Vế điều kiện luật nhân tố đònh kết nối từ gốc đến thông qua phép tóan giao liên từ và, vế kết luận luật nhân tố kết muốn học 3) Học heuristic với giải thuật học quy nạp đònh : Cho bảng liệu nhiều hàng nhiều cột thu thập từ thực nghiệm Để giúp giải thuật học nhanh có hiệu quả, theo lý thuyết thông tin, nhân tố đònh bảng liệu giành thông tin lớn nhân tố đònh tốt chọn làm gốc trình học Cách tính thông tin giành nhân tố đònh bảng liệu thu thập sau : + Thông tin nhân tố muốn học M bảng liệu C tính công thức n I (C ) = ∑ − p ( m i ) log ( p ( m i )) i =1 đó, mi giá trò thứ i nhân tố muốn học M p(mi) xác suất mảnh thông tin mi bảng liệu C số mẫu bảng liệu C chứa mảnh thông tin mi chia cho tổng số mẫu bảng liệu C + Nếu ta chọn Q làm gốc trình học bảng liệu C chia nhiều bảng liệu Ci chúng chứa mẫu có giá trò tương ứng thuộc tính Q Vì thông tin nhân tố Q chọn Q làm gốc tính công thức n E (Q ) = Học kì năm học 2005-2006 ∑ i =1 C i I (C i ) C Trang 111 Bài giảng môn Trí tuệ nhân tạo hệ chuyên gia đó, Ci tổng số mẫu chứa bảng liệu Ci , C tổng số mẫu chứa bảng liệu C I(Ci) thông tin nhân tố muốn học bảng liệu Ci + Thông tin giành nhân tố đònh Q ta chọn Q làm gốc trình học tính công thức gain(Q) = I(C) - E(Q) Nếu nhân tố đònh có thông tin giành lớn nhân tố đònh quan trọng chọn làm gốc trình học Đơn vò thông tin bit 4) Khái niệm học củng cố học không giám mô hình học sở tri thức : + Học củng cố : Học củng cố dạng học giám sát, nhiên liệu học gồm mảnh nhỏ thông tin đơn giản tri thức sẵn có hệ thống Đích việc học sau trình học, tìm đònh nghóa tổng quát từ mảnh nhỏ thông tin đơn giản tín hiệu học củng cố thầy giáo Ví dụ : Học tìm luật suy diễn tổng quát để dẫn đến kết X lớp đối tượng bóng nhờ giải thích thông qua thể lọai học củng cố - Dữ liệu học : gồm mảnh nhỏ thông tin đơn giản tri thức sẵn có hệ thống thiết lập 1) quả_bóng(đt) 2) vật_đá_được(X)∧vật_hình_cầu(X) → quả_bóng(X) 3) vật_làm_bằng_nhựa(X)∧vật_nhẹ(X) → vật_đá_được(X) 4) vật_có_mặt_lồi(X)∧vật_có_mặt_tròn(X) → vật_hình_cầu(X) - Đích việc học : đích việc học tìm luật suy diễn tổng quát với dạng tiên_đề(X) → quả_bóng(X) Quá trình học, xây dựng nhân tố đònh cho tiên_đề(X) để dẫn đến kết luận X lớp đối tượng bóng Thể lọai học củng cố dạng học giải thích dựa sở tri thức sẵn có hệ thống thế, hệ thống học phải trải qua hai giai đọan Giai đọan đặc trưng hóa từ tri thức sẵn có hệ thống giai đọan giải thích http://www.khvt.com Trang 112 Biên soạn: Tiến só Nguyễn Thiện Thành thuộc tính đặc trưng đối tượng Giai đọan tổng quát hóa tổng quát hóa thuộc tính đặc trưng đối tượng giải thích với biến số X để tìm nhân tố đònh tổng quát cho tiên_đề(X) dẫn đến kết luận X lớp đối tượng bóng Quá trình học với thể lọai mô tả hình quả_bóng(đt) vật_hình_cầu(đt) vật_đá_được(đt) vật_làm_bằng_nhựa(đt) vật_nhẹ(đt) vật_có_mặt_lồi(đt) vật_có_mặt_tròn(đt) quả_bóng(X) vật_đá_được(X) vật_làm_bằng_nhựa(X) vật_nhẹ(X) vật_hình_cầu(X) vật_có_mặt_lồi(X) vật_có_mặt_tròn(X) Luật suy diễn tổng quát cho tiên_đề(X) biểu thức phép tóan giao liên từ với thành phần nút tổng quát Luật thiết lập vật_làm_bằng_nhựa(X)∧vật_nhẹ(X)∧vật_có_mặt_lồi(X)∧ vật_có_mặt_tròn(X) → quả_bóng(X) + Học không giám sát : Học không giám sát gọi thể lọai tự học Hệ thống không cung cấp thông tin tín hiệu học thầy giáo Hệ Học kì năm học 2005-2006 Trang 113 Bài giảng môn Trí tuệ nhân tạo hệ chuyên gia thống tự khám phá vài thông tin bổ ích trình học Thể lọai học thường sử dụng liệu học không phân lớp trình học tự khám phá để phân lớp liệu Ví dụ : Học xếp lớp đối tượng bóng Dữ liệu học không phân lớp bóng thiết lập đt1 = { nhỏ, đỏ, nhựa, quả_bóng} đt2 = { nhỏ, xanh, nhựa, quả_bóng} đt3 = { lớn, đen, gổ, quả_bóng} Đích việc học trình học xếp lớp đối tượng bóng dựa sở số đo tương tự Cách học tính số đo tương tự cặp liệu, chọn cặp đối tượng có số đo tương tự lớn đưa lớp đối tượng khác có số đo tương tự nhỏ đưa lớp khác Số đo tương tự cặp liệu số thuộc tính giống hai đối tượng chia cho tổng số thuộc tính đối tượng số đo tương tự cặp liệu cho thiết lập sau : - Số đo tương tự cặp liệu đt1 đt2 3/4 - Số đo tương tự cặp liệu đt1 đt3 1/4 - Số đo tương tự cặp liệu đt2 đt3 1/4 Với số đo tương tự này, đối tượng đt1 đt2 lớp đt3 lớp khác 7.3) Mô hình Học Máy Nhờ Mạng Neuron Nhân Tạo : 1) Tổng quan mạng neuron nhân tạo : Trái với mô hình học máy sở tri thức, mô hình học máy nhờ mạng neuron nhân tạo mô hình học cách mô lại cấu trúc nguyên lý làm việc hệ neuron sinh học người Hệ neuron sinh học người thừa nhận có khỏang 1010 1012 tế bạo neuron gồm nhiều lớp lớp vào, lớp ẩn lớp Lớp vào nối với phần tử cảm biến tai, mắt, miệng, mũi, da vân vân, lớp nối với phần tử bắp chân, tay vân vân lớp ẩn chứa đơn vò xử lý xử thông tin nhận từ lớp vào gởi đònh đến lớp để điều khiển phần tử bắp chân tay vân vân Mỗi neuron sinh học có nhiều ngõ vào ngõ ngõ neuron kết nối với ngõ vào neuron khác Tín hiệu truyền từ neuron đến neuron khác dạng điện áp Nếu tín hiệu truyền hai neuron điện áp dương hai nuron kết nối dạng kích thích Nếu tín hiệu truyền hai neuron điện áp âm http://www.khvt.com Trang 114 Biên soạn: Tiến só Nguyễn Thiện Thành hai neuron kết nối dạng ức chế Nếu tín hiệu truyền hai neuron điện áp zero hai neuron kết nối Lượng điện áp truyền neuron gọi cường độ kết nối Trên sở hệ neuron sinh học người mô tả, mạng neuron nhân tạo nhiều lớp thiết lập hình x1 y1 xj yi yn xm Wiq Vqj Lớp vào Lớp ẩn Lớp Có ba thành phần mạng neuron nhân tạo mô hình kết nối, đơn vò xử lý luật học + Mô hình kết nối : Có hai mô hình kết nối kết nối truyền thẳng kết nối hồi quy Mô hình kết nối truyền thẳng gọi mạng truyền thẳng cấu trúc mạng kết nối chuyển tiếp tín hiệu từ lớp vào thông qua lớp ẩn đến lớp Mô hình kết nối hồi quy gọi mạng hồi quy cấu trúc mạng kết nối chuyển tiếp tín hiệu từ lớp vào thông qua lớp ẩn đến lớp đồng thời hồi tiếp tín hiệu đơn vò xử lý đơn vò xử khác lớp lớp khác Học kì năm học 2005-2006 Trang 115 Bài giảng môn Trí tuệ nhân tạo hệ chuyên gia + Đơn vò xử lý : Một mạng neuron nhân tạo có nhiều lớp lớp vào, lớp ẩn lớp Lớp vào chứa neuron xem nơi chứa tín hiệu vào Các lớp ẩn chứa neuron xem đơn vò xử lý Lớp chứa neuron xem đơn vò xử lý đònh Kết hợp với đơn vò xử lý có hàm tổng hợp hàm kích họat Hàm tổng hợp có chức tổng hợp tất thông tin từ ngõ vào đơn vò hàm kích họat có chức tạo tín hiệu đơn vò nhận tín hiệu vào từ hàm tổng hợp - Hàm tổng hợp dạng tuyến tính đơn vò xử lý thứ i thiết lập m f i = ∑ Wij x j − θ i j =1 đó, Wij trọng số kết nối đơn vò j đơn vò i, xj ngõ đơn vò j ngõ vào đơn vò i θi đơn vò ngưỡng đơn vò xử lý i - Hàm kích họat tạo tín hiệu đơn vò xử lý thứ i thiết lập dạng * Hàm bậc thang đơn vò : * Hàm unipolar sigmoid : * Hàm hyperbolic tangent : ⎧1 if fi ≥ a( fi ) = ⎨ ⎩0 if fi ≤ a( fi ) = + e − λfi e fi − e − fi a( f i ) = f i e + e − fi + Luật học : Có hai cách học mạng neuron nhân tạo học cấu trúc học thông số Học cấu trúc trình học thay đổi cấu trúc bên mạng Học thông số trình học cập nhật trọng số kết nối đơn vò xử lý mạng cho xấp xỉ với trọng số mong muốn để có ánh xạ vào mong muốn Cho Wij trọng số kết nối đơn vò thứ j đơn vò thứ i, luật học cập nhật trọng trọng số thời điểm t+1 thiết lập Wij(t+1) = Wij(t) + ηΔWij(t) Trong đó, η số dương gọi tốc độ học ΔWij(t) lượng gia tăng trọng số thời điểm t Có ba thể lọai học mạng neuron nhân tạo học giám sát, học củng cố học không giám sát http://www.khvt.com Trang 116 Biên soạn: Tiến só Nguyễn Thiện Thành - Học giám sát : cho tập liệu vào mong muốn, trình học cập nhật trọng số kết nối phần tử xử lý mạng cho ngõ that mạng xấp xỉ với ngõ mong muốn mạng - Học củng cố : thể lọai học giám sát, nhiên, tín hiệu mong muốn mạng tín hiệu củng cố tín hiệu thưởng phạt Quá trình học, cập nhật trọng số kết nối đơn vò xử lý cho ngõ thật mạng xấp xỉ với ngõ mong muốn thưởng với độ tin cậy cao tốt - Học không giám sát : thể lọai học liệu mong muốn, trình học với tập liệu vào mong muốn, mạng tự cập nhật trọng số kết nối dựa sở tập liệu vào mong muốn cho ngõ thực mạng thích nghi với ngõ vào mong muốn 2) Mạng truyền thẳng giải thuật học lan truyền ngược : Cho mạng truyền thẳng ba lớp mô tả trên, với hàm chi phí đo tín hiệu sai số ngõ thực yi (k) mạng ngõ mong muốn di (k) mạng cho mẫu tín hiệu vào mong muốn X(k) n E(k ) = ∑ (d i (k ) − yi (k )) i =1 Giải thuật học lan truyền ngược cập nhật trọng số kết nối mạng mô tả gồm bước sau : Bước : Nhập tập mẫu huấn luyện vào mong {X(k), d(k), cho k = 1, ,p}, X(k) véctơ mẫu vào d(k) véctơ mẫu Thiết lập tốc độ học η, sai số cho phép hội tụ Emax , trọng số khởi tạo, E = k = Bước : Truyền tín hiệu chuyển tiếp từ lớp vào, qua lớp ẩn đến lớp Cho q = đến l net q ( k ) = m ∑V j =1 qj (k ) x j (k ) z q ( k ) = a ( net q ( k )) Cho i = đến n net i ( k ) = Học kì năm học 2005-2006 l ∑W q =1 iq (k ) zq (k ) Trang 117 Bài giảng môn Trí tuệ nhân tạo hệ chuyên gia yi ( k ) = a ( net i ( k )) Bước : Tính sai số chuan ngõ mong muốn ngõ thực mạng n E(k) = ∑(di (k) − yi (k)) i=1 Bước : Lan truyền ngược cập nhật trọng số kết nối lớp Cho i = đến n δ i ( k ) = ( d i ( k ) − y i ( k )) × a ' ( net i ( k )) Cho i = đến n Cho q = đến l Wiq (k + 1) = Wiq (k ) +η × δi (k ) × zq (k ) Cho q = đến l n δ q ( k ) = a ( net q ( k )) × ∑ W qi ( k )δ i ( k ) ' i =1 Cho q = đến l Cho j = đến m Vqj (k +1) = Vqj (k) +η ×δq (k) × x j (k) Bước : Kiểm tra k < p tăng k = k + quay bước 1; mặt khác đến bước Bước : Kiểm tra E < Emax dừng thủ tục huấn luyện; mặt khác thiết lập E = k = quay bước thực hệ huấn luyện khác http://www.khvt.com Trang 118 ... Trí Tuệ Nhân Tạo 1.1) Trí tuệ nhân tạo ? Trí tuệ nhân tạo lónh vực khoa học chuyên nghiên cứu phương pháp chế tạo trí tuệ máy cho giống trí tuệ người Vài đònh nghóa trí tuệ nhân tạo điển hình... giảng môn Trí tuệ nhân tạo hệ chuyên gia Nội dung giảng: CHƯƠNG : TỔNG QUAN VỀ TRÍ TUỆ NHÂN TẠO 1.1) Trí tuệ nhân tạo ? .5 1.2) Lòch sử phát triển trí tuệ nhân tạo : ... dựng hệ sở tri thức Thật vậy, lónh vực trí tuệ vào đời sống dân dụng từ năm 1980 đến 1.3) Các thành phần trí tuệ nhân tạo : Có hai thành phần trí tuệ nhân tạo biểu diễn tri thức tìm kiếm tri thức