شبکه های عصبی در مقابل کامپیوتر های معمولی
شبکه های عصبی نسبت به کامپیوتر های معمولی مسیر متفاوتی را برای حل مسئله طی می کنند . کامپیوتر های معمولی یک مسیر الگو ریتمی را استفاده می کنند به این معنی که کامپیوتر یک مجموعه از دستورالعمل ها را به قصد حل مسئله پی می گیرد. بدون اینکه، قدم های مخصوصی که کامپیوتر نیاز به طی کردن دارد، شناخته شده باشند کامپیوتر قادر به حل مسئله نیست. این حقیقت قابلیت حل مسئله ی کامپیوتر های معمولی را به مسائلی ،محدود می کند که ما قادر به درک آنها هستیم و می دانیم چگونه حل میشوند. اما اگر کامپیوتر ها می توانستند کار هایی را انجام دهند که ما دقیقا نمیدانیم چگونه انجام دهیم ، خیلی پر فایده تر بودند.
شبکه های عصبی اطلاعات را به روشی مشابه با کاری که مغز انسان انجام می دهد پردازش می کنند. آنها از تعداد زیادی از عناصر پرداز شی(سلول عصبی) که فوق العاده بهم پیوسته اند تشکیل شده است که این عناصر به صورت موازی باهم برای حل یک مسئله مشخص کار می کنند .شبکه های عصبی با مثال کار می کنند و نمی توان آنها را برای انجام یک وظیفه خاص برنامه ریزی کرد مثال ها می بایست با دقت انتخاب شوند در غیر این صورت زمان سودمند، تلف می شود و یا حتی بدتر از این شبکه ممکن است نا درست کار کند. امتیاز شبکه عصبی این است که خودش کشف می کند که چگونه مسئله را حل کند ، عملکرد آن غیر قابل پیش گویی است.
از طرف دیگر ، کامپیوتر های معمولی از یک مسیر مشخص برای حل یک مسئله استفاده می کنند . راه حلی که مسئله از آن طریق حل می شود باید از قبل شناخته شود و به صورت دستورات کوتاه و غیر مبهمی شرح داده شود. این دستورات سپس به زبان های برنامه نویسی سطح بالا برگردانده می شود و بعد از آن به کدهایی که کامپیوتر قادر به درک آنها است تبدیل می شود. به طور کلی این ماشین ها قابل پیش گویی هستند و اگر چیزی به خطا انجام شود به یک اشتباه سخت افزاری یا نرم افزاری بر می گردد.
شبکه های عصبی و کامپیوتر های معمولی با هم در حال رقابت نیستند بلکه کامل کننده یکدیگرند . وظایفی وجود دارد که بیشتر مناسب روش های الگو ریتمی هستند نظیر عملیات محاسباتی و وظایفی نیز وجود دارد که بیشتر مناسب شبکه های عصبی هستند . حتی فراتر از این ، مسائلی وجود دارد که نیازمند به سیستمی است که از تر کیب هر دو روش بدست می آید (بطور معمول کامپیوتر های معمولی برای نظارت بر شبکه های عصبی به کار گرفته می شوند ) به این قصد که بیشترین کارایی بدست آید.شبکه های عصبی معجزه نمی کنند اما اگر خردمندانه به کار گرفته شوند نتایج شگفت آوری را خلق میکنند.
تعداد صفحات :75 صفحه
فرمت فایل :Word ورد doc
انواع آزمونهای هوش
تست بینه به عنوان قدیمیترین آزمون برای سنجش هوش شناخته میشود که آزمون استنفرد _ بینه شکل تجدید نظر شده است که به فارسی نیز برگردانده شده است. تست ریون از دیگر آزمونهای هوش است که به لحاظ سهولت اجرا معروف است. آزمون وکسلر که آزمونی پیشرفته برای سنجش ابعاد مختلف هوش است، آزمون دقیقی است که برای گروههای سنی خردسالان و کودکان و بزرگسالان فرمهای مجزایی دارد.
تعریف هوش
تعریف تربیتی هوش
تعریف تحلیلی هوش
تعریف کاربردی هوش
تاریخچه مطالعات مربوط به هوش
عوامل موثر بر هوش
انواع آزمونهای هوش
طبقات هوش
هوش چندگانه
پوستر
صوت
نمایش دادن
موسیقی
هوش هیجانی
اندازهگیری هوش هیجانی
هوش معنوی
هوش مصنوعی
فلسفۀ هوش مصنوعی
مدیریت پیچیدگی
سیستمهای خبره
عاملهای هوشمند
آینده هوش مصنوعی
تاریخ هوش مصنوعی
جان مک کارتی
هدف هوش مصنوعی
هوش مصنوعی و هوش انسانی
ویژگی های هوش مصنوعی
هوش مصنوعی ترکیبی
دین و هوش مصنوعی
اشاره
بررسی آزمون
دستکاری نمادها
دو فرضیه در هوش مصنوعی
استدلال اتاق چینی
دین و برداشت مکانیکی از تفکر
منابع
هوش مصنوعی و کاربرد آن در پزشکی
هوش مصنوعی به هوشی که یک ماشین از خود نشان میدهد و یا به دانشی در کامپیوترکه سعی در ایجاد آن دارد گفته می شود. جان مک کارتی “پدر علم و دانش ماشینهای هوشمند” ، واژه هوش مصنوعی را در سال ۱۹۵۶ به کار برد . تحقیقات و جستجوهای انجام شده برای رسیدن به ساخت چنین ماشینهائی مرتبط با بسیاری از علوم دیگر مانند رایانه ، روان شناسی ، فلسفه ، عصب شناسی ، علوم ادراکی ، تئوری کنترل ، احتمالات ، بهینه سازی و منطق می باشد .این مقاله در 76 صفحه برای شما قابل دانلود می باشد.
یک اتوماتای یادگیر را میتوان بصورت یک شئ مجرد که دارای تعداد متناهی عمل است، در نظر گرفت. اتوماتای یادگیر با انتخاب یک عمل از مجموعه عمل¬های خود و اِعمال آن بر محیط، عمل میکند. عمل مذکور توسط یک محیط تصادفی ارزیابی میشود و اتوماتا از پاسخ محیط برای انتخاب عمل بعدی خود استفاده میکند. در طی این فرایند اتوماتا یاد میگیرد که عمل بهینه را انتخاب نماید. نحوه استفاده از پاسخ محیط به عمل انتخابی اتوماتا که در جهت انتخاب عمل بعدی اتوماتا استفاده میشود، توسط الگوریتم یادگیری اتوماتا مشخص میگردد. یک اتوماتای یادگیر از دو قسمت اصلی تشکیل شده است:
1- یک اتوماتای تصادفی با تعداد محدودی عمل و یک محیط تصادفی که اتوماتا با آن در ارتباط است.
2- الگوریتم یادگیری که اتوماتا با استفاده از آن عمل بهینه را یاد میگیرد.
فهرست :
تعریف یادگیری
تاریخچه اتوماتای یادگیر
تقسیم بندی اتوماتاها
محیط Enviroment
رابطه بین اتوماتای یادگیر و محیط
مدل های محیط
معیارهای رفتار اتوماتای یادگیر
الگوریتم یادگیری
انواع اتوماتاهای یادگیر
انواع اتوماتاهای یادگیر با ساختار ثابت
اتوماتای یادگیر با ساختار متغیر
ویژگیهای اتوماتاهای یادگیر
محدودیت ها اتوماتاهای یادگیر
اتوماتای یادگیر توزیع شده