Bài giảng trí tuệ nhân tạo

Khoa Công nghệ thông tin Trường Đại học Sư phạm Hà nội TRÍ TUỆ NHÂN TẠO Artificial Intelligence Phạm Thị Anh Lê Khoa CNTT - ĐHSP Hà nội TTNT p.1 Nội Dung           Lec Giới thiệu TTNT, khái niệm Lec Agent thông minh Lec Giải tốn tìm kiếm: tìm kiếm mù Lec Tìm kiếm kinh nghiệm (heuristics) Lec Tìm kiếm có đối thủ Lec Logic mệnh đề Lec 7-8 Logic vị từ cấp Lec 9-10 Biểu diễn tri thức luật lập luận Lec 11-13 Lập trình logic Prolog Lec 14-15 Tri thức khơng chắn: logic xác suất, logic mờ TTNT p.2  Tài liệu tham khảo: – Trí tuệ nhân tạo, by Đinh Mạnh Tường – Trí tuệ nhân tạo: phương pháp giải vấn đề kỹ thuật xử lý tri thức, by Nguyễn Thanh Thủy – Artificial Intelligence: A Modern Approach, by Stuart Russell and Peter Norvig (2nd ed) – Citeseer - Scientific Literature Digital Library Artificial Intelligence-http://citeseer.nj.nec.com/ArtificialIntelligence/ - 2003 TTNT p.3 Overview (Giới thiệu tổng quan) General Introduction 01-Introduction [AIMA Ch 1] Course Schedule Homeworks, exams and grading Course material, TAs and office hours Why study AI? What is AI? The Turing test Rationality Branches of AI Research disciplines connected to and at the foundation of AI Brief history of AI Challenges for the future Overview of class syllabus Agent effectors 02-Intelligent Agents [AIMA Ch 2] What is an intelligent agent? Examples Doing the right thing (rational action) Performance measure Autonomy Environment and agent design Structure of agents Agent types Reflex agents Reactive agents Reflex agents with state Goal-based agents Utility-based agents Mobile CS 460, Lecture agents Information agents sensors  TTNT p.4 Overview (cont.) How can w e solve complex problems?  03/04-Problem solving and search [AIMA Ch 3] Example: measuring problem Types of problems More example problems Basic idea behind search algorithms Complexity Combinatorial explosion and NP completeness Polynomial hierarchy  05-Uninformed search [AIMA Ch 3] Depth-first Breadth-first Uniform-cost Depth-limited Iterative deepening Examples Properties  06/07-Informed search [AIMA Ch 4] Best-first A* search Heuristics Hill climbing Problem of local extrema Simulated annealing CS 460, Lecture 3l 5l 9l Using these buckets, measure liters of water Traveling salesperson problem TTNT p.5 Overview (cont.) Practical applications of search  08/09-Game playing [AIMA Ch 5] The minimax algorithm Resource limitations Aplhabeta pruning Elements of chance and nondeterministic games tic-tac-toe CS 460, Lecture TTNT p.6 Overview (cont.) Tow ards intelligent agents   10-Agents that reason logically [AIMA Ch 6] Knowledge-based agents Logic and representation Propositional (boolean) logic 11-Agents that reason logically [AIMA Ch 6] Inference in propositional logic Syntax Semantics CS 460, Lecture Examples wumpus world TTNT p.7 Overview (cont.) Building knowledge-based agents: 1st Order Logic  12-First-order logic [AIMA Ch 7] Syntax Semantics Atomic sentences Complex sentences Quantifiers Examples FOL knowledge base Situation calculus  13-First-order logic [AIMA Ch 7] Describing actions Planning Action sequences CS 460, Lecture TTNT p.8 Overview (cont.) Representing and Organizing Knowledge 14/15-Building a knowledge base [AIMA Ch 8] Knowledge bases Vocabulary and rules Ontologies Organizing knowledge An ontology for the sports domain Kahn & Mcleod, 2000  CS 460, Lecture TTNT p.9 Overview (cont.) Reasoning Logically  16/17/18-Inference in first-order logic [AIMA Ch 9] Proofs Unification Generalized modus ponens Forward and backward chaining Example of backward chaining CS 460, Lecture TTNT p.10 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 F(x) = Khi F(x) = => x  F hoàn toàn => x  F hoàn toàn Nếu x, F(x) = F xem “giòn” Hàm thành viên F(x) thường biểu diễn dạng đồ thị Lec 14-15 p.22 Ví dụ Tập Mờ Ví dụ 7.7: S tập hợp tất số nguyên dương F tập mờ S gọi “số nguyên nhỏ”  Số nguyên nhỏ … Ví dụ 7.8: Một biểu diễn tập mờ cho tập người đàn ơng thấp, trung bình, cao Trung bình Thấp Cao  || 1,5 1,7 1,8 1,9 2,1 Chiều cao Lec 14-15 p.23 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: (ví dụ 7.8) người đàn ông cao 1,85 thuộc hai tập “trung bình” “cao” ◼ Tổng giá trị mờ phần tử khác 1: Thấp(x) + Trungbình(x) + Cao(x)  ◼ Lec 14-15 p.24 Mờ hóa (fuzzification) ◼ Từ hàm thành viên cho trước, ta suy mức độ thành viên thuộc tập hợp, hay giá trị mờ tập mờ Các tập mờ  0.8 0.5 0.3 Giá trị mờ Trẻ Trung niên || 23 25 28 An 35 Già 40 Bảo 55 Châ u Tuổi Lec 14-15 p.25 Hợp hai tập mờ Khái niệm: Hợp hai tập mờ (AB) thể mức độ phần tử thuộc hai tập ◼ Công thức:  A B(x) = max (A(x) , B(x) ) ◼ Thí dụ 7.10: AB Tre(An) = 0.8 Trung niên(An) = 0.3 => Tre  Trung Niên(An) = max( 0.8, 0.3) = 0.8 ◼ Lec 14-15 p.26 Giao hai tập mờ Khái niệm: Giao hai tập mờ (AB) thể mức độ phần tử thuộc hai tập ◼ Công thức:  A B(x) = (A(x) , B(x) ) AB ◼ Thí dụ 7.11: Tre(An) = 0.8 Trung niên(An) = 0.3 => Tre  Trung Niên(An) = min( 0.8, 0.3) = 0.3 ◼ Lec 14-15 p.27 Bù tập mờ Khái niệm: Bù tập mờ thể mức độ phần tử khơng thuộc tập ◼ Công thức:  A(x) = - A(x) A’ ◼ Thí dụ 7.12: Trẻ(An) = 0.8 =>  Trẻ(An) = – 0.8 = 0.2 ◼ Lec 14-15 p.28 Luật mờ Một luật mờ biểu thức if - then phát biểu dạng ngôn ngữ tự nhiên thể phụ thuộc nhân biến ◼ Thí dụ 7.14: Biến 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 ◼ Lec 14-15 p.29 Nhận xét Logic mờ không tuân theo luật tính bù logic truyền thống:  A A(x)   A  A(x)  ◼ Thí dụ 7.13:  A A(x) = max (0.8, 0.2) = 0.8  A  A(x) = min( 0.8, 0.2) = 0.2 ◼ Lec 14-15 p.30 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 Lec 14-15 p.31 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 Lec 14-15 p.32 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 = 38.7 cho ta thấy 38.7 thuộc tập mờ sau: ◼ 0.7 SN S 38 38.7 39 SC SRC 0.3 37 40 41 oC Sốt nhẹ (x) = 0.3 Sốt (x) = 0.7 Sốt cao (x) = Sốt cao (x) = Lec 14-15 p.33 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 Lec 14-15 p.34 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 Lec 14-15 p.35 Tóm tắt Vận dụng cơng thức Bayes để tính xác suất giả thuyết ◼ Hiểu nguyên tắc hoạt động HCG MYCIN ◼ Vận dụng đại số hệ số chắn Stanford vào hệ chuyên gia MYCIN ◼ Hiểu lý thuyết logic mờ & ứng dụng vào HCG mờ ◼ Biết lựa chọn phương pháp suy luận phù hợp với vấn đề cần giải ◼ Lec 14-15 p.36 ... Intelligence? Trí năng, trí tuệ, trí thơng minh  Thế Artificial intelligence? Chúng ta phân tích loại quan niệm intelligence sau: CS 460, Lecture TTNT p.18 Trí tuệ nhân tạo gì? “Nỗ lực tạo máy tính... khơng chắn: logic xác suất, logic mờ TTNT p.2  Tài liệu tham khảo: – Trí tuệ nhân tạo, by Đinh Mạnh Tường – Trí tuệ nhân tạo: phương pháp giải vấn đề kỹ thuật xử lý tri thức, by Nguyễn Thanh... intelligence when performed by people)” (Kurzweil, 1990)CS 460, Lecture TTNT p.19 Trí tuệ nhân tạo: Hệ thống tư người “Nỗ lực tạo máy tính biết tư … máy tính có ý thức (The exciting new effort to make