Documente Academic
Documente Profesional
Documente Cultură
INTELIGENTA
COMPUTATIONALA
Sisteme inteligente
• Conform DEX, “inteligenta” este capacitatea individului de a intelege usor si bine , de a sesiza ce
este esential, de a rezolva situatii sau probleme noi pe baza experientei acumulate anterior.
• Definitie ( R. Marks). Un sistem inteligent este un sistem care imita anumite aspecte ale
inteligentei naturale. Aceste aspecte includ: invatare, adaptabilitate, robustete in domeniile
problemei, imbunatatirea performantei (in timp si spatiu), comprimarea informatiei (datele se
transforma in cunostinte), rationament extrapolat.
• Exemple de sisteme inteligente: persoanele, animalele mai mari, robotii, o afacere, o natiune
Sisteme inteligente
• -flexibilitate
• -adaptabilitate
• -invatare
• -capacitate de rationament
• -flexibilitatea in a fi utilizat
• Prin urmare, un sistem adaptiv este un sistem deschis care este capabil sa isi ajusteze
comportamentul corespunzator schimbarilor din mediu sau din interiorul sistemului.
Sisteme inteligente
• Sistem capabil de invatare: pe baza unui set de date (intrari), un sistem este capabil sa
se autoinstruiasca si sa isi imbunatateasca comportamentul.
Sisteme inteligente
• Invatarea profunda (DL) este o tendinta recenta de invatare automata (subdomeniu al ML)
care modeleaza reprezentari extrem de neliniare ale datelor, fiind un software care imita
reteaua de neuroni biologici .
• Se numeste invatare profunda/complexa deoarece utilizeaza RN profunde/complexe, adica
foloseste diferite straturi ascunse pentru a invata din date. Complexitatea modelului este
data de nr. de straturi ascunse din model, etapa de invatare realizandu-se printr-o retea
neuronala.
• DNN (Deep Neural Networks) sunt capabile sa invete caracteristici la nivel inalt, cu mai multa
complexitate, abstractizare, datorita nr. mai mare de straturi ascu se decat retelele
superficiale.
• Pentru a obtine o precizie ridicata in predictie, trebuie sa se tina seama de arhitectura
generala a retelei si functia de activare.
SOFT COMPUTING
• Multimile fuzzy modeleaza proprietatile de imprecizie, aproximare. Logica fuzzy rezolva probleme unde
logica crisp esueaza.
• Incertitudinea si impecizia sunt aspecte ale informatiei imperfecte ce apare in studiul unor sisteme
complexe din natura si societate. In literatura exista si metode clasice de reprezentare a informatiei
imperfecte, precum teoria probabilitatilor si analiza intervalelor.
• Teoria probabilitatilor modeleaza incertitudinea bazata pe sansa si are ca punct de plecare frecventa de
realizare a evenimentelor. Din cauza impreciziei masuratorilor uneori este mai indicat ca datele sa fie
reprezentate prin intervale ale dreptei reale. Acest fapt a condus la analiza intervalelor sau calculul
intervalelor.
• Studierea unor notiuni ca “multimea oamenilor inalti” sau a unor propozitii “ne intalnim in jurul
pranzului” nu intra in sfera teoriei probabilitatilor sau a calculului intervalelor. Exemple de acest fel pun
in evidenta un alt tip de incertitudine, numita “FUZZINESS” sau “VAGUENESS”.
Istoria logicii fuzzy
• modelare si control
• clasificare si recunoasterea tiparelor
• baze de date
• sisteme expert
• procesarea semnalelor si imaginilor
• economie, finante
• optimizari, etc.
Multimi fuzzy
Vom presupune ca pentru orice element a al lui X, propozitia P(a) este adevarata sau
falsa.
In acest caz, vom spune ca proprietatea P este bivalenta.
Orice proprietate bivalenta determina o submultime A a lui X.
Exemplu
Fie X multimea locuitorilor din Bucuresti. Consideram predicatul
P(x) : x este economist
Atunci
P(Ion Ionescu) : Ion Ionescu este economist
Proprietatea P determina multimea economistilor din Bucuresti.
II Multimi fuzzy