چگونه می توانیم سیستم های پیچیده هوش مصنوعی را که دلیل ، یادگیری و عمل در دنیای پر سر و صدا متشکل از اشیاء و روابط را تحقق بخشیم ، تحقق بخشیم؟

مدلهای مولد صریح عمیق

چگونه می توان مدلهای احتمالی صریح را به طور خودمختار تصمیم گرفت که کدام نمایندگی برای داده ها بهتر است؟

برنامه نویسی احتمالی

چگونه می توان از انتزاع برنامه ای داده ها و مدل ها برای پیشبرد ML و AI استفاده کرد؟

یادگیری ماشین استدلالی

چگونه انسان می تواند ارزیابی کند که زبان آموزان چگونه کار می کنند و به نوبه خود اعتماد ایجاد می کنند؟

فنوتیپ گیاهی عمیق

چگونه رایانه ها می توانند به ما در درک واکنش استرس گیاهان کمک کنند؟

داروی داده محور

چگونه رایانه ها می توانند دانش سالم را از سوابق الکترونیکی Healt استخراج کنند؟

استنباط آماری برداشته شده

چگونه ماشین ها می توانند از افزونگی های محاسباتی برای حل سریعتر مدل های ML و AI استفاده کنند؟

گروه علوم کامپیوتر و مرکز علوم شناختی ، Tu Darmstadt ، Altes Hauptgebäude ، اتاق 074 ، Hochschulstrasse 1 ، 64289 Darmstadt ، آلمان

دفتر و درخواست های مهم:+49-6151-16-20820 IRA. Tesar (AT) CS (DOT) TU-DARMSTADT (DOT) DEجلسات با قرار ملاقات ، مشاوره عمومی: پنج شنبه ها ، ساعت 13: 30-14: 30

مباحث پایان نامه باز: لطفاً به دستورالعمل های پیشنهادی پایان نامه ما مراجعه کنید و رویه ذکر شده در آنجا را دنبال کنید. توجه: نظارت پایان نامه فقط برای دانشجویان TU Darmstadt در دسترس است.

داده های بزرگ هیچ مدتی نیست. جهان با سرعت نمایی در حال رشد است ، و همچنین اندازه داده های جمع آوری شده در سراسر جهان است. داده ها معنی دار تر و از نظر متنی تر می شوند ، زمینه جدیدی برای یادگیری ماشین (ML) ، به ویژه برای یادگیری عمیق (DL) و هوش مصنوعی (AI) می شکند و حتی آنها را از آزمایشگاه های تحقیقاتی به سمت تولید منتقل می کند [1]. این مشکل از جمع آوری مقادیر گسترده داده ها به درک آن تغییر کرده است - تبدیل آن به دانش ، نتیجه گیری و اقدامات. رشته های تحقیقاتی متعدد ، از علوم شناختی گرفته تا زیست شناسی ، امور مالی ، فیزیک و علوم اجتماعی و همچنین بسیاری از شرکت ها بر این باورند که راه حل های داده محور و "هوشمند" برای حل بسیاری از مشکلات کلیدی آنها ضروری است. با این حال ، آیا AI ، ML و DL واقعاً یکسان هستند ، همانطور که توسط بسیاری از اخبار ، وبلاگ ها و رسانه های اخیر پیشنهاد شده است؟به عنوان مثال ، هنگامی که Alphago [2] استاد کره جنوبی لی Se-Dol را در بازی Board شکست داد ، در سال 2016 می رود ، اصطلاحات AI ، ML و DL در رسانه ها برای توصیف چگونگی پیروزی Alphago استفاده شد. هوش مصنوعی و ML بسیار مرتبط هستند.

با توجه به ، به عنوان مثال ، جان مک کارتی استنفورد [3] ، یکی از بنیانگذاران این زمینه ، هوش مصنوعی "علم و مهندسی ساخت ماشین های هوشمند ، به ویژه برنامه های رایانه ای هوشمند است. این مربوط به کار مشابه استفاده از رایانه ها برای درک انسان استهوش ، اما هوش مصنوعی لازم نیست خود را به روشهایی که از نظر بیولوژیکی قابل مشاهده هستند محدود کند. "این نسبتاً عمومی است و شامل انواع کارهایی مانند استدلال انتزاعی و تعمیم در جهان ، حل پازل ها ، برنامه ریزی چگونگی دستیابی به اهداف ، حرکت در جهان ، شناخت اشیاء و صداها ، صحبت کردن ، ترجمه ، انجام معاملات اجتماعی یا تجاری است. کار خلاقانه (به عنوان مثال ساختن هنر یا شعر) و کنترل روبات ها. و ، رفتار یک دستگاه فقط نتیجه برنامه نیست ، بلکه تحت تأثیر "بدن" آن قرار می گیرد و محیط آن از نظر جسمی تعبیه شده است. برای ساده نگه داشتن آن ، اما اگر بتوانید یک برنامه بسیار هوشمندانه بنویسید کهبه عنوان مثال ، رفتار مانند انسان ، می تواند هوش مصنوعی باشد. اما مگر اینکه به طور خودکار از داده ها آموخته شود ، ML نیست: ML علمی است که "به این سؤال که چگونه می توان برنامه های رایانه ای را ساخت که به طور خودکار با تجربه بهبود می یابد" ، به عنوان مثال ، تام میچل CMU [4].

بنابراین ، هوش مصنوعی و ML هر دو در ساخت برنامه های رایانه ای هوشمند هستند و یادگیری عمیق ، نمونه ای از یادگیری ماشین ، از این قاعده مستثنی نیست. یادگیری عمیق [5 ، 6] ، که در بسیاری از حوزه ها دستاوردهای قابل توجهی به دست آورده است که به رسمیت شناختن شیء ، تشخیص گفتار و کنترل ، می توانند به عنوان ساخت برنامه های رایانه ای ، یعنی لایه های برنامه نویسی از انتزاع به روشی متفاوت با استفاده از ساختارهای قابل استفاده مجدد مانند حلقوی ، تلقی شوند. استخر ، رمزگذارهای خودکار ، شبکه های استنتاج متنوع و غیره. یعنی ، ما پیچیدگی الگوریتم های نوشتن را جایگزین می کنیم که هر واقعه را با پیچیدگی در یافتن طرح کلی مناسب الگوریتم ها - به شکل مثال - پوشش می دهیم. یک شبکه عصبی عمیق - و پردازش داده ها. به واسطه کلی بودن شبکه های عصبی - آنها تقریب های عملکرد کلی هستند - آموزش آنها داده گرسنه است و با معماری مناسب و داده ها بسیار دشوار است. مجموعه های آموزش معیار برای فروشگاه تشخیص شیء صدها یا هزاران مثال در هر کلاس. یادگیری بازی های ویدیویی ممکن است صدها ساعت تجربه آموزش و/یا قدرت محاسباتی بسیار گران باشد. در مقابل ، نوشتن یک الگوریتم که شامل همه اتفاقات کاری است که می خواهیم حل کنیم - مثلاً محاسبه کوتاهترین راه برای رسیدن به فرودگاه - کار دستی زیادی است اما می دانیم که الگوریتم با طراحی چه می کند و می توانیم مطالعه کنیم و می توانیم مطالعه کنیم و می توانیم مطالعه کنیم و می توانیم مطالعه کنیم و می توانیم مطالعه کنیم و می توانیم مطالعه کنیم وپیچیدگی مسئله ای را که حل می کند راحت تر درک کنید. به خصوص هنگامی که یک دستگاه مجبور به تعامل با یک انسان است ، به نظر می رسد این ارزشمند است.

این نشان می دهد که ML و AI در واقع بسیار مشابه هستند ، اما کاملاً یکسان نیستند. ساده ترین راه برای فکر کردن در مورد رابطه آنها ، تجسم آنها به عنوان دایره های متمرکز با AI اول و ML نشسته در داخل (با DL در هر دو) است ، زیرا ML همچنین نیاز به نوشتن الگوریتم هایی دارد که شامل هر واقعه ، یعنی روند یادگیری است. نکته مهم این است که آنها ایده استفاده از محاسبات را به عنوان زبان برای رفتار هوشمند به اشتراک می گذارند. چه نوع محاسباتی و نحوه برنامه ریزی آن؟این یک سوال باز است. محاسبات نه تکنیک های برنامه نویسی جستجو ، منطقی ، احتمالی و محدودیت را رد می کند و نه (DEEP) (UN) روشهای نظارت و تقویت تقویت شده ، از جمله دیگر ، به عنوان مدل های محاسباتی شامل همه آنها است. تجدید نظر در Alphago. Alphago و جانشین آن Alphago Zero [7] هر دو یادگیری عمیق و جستجوی درخت - ML و AI را ترکیب می کنند. یا "چالش علمی آلن AI" را در نظر بگیرید [8]. وظیفه درک پاراگراف است که یک مشکل علمی را در سطح دبیرستان بیان می کند و سپس به یک سوال چند گزینه ای پاسخ می دهد. مدل های برنده همه از ML استفاده می کردند اما هنوز آزمون را در سطح یک دانش آموز میانی صالح نمی گذرانند. همه برندگان اظهار داشتند كه واضح است كه استفاده از سطح استدلال عمیق تر و معنایی با دانش علمی به سؤال و پاسخ ها ، یعنی هوش مصنوعی كلیدی برای دستیابی به هوش واقعی خواهد بود. یعنی ما باید دانش ، استدلال و یادگیری را بپوشانیم ، چه برنامه ریزی شده و چه برنامه ای مبتنی بر یادگیری.

علاوه بر این ، در امتداد مایکل جردن برکلی [9] ، در حالی که بلوک ساختمان شروع به ظهور کرده است ، اصولی برای جمع آوری این بلوک ها هنوز پدیدار نشده است. با این حال ، یادگیری رابطه آماری [10] ، برنامه نویسی احتمالی [11] ، و برنامه نویسی مبتنی بر یادگیری [12] ممکن است نقاط شروع خوبی برای توسعه سیستم های AI - مدل سازی محاسباتی و ریاضی سیستم های پیچیده AI - و به نوبه خود یک مهندسی برای مهندسی فراهم کند. AI و ML.

[1] جردن ، M. I. و میچل ، T. M. (2015). یادگیری ماشین: روندها ، چشم اندازها و چشم انداز. Science 349 ، 255 260 [2] Silver ، D. ، Huang ، A. ، Maddison ، C. ، Guez ، A. ، Sifre ، L. ، Van Den Driessche ، G. ، et al.(2016). تسلط بر بازی Go با شبکه های عصبی عمیق و جستجوی درخت. Nature 529 ، 484-489 [3] McCarthy ، J. (2007). هوش مصنوعی چیست؟فناوری. نماینده ، دانشگاه استنفورد ، http://jmc. stanford. edu/artificial-intelligence/what-is-ai/index.html. دسترسی به 2 ژوئن 2018 [4] میچل ، T. M. (1997). فراگیری ماشین. سریال McGraw Hill در علوم کامپیوتر (McGraw-Hill) [5] Lecun ، Y. ، Bengio ، Y. ، and Hinton ، G. (2015). یادگیری عمیق. طبیعت 521 ، 436-444 [6] Goodfellow ، I. J. ، Bengio ، Y. ، and Courville ، A. C. (2016). یادگیری عمیق. محاسبات تطبیقی و یادگیری ماشین (MIT Press) [7] Silver ، D. ، Schrittwieser ، J. ، Simonyan ، K. ، Antonoglou ، I. ، Huang ، A. ، Guez ، A. ، et al.(2017). تسلط بر بازی Go بدون دانش انسانی. طبیعت 550 ، 354-359 [8] Schoenick ، C. ، Clark ، P. ، Tafjord ، O. ، Tuey ، P. D. ، and Etzioni ، O. (2017). فراتر از آزمون تورینگ با چالش علمی آلن AI. ارتباطACM 60 ، 60-64 [9] جردن ، م. (2018). هوش مصنوعی - انقلاب هنوز اتفاق نیفتاده است. https://medium.com/@mijordan3/artificial-intelligence-the-revolution-hasnt-happened-5e1d5812e1e7 ، دسترسی به 8 ژوئیه 2018. [10] de Raedt ، L. ، Kersting ، K. ، Natarajan ، S. ، Poole ، D. (2016). هوش مصنوعی رابطه آماری: منطق ، احتمال و محاسبه. سخنرانی های سنتز در مورد هوش مصنوعی و یادگیری ماشین ، ناشران مورگان و Claypool ، ISBN: 9781627058414. [11] Pfeffer ، A. (2016). برنامه نویسی احتمالی عملی. شرکت انتشارات منینگ ISBN: 9781617292339 [12] Kordjamshidi ، P. ، Roth ، D. ، Kersting ، K. (2018). سیستم های هوش مصنوعی: چشم انداز برنامه نویسی مبتنی بر یادگیری اعلامی. در مجموعه مقالات بیست و چهارمین کنفرانس مشترک بین المللی اطلاعات مصنوعی و بیست و سومین کنفرانس اروپایی اطلاعات مصنوعی (IJCAI-ECAI).

ماموریت AIML. آزمایشگاه هوش مصنوعی و یادگیری ماشین می خواهد رایانه ها را به اندازه انسان ها به سرعت و انعطاف پذیری درباره جهان یاد بگیرند. این موضوع مشکلات علمی عمیق و جذاب بسیاری را ایجاد می کند: چگونه رایانه ها می توانند با کمک کمتری از ما و داده ها یاد بگیرند؟چگونه کامپیوترها می توانند در مورد داده های پیچیده مانند نمودارها و پایگاه های داده نامشخص استدلال کنند و یاد بگیرند؟چگونه می توان از دانش از قبل موجود بهره برداری کرد؟چگونه رایانه ها می توانند به طور مستقل تصمیم بگیرند که کدام نمایش برای داده های موجود بهترین است؟آیا نتایج آموخته شده می تواند از نظر فیزیکی قابل قبول باشد یا توسط ما قابل درک باشد؟چگونه کامپیوترها می توانند با ما در حلقه یاد بگیرند؟برای این منظور، ما روش های جدید یادگیری ماشین (ML) و هوش مصنوعی (AI) را توسعه می دهیم، به عنوان مثال، روش های محاسباتی جدید که شامل و ترکیبی از تکنیک های جستجو، منطقی و احتمالاتی و همچنین یادگیری (عمیق) (غیر نظارت شده و تقویتی) است. مواد و روش ها.

محصول 28 مارس 2020. حجم این کلیپ تا حدود 9 مگابایت است. پخش آن باعث می شود که این فایل به طور کامل دانلود شود.