Wykład 6: Modelowanie umysłu: komputacjonizm koneksjonizm przestrzenie pojęciowe
|
|
- Michalina Janik
- 7 lat temu
- Przeglądów:
Transkrypt
1 Filozofia umysłu i kognitywistyka Wykład 6: Modelowanie umysłu: komputacjonizm koneksjonizm przestrzenie pojęciowe Łukasz Kwiatek sem. zimowy 2013/2014
2 Różne modele umysłu: Maszyna Turinga i komputacjonizm Sztuczne Sieci Neuronowe (ANNs) i koneksjonizm Przestrzenie pojęciowe Dwa cele nauk kognitywnych: - wyjaśnianie teorie naukowe ( Prawda ) - konstrukcja sztuczne systemy kognitywne (roboty)
3 Co głosi komputacyjna teoria umysłu? Umysł nie jest mózgiem, ale tym, co mózg robi, i to nie wszystkim (Steven Pinker) Co konkretnie mózg robi? Przede wszystkim dokonuje obliczeń. Obliczenia mogą być realizowane przez różne podłoże (układ nerwowy, układy scalone, lampy próżniowe itd.). (funkcjonalizm i teza o wielorakiej realizacji)
4 Komputacyjna teoria umysłu Informacja i komputacja zawarte są we wzorach danych i relacjach logiki, niezależnie od fizycznego medium, które się nimi posługuje. Kiedy dzwonisz do matki w innym mieście, informacja pozostaje ta sama, przechodząc z twoich ust do jej uszu, chociaż fizycznie zmienia formę z wibrującego powietrza na elektryczność w przewodzie telefonicznym, następnie na ładunek w krzemie, na migające światło w światłowodzie, wreszcie na fale elektromagnetyczne i z powrotem w odwrotnej kolejności. Informacja pozostaje ta sama, kiedy matka powtarza ją twojemu ojcu, siedzącemu na drugim końcu kanapy, chociaż w jej głowie przyjęła formę kaskady wyładowań elektronów i chemicznego rozpraszania przez synapsy. Analogicznie, dzięki danemu programowi przetwarzania danych, może pracować komputer zbudowany z elektronowych lamp próżniowych, elektromagnetycznych przełączników, tranzystorów, obwodów scalonych a nawet grupa dobrze wytrenowanych gołębi, i wyniki będą te same (Steven Pinker, Jak działa umysł)
5 Maszyna Turinga i komputacjonizm gdzie: Q skończony zbiór stanów q 0 stan początkowy, q 0 Q F zbiór stanów końcowych MT = < Q, Σ, δ, Γ, q 0, B, F > Γ skończony zbiór dopuszczalnych symboli B symbol pusty, B Γ Σ zbiór symboli wejściowych podzbiór zbioru Γ, do którego nie należy B δ funkcja sprawdzająca aktualny stan maszyny i symbol wejściowy i odpowiadająca, jaki symbol ma się pojawić na taśmie, jaki ma być kolejny stan maszyny oraz co ma zrobić głowica maszyny (przesunięcie w lewo, w prawo, koniec pracy)
6 Maszyna Turinga podwajająca symbole w słowie Dla słowa: ab otrzymujemy aabb aba otrzymujemy aabbaa Słowo na taśmie zapisane jest jako ciąg symboli postaci na przykład ø ø ø a b ø ø ø
7 Będąc w stanie q 1 musimy iść tak długo w prawo aż pominiemy wszystkie symbole łącznie z pierwszym symbolem ø. Wtedy w miejsce drugiego ø (może się ono znajdować po kilku symbolach z alfabetu wejściowego) wpisujemy a i przechodzimy do stanu q 3. W tym stanie napotykamy na symbol ø, w miejsce którego wpisujemy drugie a i przechodzimy do stanu q 4 (stan powrotu). Jeżeli będąc w tym stanie przejdziemy nad wszystkimi symbolami i napotkamy symbol ø, to sprawdzamy, czy są jeszcze jakieś symbole wejściowe na taśmie. Jeżeli tak to zaczynamy algorytm od początku, w przeciwnym razie przechodzimy do stanu końcowego q 15
8
9 q 0 q 1 q 2 q 3 q 4 q 5 q 6 ø q 0 ø, P q 2 ø, P q 3 a, P q 4 a, L q 5 ø, L q 15 ø, P q 0 ø, P a q 1 ø, P q 1 a, P q 2 a, P q 15 a, P q 4 a, L q 6 a, L q 6 a, L
10 Dostarczając maszynie Turinga odpowiednie programy, jesteśmy w stanie wykonywać dowolne obliczenia (dowolne manipulacje symbolami) Umysł: maszyna Turinga z zaprogramowanym zbiorem odpowiednich programów ( moduły obliczeniowe ). Psychologia ewolucyjna: moduły obliczeniowe wykształciły się jako adaptacje w plejstocenie. Np. moduł wykrywania oszustów, moduł unikania drapieżników, selekcji partnera itd.
11 Twierdzę, że umysł nie jest jednym narządem, ale systemem narządów, o których możemy myśleć jako o zdolnościach psychicznych lub modułach umysłowych. Idee, za pomocą których wyjaśnia się teraz działanie umysłu takie jak ogólna inteligencja, zdolność tworzenia kultury i uniwersalne strategie uczenia się z pewnością odejdą do lamusa, podobnie jak protoplazma w biologii oraz idea czterech elementów: ziemi, powietrza, ognia i wody, w fizyce. Są tak amorficzne w porównaniu ze zjawiskami, które mają wyjaśnić, że trzeba im przypisywać niemal magiczną moc. Oglądając te zjawiska pod mikroskopem, odkrywamy, że złożona struktura codziennego świata opiera się nie na pojedynczej substancji, ale na wielu warstwach zawiłej maszynerii. (S. Pinker, Jak działa umysł)
12 Semantyka i syntaktyka Komputacyjna teoria umysłu odpowiada na pytanie, w jaki sposób stany mentalne (pragnienia, przekonania itd.) mogą wpływać na stany fizyczne stany mentalne (przekonania, pragnienia) są reprezentowane przez symbole, które mogą kauzalnie wpływać na inne symbole, np. sterujące ruchem mięśni Problemy: symbole są pozbawione znaczenia. Czy mogą nabierać znaczenia czysto mechanicznie poprzez reguły czysto syntaktyczne? Czy potrzebna jest semantyka? Zwolennicy komputacyjnej teorii umysłu twierdzą, że tak jest w istocie, a semantyka redukuje się do syntaktyki. Na gruncie językoznawstwa komputacyjną teorię umysłu rozwinął Noam Chomsky.
13 Co udało się dzięki komputacyjnej teorii umysłu? Sztuczna inteligencja (programy szachowe, AI w grach komputerowych AI nawet poprawiło swoją grę czytając napisane w języku angielskim porady umieszczane na forach internetowych przez fanów FreeCivilization) Test Turinga (np. CAPTCHA (Completely Automated Public Turing test to tell Computers and Humans Apart)
14 Koneksjonizm modelowanie umysłu w sztucznych sieciach neuronowych (neurocybernetyka) Co robią komórki nerwowe? W istocie dodają one zbiór różnych wielkości, porównując sumę do progu i wskazują, czy został on przekroczony (Pinker) Wyładowujący się neuron jest w różnym stopniu aktywny, a na poziom jego aktywności wpływa poziom aktywności wejściowych aksonów innych neuronów, dołączonych przy synapsach do dendrytów neuronów (struktury wejścia). Synapsa ma moc od pozytywnej (pobudzającej) przez zero (żadnego efektu) do negatywnej (hamującej). Poziom aktywacji każdego wejściowego aksonu zwielokrotnia moc synapsy. Neurony sumują te wejściowe poziomy; jeśli suma przekracza próg, neuron staje się bardziej kaktywny, wysyłając z kolei sygnał do każdego innego połączonego z nim neuronu. Chociaż neurony zawsze się wyładowują, a nadchodzące sygnały powodują jedynie, że dzieje się to w dającym się wykryć szybszym lub wolniejszym tempie, czasami wygodniej opisywać je jako albo wyłączone (tempo spoczynkowe), albo włączone (tempo wzmożone) (Pinker)
15 Koneksjonizm Można modelować działanie neuronów za pomocą sztucznych sieci neuronowych (ANN). Takie sieci mogą reprezentować np. wartości logiczne:
16 Co nam dają ANN? Pozwalają symulować wiele procesów poznawczych Potrafią się uczyć Niezbędne we współczesnym przemyśle i innych gałęziach gospodarki (systemy bankowe, telekomunikacja itd.) Polecany film:
17 Maszyna Turinga a ANN Sieci neuronowe przypominają maszynę Turinga w dużej rozdzielczości w ramach sieci neuronowych można również modelować algorytmy. ANN mogą przybierać formę programu komputerowego albo urządzenia. Za ich pomocą możliwe jest dokonywanie olbrzymich obliczeń, np. symulowanie działania fali powodziowej, sieci energetycznej czy pewnych aspektów działania umysłu (proces rozpoznawania kolorów, kształtów itd.). Mózg postrzegany jako olbrzymia sieć neuronów. Czy zbudowanie ANN złożonej ze ~86 mld neuronów (wielkość mózgu człowieka) sprawi, że ta sieć zyska samoświadomość? Nie tylko wielkość sieci ma znaczenie również jej jakość (sposób połączeń neuronów). Czy w takim razie gdyby odwzorować połączenia w ludzkim mózgu, to udałoby się obdarzyć taką ANN umysłem? Paradygmat umysłu ucieleśnionego dałby negatywną odpowiedź potrzebne jest również ciało, które wchodzi w interakcje ze światem i razem z mózgiem tworzy umysł.
18 Maszyna Turinga a ANN Sieci neuronowe przypominają maszynę Turinga w dużej rozdzielczości w ramach sieci neuronowych można również modelować algorytmy. ANN mogą przybierać formę programu komputerowego albo urządzenia. Za ich pomocą możliwe jest dokonywanie olbrzymich obliczeń, np. symulowanie działania fali powodziowej, sieci energetycznej czy pewnych aspektów działania umysłu (proces rozpoznawania kolorów, kształtów itd.). Mózg postrzegany jako olbrzymia sieć neuronów. Czy zbudowanie ANN złożonej ze ~86 mld neuronów (wielkość mózgu człowieka) sprawi, że ta sieć zyska samoświadomość? Nie tylko wielkość sieci ma znaczenie również jej jakość (sposób połączeń neuronów). Czy w takim razie gdyby odwzorować połączenia w ludzkim mózgu, to udałoby się obdarzyć taką ANN umysłem? Paradygmat umysłu ucieleśnionego dałby negatywną odpowiedź potrzebne jest również ciało, które wchodzi w interakcje ze światem i razem z mózgiem tworzy umysł.
19 Maszyna Turinga a ANN Sieci neuronowe przypominają maszynę Turinga w dużej rozdzielczości w ramach sieci neuronowych można również modelować algorytmy. ANN mogą przybierać formę programu komputerowego albo urządzenia. Za ich pomocą możliwe jest dokonywanie olbrzymich obliczeń, np. symulowanie działania fali powodziowej, sieci energetycznej czy pewnych aspektów działania umysłu (proces rozpoznawania kolorów, kształtów itd.). Mózg postrzegany jako olbrzymia sieć neuronów. Czy zbudowanie ANN złożonej ze ~86 mld neuronów (wielkość mózgu człowieka) sprawi, że ta sieć zyska samoświadomość? Nie tylko wielkość sieci ma znaczenie również jej jakość (sposób połączeń neuronów). Czy w takim razie gdyby odwzorować połączenia w ludzkim mózgu, to udałoby się obdarzyć taką ANN umysłem? Paradygmat umysłu ucieleśnionego dałby negatywną odpowiedź potrzebne jest również ciało, które wchodzi w interakcje ze światem i razem z mózgiem tworzy umysł.
20 Koneksjonizm nie jest alternatywą komputacyjnej teorii umysłu, ale jej odmianą, która twierdzi, że główny rodzaj przetwarzania informacji odbywający się w umyśle jest funkcją wielu zmiennych. Koneksjonizm nie jest niezbędną poprawką teorii, że umysł jest jak komputer, wyposażony w bezbłędną i seryjną jednostkę centralnego przetwarzania o dużej szybkości, nie ma bowiem zwolenników takiej teorii. I nie ma żadnego prawdziwego Achollesa, który twierdzi, że każda forma myślenia składa się z mozolnej analizy tysięcy reguł z podręcznika logiki. Wreszcie sieci koneksjonistyczne nie są szczególnie realistycznymi modelami mózgu, pomimo ich pełnej optymizmu etykietki sieci neuronowe. Na przykład synapsa (waga połączenia) może się zmienić z pobudzającej w hamującą, a informacja może przepływać w obu kierunkach wzdłuż aksonu (połączenia), jedno i drugie jest zaś anatomicznie niemożliwe. Kiedy istnieje wybór między wykonywaniem zadania a replikowaniem pracy mózgu, koneksjonizm często opowiada się za pierwszą możliwością; to pokazuje, że sieci używa się jako formy sztucznej inteligencji opartej luźno na metaforze neuronu, nie są zaś one formą neuronowego modelowania (Pinker, Jak działa umysł)
21 Zarzuty wobec komputacyjnej wizji umysłu - Argument chińskiego pokoju Searle a (semantyki nie da się zredukować do syntaktyki) - Inne problemy związane z działaniem maszyny Turinga i algorytmów: frame problem, filozoficzne argumenty np., problem z modelowaniem pojęć - definicja pojęcia wykorzystuje koncepcję światów możliwych. - Szybkość działania ANN sztuczne sieci nie działają w czasie rzeczywistym, obliczenia dokonywane przez ANN trwają o wiele dłużej, mimo że sygnał, np. w światłowodzie, przesyłany jest tysiące razy szybciej niż w biologicznych neuronach
22 Pomiędzy koneksjonizmem a symbolizmem Metafora dżungli poziomy reprezentacji Reprezentowany świat dżungla Mieszkańcy dżungli przemieszczają się w zaroślach w różnych celach. Naszym zadaniem jest opis ich ruchu. Najniższa skala. Dwa rodzaje ograniczeń ruchu: przeszkody naturalne (drzewa, skały, rzeki, krzaki itd.) oraz ograniczenia wynikające z budowy człowieka nie można latać, wykonywać 10- metrowych kroków, przeciskać przez zbyt ciasne szczeliny itd.
23 Poziom subkonceptualny Te ograniczenia determinują możliwe trajektorie ruchów. Ludzie wybierają najbardziej efektywne. Trajektorie mogą być opisane na niskim poziomie, przez instrukcje w stylu: 10 kroków za dużym drzewem, w prawo za tamtą skałą, obróć się o 45 stopni i idź wzdłuż rzeki) trajektorie są zdeterminowane przez interakcje ludzi ze środowiskiem POZIOM SUBKONCEPTUALNY (koneksjonizm, sieci neuronowe) Tak jak w sztucznych sieciach neuronowych (ANN) aktywność neuronu zależy od dynamicznej struktury całej sieci. Z czasem ludzie zaczną ułatwiać sobie podróżowanie wydeptają zarośla, usuną kamienie. Powstaną ścieżki, umożliwiające wyznaczenie kierunku co odpowiada procesowi uczenia się przez sieci neuronowe
24 Poziom konceptualny i symboliczny Ścieżki umożliwiają rysowanie map. Pojawiają się współrzędne przestrzenne. Możliwe polecenia typu: idź 40 m na północ, skręć na zachód. Mieszkańcy dżungli nie muszą rozważać, co jest poza ścieżkami potrafią opisać ruch za pomocą ścieżek i kierunków, potrafią też mierzyć dystans poziom konceptualny (przestrzenie konceptualne) Ścieżki będą się krzyżować w punktach, którym można nadawać nazwy (A, B, C itd.). Opis ruchu możliwy poprzez polecenia typu: Idź ścieżką do A, skręć ścieżką na C, a dojdziesz prosto do B. Nie trzeba opisywać samych ścieżek, wystarczy punkty (przyjmując, że jest jedna ścieżka pomiędzy danymi punktami i może zostać bez trudu pokonana) poziom symboliczny. Komunikacja możliwa poprzez użycie symboli.
25 Przestrzenie konceptualne Przestrzenie konceptualne rozciągają się pomiędzy tzw. wymiarami jakościowymi (ang. quality dimensions), Wymiary jakościowe dotyczą różnych dziedzin, takich jak kształt, kolor, ciężar, temperatura, czas, smak itd. Ciężar - geometrycznym modelem tego wymiaru jest półprosta, z początkiem w punkcie zero i wartościami kolejnych liczb nieujemnych na osi. Własności kolorów koło kolorów. Własności związane z czasem prosta. Smak czworościan foremny itd.. Punkt na półprostej odpowiada wartości ciężaru.
26 Wymiary jakościowe Być może nieskończona liczba modelują wszystkie jakości (problem: czym są jakości?) Podobieństwo funkcja odległości. Nauka (zdobywanie wiedzy) często polega na dodawaniu kolejnych wymiarów jakościowych (pojęcie miedzi w starożytności i współcześnie) W niektórych przypadkach kulturowo zależne (dla niektórych kultur właściwy może być model cyklicznego czasu reprezentować go będzie okrąg, a nie prosta)
27 Definicja przestrzeni konceptualnej Przestrzeń pojęciowa S składa się z klasy D1,,Dn wymiarów jakościowych. Punkt w S jest reprezentowany przez wektor v = <d1,,dn> z jednym indeksem Qdla każdego z wymiarów. Każdy z wymiarów jest obdarzony pewną topologiczną lub metrykalną strukturą. [P. Gardenfors, The dynamics of thought] Geometryczność przestrzeni pojęciowych pozwala na oszczędne modelowanie takich procesów poznawczych jak rozumowanie indukcyjne, tworzenie pojęć, semantyka języka itd. Żeby zbudować przestrzenie pojęciowe, wystarczy założyć kilka prostych geometrycznych aksjomatów
28 Własności w przestrzeniach konceptualnych Reprezentowane przez regiony w przestrzeniach konceptualnych Własności naturalne regiony wypukłe. Powstają przez tesselację Voronoia na przestrzeni konceptualnej Niech S będzie skończonym zbiorem n punktów należących do przestrzeni euklidesowej E. Elementy zbioru S nazwiemy centrami, środkami lub zalążkami. Obszarem Woronoja lub komórką Woronoja przypisaną pewnemu elementowi p zbioru S nazwiemy zbiór punktów znajdujących się bliżej punktu p niż każdego innego elementu ze zbioru S
29 Własności naturalne w przestrzeniach konceptualnych Własności naturalne wyznaczane są przez regiony, spełniające pewne kryteria (różne w zależności od struktury przestrzeni) w przestrzeniach konceptualnych Opowiada to teorii prototypu (w zbiorze obiektów posiadających daną własność, niektóre obiekty są oceniane jako bardziej reprezentatywne niż inne). Np. kruki wydają się bardziej ptakami niż emu w przestrzeni konceptualnej kruki będą znajdować się bliżej środka regionu wyznaczającego własność bycia ptakiem (własność złożona). Istnieją własności złożone, wyższego rzędu (bycie wyższym od, bardziej zielonym od itd.)
30 Pojęcia Zbiór własności (regionów) z różnych dziedzin (w przestrzeniach konceptualnych) wraz z określeniem ważności poszczególnych dziedzin oraz informacją, jak poszczególne dziedziny są powiązane Określenie stopnia ważności poszczególnych dziedzin jest istotne przy porównywaniu. Tel Aviv bardziej przypomina Nowy York, niż Nowy York przypomina Tel Aviv inne domeny brane są pod uwagę.
31 Nie ma unikalnego sposobu modelowania reprezentacji Przestrzenie pojęciowe nie mają konkurować z pozostałymi paradygmatami, lepiej modelują pewne zjawiska na swoim poziomie, pozwalając uniknąć wielu problemów filozoficznych Wszystkie trzy metateorie mogą być rozpatrywane jako trzy poziomy reprezentacji o różnej skali rozdzielczości. Poziom najniższy koneksjonizm, średni konceptualne przestrzenie, najwyższy komputacjonizm. W metaforze dżungli wszystkie trzy poziomy opisują ten sam fenomen ruch człowieka przez dżunglę.
32 Czy umysł naprawdę jest maszyną? Słaba teza AI Niektóre funkcje poznawcze można modelować przy pomocy algorytmów/komputerów Mocna teza AI Komputery mają umysły za wykonywanymi przez nie obliczeniami kryją się również stany mentalne
Elementy kognitywistyki II: Sztuczna inteligencja. WYKŁAD X: Sztuczny neuron
Elementy kognitywistyki II: Sztuczna inteligencja WYKŁAD X: Sztuczny neuron Koneksjonizm: wprowadzenie 1943: Warren McCulloch, Walter Pitts: ogólna teoria przetwarzania informacji oparta na sieciach binarnych
Bardziej szczegółowoO badaniach nad SZTUCZNĄ INTELIGENCJĄ
O badaniach nad SZTUCZNĄ INTELIGENCJĄ Wykład 7. O badaniach nad sztuczną inteligencją Co nazywamy SZTUCZNĄ INTELIGENCJĄ? szczególny rodzaj programów komputerowych, a niekiedy maszyn. SI szczególną własność
Bardziej szczegółowoO badaniach nad SZTUCZNĄ INTELIGENCJĄ
O badaniach nad SZTUCZNĄ INTELIGENCJĄ Jak określa się inteligencję naturalną? Jak określa się inteligencję naturalną? Inteligencja wg psychologów to: Przyrodzona, choć rozwijana w toku dojrzewania i uczenia
Bardziej szczegółowoWstęp do kognitywistyki. Wykład 3: Logiczny neuron. Rachunek sieci neuronowych
Wstęp do kognitywistyki Wykład 3: Logiczny neuron. Rachunek sieci neuronowych Epistemologia eksperymentalna W. McCulloch: Wszystko, czego dowiadujemy się o organizmach wiedzie nas do wniosku, iż nie są
Bardziej szczegółowoMIND-BODY PROBLEM. i nowe nadzieje dla chrześcijańskiej antropologii
MIND-BODY PROBLEM i nowe nadzieje dla chrześcijańskiej antropologii CZŁOWIEK JEST MASZYNĄ (THOMAS HOBBES) Rozumienie człowieka znacząco zmienia się wraz z nastaniem epoki nowożytnej. Starożytne i średniowieczne
Bardziej szczegółowoO badaniach nad SZTUCZNĄ INTELIGENCJĄ
O badaniach nad SZTUCZNĄ INTELIGENCJĄ SZTUCZNA INTELIGENCJA dwa podstawowe znaczenia Co nazywamy sztuczną inteligencją? zaawansowane systemy informatyczne (np. uczące się), pewną dyscyplinę badawczą (dział
Bardziej szczegółowoMODELOWANIE RZECZYWISTOŚCI
MODELOWANIE RZECZYWISTOŚCI Daniel Wójcik Instytut Biologii Doświadczalnej PAN d.wojcik@nencki.gov.pl tel. 022 5892 424 http://www.neuroinf.pl/members/danek/swps/ Podręcznik Iwo Białynicki-Birula Iwona
Bardziej szczegółowoGłówne problemy kognitywistyki: Reprezentacja
Główne problemy kognitywistyki: Reprezentacja Wykład dziesiąty Hipoteza języka myśli (LOT): źródła i założenia Andrzej Klawiter http://www.amu.edu.pl/~klawiter klawiter@amu.edu.pl Filozoficzne źródła:
Bardziej szczegółowoMaszyna Turinga języki
Maszyna Turinga języki Teoria automatów i języków formalnych Dr inż. Janusz Majewski Katedra Informatyki Maszyna Turinga (1) b b b A B C B D A B C b b Q Zależnie od symbolu obserwowanego przez głowicę
Bardziej szczegółowoElementy kognitywistyki III: Modele i architektury poznawcze
Elementy kognitywistyki III: Modele i architektury poznawcze Wykład III: Psychologiczne modele umysłu Gwoli przypomnienia: Kroki w modelowaniu kognitywnym: teoretyczne ramy pojęciowe (modele pojęciowe)
Bardziej szczegółowoMatematyczne Podstawy Informatyki
Matematyczne Podstawy Informatyki dr inż. Andrzej Grosser Instytut Informatyki Teoretycznej i Stosowanej Politechnika Częstochowska Rok akademicki 2013/2014 Automat ze stosem Automat ze stosem to szóstka
Bardziej szczegółowoElementy kognitywistyki II: Sztuczna inteligencja. WYKŁAD XII: Modele i architektury poznawcze
Elementy kognitywistyki II: Sztuczna inteligencja WYKŁAD XII: Modele i architektury poznawcze Architektury poznawcze Architektura poznawcza jako teoria poznania ludzkiego Anderson (1993): Architektura
Bardziej szczegółowoMODELOWANIE RZECZYWISTOŚCI
MODELOWANIE RZECZYWISTOŚCI Daniel Wójcik Instytut Biologii Doświadczalnej PAN Szkoła Wyższa Psychologii Społecznej d.wojcik@nencki.gov.pl dwojcik@swps.edu.pl tel. 022 5892 424 http://www.neuroinf.pl/members/danek/swps/
Bardziej szczegółowoElementy kognitywistyki III: Modele i architektury poznawcze
Elementy kognitywistyki III: Modele i architektury poznawcze Wykład II: Modele pojęciowe Gwoli przypomnienia: Kroki w modelowaniu kognitywnym: teoretyczne ramy pojęciowe (modele pojęciowe) przeformułowanie
Bardziej szczegółowoObliczenia inspirowane Naturą
Obliczenia inspirowane Naturą Wykład 01 Modele obliczeń Jarosław Miszczak IITiS PAN Gliwice 05/10/2016 1 / 33 1 2 3 4 5 6 2 / 33 Co to znaczy obliczać? Co to znaczy obliczać? Deterministyczna maszyna Turinga
Bardziej szczegółowoFestiwal Myśli Abstrakcyjnej, Warszawa, Czy SZTUCZNA INTELIGENCJA potrzebuje FILOZOFII?
Festiwal Myśli Abstrakcyjnej, Warszawa, 22.10.2017 Czy SZTUCZNA INTELIGENCJA potrzebuje FILOZOFII? Dwa kluczowe terminy Co nazywamy sztuczną inteligencją? zaawansowane systemy informatyczne (np. uczące
Bardziej szczegółowoMetody Sztucznej Inteligencji II
17 marca 2013 Neuron biologiczny Neuron Jest podstawowym budulcem układu nerwowego. Jest komórką, która jest w stanie odbierać i przekazywać sygnały elektryczne. Neuron działanie Jeżeli wartość sygnału
Bardziej szczegółowoLOGIKA I TEORIA ZBIORÓW
LOGIKA I TEORIA ZBIORÓW Logika Logika jest nauką zajmującą się zdaniami Z punktu widzenia logiki istotne jest, czy dane zdanie jest prawdziwe, czy nie Nie jest natomiast istotne o czym to zdanie mówi Definicja
Bardziej szczegółowoElementy filozofii i metodologii INFORMATYKI
Elementy filozofii i metodologii INFORMATYKI Filozofia INFORMATYKA Metodologia Wykład 1. Wprowadzenie. Filozofia, metodologia, informatyka Czym jest FILOZOFIA? (objaśnienie ogólne) Filozofią nazywa się
Bardziej szczegółowoHierarchia Chomsky ego Maszyna Turinga
Hierarchia Chomsky ego Maszyna Turinga Języki formalne i automaty Dr inż. Janusz Majewski Katedra Informatyki Gramatyka Gramatyką G nazywamy czwórkę uporządkowaną gdzie: G = V skończony zbiór
Bardziej szczegółowoInformacja w perspektywie obliczeniowej. Informacje, liczby i obliczenia
Informacja w perspektywie obliczeniowej Informacje, liczby i obliczenia Cztery punkty odniesienia (dla pojęcia informacji) ŚWIAT ontologia fizyka UMYSŁ psychologia epistemologia JĘZYK lingwistyka nauki
Bardziej szczegółowoPodstawy Sztucznej Inteligencji (PSZT)
Podstawy Sztucznej Inteligencji (PSZT) Paweł Wawrzyński Uczenie maszynowe Sztuczne sieci neuronowe Plan na dziś Uczenie maszynowe Problem aproksymacji funkcji Sieci neuronowe PSZT, zima 2013, wykład 12
Bardziej szczegółowoKsięgarnia PWN: Szymon Wróbel - Umysł, gramatyka, ewolucja
Księgarnia PWN: Szymon Wróbel - Umysł, gramatyka, ewolucja WSTĘP. MIĘDZY KRYTYKĄ A OBRONĄ ROZUMU OBLICZENIOWEGO 1. INteNCjA 2. KoMPozyCjA 3. tytuł CZĘŚĆ I. WOKÓŁ METODOLOGII ROZDZIAŁ 1. PO CZYM POZNAĆ
Bardziej szczegółowoTuring i jego maszyny
Turing Magdalena Lewandowska Politechnika Śląska, wydział MS, semestr VI 20 kwietnia 2016 1 Kim był Alan Turing? Biografia 2 3 Mrówka Langtona Bomba Turinga 4 Biografia Kim był Alan Turing? Biografia Alan
Bardziej szczegółowodr Anna Mazur Wyższa Szkoła Promocji Intuicja a systemy przekonań
dr Anna Mazur Wyższa Szkoła Promocji Intuicja a systemy przekonań Systemy przekonań Dlaczego mądrzy ludzie podejmują głupie decyzje? Odpowiedzialne są nasze przekonania. Przekonania, które składają się
Bardziej szczegółowoWstęp do teorii sztucznej inteligencji Wykład II. Uczenie sztucznych neuronów.
Wstęp do teorii sztucznej inteligencji Wykład II Uczenie sztucznych neuronów. 1 - powtórzyć o klasyfikacji: Sieci liniowe I nieliniowe Sieci rekurencyjne Uczenie z nauczycielem lub bez Jednowarstwowe I
Bardziej szczegółowoKognitywistyka, poznanie, język. Uwagi wprowadzające.
Wykład I: Elementy kognitywistyki: język naturalny Kognitywistyka, poznanie, język. Uwagi wprowadzające. Po raz pierwszy w historii można coś napisać o instynkcie uczenia się, mówienia i rozumienia języka.
Bardziej szczegółowoAlan M. TURING. Matematyk u progu współczesnej informatyki
Alan M. TURING n=0 1 n! Matematyk u progu współczesnej informatyki Wykład 5. Alan Turing u progu współczesnej informatyki O co pytał Alan TURING? Czym jest algorytm? Czy wszystkie problemy da się rozwiązać
Bardziej szczegółowoS O M SELF-ORGANIZING MAPS. Przemysław Szczepańczyk Łukasz Myszor
S O M SELF-ORGANIZING MAPS Przemysław Szczepańczyk Łukasz Myszor Podstawy teoretyczne Map Samoorganizujących się stworzył prof. Teuvo Kohonen (1982 r.). SOM wywodzi się ze sztucznych sieci neuronowych.
Bardziej szczegółowoWprowadzenie do teorii systemów ekspertowych
Myślące komputery przyszłość czy utopia? Wprowadzenie do teorii systemów ekspertowych Roman Simiński siminski@us.edu.pl Wizja inteligentnych maszyn jest od wielu lat obecna w literaturze oraz filmach z
Bardziej szczegółowoJęzyki, automaty i obliczenia
Języki, automaty i obliczenia Wykład 10: Maszyny Turinga Sławomir Lasota Uniwersytet Warszawski 29 kwietnia 2015 Plan Maszyny Turinga (Niedeterministyczna) maszyna Turinga M = (A, Q, q 0, F, T, B, δ) A
Bardziej szczegółowoSIMR 2016/2017, Analiza 2, wykład 1, Przestrzeń wektorowa
SIMR 06/07, Analiza, wykład, 07-0- Przestrzeń wektorowa Przestrzeń wektorowa (liniowa) - przestrzeń (zbiór) w której określone są działania (funkcje) dodawania elementów i mnożenia elementów przez liczbę
Bardziej szczegółowoElementy Teorii Obliczeń
Wykład 2 Instytut Matematyki i Informatyki Akademia Jana Długosza w Częstochowie 10 stycznia 2009 Maszyna Turinga uwagi wstępne Maszyna Turinga (1936 r.) to jedno z najpiękniejszych i najbardziej intrygujacych
Bardziej szczegółowowolniejsze uczenie wypowiadanych sekwencji językowych, trudności w odczytaniu liczb (szczególnie zawierających zera), trudności w pisaniu liczb (np.
wolniejsze uczenie wypowiadanych sekwencji językowych, trudności w odczytaniu liczb (szczególnie zawierających zera), trudności w pisaniu liczb (np. opuszczanie, dodawanie, zamiana cyfr w liczbach), trudności
Bardziej szczegółowoZACHODNIOPOMORSKI UNIWERSYTET TECHNOLOGICZNY W SZCZECINIE
ZACHODNIOPOMORSKI UNIWERSYTET TECHNOLOGICZNY W SZCZECINIE INSTYTUT TECHNOLOGII MECHANICZNEJ Metody Sztucznej Inteligencji Sztuczne Sieci Neuronowe Wstęp Sieci neuronowe są sztucznymi strukturami, których
Bardziej szczegółowoW naukach technicznych większość rozpatrywanych wielkości możemy zapisać w jednej z trzech postaci: skalara, wektora oraz tensora.
1. Podstawy matematyki 1.1. Geometria analityczna W naukach technicznych większość rozpatrywanych wielkości możemy zapisać w jednej z trzech postaci: skalara, wektora oraz tensora. Skalarem w fizyce nazywamy
Bardziej szczegółowoKognitywistyka: odkrywanie labiryntu umysłu z różnymi nićmi Ariadny w ręku
Kognitywistyka: odkrywanie labiryntu umysłu z różnymi nićmi Ariadny w ręku Piotr Konderak kondorp@bacon.umcs.lublin.pl Zakład Logiki i Filozofii Nauki WFiS UMCS Kognitywistyka: odkrywanie labiryntu umysłu
Bardziej szczegółowoCzy architektura umysłu to tylko taka sobie bajeczka? Marcin Miłkowski
Czy architektura umysłu to tylko taka sobie bajeczka? Marcin Miłkowski Architektura umysłu Pojęcie używane przez prawie wszystkie współczesne ujęcia kognitywistyki Umysł Przetwornik informacji 2 Architektura
Bardziej szczegółowoJęzyki formalne i automaty Ćwiczenia 9
Języki formalne i automaty Ćwiczenia 9 Autor: Marcin Orchel Spis treści Spis treści... 1 Wstęp teoretyczny... 2 Maszyna Mealy'ego... 2 Maszyna Moore'a... 2 Automat ze stosem... 3 Konwersja gramatyki bezkontekstowej
Bardziej szczegółowoprawda symbol WIEDZA DANE komunikat fałsz liczba INFORMACJA (nie tyko w informatyce) kod znak wiadomość ENTROPIA forma przekaz
WIEDZA prawda komunikat symbol DANE fałsz kod INFORMACJA (nie tyko w informatyce) liczba znak forma ENTROPIA przekaz wiadomość Czy żyjemy w erze informacji? TAK Bo używamy nowego rodzaju maszyn maszyn
Bardziej szczegółowoMaszyna Turinga. Algorytm. czy program???? Problem Hilberta: Przykłady algorytmów. Cechy algorytmu: Pojęcie algorytmu
Problem Hilberta: 9 Czy istnieje ogólna mechaniczna procedura, która w zasadzie pozwoliłaby nam po kolei rozwiązać wszystkie matematyczne problemy (należące do odpowiednio zdefiniowanej klasy)? 2 Przykłady
Bardziej szczegółowoO tzw. metaforze komputerowej
Marcin Miłkowski, IFiS PAN O tzw. metaforze komputerowej 18/11/08 Plan prezentacji Czy komputacjonizm to ujęcie metaforyczne? Kryteria adekwatności wyjaśnień obliczeniowych: Epistemiczne Mechanistyczne
Bardziej szczegółowoSIECI NEURONOWE Liniowe i nieliniowe sieci neuronowe
SIECI NEURONOWE Liniowe i nieliniowe sieci neuronowe JOANNA GRABSKA-CHRZĄSTOWSKA Wykłady w dużej mierze przygotowane w oparciu o materiały i pomysły PROF. RYSZARDA TADEUSIEWICZA BUDOWA RZECZYWISTEGO NEURONU
Bardziej szczegółowoElementy kognitywistyki:
Wykład I: Elementy kognitywistyki: język naturalny Kognitywistyka, poznanie, język. Uwagi wprowadzające. Po raz pierwszy w historii można coś napisać o instynkcie uczenia się, mówienia i rozumienia języka.
Bardziej szczegółowo8. Neuron z ciągłą funkcją aktywacji.
8. Neuron z ciągłą funkcją aktywacji. W tym ćwiczeniu zapoznamy się z modelem sztucznego neuronu oraz przykładem jego wykorzystania do rozwiązywanie prostego zadania klasyfikacji. Neuron biologiczny i
Bardziej szczegółowoII. Równania autonomiczne. 1. Podstawowe pojęcia.
II. Równania autonomiczne. 1. Podstawowe pojęcia. Definicja 1.1. Niech Q R n, n 1, będzie danym zbiorem i niech f : Q R n będzie daną funkcją określoną na Q. Równanie różniczkowe postaci (1.1) x = f(x),
Bardziej szczegółowoWykład z Technologii Informacyjnych. Piotr Mika
Wykład z Technologii Informacyjnych Piotr Mika Uniwersalna forma graficznego zapisu algorytmów Schemat blokowy zbiór bloków, powiązanych ze sobą liniami zorientowanymi. Jest to rodzaj grafu, którego węzły
Bardziej szczegółowo17. Zagadnienie umysłu i ciała (mind-body problem) Andrzej Wiśniewski Wstęp do filozofii Materiały do wykładu 2015/2016
17. Zagadnienie umysłu i ciała (mind-body problem) Andrzej Wiśniewski Andrzej.Wisniewski@amu.edu.pl Wstęp do filozofii Materiały do wykładu 2015/2016 Zagadnienie umysłu i ciała (mind-body problem) We współczesnej
Bardziej szczegółowoRozdział 1 Sztuczne sieci neuronowe. Materiały do zajęć dydaktycznych - na podstawie dokumentacji programu Matlab opracował Dariusz Grzesiak
2 Rozdział 1 Sztuczne sieci neuronowe. 3 Sztuczna sieć neuronowa jest zbiorem prostych elementów pracujących równolegle, których zasada działania inspirowana jest biologicznym systemem nerwowym. Sztuczną
Bardziej szczegółowoTechnologie informacyjne - wykład 12 -
Zakład Fizyki Budowli i Komputerowych Metod Projektowania Instytut Budownictwa Wydział Budownictwa Lądowego i Wodnego Politechnika Wrocławska Technologie informacyjne - wykład 12 - Prowadzący: Dmochowski
Bardziej szczegółowoKIERUNEK: KOGNITYWISTYKA
KIERUNEK: KOGNITYWISTYKA Plan studiów pierwszego stopnia Cykl kształcenia 2018-2021 Rok akademicki 2018/2019 Zbo zaliczenie bez oceny Z zaliczenie z oceną E egzamin Jeżeli wykłady odbywają się równolegle
Bardziej szczegółowoTopologia zbioru Cantora a obwody logiczne
Adam Radziwończyk-Syta Michał Skrzypczak Uniwersytet Warszawski 1 lipca 2009 http://students.mimuw.edu.pl/~mskrzypczak/dokumenty/ obwody.pdf Zbiór Cantora Topologia Definicja Przez zbiór Cantora K oznaczamy
Bardziej szczegółowo5. Algebra działania, grupy, grupy permutacji, pierścienie, ciała, pierścień wielomianów.
5. Algebra działania, grupy, grupy permutacji, pierścienie, ciała, pierścień wielomianów. Algebra jest jednym z najstarszych działów matematyki dotyczącym początkowo tworzenia metod rozwiązywania równań
Bardziej szczegółowoWstęp do sieci neuronowych, wykład 11 Łańcuchy Markova
Wstęp do sieci neuronowych, wykład 11 Łańcuchy Markova M. Czoków, J. Piersa 2010-12-21 1 Definicja Własności Losowanie z rozkładu dyskretnego 2 3 Łańcuch Markova Definicja Własności Losowanie z rozkładu
Bardziej szczegółowoO ALGORYTMACH I MASZYNACH TURINGA
O ALGORYTMACH I MASZYNACH TURINGA ALGORYTM (objaśnienie ogólne) Algorytm Pojęcie o rodowodzie matematycznym, oznaczające współcześnie precyzyjny schemat mechanicznej lub maszynowej realizacji zadań określonego
Bardziej szczegółowoElementy Modelowania Matematycznego
Elementy Modelowania Matematycznego Wykład 6 Metoda simpleks Spis treści Wstęp Zadanie programowania liniowego Wstęp Omówimy algorytm simpleksowy, inaczej metodę simpleks(ów). Jest to stosowana w matematyce
Bardziej szczegółowoWstęp do sztucznych sieci neuronowych
Wstęp do sztucznych sieci neuronowych Michał Garbowski Zachodniopomorski Uniwersytet Technologiczny w Szczecinie Wydział Informatyki 15 grudnia 2011 Plan wykładu I 1 Wprowadzenie Inspiracja biologiczna
Bardziej szczegółowo0.1. Logika podstawowe pojęcia: zdania i funktory, reguły wnioskowania, zmienne zdaniowe, rachunek zdań.
Wykłady z Analizy rzeczywistej i zespolonej w Matematyce stosowanej Wykład ELEMENTY LOGIKI ALGEBRA BOOLE A Logika podstawowe pojęcia: zdania i funktory, reguły wnioskowania, zmienne zdaniowe, rachunek
Bardziej szczegółowoMetoda Tablic Semantycznych
Procedura Plan Reguły Algorytm Logika obliczeniowa Instytut Informatyki Plan Procedura Reguły 1 Procedura decyzyjna Logiczna równoważność formuł Logiczna konsekwencja Procedura decyzyjna 2 Reguły α, β,
Bardziej szczegółowoKRYTERIA OCEN Z MATEMATYKI DLA KLASY I GIMNAZJUM
KRYTERIA OCEN Z MATEMATYKI DLA KLASY I GIMNAZJUM DZIAŁ: LICZBY WYMIERNE (DODATNIE I UJEMNE) Otrzymuje uczeń, który nie spełnia kryteriów oceny dopuszczającej, nie jest w stanie na pojęcie liczby naturalnej,
Bardziej szczegółowoSystemy liczbowe. 1. Przedstawić w postaci sumy wag poszczególnych cyfr liczbę rzeczywistą R = (10).
Wprowadzenie do inżynierii przetwarzania informacji. Ćwiczenie 1. Systemy liczbowe Cel dydaktyczny: Poznanie zasad reprezentacji liczb w systemach pozycyjnych o różnych podstawach. Kodowanie liczb dziesiętnych
Bardziej szczegółowoTemat: Liczby definicje, oznaczenia, własności. A n n a R a j f u r a, M a t e m a t y k a s e m e s t r 1, W S Z i M w S o c h a c z e w i e 1
Temat: Liczby definicje, oznaczenia, własności A n n a R a j f u r a, M a t e m a t y k a s e m e s t r, W S Z i M w S o c h a c z e w i e Kody kolorów: pojęcie zwraca uwagę A n n a R a j f u r a, M a
Bardziej szczegółowoModelowanie danych, projektowanie systemu informatycznego
Modelowanie danych, projektowanie systemu informatycznego Modelowanie odwzorowanie rzeczywistych obiektów świata rzeczywistego w systemie informatycznym Modele - konceptualne reprezentacja obiektów w uniwersalnym
Bardziej szczegółowoAnaliza składowych głównych
Analiza składowych głównych Wprowadzenie (1) W przypadku regresji naszym celem jest predykcja wartości zmiennej wyjściowej za pomocą zmiennych wejściowych, wykrycie związku między wielkościami wejściowymi
Bardziej szczegółowoFilozofia umysłu. Eliminatywizm. Wykład VIII: w filozofii umysłu
Filozofia umysłu Wykład VIII: Eliminatywizm w filozofii umysłu Materializm Funkcjonalizm daje się uzgodnić z materializmem, nie implikuje go jednak Eliminatywizm to stanowisko konsekwentnie materialistyczne:
Bardziej szczegółowoAlgorytmy decyzyjne będące alternatywą dla sieci neuronowych
Algorytmy decyzyjne będące alternatywą dla sieci neuronowych Piotr Dalka Przykładowe algorytmy decyzyjne Sztuczne sieci neuronowe Algorytm k najbliższych sąsiadów Kaskada klasyfikatorów AdaBoost Naiwny
Bardziej szczegółowoUmysł-język-świat 2012
Umysł-język-świat 2012 Wykład II: Od behawioryzmu lingwistycznego do kognitywizmu w językoznawstwie Język. Wybrane ujęcia [Skinner, Watson i behawioryzm] Język jest zespołem reakcji na określonego typu
Bardziej szczegółowoWykład 4 Przebieg zmienności funkcji. Badanie dziedziny oraz wyznaczanie granic funkcji poznaliśmy na poprzednich wykładach.
Wykład Przebieg zmienności funkcji. Celem badania przebiegu zmienności funkcji y = f() jest poznanie ważnych własności tej funkcji na podstawie jej wzoru. Efekty badania pozwalają naszkicować wykres badanej
Bardziej szczegółowo0 + 0 = 0, = 1, = 1, = 0.
5 Kody liniowe Jak już wiemy, w celu przesłania zakodowanego tekstu dzielimy go na bloki i do każdego z bloków dodajemy tak zwane bity sprawdzające. Bity te są w ścisłej zależności z bitami informacyjnymi,
Bardziej szczegółowoElementy rachunku różniczkowego i całkowego
Elementy rachunku różniczkowego i całkowego W paragrafie tym podane zostaną elementarne wiadomości na temat rachunku różniczkowego i całkowego oraz przykłady jego zastosowania w fizyce. Małymi literami
Bardziej szczegółowoStruktura danych. Sposób uporządkowania informacji w komputerze.
Struktura danych Sposób uporządkowania informacji w komputerze. Algorytm Skończony, uporządkowany ciąg jasno zdefiniowanych czynności, koniecznych do wykonania pewnego zadania. Al-Khwarizmi perski matematyk
Bardziej szczegółowoPROBLEMY NIEROZSTRZYGALNE
PROBLEMY NIEROZSTRZYGALNE Zestaw 1: T Przykład - problem domina T Czy podanym zestawem kafelków można pokryć dowolny płaski obszar zachowując odpowiedniość kolorów na styku kafelków? (dysponujemy nieograniczoną
Bardziej szczegółowoElementy logiki matematycznej
Elementy logiki matematycznej Przedmiotem logiki matematycznej jest badanie tzw. wyrażeń logicznych oraz metod rozumowania i sposobów dowodzenia używanych w matematyce, a także w innych dziedzinach, w
Bardziej szczegółowoTemat 1: Pojęcie gry, gry macierzowe: dominacje i punkty siodłowe
Temat 1: Pojęcie gry, gry macierzowe: dominacje i punkty siodłowe Teorię gier można określić jako teorię podejmowania decyzji w szczególnych warunkach. Zajmuje się ona logiczną analizą sytuacji konfliktu
Bardziej szczegółowoWstęp. Krystalografia geometryczna
Wstęp Przedmiot badań krystalografii. Wprowadzenie do opisu struktury kryształów. Definicja sieci Bravais go i bazy atomowej, komórki prymitywnej i elementarnej. Podstawowe typy komórek elementarnych.
Bardziej szczegółowoSztuczna inteligencja stan wiedzy, perspektywy rozwoju i problemy etyczne. Piotr Bilski Instytut Radioelektroniki i Technik Multimedialnych
Sztuczna inteligencja stan wiedzy, perspektywy rozwoju i problemy etyczne Piotr Bilski Instytut Radioelektroniki i Technik Multimedialnych Plan wystąpienia Co to jest sztuczna inteligencja? Pojęcie słabej
Bardziej szczegółowoWstęp do sieci neuronowych, wykład 02 Perceptrony c.d. Maszyna liniowa.
Wstęp do sieci neuronowych, wykład 02 Perceptrony c.d. Maszyna liniowa. Maja Czoków, Jarosław Piersa, Andrzej Rutkowski Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika 2018-10-15 Projekt
Bardziej szczegółowoZ punktu widzenia kognitywisty: język naturalny
Z punktu widzenia kognitywisty: język naturalny Wykład I: Czym jest język? http://konderak.eu/pwk13.html Piotr Konderak kondorp@bacon.umcs.lublin.pl p. 205, Collegium Humanicum konsultacje: czwartki, 11:10-12:40
Bardziej szczegółowoZAŁOŻENIA FILOZOFICZNE
ZAŁOŻENIA FILOZOFICZNE Koło Wiedeńskie Karl Popper Thomas Kuhn FILOZOFIA A NAUKA ZAŁOŻENIA W TEORIACH NAUKOWYCH ZAŁOŻENIA ONTOLOGICZNE Jaki jest charakter rzeczywistości językowej? ZAŁOŻENIA EPISTEMOLOGICZNE
Bardziej szczegółowoWstęp do kognitywistyki
Wstęp do kognitywistyki Wykład I: Kognitywistyka z lotu ptaka Piotr Konderak konsultacje: poniedziałki, 11:10-12:40, p. 205 Strona przedmiotu: http://konderak.eu/wkg10.html W historii intelektualnej wszystko
Bardziej szczegółowoSztuczna inteligencja
Sztuczna inteligencja Przykładowe zastosowania Piotr Fulmański Wydział Matematyki i Informatyki, Uniwersytet Łódzki, Polska 12 czerwca 2008 Plan 1 Czym jest (naturalna) inteligencja? 2 Czym jest (sztuczna)
Bardziej szczegółowoJaki język zrozumie automat?
Jaki język zrozumie automat? Wojciech Dzik Instytut Matematyki Uniwersytet Śląski Katowice wojciech.dzik@us.edu.pl 7. Forum Matematyków Polskich, 12-17 września 2016, Olsztyn Prosty Automat do kawy Przemawiamy
Bardziej szczegółowoInteligentne systemy informacyjne
Inteligentne systemy informacyjne Moduł 10 Mieczysław Muraszkiewicz www.icie.com.pl/lect_pw.htm M. Muraszkiewicz strona 1 Sieci neuronowe szkic Moduł 10 M. Muraszkiewicz strona 2 Dwa nurty M. Muraszkiewicz
Bardziej szczegółowoSztuczna inteligencja - wprowadzenie
Sztuczna inteligencja - wprowadzenie Dariusz Banasiak Katedra Informatyki Technicznej W4/K9 Politechnika Wrocławska Sztuczna inteligencja komputerów - wprowadzenie Kontakt: dr inż. Dariusz Banasiak, pok.
Bardziej szczegółowo1.1 Definicja. 1.2 Przykład. 1.3 Definicja. Niech G oznacza dowolny, niepusty zbiór.
20. Definicje i przykłady podstawowych struktur algebraicznych (grupy, pierścienie, ciała, przestrzenie liniowe). Pojęcia dotyczące przestrzeni liniowych (liniowa zależność i niezależność układu wektorów,
Bardziej szczegółowoMaszyna Turinga (Algorytmy Część III)
Maszyna Turinga (Algorytmy Część III) wer. 9 z drobnymi modyfikacjami! Wojciech Myszka 2018-12-18 08:22:34 +0100 Upraszczanie danych Komputery są coraz szybsze i sprawniejsze. Na potrzeby rozważań naukowych
Bardziej szczegółowoLogika Stosowana. Wykład 1 - Logika zdaniowa. Marcin Szczuka. Instytut Informatyki UW. Wykład monograficzny, semestr letni 2016/2017
Logika Stosowana Wykład 1 - Logika zdaniowa Marcin Szczuka Instytut Informatyki UW Wykład monograficzny, semestr letni 2016/2017 Marcin Szczuka (MIMUW) Logika Stosowana 2017 1 / 30 Plan wykładu 1 Język
Bardziej szczegółowoElementy kognitywistyki II: Sztuczna inteligencja
Elementy kognitywistyki II: Sztuczna inteligencja Piotr Konderak Zakład Logiki i Filozofii Nauki p.203b, Collegium Humanicum konsultacje: wtorki, 16:00-17:00 kondorp@bacon.umcs.lublin.pl http://konderak.eu
Bardziej szczegółowoProf. Stanisław Jankowski
Prof. Stanisław Jankowski Zakład Sztucznej Inteligencji Zespół Statystycznych Systemów Uczących się p. 228 sjank@ise.pw.edu.pl Zakres badań: Sztuczne sieci neuronowe Maszyny wektorów nośnych SVM Maszyny
Bardziej szczegółowoZŁOŻONOŚĆ OBLICZENIOWA ALGORYTMÓW
ZŁOŻONOŚĆ OBLICZENIOWA ALGORYTMÓW NIEDETERMINISTYCZNE MASZYNY TURINGA Bartosz Zieliński Katedra Fizyki Teoretycznej i Informatyki Zima 2011-2012 NIEDETERMINISTYCZNE MASZYNY TURINGA DEFINICJA: NIEDETERMINISTYCZNA
Bardziej szczegółowoSZTUCZNA INTELIGENCJA
Stefan Sokołowski SZTUCZNA INTELIGENCJA Inst Informatyki UG, Gdańsk, 2009/2010 Wykład1,17II2010,str1 SZTUCZNA INTELIGENCJA reguły gry Zasadnicze informacje: http://infugedupl/ stefan/dydaktyka/sztintel/
Bardziej szczegółowoRACHUNEK ZDAŃ 7. Dla każdej tautologii w formie implikacji, której poprzednik również jest tautologią, następnik także jest tautologią.
Semantyczne twierdzenie o podstawianiu Jeżeli dana formuła rachunku zdań jest tautologią i wszystkie wystąpienia pewnej zmiennej zdaniowej w tej tautologii zastąpimy pewną ustaloną formułą, to otrzymana
Bardziej szczegółowoSpacery losowe generowanie realizacji procesu losowego
Spacery losowe generowanie realizacji procesu losowego Michał Krzemiński Streszczenie Omówimy metodę generowania trajektorii spacerów losowych (błądzenia losowego), tj. szczególnych procesów Markowa z
Bardziej szczegółowoWstęp do teorii sztucznej inteligencji Wykład III. Modele sieci neuronowych.
Wstęp do teorii sztucznej inteligencji Wykład III Modele sieci neuronowych. 1 Perceptron model najprostzszy przypomnienie Schemat neuronu opracowany przez McCullocha i Pittsa w 1943 roku. Przykład funkcji
Bardziej szczegółowoMETODY INŻYNIERII WIEDZY KNOWLEDGE ENGINEERING AND DATA MINING
METODY INŻYNIERII WIEDZY KNOWLEDGE ENGINEERING AND DATA MINING NEURONOWE MAPY SAMOORGANIZUJĄCE SIĘ Self-Organizing Maps SOM Adrian Horzyk Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki,
Bardziej szczegółowoInteligencja. Skala inteligencji Davida Wechslera (WISC R)
Inteligencja Skala inteligencji Davida Wechslera (WISC R) Co to jest inteligencja? Inteligencja to ogólna zdolność jednostki do rozumienia otaczającego świata i radzenia sobie z nim Iloraz inteligencji
Bardziej szczegółowoUkłady stochastyczne
Instytut Informatyki Uniwersytetu Śląskiego 21 stycznia 2009 Definicja Definicja Proces stochastyczny to funkcja losowa, czyli funkcja matematyczna, której wartości leżą w przestrzeni zdarzeń losowych.
Bardziej szczegółowon=0 Dla zbioru Cantora prawdziwe są wersje lematu 3.6 oraz lematu 3.8 przy założeniu α = :
4. Zbiory borelowskie. Zbiór wszystkich podzbiorów liczb naturalnych będziemy oznaczali przez ω. Najmniejszą topologię na zbiorze ω, w której zbiory {A ω : x A ω \ y}, gdzie x oraz y są zbiorami skończonymi,
Bardziej szczegółowoAlgebra liniowa z geometrią
Algebra liniowa z geometrią Maciej Czarnecki 15 stycznia 2013 Spis treści 1 Geometria płaszczyzny 2 1.1 Wektory i skalary........................... 2 1.2 Macierze, wyznaczniki, układy równań liniowych.........
Bardziej szczegółowoStefan Sokołowski SZTUCZNAINTELIGENCJA. Inst. Informatyki UG, Gdańsk, 2009/2010
Stefan Sokołowski SZTUCZNAINTELIGENCJA Inst. Informatyki UG, Gdańsk, 2009/2010 Wykład1,17II2010,str.1 SZTUCZNA INTELIGENCJA reguły gry Zasadnicze informacje: http://inf.ug.edu.pl/ stefan/dydaktyka/sztintel/
Bardziej szczegółowo