H. Dreyfuss: What computers can t do, 1972 What computers still can t do, J. Weizenbaum. Computer power and human reason, 1976
|
|
- Daniel Janda
- před 5 lety
- Počet zobrazení:
Transkript
1 Klasická AI připomenutí Meze klasické umělé inteligence Modelování mysli na logicko-symbolické úrovni. Modelování shora dolů. Reprezentacionalizmus Churchova teze: Použitelnost počítačů je omezena na ty činnosti, které lze přesně popsat v přirozeném resp. umělém jazyce (algoritmu). Gödelova věta o úplnosti: Formule je logicky platná v teorii T právě když je dokazatelná v teorii T. Věta o rozhodnutelnosti: Pro každou formuli v teorii T lze algoritmicky rozhodnout, zda formule je nebo není dokazatelná. Výrokový počet je úplný a rozhodnutelný. Predikátový počet je úplný ale nerozhodnutelný. P. Berka, /17 P. Berka, /17 Kritika umělé inteligence H. Dreyfuss: What computers can t do, 1972 What computers still can t do, 1992 kritika z pohledu odpůrce AI: formuluje předpoklady pro to, aby počítače modelovaly lidskou inteligenci a uvádí jejich nereálnost: biologický na určité úrovni je lidská mysl digitální psychologický myšlení jsou výpočty epistemologický veškerou znalost je možno formalizovat ontologický svět je tvořen pouze bezkontextovými fakty J. Weizenbaum (autor programu ELIZA, laureát ceny nadace Vize 97 za rok 2002): Computer power and human reason, 1976 kritika z pohledu zastánce AI: "Klíčová otázka nezněla, co mohou počítače dělat, ty mohou dělat lecos, mohou simulovat. Ale otázka zní, zda jim to máme svěřovat. Počítače mohou mít inteligenci, ale nemůžeme jim svěřovat věci lidské, protože nemají tělo. Protože nemají tělo, nemají bolest, ani radost. Nemohou mít nikdy to, co dělá člověka člověkem, totiž víru, lásku a naději. A neměli bychom jim tudíž svěřovat věci pro lidstvo důležité a vážné." Dreyfus argumentuje ve prospěch důležitosti těla a celkové situace (kontextu) pro inteligentní chování P. Berka, /17 P. Berka, /17
2 1. Alternativa konekcionismus AI jako produkt (hardwarového) propojení a interakcí množství jednoduchých elementů Konekcionismus neuronové sítě Neuronové sítě vs. expertní systémy Oddělení báze znalostí a inferenčního mechanismu NE Práce s neurčitostí ANO Vysvětlování NE Modularita a transparentnost báze NE Neuronové sítě vs. klasický počítač Není oddělena paměť a procesor Uložená informace není lokalizovatelná Možnost fungovat i při částečném poškození vícevrstvý perceptron P. Berka, /17 P. Berka, /17 Sci-fi extrapolace: 2. Alternativa reaktivita H. Harrison, M. Minsky: The Turing Option, 1992 Mohou neuročipy nahradit/vytvořit mozek? Terminátor Internet vyhovuje definici konekcionistického systému bude někdy inteligentní? R. Brooks (1991): Intelligence without Representation Intelligence without Reason Inteligence jako emergentní výsledek činnosti primitivních entit: modelování zdola nahoru dekompozice na úrovni úloh (subsumpční architektura) P. Berka, /17 P. Berka, /17
3 Klasický vs. reaktivní přístup Úloha vytvořit systém, který se bude pohybovat po vyvýšené plošině a nespadne Klasicky: Reaktivně: If daleko od hrany then rovně If blízko od hrany then zahni Fuzzy inference If vidí plochu then rovně If nevidí plochu then zahni Vidění a rozpoznávání Umělý život Snaha modelovat chování živých tvorů. méně ambiciózní než snaha modelovat inteligenci. v souladu s novou AI založeno na interakci velkého počtu primitivních jedinců Hra Life: jedinci obsazují pozice ve čtvercové mřížce Pravidla hry: zrod - v okolí prázdneho políčka jsou právě tři buňky ("trojpohlavní" rozmnožování) přežití - v okolí bunky jsou dvě nebo tři další buňky uhynutí - v okolí buňky je 0, 1, 4, 5, 6, 7 nebo 8 dalších buněk P. Berka, /17 P. Berka, /17 zánik opakující se obrazec kluzák stabilní obrazec P. Berka, /17 P. Berka, /17
4 NetLogo: vlci a ovce P. Berka, /17 P. Berka, /17 NetLogo: mraveniště NetLogo: světlušky P. Berka, /17 P. Berka, /17
5 Creatures (počítačová hra) výchova Nornů umělých bytostí P. Berka, /17
MATEMATICKÁ TEORIE ROZHODOVÁNÍ
MATEMATICKÁ TEORIE ROZHODOVÁNÍ Podklady k soustředění č. 5 Komunikace a kooperace Komunikace se jako jeden z principů objevuje v umělé inteligenci až v druhé polovině 80. let. V roce 1986 uveřejňuje M.
VíceUmělá inteligence a rozpoznávání
Václav Matoušek KIV e-mail: matousek@kiv.zcu.cz 0-1 Sylabus předmětu: Datum Náplň přednášky 11. 2. Úvod, historie a vývoj UI, základní problémové oblasti a typy úloh, aplikace UI, příklady inteligentních
VícePřírodou inspirované metody umělé inteligence
Přírodou inspirované metody umělé inteligence Roman Neruda Ústav informatiky AVČR roman@cs.cas.cz Nové Hrady, červenec 2012 Od Darwina a Mendela... ... k inteligentním agentům. Umělá inteligence 2 přístupy
VíceZnalostní technologie proč a jak?
Znalostní technologie proč a jak? Peter Mikulecký Kamila Olševičová Daniela Ponce Univerzita Hradec Králové Motivace 1993 vznik Fakulty řízení a informační technologie na Vysoké škole pedagogické v Hradci
VíceInteligentní systémy a neuronové sítě
Inteligentní systémy a neuronové sítě Arnošt Veselý, Česká zemědělská univerzita, Kamýcká, Praha 6 - Suchdol Summary: In the article two main architectures of inteligent systems: logical-symbolic and connectionist
VíceEvropský sociální fond Praha & EU: Investujeme do vaší budoucnosti
Evropský sociální fond Praha & EU: Investujeme do vaší budoucnosti MI-SOC: 11 METODY VERIFIKACE SYSTÉMŮ NA ČIPU Hana Kubátov vá doc. Ing. Hana Kubátová, CSc. Katedra číslicového návrhu Fakulta 1 informačních
VícePokročilé operace s obrazem
Získávání a analýza obrazové informace Pokročilé operace s obrazem Biofyzikální ústav Lékařské fakulty Masarykovy univerzity Brno prezentace je součástí projektu FRVŠ č.2487/2011 (BFÚ LF MU) Získávání
VíceExpertní Systémy. Umělá inteligence. 1950 Alan Turing: Computing Machinery and Intelligence. Mind 59, 1950, s.433-460
Umělá inteligence Věda, jejímž úkolem je naučit stroje, aby dělaly věci, které vyžadují inteligenci, jsouli prováděny člověkem. Marvin Minsky 1950 Alan Turing: Computing Machinery and Intelligence. Mind
VíceMATEMATICKÁ TEORIE ROZHODOVÁNÍ
MATEMATICKÁ metodický list č. 1 Řešení úloh Cílem tohoto tematického celku je vysvětlení vybraných pojmů z oblasti řešení úloh. Tématický celek je rozdělen do těchto dílčích témat: 1. Řešení úloh ve stavovém
Více10. Techniky formální verifikace a validace
Fakulta informačních technologií MI-NFA, zimní semestr 2011/2012 Jan Schmidt EVROPSKÝ SOCIÁLNÍ FOND PRAHA & EU: INVESTUJENE DO VAŠÍ BUDOUCNOSTI 10. Techniky formální verifikace a validace 1 Simulace není
VíceMetody odvozování. matematická východiska: logika, Prolog
Metody odvozování matematická východiska: logika, Prolog psychologická východiska: rámce biologická východiska: konekcionismus, neuronové sítě statistická východiska: kauzální (bayesovské) sítě ekonomická
VíceTypy filozofických otázek vztahující se k umělé inteligenci
Typy filozofických otázek vztahující se k umělé inteligenci Ontologické otázky (ontologie = učení o bytí, o jeho nejobecnějších určeních a pojmech [http://slovnik-cizich-slov.abz.cz]) Týkají se povahy
VíceTřída PTIME a třída NPTIME. NP-úplnost.
VAS - Přednáška 9 Úvod ke kursu. Složitost algoritmu. Model RAM. Odhady složitosti. Metoda rozděl a panuj. Greedy algoritmy. Metoda dynamického programování. Problémy, třídy složitosti problémů, horní
VíceExpertní systémy. 1. Úvod k expertním systémům. Cíl kapitoly:
Expertní systémy Cíl kapitoly: Úkolem této kapitoly je pochopení významu expertních systémů, umět rozpoznat expertní systémy od klasicky naprogramovaných systémů a naučit se jejich tvorbu a základní vlastnosti.
VícePrincipy počítačů I Netradiční stroje
Principy počítačů I Netradiční stroje snímek 1 Principy počítačů Část X Netradiční stroje VJJ 1 snímek 2 Netradiční procesory architektury a organizace počítačů, které se vymykají struktuře popsané Johnem
VíceAmbasadoři přírodovědných a technických oborů. Ing. Michal Řepka Březen - duben 2013
Ambasadoři přírodovědných a technických oborů Ing. Michal Řepka Březen - duben 2013 Umělé neuronové sítě Proč právě Neuronové sítě? K čemu je to dobré? Používá se to někde v praxi? Úvod Umělé neuronové
VíceGödelovy věty o neúplnosti
Gödelovy věty o neúplnosti Miloš Jakubíček PB016 Úvod do umělé inteligence Fakulta informatiky, Masarykova univerzita 23. listopadu 2007 1 Gödel & historie Kurt Gödel Historický kontext 2 Jazyk a metajazyk
VíceMATEMATICKÁ TEORIE ROZHODOVÁNÍ
MATEMATICKÁ TEORIE ROZHODOVÁNÍ Metodický list č. 1 Název tématického celku: Řešení úloh Cílem tohoto tematického celku je vysvětlení vybraných pojmů z oblasti řešení úloh. Tématický celek je rozdělen do
VíceZpracování neurčitosti
Zpracování neurčitosti Úvod do znalostního inženýrství, ZS 2015/16 7-1 Usuzování za neurčitosti Neurčitost: Při vytváření ZS obvykle nejsou všechny informace naprosto korektní mohou být víceznačné, vágní,
VícePredikátová logika: Axiomatizace, sémantické stromy, identita. (FLÚ AV ČR) Logika: CZ.1.07/2.2.00/ / 13
Predikátová logika: Axiomatizace, sémantické stromy, identita (FLÚ AV ČR) Logika: CZ.1.07/2.2.00/28.0216 2013 1 / 13 Axiomatizace predikátové logiky Axiomatizace predikátové logiky Definice Hilbertovský
VíceZÁKLADY PROGRAMOVÁNÍ. Mgr. Vladislav BEDNÁŘ 2014 7.1 7.3 12/14
ZÁKLADY PROGRAMOVÁNÍ Mgr. Vladislav BEDNÁŘ 2014 7.1 7.3 12/14 Co je vhodné vědět, než si vybereme programovací jazyk a začneme programovat roboty. 1 / 18 0:40 Umělá inteligence Umělá inteligence (UI) vlastně
Více10 Metody a metodologie strukturované analýzy
10 Metody a metodologie strukturované analýzy 10.1 Strukturovaná analýza DeMarco (1978) Nástroje: DFD, datový slovník, strukturovaná angličtina, rozhodovací tabulky a stromy Postup: 1. Analýza stávajícího
VíceVáclav Matoušek KIV. Umělá inteligence a rozpoznávání. Václav Matoušek / KIV
Umělá inteligence a rozpoznávání Václav Matoušek KIV e-mail: matousek@kiv.zcu.cz 0-1 Sylabus předmětu: Datum Náplň přednášky 16. 2. (3h) 2. 3. (4h) 17. 3. (5h) 14. 4. (3h) Úvod, historie a vývoj UI, základní
VíceUsuzování za neurčitosti
Usuzování za neurčitosti 25.11.2014 8-1 Usuzování za neurčitosti Hypotetické usuzování a zpětná indukce Míry postačitelnosti a nezbytnosti Kombinace důkazů Šíření pravděpodobnosti v inferenčních sítích
VíceSpojení OntoUML a GLIKREM ve znalostním rozhodování
1 Formalizace biomedicínských znalostí Spojení OntoUML a GLIKREM ve znalostním rozhodování Ing. David Buchtela, Ph.D. 16. června 2014, Faustův dům, Praha Skupina mezioborových dovedností Fakulta informačních
VíceTřída PTIME a třída NPTIME. NP-úplnost.
VAS - Přednáška 9 Úvod ke kursu. Složitost algoritmu. Model RAM. Odhady složitosti. Metoda rozděl a panuj. Greedy algoritmy. Metoda dynamického programování. Problémy, třídy složitosti problémů, horní
VíceBiologicky inspirované výpočty. Schématické rozdělení problematiky a výuky
Biologicky inspirované výpočty Schématické rozdělení problematiky a výuky 1 Biologicky inspirované výpočty - struktura problematiky Evoluční systémy: evoluční algoritmy, evoluční hardware, víceúčelová
VíceUMÌLÁ INTELIGENCE V MODELOVÁNÍ A ØÍZENÍ Miroslav POKORNÝ Praha 1996, BEN Miroslav Pokorný UMÌLÁ INTELIGENCE V MODELOVÁNÍ A ØÍZENÍ Bez pøedchozího písemného svolení nakladatelství nesmí být kterákoli èást
Více(viztakéslidyktétopřednášce...) Poznámka. Neudělali jsme vše tak podrobně, jak je to v zápisu.
Teoretická informatika průběh výuky v semestru 1 Týden 8 Přednáška- první část (viztakéslidyktétopřednášce...) Poznámka. Neudělali jsme vše tak podrobně, jak je to v zápisu. Turingovy stroje,(výpočetní)
VíceVybrané přístupy řešení neurčitosti
Vybrané přístupy řešení neurčitosti Úvod do znalostního inženýrství, ZS 2015/16 8-1 Faktory jistoty Jedná se o přístup založený na ad hoc modelech Hlavním důvodem vzniku tohoto přístupu je omezení slabin
VíceTřídy složitosti P a NP, NP-úplnost
Třídy složitosti P a NP, NP-úplnost Cíle přednášky: 1. Definovat, za jakých okolností můžeme problém považovat za efektivně algoritmicky řešitelný. 2. Charakterizovat určitou skupinu úloh, pro které není
VíceOBSAH Gödelova nezapomenutelná práce 15 0 ÚVOD 16 0.1 Základní pojmy... 18 0.1.1 Formální systémy... 18 0.1.2 Jazyk a metajazyk... 20 0.1.3 Bezesporné aneb konzistentní teorie... 21 0.1.4 Neúplné teorie...
VícePetr Křemen. Katedra kybernetiky, FEL ČVUT. Petr Křemen (Katedra kybernetiky, FEL ČVUT) Sémantické sítě a rámce 1 / 112
Sémantické sítě a rámce Petr Křemen Katedra kybernetiky, FEL ČVUT Petr Křemen (Katedra kybernetiky, FEL ČVUT) Sémantické sítě a rámce 1 / 112 Co nás čeká 1 Úvod do reprezentace znalostí 2 Sémantické sítě
VíceVýroková a predikátová logika - XIII
Výroková a predikátová logika - XIII Petr Gregor KTIML MFF UK ZS 2013/2014 Petr Gregor (KTIML MFF UK) Výroková a predikátová logika - XIII ZS 2013/2014 1 / 13 Úvod Algoritmická (ne)rozhodnutelnost Které
VícePROGRAMOVACÍ JAZYKY A PŘEKLADAČE LL SYNTAKTICKÁ ANALÝZA DOKONČENÍ, IMPLEMENTACE.
PROGRAMOVACÍ JAZYKY A PŘEKLADAČE LL SYNAKICKÁ ANALÝZA DOKONČENÍ, IMPLEMENACE. VLASNOSI LL GRAMAIK A JAZYKŮ. 2011 Jan Janoušek BI-PJP Evropský sociální fond Praha & EU: Investujeme do vaší budoucnosti Gramatika
VíceAutomatizační a měřicí technika (B-AMT)
Ústav automatizace a měřicí techniky Bakalářský studijní program Automatizační a měřicí technika () Specializace oboru Řídicí technika Měřicí technika Průmyslová automatizace Robotika a umělá inteligence
VíceZáklady umělé inteligence
Základy umělé inteligence Úvod Základy umělé inteligence - úvod. Vlasta Radová, ZČU, katedra kybernetiky 1 Zavedení pojmu umělá inteligence Inteligence je schopnost získávat a aplikovat vědomosti a tedy
VíceFuzzy logika. Informační a znalostní systémy
Fuzzy logika Informační a znalostní systémy Fuzzy logika a odvozování Lotfi A. Zadeh (*1921) Lidé nepotřebují přesnou číslem vyjádřenou informaci a přesto jsou schopni rozhodovat na vysoké úrovni, odpovídající
VíceReprezentace znalostí. Katedra kybernetiky, ČVUT v Praze.
Reprezentace znalostí Vladimír Mařík Katedra kybernetiky, ČVUT v Praze http://cyber.felk.cvut.cz/ preprezentace znalostí V paměti počítače požadavky na modularitu (M) asociativnost (A) Čtyři základní formalizmy:
VíceÚstav automatizace a měřicí techniky.
www.feec.vutbr.cz Specializace studijního oboru Automatizační a Měřicí Technika: Řídicí technika Moderní algoritmy řízení, teorie řízení Modelování a identifikace parametrů řízených systémů Pokročilé metody
VíceAlgoritmy a struktury neuropočítačů ASN - P1
Algoritmy a struktury neuropočítačů ASN - P1 http://amber.feld.cvut.cz/ssc www.janatuckova.cz Prof.Ing. Jana Tučková,CSc. Katedra teorie obvodů K331 kancelář: 614, B3 tel.: 224 352 098 e-mail: tuckova@fel.cvut.cz
VíceWichterlovo gymnázium, Ostrava-Poruba, příspěvková organizace. Maturitní otázky z předmětu PEDAGOGIKA A PSYCHOLOGIE
Wichterlovo gymnázium, Ostrava-Poruba, příspěvková organizace Maturitní otázky z předmětu PEDAGOGIKA A PSYCHOLOGIE 1. Definice a předmět psychologie Základní odvětví, speciální a aplikované disciplíny,
VíceIUVENTAS Soukromé gymnázium a Střední odborná škola, s. r. o. Umělá inteligence. Jméno: Třída: Rok:
IUVENTAS Soukromé gymnázium a Střední odborná škola, s. r. o. Umělá inteligence Jméno: Třída: Rok: Prohlašuji, že mnou předložená práce je mým původním autorským dílem, které jsem vypracoval/a samostatně.
VíceAD4M33AU Automatické uvažování
AD4M33AU Automatické uvažování Úvod, historie Petr Pudlák Organizační informace Tyto slidy jsou pomocný studijní materiál. Na přednášce budou uváděny další informace a příklady, které ve slidech nejsou.
VíceOSA. maximalizace minimalizace 1/22
OSA Systémová analýza metodika používaná k navrhování a racionalizaci systémů v podmínkách neurčitosti vyšší stupeň operační analýzy Operační analýza (výzkum) soubor metod umožňující řešit rozhodovací,
VíceDeskripční logika. Petr Křemen FEL ČVUT. Petr Křemen (FEL ČVUT) Deskripční logika 37 / 157
Deskripční logika Petr Křemen FEL ČVUT Petr Křemen (FEL ČVUT) Deskripční logika 37 / 157 Co nás čeká 1 Základy deskripční logiky 2 Jazyk ALC Syntax a sémantika 3 Cyklické a acyklické TBOXy Petr Křemen
Více1. Znalostní systémy a znalostní inženýrství - úvod. Znalostní systémy. úvodní úvahy a předpoklady. 26. září 2017
Znalostní systémy úvodní úvahy a předpoklady 26. září 2017 1-1 Znalostní systém Definice ZS (Feigenbaum): Znalostní (původně expertní) systémy jsou počítačové programy simulující rozhodovací činnost experta
Více5. Umělé neuronové sítě. Neuronové sítě
Neuronové sítě Přesný algoritmus práce přírodních neuronových systémů není doposud znám. Přesto experimentální výsledky na modelech těchto systémů dávají dnes velmi slibné výsledky. Tyto systémy, včetně
VíceAlgoritmus. Přesné znění definice algoritmu zní: Algoritmus je procedura proveditelná Turingovým strojem.
Algoritmus Algoritmus je schematický postup pro řešení určitého druhu problémů, který je prováděn pomocí konečného množství přesně definovaných kroků. nebo Algoritmus lze definovat jako jednoznačně určenou
Více2. RBF neuronové sítě
2. RBF neuronové sítě Kapitola pojednává o neuronových sítích typu RBF. V kapitole je popsána základní struktura tohoto typu neuronové sítě. Poté následuje definice a charakteristika jednotlivých radiálně
Vícepseudopravděpodobnostní Prospector, Fel-Expert
Práce s neurčitostí trojhodnotová logika Nexpert Object, KappaPC pseudopravděpodobnostní Prospector, Fel-Expert (pravděpodobnostní) bayesovské sítě míry důvěry Mycin algebraická teorie Equant fuzzy logika
VíceTeoretická informatika průběh výuky v semestru 1
Teoretická informatika průběh výuky v semestru 1 Týden 7 Přednáška (Výpočetní) problémy, rozhodovací(ano/ne) problémy,... Připomněli jsme si obecné definice a konkrétní problémy, jako např. SAT[problém
VíceVýroková a predikátová logika - XII
Výroková a predikátová logika - XII Petr Gregor KTIML MFF UK ZS 2018/2019 Petr Gregor (KTIML MFF UK) Výroková a predikátová logika - XII ZS 2018/2019 1 / 15 Rezoluční metoda v PL Rezoluční důkaz Obecné
VíceInformace pro výběr bakalářského oboru
Informace pro výběr bakalářského oboru 2017.03.15 J. Matas Bakalářské obory informatika a počítačové vědy software internet věcí počítačové hry a grafika kapacita všech oborů je dostatečná pro volný výběr
VíceSložitost her. Herní algoritmy. Otakar Trunda
Složitost her Herní algoritmy Otakar Trunda Úvod měření složitosti Formální výpočetní model Turingův stroj Složitost algoritmu = závislost spotřebovaných prostředků na velikosti vstupu Časová složitost
VíceHistorie a vývoj umělé inteligence
Historie a vývoj umělé inteligence 11. února 2015 1-1 Co je to inteligence? Encyklopedie Duden : Intelligenz = Fähigkeit des Menschen abstrakt und vernünftig zu denken und daraus zweckvolles Handeln abzuleiten.
VícePopis zobrazení pomocí fuzzy logiky
Popis zobrazení pomocí fuzzy logiky diplomová práce Ján Fröhlich KM, FJFI, ČVUT 23. dubna 2009 Ján Fröhlich ( KM, FJFI, ČVUT ) Popis zobrazení pomocí fuzzy logiky 23. dubna 2009 1 / 25 Obsah 1 Úvod Základy
VíceVýbor textů k moderní logice
Mezi filosofií a matematikou 5 Logika 20. století: mezi filosofií a matematikou Výbor textů k moderní logice K vydání připravil a úvodními slovy opatřil Jaroslav Peregrin 2006 Mezi filosofií a matematikou
VíceRobotika. Reaktivní agenty (nová AI) Deliberativní agenty (klasická AI)
Robotika Autonomní mobilní robot je inteligentní stroj schopen vykonávat úkoly samostatně, bez lidské pomoci. Nejdůležitější vlastností autonomního robota je jeho schopnost reagovat na změny prostředí.
VíceÚvod do expertních systémů
Úvod do expertních systémů Expertní systém Definice ES (Feigenbaum): expertní systémy jsou počítačové programy, simulující rozhodovací činnost experta při řešení složitých úloh a využívající vhodně zakódovaných,
VícePostův korespondenční problém. Meze rozhodnutelnosti 2 p.1/13
Postův korespondenční problém Meze rozhodnutelnosti 2 p.1/13 Postův korespondenční problém Definice 10.1 Postův systém nad abecedou Σ je dán neprázdným seznamem S dvojic neprázdných řetězců nadσ, S = (α
VíceInformace jako paměť a vědomí II
Informace jako paměť a vědomí II Informace jako myšlení scénářů Piaget teorie schémat proces akomodace a asimilace. Asimilace - proces interpretování reality pomocí jiţ vytvořených schémat či znalostních
VíceDigitální zpracování obrazu počítačové vidění zakotvení
Digitální zpracování obrazu počítačové vidění zakotvení Václav Hlaváč České vysoké učení technické v Praze Fakulta elektrotechnická, katedra kybernetiky Centrum strojového vnímání http://cmp.felk.cvut.cz/
VíceMartina Husáková. Celulární automaty. Znalostní technologie III materiál pro podporu studia
Celulární automaty Znalostní technologie III materiál pro podporu studia OBSAH HISTORIE VÝZKUMU... 3 CO JE CELULÁRNÍ AUTOMAT?... 4 HRA ŽIVOTA (GAME OF LIFE)... 7 KLUZÁK A KLUZÁKOVÉ DĚLO... 9 VÝZNAM CELULÁRNÍCH
VíceKon K e on kc k ion i i on s i m s u m s u PSY 481
Konekcionismus PSY 481 Motivace Zájem o vývoj umělých neuronových sítí pramení z poznání, že lidský mozek pracuje jiným způsobem než běžné číslicové počítače. Počítače přesně a rychle provádějí posloupnosti
VíceObecná psychologie: základní pojmy
Obecná psychologie: základní pojmy ZS 2009/2010 Přednáška 1 Mgr. Ondřej Bezdíček Definice psychologie Je věda o chování a prožívání, o vědomých i mimovědomých oblastech lidské psychiky. Cíle psychologie
VíceUITS / ISY. Ústav inteligentních systémů Fakulta informačních technologií VUT v Brně. ISY: Výzkumná skupina inteligentních systémů 1 / 14
UITS / ISY Výzkumná skupina inteligentních systémů Ústav inteligentních systémů Fakulta informačních technologií VUT v Brně ISY: Výzkumná skupina inteligentních systémů 1 / 14 Obsah Představení skupiny
Vícepostaveny výhradně na syntaktické bázi: jazyk logiky neinterpretujeme, provádíme s ním pouze syntaktické manipulace důkazy
Formální systémy (výrokové) logiky postaveny výhradně na syntaktické bázi: jazyk logiky neinterpretujeme, provádíme s ním pouze syntaktické manipulace důkazy cíl: získat formální teorii jako souhrn dokazatelných
VíceKaskádový výklad trojcestného modelu, teorie larpové situace a kognitivní optimum Soví příslib
Kaskádový výklad trojcestného modelu, teorie larpové situace a kognitivní optimum Soví příslib Kaskádový výklad trojcestného modelu, sopví teorie mysli larpové situace a kognitivní optimum kulturní krajiny
VíceÚvod Teorie Studium CA Aplikace Souvislosti. Radek Pelánek
Buněčné automaty Radek Pelánek Souvislosti Kam směřujeme? modelování systémů od spodu - individua, lokální interakce agent based modeling (ABM) modelování založené na agentech proč buněčné automaty (cellular
VíceReprezentace znalostí - úvod
Reprezentace znalostí - úvod Úvod do znalostního inženýrství, ZS 2015/16 6-1 Co je to znalost? Pojem znalost zahrnuje nejen teoretické vědomosti člověka z dané domény, ale také jeho dlouhodobé zkušenosti
Víceití empirických modelů při i optimalizaci procesu mokré granulace léčivl ková SVK ÚOT
Využit ití empirických modelů při i optimalizaci procesu mokré granulace léčivl Jana Kalčíkov ková 5. ročník Školitel: Doc. Ing. Zdeněk k Bělohlav, B CSc. Granulace Prášek Granule Vlhčivo Promíchávání
VíceLogika. 6. Axiomatický systém výrokové logiky
Logika 6. Axiomatický systém výrokové logiky RNDr. Luděk Cienciala, Ph. D. Tato inovace předmětu Úvod do logiky je spolufinancována Evropským sociálním fondem a Státním rozpočtem ČR, projekt č. CZ. 1.07/2.2.00/28.0216,
Více1 VZNIK, VÝVOJ A DEFINICE MECHATRONIKY
1 VZNIK, VÝVOJ A DEFINICE MECHATRONIKY 1.1 VÝVOJ MECHATRONIKY Ve vývoji mechatroniky lze vysledovat tři období: 1. etapa polovina 70. let, Japonsko, založení nového oboru shrnuje poznatky z mechaniky,
VíceNeuronové sítě Ladislav Horký Karel Břinda
Neuronové sítě Ladislav Horký Karel Břinda Obsah Úvod, historie Modely neuronu, aktivační funkce Topologie sítí Principy učení Konkrétní typy sítí s ukázkami v prostředí Wolfram Mathematica Praktické aplikace
VícePOČÍTAČOVÁ FORMALIZACE MENTÁLNÍCH MODELŮ METODAMI PRAVDĚPODOBNOSTNÍHO JAZYKOVÉHO MODELOVÁNÍ
POČÍTAČOVÁ FORMALIZACE MENTÁLNÍCH MODELŮ METODAMI PRAVDĚPODOBNOSTNÍHO JAZYKOVÉHO MODELOVÁNÍ ON MENTAL MODELS FORMALIZATION THROUGH THE METHODS OF PROBABILISTIC LINGUISTIC MODELLING Zdeňka Krišová, Miroslav
VíceRozhodnutelné a nerozhodnutelné problémy. M. Kot, Z. Sawa (VŠB-TU Ostrava) Úvod do teoretické informatiky 24. dubna / 49
Rozhodnutelné a nerozhodnutelné problémy M. Kot, Z. Sawa (VŠB-TU Ostrava) Úvod do teoretické informatiky 24. dubna 2007 1/ 49 Co je to algoritmus? Algoritmus Algoritmus je mechanický postup skládající
VícePočátky umělé inteligence
Počátky umělé inteligence Pavel Ircing NTIS - UN 562 ircing@kky.zcu.cz KKY/HKUI Založení oboru John McCarthy přesvědčil v roce 1955 Marvina Minskyho, Nathaniela Rochestera and C. Shannona, aby mu v následujícím
VíceDynamické kritické jevy
Dynamické kritické jevy statické vs. dynamické Ve statické situaci je kritické chování určeno: i. dimenzí parametru uspořádání ii. dimenzí fyzikálního prostoru každý obor začíná nejprve statickými jevy
VíceKurz psychologie a sociologie na FSV
Kurz psychologie a sociologie na FSV Základy obecné psychologie 1 - - senzorické procesy, vnímání, vědomí Mgr. Petra Halířová 2010/2011 Literatura Atkinsonová, R. (2003). Psychologie, s. 110-231 Dobrovská,
VíceInformatikaaVT(1) Cílem předmětu je: Žáci:
InformatikaaVT(1) Cílem předmětu je: seznámení žáků se základními pojmy informatiky a VT poskytnutí teoretických znalostí a praktických dovedností nezbytných při práci s informacemi azařízeními VT Žáci:
VíceÚvod do logiky. (FLÚ AV ČR) Logika: CZ.1.07/2.2.00/ / 23
Úvod do logiky (FLÚ AV ČR) Logika: CZ.1.07/2.2.00/28.0216 2013 1 / 23 Co je logika? Čeho se týkají logické zákony? Tři možnosti: (1) světa (2) myšlení (3) jazyka (FLÚ AV ČR) Logika: CZ.1.07/2.2.00/28.0216
Vícepřetrénování = ztráta schopnosti generalizovat vlivem přílišného zaměření klasifikátorů na rozeznávání pouze konkrétních trénovacích dat
Zkouška ISR 2013 přetrénování = ztráta schopnosti generalizovat vlivem přílišného zaměření klasifikátorů na rozeznávání pouze konkrétních trénovacích dat 1. Rozdílné principy u induktivního a deduktivního
Vícebrmiversity: Um lá inteligence a teoretická informatika
brmiversity: Um lá inteligence a teoretická informatika Úvodní p edná²ka brmlab 2011 Outline 1 Slovo úvodem 2 Um lá inteligence 3 Neuronové sít 4 Adaptivní agenti 5 Evolu ní algoritmy 6 Sloºitost 7 Datové
VíceTuringovy stroje. Teoretická informatika Tomáš Foltýnek
Turingovy stroje Teoretická informatika Tomáš Foltýnek foltynek@pef.mendelu.cz Teoretická informatika strana 2 Opakování z minulé přednášky Jaké znáte algebraické struktury s jednou operací? Co je to okruh,
VíceModerní systémy pro získávání znalostí z informací a dat
Moderní systémy pro získávání znalostí z informací a dat Jan Žižka IBA Institut biostatistiky a analýz PřF & LF, Masarykova universita Kamenice 126/3, 625 00 Brno Email: zizka@iba.muni.cz Bioinformatika:
VíceVývojové trendy 1. Dnešní téma. Vývojové trendy 2. Vývojové trendy ve zpracování informací a znalostí
Dnešní téma Vývojové trendy 1 Vývojové trendy ve zpracování informací a znalostí Znalostní management Využití umělé inteligence Sémantický web Zpracování přirozeného jazyka 1 Hnacím motorem vývoje v současnosti
VíceVytěžování znalostí z dat
Pavel Kordík, Josef Borkovec (ČVUT FIT) Vytěžování znalostí z dat BI-VZD, 2012, Přednáška 8 1/26 Vytěžování znalostí z dat Pavel Kordík, Josef Borkovec Department of Computer Systems Faculty of Information
VíceAIBO CleanMate 365 ACECAD Enterprises DigiMemo
ELECTROLUX ESI 6221 K Myčka v novém Alpha 1 designu s Fuzzy logic technologií www.sony.cz CleanMate 365 CleanMate 365 je inteligentní robotický vysavač, který za Vás doma perfektně vysaje a zamete. První
VíceCleanMate 365. ACECAD Enterprises DigiMemo A502. individua vědomě orientovat vlastní. globální schopnost individua účelně
ELECTROLUX ESI 6221 K Myčka v novém Alpha 1 designu s Fuzzy logic technologií www.sony.cz Umělá inteligence = = umělá + inteligence CleanMate 365 CleanMate 365 je inteligentní robotický vysavač, který
VíceNeinformované metody prohledávání stavového prostoru Michal Pěchouček, Milan Rollo. Department of Cybernetics Czech Technical University in Prague
Neinformované metody prohledávání stavového prostoru Michal Pěchouček, Milan Rollo Department of Cybernetics Czech Technical University in Prague http://cw.felk.cvut.cz/doku.php/courses/a3b33kui/start
VíceZ. Sawa (VŠB-TUO) Teoretická informatika 11. prosince / 63
Výpočetní modely Z. Sawa (VŠB-TUO) Teoretická informatika 11. prosince 2018 1/ 63 Nutnost upřesnění pojmu algoritmus Dosavadní definice pojmu algoritmus byla poněkud vágní. Pokud bychom pro nějaký problém
VíceVýpočetně-reprezentační chápání mysli v kognitivní vědě
3. Výpočetně-reprezentační chápání mysli v kognitivní vědě C1. Kognitivní vědy Jakub MÍŠA (2006) Komputačně-reprezentační uchopení mysli (Computational-Representational Understanding of Mind, CRUM) Hlavní
VíceAlgoritmizace a programování. Ak. rok 2012/2013 vbp 1. ze 44
Algoritmizace a programování Ak. rok 2012/2013 vbp 1. ze 44 Vladimír Beneš Petrovický K101 katedra matematiky, statistiky a informačních technologií vedoucí katedry E-mail: vbenes@bivs.cz Telefon: 251
VícePojem algoritmus. doc. Mgr. Jiří Dvorský, Ph.D. Katedra informatiky Fakulta elektrotechniky a informatiky VŠB TU Ostrava
Pojem algoritmus doc. Mgr. Jiří Dvorský, Ph.D. Katedra informatiky Fakulta elektrotechniky a informatiky VŠB TU Ostrava Prezentace ke dni 12. září 2016 Jiří Dvorský (VŠB TUO) Pojem algoritmus 54 / 344
VíceAproximativní algoritmy UIN009 Efektivní algoritmy 1
Aproximativní algoritmy. 14.4.2005 UIN009 Efektivní algoritmy 1 Jak nakládat s NP-těžkými úlohami? Speciální případy Aproximativní algoritmy Pravděpodobnostní algoritmy Exponenciální algoritmy pro data
Více2. Mechatronický výrobek 17
Předmluva 1 Úvod 3 Ing. Gunnar Künzel 1. Úvod do mechatroniky 5 1.1 Vznik, vývoj a definice mechatroniky 5 1.2 Mechatronická soustava a její komponenty 9 1.3 Mechatronický systém a jeho struktura 11 1.4
VíceÚvod do logiky a logického programování.
Úvod do logiky a logického programování Luboš Popelínský popel@fi.muni.cz www.fi.muni.cz/~popel Přehled učiva Opakování základů výrokové a predikátové logiky Normální formy ve výrokové a predikátové logice
Více5.6.3 Rekursivní indexace složitostních tříd 5.6.4 Uniformní diagonalizace 5.6.5 Konstrukce rekursivních indexací a aplikace uniformní diagonalizace
Obsah prvního svazku 1 Úvod 1.1 Přehled pojmů a struktur 1.1.1 Množiny, čísla a relace 1.1.2 Funkce 1.1.3 Pravděpodobnost 1.1.4 Grafy 1.2 Algebra 1.2.1 Dělitelnost, prvočíselnost a základní kombinatorické
VíceDefinice 7.2. Nejmenší přirozené číslo k, pro které je graf G k-obarvitelný, se nazývá chromatické číslo (barevnost) grafu G a značí se χ(g).
7 Barevnost grafu Definice 71 Graf G se nazývá k-obarvitelný, jestliže každému jeho uzlu lze přiřadit jednu z barev 1 k tak, že žádné dva sousední uzly nemají stejnou barvu Definice 72 Nejmenší přirozené
Více