Technologie cyfrowe semestr letni 2018/2019

Transkrypt

1 Technologie cyfrowe semestr letni 2018/2019 Tomasz Kazimierczuk Wykład 10 ( )

2 Szachy Liczba możliwości: Pierwsze posunięcie białych: 20 Pierwsze posunięcie czarnych: 20 Ruch biały-czarny: 20 x 20 = 400 Ruch biały-czarny-biały: ruchy ( biały-czarny-biały-czarny): ruchy: 119 milionów 4 ruchy: 85 miliardów 5 ruchów: 69 bilionów

3 Mechaniczny Turek (1769)

4 Szachy Claude Shannon, 1950: liczba możliwych partii szachów: Wniosek: stworzenie doskonałego programu szachowego nie jest możliwe Alan Turing, 1951: pierwszy algorytm szachowy; potwierdzenie opinii Shannona Deep Blue, 1997 Alpha Zero, 2017 AlphaZero rozegrała 100 partii z programem Stockfishem analizującym 70 milionów ruchów w sekundę. Wygrała 28 partii, pozostałe 72 zremisowała.

5 Go Starochińska gra, uznawana za trudniejszą niż szachy 2015 AlphaGo pokonuje mistrza Europy 5: AlphaGo pokonuje 18-krotnego arcymistrza Lee Sedol wynikiem 4:1

6 Starcraft 2 (RTS) Mnogość strategii przy niepełnej informacji Wielopoziomowość 2019 AlphaStar pokonuje zawodnika z najwyższym rankingiem MMR (o pseudonimie Mana) 5:0

7 Rozpoznwanie pisma odręcznego

8

9 Sztuczna inteligencja Inteligencja: zdolność ludzkiego intelektu do rozwiązywania problemów Sztuczna inteligencja: zdolność maszyny do rozwiązywania problemów, które wymagałyby inteligencji Rozumiana: Wąsko: inteligentne techniki obliczeniowe służące wykonaniu trudnych zadań Szeroko: zdolność maszyny do symulowania myślenia ludzkiego

10 Sztuczna inteligencja w wąskim rozumieniu Najważniejsze zadania: przeszukiwanie - znajdowanie rozwiązań z określonego zbioru bez pełnego przeglądania wszystkich możliwości wnioskowanie - stosowanie reguł wnioskowania prowadzące do docelowego twierdzenia uczenie się modyfikacja systemu na podstawie doświadczeń lub przykładowych danych, prowadząca do poprawienia sprawności rozwiązywania zadań i przewidywania People who bought Da Vinci Code also bought The Five People You Meet in Heaven (

11 Sztuczna inteligencja w szerokim rozumieniu W 1950 roku A. Turing zaproponował by możliwość udawania człowieka w zdalnej rozmowie uznać za test inteligencji maszyn Turing, A.M., Computing machinery and intelligence, Mind 59, 433 (1950).

12 Podstawowa terminologia Source: Nvidia

13 Sieci neuronowe

14

15 Sieci neuronowe Podstawowy element: perceptron ( , Frank Rosenblatt) w 1 w 2 w 3

16 Perceptron - przykład działania Decyzja do podjęcia: czy jechać na koncert pod miastem Składowe decyzji: x 1 = Czy dobry dojazd (0/1) x 2 = Czy znajomi jadą (0/1) x 3 = Czy pogoda będzie dobra (0/1) w 1 w 2 w 3 Każdy czynnik wchodzi ze swoją wagą: w 1, w 2, w 3 Decyzja na tak, jeśli suma większa niż ustalony próg. Jeśli suma poniżej progu decyzja na nie.

17 wektory Wygodniejsza notacja

18

19

20 Regresja liniowa Metoda estymowania wartości zmiennej zależnej y w oparciu o znaną/e wartość/wartości zmiennej niezależnej x Przykład: metoda najmniejszych kwadratów Kwartet Anscombe a Podobne wskaźniki statystyczne, choć różny charakter danych Metoda niedoskonała!

21 Sieć neuronowa Pierwsza warstwa (ang. layer) Druga warstwa + wagi na każdym wejściu (niezaznaczone na rysunku)

22 Aby mała zmiana wartości wag dawała małą zmianę w ostatecznym wyniku, a duża zmiana nie powodowała problemów ze stabilnością: regresja liniowa regresja logistyczna perceptron neuron sigmoidalny

23 Funkcje sigmoidalne jako funkcje aktywacji - przykłady Funkcja unipolarna: Funkcja bipolarna (tangens hiperboliczny): ReLU y(x) = max(0,x)

24 Uczenie się sieci neuronowej (ang. machine learning) Przykładowa procedura rekurencyjna: Wkładamy wartości wejściowe i losowe wagi i sprawdzamy czy dostaliśmy poprawną odpowiedź na wyjściu (0 lub 1). Jeśli niedobry wynik, poprawiamy wartości wag w kolejnych warstwach w oparciu o ich wkłady do całkowitej wartości błędu (tzw. wsteczna propagacja błędu). Próbujemy ponownie. Kończymy procedurę, gdy wartość błędu zbiega poniżej zadanej wartości.

25 Wizualizacja uczenia się sieci neuronowej

26 Rozpoznawanie obrazu Wg.

27 Rozpoznawanie obrazu Każdy obraz można przedstawić jako macierz, której składowymi są wartości odzwierciedlające intensywność pikseli

28 Rozpoznawanie obrazu Macierz Filtr Konwolucja

29 Rozpoznawanie obrazu dla jednego obrazka budujemy kilka map cech korzystając z różnych filtrów

30 Rozpoznawanie obrazu dla jednego obrazka budujemy wiele map cech korzystając z różnych filtrów

31 Wprowadzamy nieliniowość przez funkcję ReLU Rozpoznawanie obrazu

32 Rozpoznawanie obrazu aby nie przeuczyć sieci i zredukować liczbę parametrów / ilość informacji przesyłanych do kolejnych warstw korzystamy z tzw. pooling layers, najczęściej jest to maxpooling

33 Rozpoznawanie obrazu

34 Rozpoznawanie obrazu Rozpoznawanie odręcznie pisanych cyfr: Rozpoznawanie obiektów na obrazie w czasie rzeczywistym:

35

36

37

38

39

40

41 AI - korzyści Nowe, fascynujące perspektywy poznawcze Oszczędne projektowanie (przedmiotów, domów, procedur, ) Przewidywanie anomalii pogodowych Tłumaczenie tekstu na inne języki Lepsza kontrola jakości Poprawa bezpieczeństwa Poprawa trafności diagnostyki medycznej

42

43 ch?time_continue=356&v=kslj riaouma

44 AI zagrożenia Bill Gates: Nie rozumiem, czemu niektórzy się nie przejmują Rozpoznawanie obiektów na obrazie w czasie rzeczywistym:

45 Hiper-wojny AI - zagrożenia The Malicious Use of Artificial Intelligence: Forecasting, Prevention, and Mitigation Pełen raport: Zaawansowane manipulacje obrazem, filmem, dźwiękiem

46 AI - zagrożenia Zmiany na rynku pracy Cyber ataki nowego typu Manipulacja opinią z wykorzystaniem wielu danych Brak prywatności

47

48 xkcd.com

49 Dla zainteresowanych: Prosta sieć neuronowa DIY: MNIST - 60 tys. obrazków przedstawiających ręcznie napisane cyfry - 20x20 px

50 Podręczniki, książki: Dobry kurs online: