تبلیغات
هوش مصنوعی
 
هوش مصنوعی
 
 
پنجشنبه 30 شهریور 1391 :: نویسنده : sh mirzaei

   هوش مصنوعی یا هوش ماشینی، دانش ساختن ماشین‌‌ ها یا برنامه‌های هوشمند است.  تعریف دیگری كه از هوش مصنوعی می‌توان ارائه داد به قرار زیر است:
 
هوش مصنوعی، شاخه‌ای از علم كامپیوتر است كه ملزومات محاسباتی اعمالی همچون ادراك (Perception)، استدلال(reasoning) و یادگیری(learning) را بررسی كرده و سیستمی جهت انجام چنین اعمالی ارائه می‌دهد.  و تعریف سوم هوش مصنوعی از قرار زیر است:
هوش مصنوعی، مطالعه روش‌هایی است برای تبدیل كامپیوتر به ماشینی كه بتواند اعمال انجام شده توسط انسان را انجام دهد.  

   بیشتر نوشته‌ها و مقاله‌های مربوط به هوش مصنوعی آن را «دانش شناخت و طراحی عامل‌های هوشمند«  تعریف کرده‌اند.  یک عامل هوشمند سیستمی است که با شناخت محیط اطراف خود، شانس موفقیت خود را بالا می‌برد.  جان مکارتی که واژه هوش مصنوعی را در سال ۱۹۵۶ استفاده نمود، آن را «دانش و مهندسی ساخت ماشین‌های هوشمند» تعریف کرده‌است.  

   هوش مصنوعی را باید عرصهٔ پهناور تلاقی و ملاقات بسیاری از دانش ها، علوم، و فنون قدیم و جدید دانست.  ریشه‌ها و ایده‌های اصلی آن را باید درفلسفه، زبان شناسی، ریاضیات، روانشناسی،نورولوژی، و فیزیولوژی نشان گرفت و شاخه‌ها، فروع، و کاربردهای گوناگون و فراوان آن را درعلوم رایانه، علوم مهندسی و علوم زیست شناسی و پزشکی، علوم ارتباطی و زمینه‌های بسیار دیگر.

         









برای گذراندن دوره های تخصصی برنامه نویسی و شبکه به شرکت بین المللی اموزش علوم و فناوری اطلاعات سروش سپاهان ( سیتکو ) مراجعه نمایید.






نوع مطلب :
برچسب ها :


پنجشنبه 30 شهریور 1391 :: نویسنده : sh mirzaei

هنوز تعریف دقیقی که مورد قبول همهٔ دانشمندان این علم باشد برای هوش مصنوعی ارائه نشده‌است، و این امر، به هیچ وجه مایهٔ تعجّب نیست.  چرا که مقولهٔ مادر و اساسی‌تر از آن، یعنی خود هوش هم هنوز بطور همه‌جانبه و فراگیر تن به تعریف نداده‌است.  در واقع، می‌توان نسل‌هایی از دانشمندان را سراغ گرفت که تمام دوران زندگی خود را صرف مطالعه و تلاش در راه یافتن جوابی به این سؤال عمده نموده‌اند که: هوش چیست؟

اما اکثر تعریف‌هایی که در این زمینه ارایه شده‌اند بر پایه یکی از ۴ باور زیر قرار می‌گیرند:

سیستم‌هایی که به طور منطقی فکر می‌کنند.

سیستم‌هایی که به طور منطقی عمل می‌کنند.

سیستم‌هایی که مانند انسان فکر می‌کنند.

سیستم‌هایی که مانند انسان عمل می‌کنند.

شاید بتوان هوش مصنوعی را این گونه توصیف کرد: «هوش مصنوعی عبارت است از مطالعه این که چگونه کامپیوترها را می‌توان وادار به کارهایی کرد که در حال حاضر انسان‌ها آنها را بهتر انجام می‌دهند».

محققین هوش مصنوعی علاقه‌مند به تولید ماشینی هستند که دستورات مورد نیاز را به صورت هوشمندانه انجام دهد.  به عنوان مثال قابلیت کنترل، برنامه‌ریزی و زمان‌بندی، توانایی تشخیص جواب به سوال مصرف کننده، دست نویس‌ها، زبان شناسی، سخنرانی و شناسایی چهره را داشته باشد.  مطالعه بر روی یک AI دارد به یک رشتهٔ مهندسی تبدیل می‌شود که کانون مشروط است بر حل مشکلات زندگی واقعی، علم معدن کاری، نرم‌افزارهای کاربردی، استراتژی بازیها مثل بازی شطرنج و بازیهای ویدئویی یکی از بزرگ‌ترین مشکلات (سختی‌ها) با AIها، قوهٔ درک آنها است.

تاحدی دستگاه‌های تولیدشده می‌توانند شگفت‌انگیز باشند، اما کارشناسان هوش مصنوعی ادعا می‌کنند که ماشینهای هوشمند ساخته‌شده دارای درک واقعی و حقیقی نیستند.

--مشاهده رفتاری هوشمندانه و صحیح از یک سیستم را نمی توان دلیلی کافی بر هوشمندی آن سیستم تصورکرد بلکه بایستی به ساختار داخلی و مکانیزم انتخاب راه توسط سیستم توجه شود که آیا مبتنی بر آگاهی خود سیستم است یا نه و این آگاهی زمانی میسر خواهد بود که سیستم خود قابلیت تحلیل اطلاعات در یافتی از محیط را داشته باشد و بتواند رابطه‌های معنی داری بین علت و معلول ما بین اتفاقات محیطی ایجاد کند و در واقع قادر به ایجاد مدلی هر چند غیر دقیق بر پایه مشاهدات خود از محیط باشد سپس سیستم ایده ارزشمندی از نظرگاه خود تولید بکند و به عنوان خواسته و هدفی سعی در پیاده سازی آن بکند یعنی در پی پیدا کردن و اتصال ابزارهای مناسبی به آن هدف باشد تا بتواند آلگوریتم عملیاتی برای برآورد آن خواسته تولید نماید.


برای گذراندن دوره های تخصصی برنامه نویسی و شبکه به شرکت بین المللی اموزش علوم و فناوری اطلاعات سروش سپاهان ( سیتکو ) مراجعه نمایید.




نوع مطلب :
برچسب ها :


چهارشنبه 29 شهریور 1391 :: نویسنده : sh mirzaei

بطور کلی ماهیت وجودی هوش به مفهوم جمع آوری اطلاعات، استقرا و تحلیل تجربیات به منظور رسیدن به دانش و یا ارایه تصمیم است.  در واقع هوش به مفهوم به کارگیری تجربه به منظور حل مسائل دریافت شده تلقی می‌شود.  هوش مصنوعی علم و مهندسی ایجاد ماشین هایی با هوش با به کارگیری از کامپیوتر و الگوگیری از درک هوش انسانی و یا حیوانی و نهایتاً دستیابی به مکانیزم هوش مصنوعی در سطح هوش انسانی است.

در مقایسه هوش مصنوعی با هوش انسانی می‌توان گفت که انسان قادر به مشاهده و تجزیه و تحلیل مسایل در جهت قضاوت و اخذ تصمیم است در حالی که هوش مصنوعی مبتنی بر قوانین و رویه‌هایی از قبل تعبیه شده بر روی کامپیوتر است.  در نتیجه علی رغم وجود کامپیوترهای بسیار کارا و قوی در عصر حاضر ما هنوز قادر به پیاده کردن هوشی نزدیک به هوش انسان در ایجاد هوشهای مصنوعی نبوده‌ایم.

بطور کلّی، هوش مصنوعی را می‌توان از زوایای متفاوتی مورد بررسی و مطالعه قرار داد.  مابین هوش مصنوعی به عنوان یک هدف، هوش مصنوعی به عنوان یک رشته تحصیلی دانشگاهی، و یا هوش مصنوعی به عنوان مجموعهٔ فنون و راه کارهایی که توسط مراکز علمی مختلف و صنایع گوناگون تنظیم و توسعه یافته‌است باید تفاوت قائل بود.


برای گذراندن دوره های تخصصی برنامه نویسی و شبکه به شرکت بین المللی اموزش علوم و فناوری اطلاعات سروش سپاهان ( سیتکو ) مراجعه نمایید.





نوع مطلب :
برچسب ها :


چهارشنبه 29 شهریور 1391 :: نویسنده : sh mirzaei

   تاریخچه هوش مصنوعی از دوران باستان با افسانه‌ها، داستانها و شایعاتی در مورد موجوداتی مصنوعی دارای هوش یا آگاهی که به وسیله استاد سازنده به آنها بخشیده‌است، آغاز می‌گردد.  پاملا مک کورداک، نویسنده انگلیسی در این باره چنین می‌نویسد که هوش مصنوعی « با آرزویی کهن برای جعل خدایان » آغاز شد.

   مباحث هوش مصنوعی پیش از بوجود آمدن علوم الکترونیک، توسط فلاسفه و ریاضی دانانی نظیر بول (Boole) که تلاش می‌کردند تا فرایند اندیشیدن انسان را با دستکاری مکانیکی سمبولها توصیف کنند مطرح شده بود.  این کار با اختراع رایانه های دیجیتال قابل بزنامه ریزی در دهه ۱۹۴۰ به اوج خود رسید، یعنی ماشینی که بر پایه ماهیت انتزاعی استدلال ریاضی ساخته شده بود.  این وسیله و ایده‌های پشت آن تنی چند از دانشمندان را بر آن داشت تا به صورت جدی امکان ساخت یک مغز الکترونیکی را به بحث بگذارند.  در سال ۱۹۴۳، با اختراع رایانه‌های الکترونیکی، هوش مصنوعی، دانشمندان را به چالشی بزرگ فراخواند.  به نظر می‌رسید، فناوری در نهایت قادر به شبیه سازی رفتارهای هوشمندانه خواهد بود.

   بیشتر کارهای پژوهشی اولیه در هوش مصنوعی بر روی انجام ماشینی بازی‌ها و نیز اثبات قضیه‌های ریاضی با کمک رایانه‌ها بود.  در آغاز چنین به نظر می‌آمد که رایانه‌ها قادر خواهند بود چنین اموری را تنها با بهره گرفتن از تعداد بسیار زیادی کشف و جستجو برای مسیرهای حل مسئله و سپس انتخاب بهترین آن‌ها به انجام رسانند.

   با وجود مخالفت گروهی از متفکرین با هوش مصنوعی که با دیده تردید به کارآمدی آن می‌نگریستند تنها پس از چهار دهه، شاهد تولد ماشینهای شطرنج باز و دیگر سامانه‌های هوشمند در صنایع گوناگون هستیم.
   نام هوش مصنوعی در سال ۱۹۶۵ میلادی به عنوان یک دانش جدید ابداع گردید. البته فعالیت درزمینه این علم از سال ۱۹۶۰ میلادی شروع شده بود.

   هرچند که برخلاف پیش بینی‌های خوش بینانه پژوهشگران نسل اول هوش مصنوعی، هنوز هیچ ماشینی با هوشی همپایه هوش انسان ساخته نشده‌است.  الن تورینگ در مقاله پر آوازه اش در سال ۱۹۵۰ که سبب شتاب گرفتن پویش‌های مدرن برای ماشنهای خردمند شد، چنین می‌گوید که « ما تنها فاصله کوتاهی را در پیش روی خود می‌بینیم» و می‌افزاید که «اما کار بسیاری باید انچام شود ».


                                                    


برای گذراندن دوره های تخصصی برنامه نویسی و شبکه به شرکت بین المللی اموزش علوم و فناوری اطلاعات سروش سپاهان ( سیتکو ) مراجعه نمایید.





نوع مطلب :
برچسب ها :


چهارشنبه 29 شهریور 1391 :: نویسنده : sh mirzaei

زبان‌های هوش مصنوعی ابزار اصلی بررسی و ساخت برنامه‌های رایانه‌ای است که می‌تواند در شبیه‌سازی فرآیند‌های هوشمند مانند یادگیری، استدلال و فهم اطلاعات به کار برود.  هر چند زبان رایانه برای استفاده محاسبات و بررسی ریاضی روی اعداد طراحی شده بود، اما مهندسان این حوزه دریافتند که با رشته‌ای از بیت‌ها می‌توان اشیای دلخواه را نیز نمایش دهند.  عملیات روی این نمادها و سمبل‌ها می‌تواند به عنوان قوانینی در جهت ساخت یا ارتباط بین آنها به کار رود. این محاسبات منطقی به عنوان الگوریتم‌هایی که هر گونه اطلاعات را پردازش می‌کند، می‌تواند برای شبیه‌سازی هوش انسان به کار برود.

  در زمینه هوش مصنوعی با توجه به این که در بسیاری از زمینه‌های خاص گرایش وجود دارد، لذا روش‌های ذهنی نیز باید به وسیله تولید و آزمون (Generate and test) توسعه یابد.  در برنامه‌نویسی (Artificial Intelligence AI) پیاده‌سازی در واقع جزئی از پردازش مشخصات مساله است.  با توجه به مشخصات محاسبات رایانه‌ای و برنامه‌نویسی هوشمند ۲ روش جدید برنامه‌نویسی به وجود می‌آید، روش برنامه‌نویسی تابعی و روش برنامه‌نویسی منطقی که هر دو بر مبنای ریاضیات و نظریه توابع بازگشتی طرح‌ریزی شده است.

   اولین زبان برنامه‌نویسی AI که هنوز به طور گسترده استفاده می‌شود، زبان برنامه‌نویسی LISP است که نظریه توابع ریاضی در اواخر دهه ۱۹۵۰ توسط جان مک کارتی به وجود آمد.  اوایل دهه ۱۹۷۰ یک الگوی برنامه‌نویسی جدید به نام برنامه‌نویسی منطقی بر اساس محاسبات گزاره‌ای رایج شد.  اولین و مهم‌ترین زبان برنامه‌نویسی منطقی prolog است که توسط آلن کولمرائور و فیلیپ راسل توسعه یافت.  مسائل در prolog به صورت حقایق و قوانین منطقی برای استدلال و استنتاج بیان می‌شود.

 

 برای گذراندن دوره های تخصصی برنامه نویسی و شبکه به شرکت بین المللی اموزش علوم و فناوری اطلاعات سروش سپاهان ( سیتکو ) مراجعه نمایید.





نوع مطلب :
برچسب ها :


چهارشنبه 29 شهریور 1391 :: نویسنده : sh mirzaei

   در AI خودكار كردن یا برنامه‌نویسی همه جنبه‌های شناخت انسانی بوسیله بنیادهای شناخت علمی روشهای نمادین و غیر نمادین AI، پردازش زبان طبیعی، دید كامپیوتری و سیستمهای تكامل یا سازگار مطرح می‌شود.  لازم است دامنه مسئله‌های خیلی پیچیده در ابتدای مرحله برنامه‌نویسی یك مسئله AI معین، مشخص شود كه كافی نیست.  تنها بوسیله تعامل و افزایش اصلاحات خصوصیات بسیار دقیق ممكن است.  در حقیقت مسئله‌های معمول AI به بسیاری از زمینه‌های خاص گرایش دارند، بنابراین روشهای ذهنی باید بوسیله تولید و آزمایش روشها بطور تجربی توسعه یابند(مشهور به نمونه سازی سریع).
   در این صورت برنامه‌نویسی AI بطور قابل توجهی با روش های استاندارد مهندسی نرم‌افزار متفاوت بوده زیرا برنامه‌نویسی معمولا از یك مشخصات رسمی با جزئیات شروع می‌شود.  در برنامه‌نویسی AI پیاده‌سازی در واقع جزئی از پردازش مشخصات مسئله است.  به اقتضای طبیعت مسئله‌های AI برنامه‌نویسی AI مزایای بسیاری دارد اگر زبانهای برنامه نویسی، برنامه‌نویس AI را آزاد بگذارند و در بسیاری از ساختارهای فنی محدود نكنند (مانند ساختار انواع داده‌ای جدید سطح پایین، دستیابی دستی به حافظه).  ترجیحاً سبك برنامه‌نویسی اعلانی برای استفاده در ساختارهای پیش‌ساخته داده‌ای سطح بالا(مانند لیستها و درختها) و عملیات(مانند تطبیق الگوها) مناسب است، بنابراین محاسبات نمادین سطح خلاصه‌سازی بیشتری نسبت به آنچه كه با زبانهای دستوری استاندارد مانند فرترن، پاسكال یا C امكان‌پذیر خواهد بود را پشتیبانی می‌كند.  البته طبقه‌بندی خلاصه سازی آسان نیست،‌ زیرا تدوین برنامه‌های AI روی كامپیوترهای استاندارد وان نیومن نمی‌تواند به كارآمدی زبانهای دستوری باشد.  هر چند یك مسئله مسلم AI فهم آن است (حداقل جزئیات) امكان دارد با تنظیم مجدد آن به شكل خصوصیات جزئی شده با بكار بردن یك زبان دستوری پیاده‌ سازی مجدد شود
   با توجه به نیازمندیهای محاسبات نمادین و برنامه‌نویسی AI دو الگوی جدید برنامه‌نویسی كه به سبك دستوری پیشنهاد می‌شوند بوجود می‌‌آید: سبك برنامه‌نویسی تابعی و منطقی. هر دو بر مبنای ریاضیات طرح‌ریزی شده‌اند، یعنی نظریه توابع بازگشتی و منطق رسمی.  اولین زبان برنامه‌نویسی AI كاربردی كه هنوز هم بطور گسترده استفاده می‌شود زبان برنامه‌نویسی Lisp است كه در اواخر دهه ۱۹۵۰ توسط جان مك كارتی توسعه یافته است.   Lisp برمبنای نظریه توابع ریاضی و خلاصه‌سازی Lambda است.  تعدادی از كاربردهای مهم و موثر AI در Lisp نوشته شده است.  در اوایل دهه ۱۹۷۰ یك الگوی برنامه‌نویسی جدید بنام برنامه‌نویسی منطقی بر اساس محاسبات گزاره‌ای بوجود آمد.  اولین و مهمترین زبان برنامه‌نویسی منطقی Prolog است كه توسط آلن كالمرار، رابرت كوالسكی و فیلیپ راسل توسعه یافته است.  مسئله‌ها در prolog بصورت حقایق، بدیهیات و قوانین منطقی برای استنباط حقایق جدید بیان می‌شوند.   Prolog با قانون ریاضی در محاسبات گزاره‌ای و نتایج نظری بدست آمده در زمینه اثبات قضیه خودكار در اواخر دهه ۱۹۶۰ بنا نهاده شده است.


برای گذراندن دوره های تخصصی برنامه نویسی و شبکه به شرکت بین المللی اموزش علوم و فناوری اطلاعات سروش سپاهان ( سیتکو ) مراجعه نمایید.





نوع مطلب :
برچسب ها :


چهارشنبه 29 شهریور 1391 :: نویسنده : sh mirzaei

هوش مصنوعی برای حل مساله برنامه خاصی را دنبال می کند. توجه به ویژگی های هوش مصنوعی در مقام استفاده از این نوع برنامه ها سودمند است.  5 ویژگی از میان آنها اهمیت خاصی دارند

بازنمایی نمادین:
ویژگی اول این است که هوش مصنوعی از نمادهای عددی در حل مسائل استفاده می کند.  هوش مصنوعی بر پایه دستگاه دوگانی؛ صفر و یک مسائل را حل می کند.  از این رو برخی مخالفان گفته اند مهمترین نقص هوش مصنوعی آن است که غیر از عدد صفر و یک را نمی فهمد.  به تعبیر دیگر، رایانه فقط بله یا نه را می فهمد و نمی تواند حالات واسطه بین آن دو را بفهمد.  در مقابل طرفداران هوش مصنوعی گفته اند هوش طبیعی (هوش انسان) هم بر پایه دستگاه دوگانی پدیده ها و امور مختلف را می فهمد؛ اگر سلول های عصبی انسان را بررسی کنیم، درمی یابیم فهم بشری بر حالت دوگانی استوار شده است و دستگاه عصبی مفاهیم و تصورات را به صورت حالات دوگانی تبدیل می کند.  البته نشان دادن نحوه این تبدیل در مفاهیم و ادراکات پیچیده دشوار است.  اما بررسی برنامه های هوش مصنوعی فهم این امر دشوار را آسان کرده است.

روش اکتشافی:
ویژگی دوم هوش مصنوعی به نوع مسائلی که حل می کند، مربوط می شود.  این مسائل معمولا راه حل الگوریتمی ندارند.  مراد از الگوریتم سلسله ای از مراحل منطقی است که به حل مساله می انجامد. هوش این مراحل را گام به گام طی می کند تا به حل مساله دست می یابد.  به عبارت دیگر، در الگوریتم پیمودن این مراحل به طور طبیعی رسیدن به نتیجه را تضمین می کند.  مسائلی که هوش مصنوعی حل می کند، معمولا راه حل الگوریتمی ندارند؛ به این معنا که معمولا نمی توانیم برای حل این مسائل الگوریتمی یا به عبارت دیگر، سلسله ای از مراحل منطقی را بیابیم که پیمودن آنها رسیدن به نتیجه را تضمین کند.
از این رو، هوش مصنوعی در حل مسائل به روش اکتشافی؛ یعنی به روشی که پیمودن آن رسیدن به نتیجه را تضمین نمی کند، روی می آورد. 
هوش مصنوعی بر پایه دستگاه دوگانی مسائل را حل می کند مخالفان می گویند مهمترین نقص هوش مصنوعی آن است که غیر از عدد صفر و یک را نمی فهمد.
در روش اکتشافی راههای متعددی برای حل مساله وجود دارد که اختیار یکی از آنها باز مجالی برای اختیار دیگر راهها باقی می گذارد و پیمودن یکی از آنها مانع از روی آوردن به بقیه نمی شود.  درنتیجه، برنامه هایی که راه حل تضمینی دارند جزو برنامه های رایانه ای به شمار نمی آیند.
مثلا برنامه های حل معادلات درجه دوم جزو برنامه های رایانه ای به شمار نمی آید؛ زیرا برای حل آن الگوریتم خاصی وجود دارد. 
برنامه های بازی شطرنج زمینه پر خیر و برکتی برای هوش مصنوعی بوده است؛ زیرا روش شناخته شده ای برای تعیین بهترین حرکت در مرحله خاصی از این بازی وجود ندارد.  زیرا اولا تعداد احتمالات موجود در هر حالتی تا حدی زیاد است که نمی توان جستجوی کاملی را انجام داد.  ثانیا آگاهی ما از منطق حرکتهایی که بازیکنان انجام می دهند، بسیار اندک است.  این ناآگاهی تا حدی به ناخودآگاهانه بودن این حرکت ها برمی گردد و البته در برخی موارد هم بازیکنان از روی عمد منطق خود را آشکار نمی کنند. 
هربرت دریفوس یکی از مخالفان هوش مصنوعی با توجه به نکته فوق ادعا کرده است که هیچ برنامه ای برای رسیدن به سطح یک بازیگر خوب شطرنج وجود ندارد.  اما ظهور برنامه های پیشرفته شطرنج از سال 1985 به بعد خطای ادعای دریفوس را روشن ساخت. 
بازنمایی معرفت:
برنامه های هوش مصنوعی با برنامه های آماری در بازنمایی معرفت تفاوت دارند؛ به این معنا که برنامه های نخست از تطابق عملیات استدلالی نمادین رایانه با عالم خارج حکایت می کنند.  می توانیم این نکته را با مثال ساده ای توضیح دهیم.
بازنمایی معرفت عنوانی برای مجموعه ای از مسائل راجع به معرفت است از قبیل:

  1. معرفت مورد نظر در هوش مصنوعی چیست ، چه انواعی و چه ساختاری دارد؟
  2. چگونه باید معرفت را در رایانه بازنمایی کرد؟
  3. بازنمایی چه نوع معرفتی را آشکار می سازد؟ و چه چیزی مورد تاکید قرار می گیرد؟ 
  4. معرفت را بایدچگونه به دست آوردوچگونه باید تغییر داد؟

اطلاعات ناقص:
هوش مصنوعی می تواند در حالتی که همه اطلاعات مورد نیاز در دسترس نیستند، به حل مساله دست بیابد.  این حالت در بسیاری از موارد پزشکی رخ می دهد اطلاعاتی که پزشک برای تشخیص بیماری در دست دارد، تشخیص بیماری را ممکن نمی کند و او هم فرصت زیادی برای درمان ندارد.  از این رو باید سریعا تصمیمی بگیرد.
نبود اطلاعات لازم موجب می شود نتیجه به دست آمده غیریقینی باشد و یا احتمال خطا در آن باشد. معمولا ما در زندگی عملی با فقدان اطلاعات لازم تصمیماتی را می گیریم و همواره احتمال خطا در این تصمیمات وجود دارد.
اطلاعات متناقض:
هوش مصنوعی می تواند درصورتی که با اطلاعات متناقض روبه رو شود حل مناسبی برای مساله پیدا کند.  هوش مصنوعی در چنین موردی بهترین راه را برای حل مساله و رفع تناقض انتخاب کند.   


برای گذراندن دوره های تخصصی برنامه نویسی و شبکه به شرکت بین المللی اموزش علوم و فناوری اطلاعات سروش سپاهان ( سیتکو ) مراجعه نمایید.





نوع مطلب :
برچسب ها :


چهارشنبه 29 شهریور 1391 :: نویسنده : sh mirzaei

   یک تابع ریاضی نگاشتی از یکی مجموعه (دامنه) به مجموعه دیگر (برد) است.  تعریف یک تابع توصیفی این نگاشت است که یا بصراحت به وسیله شمارش یا به طور ضمنی به وسیله یک عبارت است.

  برنامه‌نویسی در یک زبان تابعی شامل ساختمان تعریف توابع و به کاربردن رایانه برای ارزیابی عبارات است، یعنی به کاربردن توابع با آرگومان‌های واقعی. کار اصلی رایانه، ارزیابی توابع فراخوانی شده و چاپ حاصل مقادیر تابع است.  یک خاصیت برنامه‌نویسی تابعی علاوه بر انعطاف‌پذیر بودن آن، این است که اگر عبارت بخوبی مقداردهی شود، آن گاه توالی انجام ارزیابی در نتایج آن تاثیری ندارد.

   بنابراین، نتیجه ارزیابی یک عبارت تنها مقدار آن است و درواقع در مفهوم زبان‌های دستوری متغیر وجود ندارد و روش‌های اصلی کنترل توابع تکرار (بازگشتی) و به عبارتی شرطی است.  برنامه‌نویسی تابعی خصوصیات توابع مرتبه بالا را پشتیبانی می‌کند.  توابع مرتبه بالا تعریف تابعی است که اجازه می‌دهد آرگومان‌ها یا مقدار بازگشتی توابع، مقدار خروجی خود تابع باشد.

LISP    اولین زبان برنامه‌نویسی تابعی است که با استفاده از لیست‌های پیوندی (Linked List) به عنوان ساختار مرکزی داده‌ها ابداع شد.  اولین نگارش محیط برنامه‌نویسی LISP سال ۱۹۶۰ آماده شد که شامل یک مفسر، یک کامپایلر و مکانیزم تخصیص حافظه و برگشت حافظه پویا بود.  یک سال بعد اولین زبان استاندارد با نام LISPY.S معرفی شد، پس از آن تعدادی از نسخه‌ها و محیط‌های برنامه‌نویسی LISP توسعه یافتند، مانند: MacLISP، FranzLISP، InterLISP و… .  هرچند در بعضی از جزئیات خاص متفاوتند، ولی هسته اصلی ساختار جملات (Syntax) و ارتباط بین آنها (Semantic) اساسا یکسان است.  پراستفاده‌ترین نسخه‌های LISP، Common LISP و Schema هستند.  در کنار LISP تعدادی از زبان‌های برنامه‌نویسی تابعی دیگر نیز توسعه یافتند، برای مثال ML که برگرفته از Meta Language است، یک زبان برنامه‌نویسی تابعی با دامنه ایستا (Static) است و تفاوت اصلی آن با زبان LISP در Syntax (گرامر) آن است.  بیشتر شبیه زبان برنامه‌نویسی پاسکال است.  Haskell نیز دارای خاصیت گرامری مشابه با ML با دامنه ایستاست و تفاوت آن زبان ML در آن است که شامل هیچ‌گونه ویژگی دستوری نیست.  لیست‌ها رایج‌ترین ساختار داده در Haskell هستند.


برای گذراندن دوره های تخصصی برنامه نویسی و شبکه به شرکت بین المللی اموزش علوم و فناوری اطلاعات سروش سپاهان ( سیتکو ) مراجعه نمایید.





نوع مطلب :
برچسب ها :


چهارشنبه 29 شهریور 1391 :: نویسنده : sh mirzaei

دهه ۱۹۷۰ یک الگوی دیگر برای محاسبات در برنامه‌نویسی AI ارائه شد.  Prolog یا همان برنامه‌نویسی منطقی (Programming Logic) اولین زبان برنامه‌نویسی بر مبنای منطق است. اساس Prolog شامل یک روش برای مشخص کردن گزاره‌های محاسبات گزاره‌ای و تصمیمات محدود است.  برنامه‌نویسی در Prolog شامل مشخصات حقیقی در مورد اشیا و ارتباط بین آنها و قوانینی است که این ارتباطات را مشخص می‌کند.  Prolog با برنامه‌نویسی تابعی در نحوه محاسبه نتیجه کاملا متفاوت است، زیرا نحوه محاسبه نتیجه را مشخص نمی‌کند، بلکه تنها ساختاری منطقی نتیجه را ارائه می‌دهد.

با استفاده از Prolog برنامه‌نویسی می‌تواند در یک سطح خیلی خلاصه و کاملا نزدیک به مشخصات یک مساله انجام گیرد.  Prolog هنوز هم تهیه زبان برنامه‌نویسی منطقی است.

Prolog در بیشتر زمینه‌های AI مانند سیستم‌های خبره، پردازش زبان طبیعی به طور موفقیت‌آمیزی استفاده شده که امتحان خود را در زمینه‌های دیگری مانند سیستم‌های مدیریت پایگاه داده نیز پس داده است.  جملات برنامه‌های Prolog شامل مجموعه‌ای از جملات به نام بند (Clause) هستند که برای نمایش داده‌ها و برنامه‌ها استفاده می‌شوند. یک واژه می‌تواند یک ثابت (نام‌های نمادین یا حروف بزرگ)، یک قیفر (نماد‌هایی که با حروف کوچک شروع می‌شوند مانند x) یا یک تابع باشد. فرآیند استنتاج Prolog شامل ۲ مولفه اصلی است:

۱ ـ روش جستجو(Search): برای جستجو میان حقایق و قوانین در پایگاه دانش به کار می‌رود.

۲ ـ یکسان‌کننده (Unifier): برای تطبیق الگو و باز گرداندن اتصالاتی که یک عبارت صحیح می‌سازد، کاربرد دارد. یکسان‌‌سازی در Prolog بسیار مهم و دارای پیچیدگی‌های خاص خود است و معمولا روی ۲ واژه به کار می‌رود و سعی می‌کند با ترکیب آن دو یک واژه جدید تشکیل بدهد.  Prolog از یک روش جستجوی عمقی (Depth first search) استفاده می‌کند. که این روش برای پیمایش فضای جستجو به کار می‌رود.


برای گذراندن دوره های تخصصی برنامه نویسی و شبکه به شرکت بین المللی اموزش علوم و فناوری اطلاعات سروش سپاهان ( سیتکو ) مراجعه نمایید.





نوع مطلب :
برچسب ها :


چهارشنبه 29 شهریور 1391 :: نویسنده : sh mirzaei

هوش ازدحامی یا هوش فوجی (Swarm Intelligence) نوعی روش هوش مصنوعی است که مبتنی بر رفتارهای جمعی در سامانه‌های نامتمرکز و خودسامانده بنیان شده است. این سامانه‌ها معمولاً از جمعیتی از کنشگران ساده تشکیل شده است که بطور محلی با یکدیگر و با محیط خود در تعامل هستند. با وجود اینکه معمولاً هیچ کنترل تمرکزیافته‌ای، چگونگی رفتار کنش‌گران را به آنها تحمیل نمی‌کند، تعاملات محلی آنها به پیدایش رفتاری عمومی می‌انجامد. مثال‌هایی از چنین سیستم‌های را می‌توان در طبیعت مشاهده کرد؛ گروه‌های مورچه‌ها، دستهٔ پرندگان، گله‌های حیوانات، تجمعات باکتری‌ها و دسته‌های ماهی‌ها.

روباتیک فوجی، کاربردی از اصول هوش مصنوعی فوجی در تعداد زیادی از روبات‌های ارزان قیمت است.


                                









برای گذراندن دوره های تخصصی برنامه نویسی و شبکه به شرکت بین المللی اموزش علوم و فناوری اطلاعات سروش سپاهان ( سیتکو ) مراجعه نمایید.





نوع مطلب :
برچسب ها :


چهارشنبه 29 شهریور 1391 :: نویسنده : sh mirzaei

از موارد روش‌های فرااکتشافی می‌توان به موارد زیر اشاره کرد:

  • روش بهینه‌سازی گروه مورچه‌ها یا ACO
  • الگوریتم کوچ پرستوها یا روش بهینه‌سازی فوج ذرات PSO
  • روش شبیه‌سازی کوره‌ای
  • روش جستجوی مبتنی بر منع
  • روش محاسبات تکاملی
  • الگوریتم رقابت استعماری یا ICA

برای گذراندن دوره های تخصصی برنامه نویسی و شبکه به شرکت بین المللی اموزش علوم و فناوری اطلاعات سروش سپاهان ( سیتکو ) مراجعه نمایید.





نوع مطلب :
برچسب ها :


چهارشنبه 29 شهریور 1391 :: نویسنده : sh mirzaei

سیستم‌های خبره زمینه‌ای پرکاربرد در هوش مصنوعی و مهندسی دانش است که با توجّه به نیاز روز افزون جوامع بر اتخاذ راه حل‌ها و تصمیمات سریع در مواردی که دانش‌های پیچیده و چندگانهٔ انسانی مورد نیاز است، بر اهمیت نقش آنها افزوده هم می‌شود.  سیستم‌های خبره به حل مسائلی می‌پردازند که به طور معمول نیازمند تخصّص‌های کاردانان و متخصّصان انسانی‌ست.  به منظور توانایی بر حل مسائل در چنین سطحی (ترازی)، دسترسی هرچه بیشتر این گونه سامانه‌ها به دانش موجود در آن زمینه خاص ضروری می‌گردد.


برای گذراندن دوره های تخصصی برنامه نویسی و شبکه به شرکت بین المللی اموزش علوم و فناوری اطلاعات سروش سپاهان ( سیتکو ) مراجعه نمایید.





نوع مطلب :
برچسب ها :


چهارشنبه 29 شهریور 1391 :: نویسنده : sh mirzaei

عامل‌ها (Agents) قادر به شناسایی الگوها، و تصمیم گیری بر اساس قوانین فکر کردن خوداند.  قوانین و چگونگی فکر کردن هر عامل در راستای دستیابی به هدفش، تعریف می‌شود.  این سیستم‌ها بر اساس قوانین خاص خود فکر کرده و کار خودرا به درستی انجام می‌دهند.  پس عاقلانه رفتار می‌کنند، هر چند الزاما مانند انسان فکر نمی‌کنند.

در بحث هوشمندی اصطلاح PEAS سرنام واژه های "کارایی (Performance)" ، "محیط (Environment)" ، "اقدام گر (Agent)" و "حسگر (Sensor)" است.


                                                    


برای گذراندن دوره های تخصصی برنامه نویسی و شبکه به شرکت بین المللی اموزش علوم و فناوری اطلاعات سروش سپاهان ( سیتکو ) مراجعه نمایید.





نوع مطلب :
برچسب ها :


چهارشنبه 29 شهریور 1391 :: نویسنده : sh mirzaei

داده‌کاوی، پایگاه‌ها و مجموعه‌های حجیم داده‌ها را در پی کشف واستخراج دانش، مورد تحلیل و کند و کاوهای ماشینی (و نیمه‌ماشینی) قرار می‌دهد. این گونه مطالعات و کاوش‌ها را به واقع می‌توان همان امتداد و استمرار دانش کهن و همه جا گیر آمار دانست. تفاوت عمده در مقیاس، وسعت و گوناگونی زمینه‌ها و کاربردها، و نیز ابعاد و اندازه‌های داده‌های امروزین است که شیوه‌های ماشینی مربوط به یادگیری، مدل‌سازی، و آموزش را طلب می‌نماید.

اصلاح Data Mining همان طور که از ترجمه آن به معنی داده کاوی مشخص می‌شود به مفهوم استخراج اطلاعات نهان و یا الگوها وروابط مشخص در حجم زیادی از داده‌ها در یک یا چند بانک اطلاعاتی بزرگ است.


برای گذراندن دوره های تخصصی برنامه نویسی و شبکه به شرکت بین المللی اموزش علوم و فناوری اطلاعات سروش سپاهان ( سیتکو ) مراجعه نمایید.





نوع مطلب :
برچسب ها :


چهارشنبه 29 شهریور 1391 :: نویسنده : sh mirzaei

در حالیکه محصولات داده کاوی ابزارهای قدرتمندی می‌باشند، اما در نوع کاربردی کافی نیستند.برای کسب موفقیت، داده کاوی نیازمند تحلیل گران حرفه‌ای و متخصصان ماهری می‌باشد که بتوانند ترکیب خروجی بوجود آمده را تحلیل و تفسیر نمایند.در نتیجه محدودیتهای داده کاوی مربوط به داده اولیه یا افراد است تا اینکه مربوط به تکنولوژی باشد.

اگرچه داده کاوی به الگوهای مشخص و روابط آنها کمک می‌کند، اما برای کاربر اهمیت و ارزش این الگوها را بیان نمی‌کند.تصمیماتی از این قبیل بر عهده خود کاربر است.برای نمونه در ارزیابی صحت داده کاوی، برنامه کاربردی در تشخیص مظنونان تروریست طراحی شده که ممکن است این مدل به کمک اطلاعات موجود در مورد تروریستهای شناخته شده، آزمایش شود.با اینهمه در حالیکه ممکن است اطلاعات شخص بطور معین دوباره تصدیق گردد، که این مورد به این منظور نیست که برنامه مظنونی را که رفتارش به طور خاص از مدل اصلی منحرف شده را تشخیص بدهد.

تشخیص رابطه بین رفتارها و یا متغیرها یکی دیگر از محدودیتهای داده کاوی می‌باشد که لزوماًروابط اتفاقی را تشخیص نمی‌دهد.برای مثال برنامه‌های کاربردی ممکن است الگوهای رفتاری را مشخص کند، مثل تمایل به خرید بلیط هواپیما درست قبل از حرکت که این موضوع به مشخصات درآمد، سطح تحصیلی و استفاده از اینترنت بستگی دارد.در حقیقت رفتارهای شخصی شامل شغل(نیاز به سفر در زمانی محدود)وضع خانوادگی(نیاز به مراقبت پزشکی برای مریض)یا تفریح (سود بردن از تخفیف دقایق پایانی برای دیدن مکان‌های جدید) ممکن است بر روی متغیرهای اضافه تاثیر بگذارد.


برای گذراندن دوره های تخصصی برنامه نویسی و شبکه به شرکت بین المللی اموزش علوم و فناوری اطلاعات سروش سپاهان ( سیتکو ) مراجعه نمایید.





نوع مطلب :
برچسب ها :




( کل صفحات : 9 )    1   2   3   4   5   6   7   ...   
درباره وبلاگ



مدیر وبلاگ : sh mirzaei
نویسندگان
جستجو

آمار وبلاگ
کل بازدید :
بازدید امروز :
بازدید دیروز :
بازدید این ماه :
بازدید ماه قبل :
تعداد نویسندگان :
تعداد کل پست ها :
آخرین بازدید :
آخرین بروز رسانی :