Bài giảng Trí tuệ nhân tạo có cấu trúc gồm 3 chương cung cấp cho người học các kiến thức: Tổng quan về trí tuệ nhân tạo, tìm kiếm theo heuristic, các phương pháp biểu diễn tri thức, phân lớp - Classification. Mời các bạn cùng tham khảo nội dung chi tiết.
HỌC PHẦN TRÍ TUỆ NHÂN TẠO Bài 1: TỔNG QUAN VỀ TRÍ TUỆ NHÂN TẠO Mục đích trí tuệ nhân tạo: Theo Winton: mục đích trí tuệ nhân tạo làm cho máy tính điện tử thơng minh hơn, có ích giúp khám phá quy luật khả hoạt động trí tuệ người từ tác động trực tiếp làm cho người thơng minh hơn, hoạt động có hiệu Mơ hình “TTNT”: vấn đe û i a i G Lập luận Công cụ thực am es Robo t Biểu diễn tri thức ye Hệ chu ân gia Heuristic ận Nh dạng G Trí tuệ nhân tạo Máy: Newral Ngôn ngữ: Prolog Vai trò trí tuệ nhân tạo: Ứng dụng Intelligence System Kỹ thuật Knowledge Engineering (Công nghệ tri thức) Khoa học Artificial Intelligence (Trí tuệ nhân tạo) Trí tuệ nhân tạo Các khái nhiệm Trí tuệ nhân tạo: trí tuệ nhân tạo định nghĩa hệ thống máy móc có khả thực hành động người xem thông minh Thông minh: nghiên cứu, thu thập thông tin tiêu biểu như: cố gắng học ý tưởng xử lý não người, bao gồm việc nghiên cứu vật có ý tưởng, có ý nghĩa, có ý, nhận dạng, hiểu vấn đề sáng tạo vấn đề Trí tuệ nhân tạo Các khái niệm Nhân tạo: Có nghĩa cố gắng sử dụng máy tính để xây dựng hệ thống nhân tạo bắt chước đặc tính việc thu thập thông tin cách thông minh Ghi Tính Tìm Suy Nhớ Toán Kiếm Luận Máy tính làm phần Trí tuệ nhân tạo DỮ LIỆU = Chữ cái, số, hình ảnh riêng rẽ, rời rạc, khơng mang ý nghĩa THÔNG TIN = Các liệu xếp theo quan hệ TRI THỨC = mối quan hệ liệu xác định cách tường minh VÍ DỤ : DỮ LIỆU : 1, 1, 3, 5, 2, 7, 11, THÔNG TIN : 1, 1, 2, 3, 5, 8, 13, 21, 34, TRI THỨC : Un = Un-1 + Un-2 THƠNG TIN DỮ LIỆU Trí tuệ nhân tạo 10 Số lượng Độ trừu tượng TRI THỨC Bài 5: Phân lớp - Classification Phân lớp Bayes: Tại sao? (1) Học theo xác suất: o tính xác suất rõ ràng cho giả thiết o hướng thiết thực cho số vấn đề thuộc loại học Có tăng trưởng: o mẫu huấn luyện tăng/giảm dần khả giả thiết o tri thức ưu tiên kết hợp với liệu quan sát Trí tuệ nhân tạo 215 Phân lớp Bayes: Tại sao? (2) Dự đoán theo xác suất: o dự đoán nhiều giả thiết, trọng số cho khả xảy chúng Chuẩn: o Ngay phương pháp Bayes khó tính tốn, chúng cung cấp chuẩn để tạo định tới ưu so phương pháp khác Trí tuệ nhân tạo 216 Phân lớp Bayes Bài toán phân lớp hình thức hóa xác suất a-posteriori: P(C|X) = xác suất mẫu X= thuộc lớp C Ví dụ P(class=N | outlook=sunny,windy=true,…) Ý tưởng: gán cho mẫu X nhãn phân lớp C cho P(C|X) lớn Trí tuệ nhân tạo 217 Tính xác suất a-posteriori Định lý Bayes: P(C|X) = P(X|C)·P(C) / P(X) P(X) số cho tất lớp P(C) = tần số liên quan mẫu thuộc lớp C C cho P(C|X) lớn = C sap cho P(X|C)·P(C) lớn Vấn đề: tính P(X|C) khơng khả thi! Trí tuệ nhân tạo 218 Phân lớp Naïve Bayesian Thừa nhận Nạve: độc lập thuộc tính P(x1,…,xk|C) = P(x1|C)·…·P(xk|C) Nếu thuộc tính thứ i rời rạc: P(xi|C) ước lượng tần số liên quan mẫu có giá trị xi cho thuộc tính thứ i lớp C Nếu thuộc tính thứ i liên tục: P(xi|C) ước lượng thông qua hàm mật độ Gaussian Tính tốn dễ dàng hai trường hợp Trí tuệ nhân tạo 219 Trí tuệ nhân tạo 220 Phân lớp Nạve Bayesian – Ví dụ (1) Ứơc lượng P(xi|C) P(p) = 9/14 P(n) = 5/14 Thời tiết P(nắng | p) = 2/9 P(u ám | p) = 4/9 P(mưa | p) = 3/9 Nhiệt độ P(nóng | p) = 2/9 P(ấm áp | p) = 4/9 P(mát | p) = 3/9 Trí tuệ nhân tạo P(nắng | n) = 3/5 P(u ám | n) = P(mưa | n) = 2/5 Độ ẩm P(cao | p) = 3/9 P(vừa | p) = 6/9 P(cao | n) = 4/5 P(vừa | n) = 1/5 P(nóng | n) = 2/5 P(ấm áp | n) = 2/5 P(mát | n) = 1/5 Gió P(có | p) = 3/9 P(khơng | p) = 6/9 P(có | n) = 3/5 P(fkhông | n) = 2/5 221 Phân lớp Nạve Bayesian – Ví dụ (2) Phân lớp X: o mẫu chưa thấy X = o P(X|p)·P(p) = P(mưa|p)·P(nóng|p)·P(cao|p)·P(khơng|p)·P(p) = 3/9·2/9·3/9·6/9·9/14 = 0.010582 o P(X|n)·P(n) = P(mưa|n)·P(nóng|n)·P(cao|n)·P(khơng|n)·P(n) = 2/5·2/5·4/5·2/5·5/14 = 0.018286 o Mẫu X phân vào lớp n (khơng chơi tennis) Trí tuệ nhân tạo 222 Phân lớp Naïve Bayesian – giả thuyết độc lập … làm cho tính tốn … cho phân lớp tối ưu thỏa yêu cầu … yêu cầu thỏa thực tế thuộc tính (các biến) thường có liên quan với Những cố gắng khắc phục điểm hạn chế này: o Các mạng Bayes (Bayesian networks), kết hợp lý luận Bayes với mối quan hệ nhân thuộc tính o Các định, lý luận thuộc tính thời điểm, xét thuộc tính quan trọng trước Trí tuệ nhân tạo 223 Các phương pháp phân lớp khác Các phương pháp khác Trí tuệ nhân tạo Mạng Neural Phân lớp k láng giềng gần Suy luận dựa vào trường hợp Thuật tốn di truyền Hướng tập thơ Các hướng tập mờ 224 Độ xác phân lớp Ước lượng tỉ lệ sai: Phân hoạch: huấn luyện kiểm tra (những tập liệu lớn) o dùng hai tập liệu độc lập , tập huấn luyện (2/3), tập kiểm tra (1/3) Kiểm tra chéo (những tập liệu vừa) o chia tập liệu thành k mẫu o sử dụng k-1 mẫu làm tập huấn luyện mẫu làm tập kiểm tra - kiểm tra chép k thành phần Bootstrapping: xóa - leave-one-out (những tập liệu nhỏ) Trí tuệ nhân tạo 225 Tóm tắt (1) Phân lớp vấn đề nghiên cứu bao quát Phân lớn có khả kỹ thuật khai phá liệu dùng rộng rãi với nhiều mở rộng 226 Tóm tắt (2) Tính uyển chuyển vấn đề quan trọng tất ứng dụng sở liệu Các hướng nghiên cứu: phân lớp liệu khơng-quan hệ, ví dụ text, không gian đa phương tiện 227 Trí tuệ nhân tạo 228 ... khác Trí tuệ nhân tạo 25 Bài tốn Taci Trí tuệ nhân tạo 26 Trí tuệ nhân tạo 27 2.Tìm kiếm rộng (Breadth-first search) Hiện thực: FIFO queue Trí tuệ nhân tạo 28 Breadth-first search Hiện thực: ... = Un-1 + Un-2 THƠNG TIN DỮ LIỆU Trí tuệ nhân tạo 10 Số lượng Độ trừu tượng TRI THỨC Một số thuật tốn Trí tuệ nhân tạo 11 Một số thuật tốn Trí tuệ nhân tạo 12 Một số thuật tốn Trí tuệ nhân tạo. .. tuệ nhân tạo 13 Một số thuật tốn Trí tuệ nhân tạo 14 Một số thuật tốn Trí tuệ nhân tạo 15 Một số thuật tốn Trí tuệ nhân tạo 16 Một số thuật tốn Trí tuệ nhân tạo 17 Các tính chất thuật tốn Khi