هوش مصنوعی و داده کاوی

هوش مصنوعی و داده کاوی

​

در هوش مصنوعی و یادگیری ماشینی ، داده کاوی یا کشف دانش در پایگاه های اطلاعاتی ،

استخراج غیرمعمول اطلاعات ضمنی ، از قبل ناشناخته و بالقوه مفید از داده ها .است. در این

رویکرد از روش های آماری استفاده می شود که باعث می شود روندها و سایر روابط در

پایگاه های داده بزرگ شناسایی شوند. دلیل عمده اینکه داده کاوی جلب توجه کرده است،

دسترسی گسترده به داده های عظیم و نیاز به تبدیل این داده ها به اطلاعات و دانش مفید

می باشد. از این اطلاعات به دست آمده می تواند برای برنامه های مختلف مانند نظارت بر

ریسک ، مدیریت تجارت ، کنترل تولید ، تجزیه و تحلیل بازار ، مهندسی و اکتشاف علوم

استفاده شود.

انواع تکنیک ها و روش های داده کاوی در هوش مصنوعی

به طور کلی سه روش داده کاوی وجود دارد. یکی از این روش ها تجزیه وتحلیل هم بستگی است.

کشف قوانین تداعی گرایی است که شرایط مقدار ویژگی را نشان می دهد که اغلب با هم در یک

مجموعه داده خاص رخ می دهد. تجزیه و تحلیل همبستگی به طور گسترده ای برای شناسایی همبستگی

محصولات جداگانه در سبد خرید استفاده می شود. تجزیه و تحلیل رگرسیوندومین گزینه در این زمینه

است. تحلیل رگرسیون مدل هایی را ایجاد می کند که متغیرهای وابسته را از طریق تجزیه و تحلیل

متغیرهای مستقل توضیح می دهند. به عنوان مثال ، پیش بینی عملکرد فروش محصول می تواند با

همبستگی قیمت محصول و سطح متوسط درآمد مشتری ایجاد شود. نوع آخر طبقه بندی و پیش بینی

است. طبقه بندی فرآیند طراحی مجموعه ای از مدل ها برای پیش بینی کلاس اشیایی است که برچسب

کلاس آنها ناشناخته است. مدل مشتق شده ممکن است در اشکال مختلف ، مانند قوانین اگر- پس (if-then)

، درخت تصمیم ، یا فرمول های ریاضی نشان داده شود. درخت تصمیم یک نمودار است که ساختاری شبیه به

درخت دارد که در آن هر گره یک آزمون را روی مقدار ویژگی نشان می دهد ، هر شاخه نشان دهنده نتیجه

آزمایش است و هر برگ درخت یک کلاس یا کلاس توزیع را نشان می دهد. درختان تصمیم را می توان به

قوانین طبقه بندی تبدیل کرد. برای پیش بینی برچسب کلاس داده می توان از طبقه بندی استفاده کرد.

پیش بینی شامل شناسایی روند توزیع بر اساس داده های موجود می باشد.

فرایند داده کاوی

هوش مصنوعی و داده کاوی دو معقوله ای هستند که از هم نمی توان جدا کرد. فرایند داده کاوی شامل یک

توالی تکراری از این مراحل است:

انسجام و تمیز کردن داده ها برای حذف ناهنجاری ها و داده های متناقض

ادغام داده ها به گونه ای که ممکن است چندین منبع داده با هم ترکیب شوند

انتخاب داده که در آن داده های مربوط به تجزیه و تحلیل بازیابی می شود

تبدیل داده ها در جایی که داده ها به فرم های مناسب استخراج تلفیق می شوند

برای استخراج الگوها جدید، از الگوها و تکنیک های آماری استفاده می شود

ارزیابی الگو برای شناسایی الگوهای جالب نشان دهنده اطلاعات

از تکنیک های تجسم برای ارائه اطلاعات استخراج شده به کاربران استفاده می شود

محدودیت های داده کاوی

وارد شدن و خارج شدن اطلاعات با کیفیت پایین به داده کاوی نسبت داده می شود زیرا

زیرا کیفیت اطلاعات به دست آمده از داده کاوی به کیفیت داده های تاریخی بستگی دارد.

ما می دانیم که مغایرت داده ها و برخورد با چندین منبع داده مشکلات بزرگی را در مدیریت

داده ایجاد می کند. تکنیک های تمیز کردن داده ها برای مقابله با شناسایی و از بین بردن

خطاها و ناسازگاری ها برای بهبود کیفیت داده ها استفاده می شود. با این حال ، تشخیص

این ناسازگاری ها بسیار دشوار است. چگونه می توانیم تبادلی را شناسایی کنیم که به

اشتباه به عنوان مشکوک برچسب گذاری شده است؟ یادگیری از داده های نادرست منجر

به مدل های نادرست می شود محدودیت دیگر داده کاوی این است که فقط اطلاعات محدود به

مجموعه خاص داده های تاریخی را استخراج می کند و پاسخ ها را فقط می توان با توجه به

روندهای قبلی آموخته شده از داده ها بدست آورد و تفسیر کرد. این توانایی فرد را برای بهره مندی

از روندهای جدید محدود می کند. از آنجا که درخت تصمیم به طور خاص در مجموعه داده های

تاریخی آموزش دیده است ، شخصی سازی درخت را در بر نمی گیرد. علاوه بر این ، داده کاوی

غیر افزایشی است و در هنگام تولید سازگار نیست.

مزایای داده کاوی

داده کاوی به شرکت های بازاریابی کمک می کند مدل هایی را بر اساس داده های تاریخی بسازند

تا پیش بینی کنند چه کسی به فعالیت های بازاریابی جدید مانند نامه های مستقیم ، کمپین بازاریابی

آنلاین و غیره پاسخ خواهد داد. از طریق نتایج ، بازاریابان رویکرد مناسبی در فروش محصولات

 سودآور به مشتریان هدف خواهند داشت. داده کاوی همانند بازاریابی ، مزایای زیادی را برای

شرکت های خرده فروشی به همراه دارد. از طریق تجزیه و تحلیل سبد بازار ، یک فروشگاه می تواند

یک ترتیب تولید مناسب داشته باشد به گونه ای که مشتریان بتوانند خرید مکرر محصولات دلپذیر را

دارا باشند. علاوه بر این ، همچنین به شرکت های خرده فروشی کمک می کند تا تخفیف های خاصی

را برای محصولات خاص ارائه دهند که مشتریان بیشتری را به خود جلب کند. داده کاوی به موسسات

مالی اطلاعاتی در مورد وام و گزارشگری اعتبار می دهد. با ساخت یک مدل از داده های مشتری تاریخی ،

بانک و موسسه مالی می توانند وام های خوب و بد را تعیین کنند. علاوه بر این ، داده کاوی به بانک ها کمک

می کند تا معاملات جعلی کارت اعتباری را برای محافظت از صاحب کارت اعتباری شناسایی کنند. با استفاده

از داده کاوی در داده های مهندسی عملیاتی ، تولید کنندگان می توانند تجهیزات معیوب را شناسایی کرده و

پارامترهای کنترل بهینه را تعیین کنند. به عنوان مثال ، تولیدکنندگان نیمه هادی این چالش را دارند که حتی شرایط

محیط های تولید در کارخانه های مختلف تولید ویفر مشابه است ، کیفیت ویفر بسیار یکسان است و برخی به دلایل

نامعلوم حتی دارای نقص هستند. داده کاوی برای تعیین دامنه پارامترهای کنترلی که منجر به تولید ویفر طلایی

می شود مورد استفاده قرار گرفته است. سپس از آن پارامترهای کنترل بهینه برای تولید ویفر با کیفیت مطلوب

استفاده می شود.

طراحی سایت

هوش مصنوعی,برترین اپراتور,طراحی سایت,هوش مصنوعی چیست

​

انواع هوش مصنوعی

انواع هوش مصنوعی

با کمک انواع هوش مصنوعی امروزه این فناوری نه تنها با ما صحبت می کند بلکه اتومبیل ها را

کنترل می کند بازی های کامپیوتری انجام می دهد و تمام این کار ها را بهتر از ما انسان ها 

انجام می دهد. به نظر می رشد که در مدت زمان کوتاهی هوش مصنوعی ذدر میان ما راه برود.

دیدگاه متداول و مکرر آخرین موفقیت در تحقیقات هوش مصنوعی این است که ماشین های هوشمند

به زودی در دسترس همگان قرار خواهند گرفت. گزارش جدید کاخ سفید در مورد هوش مصنوعی

دیدگاه کاملاً بدبینانه ای در مورد این رویا دارد. این گزارش می گوید که طی 20 سال آینده به احتمال

زیاد در ماشین آلات “اطلاعات کاملاً قابل اجرا قابل مقایسه با انسانها یا بیش از آنها” مشاهده نخواهد شد.

انواع هوش مصنوعی کدامند ؟

ماشین های واکنش پذیر

ابتدایی ترین انواع سیستم های هوش مصنوعی کاملاً واکنشی هستند و نه توانایی تشکیل خاطرات و نه استفاده

از تجربیات گذشته برای اطلاع رسانی تصمیمات فعلی را دارند. Deep Blue ، ابر رایانه شطرنج باز IBM

، که در اواخر دهه 1990 استاد بزرگ بین المللی گری کاسپاروف را شکست داد ، نمونه عالی این نوع ماشین ها است.

Deep Blue می تواند مهره های روی صفحه شطرنج را شناسایی کرده و از نحوه حرکت هر یک مطلع شود. این

کامپیوتر می تواند پیش بینی کند که ممکن است حریف چه حرکات بعدی داشته  باشد. و می تواند بهینه ترین حرکت ها

را از بین احتمالات انتخاب کند.اما هیچ مفهومی از گذشته و هیچ خاطره ای از آنچه قبلاً اتفاق افتاده ندارد. جدا از

یک قانون خاص شطرنج که به ندرت استفاده می شود که در مورد تکرار سه بار حرکت مشابه است ، Deep Blue

همه چیز را قبل از لحظه حال نادیده می گیرد. تمام آنچه که انجام می دهد این است که به مهره های موجود

در صفحه شطرنج در حال حاضر نگاه می کند و حرکت های بعدی را انتخاب می کند. این مدل از انوع هوش مصنوعی

جهان را به صورت مستقیم درک می کند و براساس آنچه می بیند عمل می کند. این نوع از هوش به مفهوم درونی جهان

متکی نیست. در یک مقاله اساسی ، رادنی بروکس ، محقق هوش مصنوعی استدلال کرد که ما فقط باید ماشین هایی از این

دست بسازیم. دلیل اصلی او این بود که مردم در برنامه نویسی دقیق دنیاهای شبیه سازی شده برای استفاده کامپیوترها

مهارت ندارند ، چیزی که در بورس تحصیلی AI “نمایندگی” جهان نامیده می شود.

حافظه محدود

این کلاس نوع دوم از انواع هوش منصوعی شامل ماشین هایی است که می توانند به گذشته نگاه کنند. اتومبیل های

خودران هم اکنون برخی از اسین کارها را انجام می دهند به عنوان مثال ، آنها سرعت و جهت اتومبیل های دیگر

را مشاهده می کنند.این کار فقط در یک لحظه امکان پذیر نیست ، بلکه به شناسایی اشیا به صورت خاص و نظارت

بر آنها در طول زمان نیاز دارد. این مشاهدات به المان های از پیش برنامه ریزی شده اتومبیل های خودران اضافه

می شوند که شامل خط کشی خیابان ها ، چراغ راهنمایی و سایر عناصر مهم مانند پیچ های جاده می شوند. هنگامی

که اتومبیل تصمیم می گیرد که خط عوض کند یا از تصادف با سایر اتومبیل ها کهدر جهات گوناگون حرکت می کنند

جلوگیری کند، تمامی مواردی را که ذکر شد را مد نظر قرار می دهد. اما این اطلاعات ساده درباره گذشته فقط گذرا

هستند. آنها به عنوان بخشی از کتابخانه تجربه اتومبیل که می تواند از آن یاد بگیرد عمل نمی کنند، شیوه ای که انسان ها

در هنگام رانندگی به آن صورت عمل می کنند.

نظریه ذهن

در این نقطه تفاوت بین ماشین هایی که تا کنون ساخته ایم و ماشین هایی که در آینده آنها را خواهیم ساخت مشخص می شود.

ماشین آلات در کلاس بعدی که پیشرفته تر است ، نه تنها تمثال هایی را درباره جهان دارند ، بلکه عوامل یا موجودیت های دیگر

   در جهان را نیز تشخیص می دهند. در روانشناسی ، این “تئوری ذهن” نامیده می شود مفهوم این تئوری درک این مسئله است که

افراد موجودات و اشیا می توانند استدلال و احساسات منحصر به فرد خود را داشته باشند گکه بر روی رفتار و عملکرد خودشان

تاثیر می گذارد. این نوع درک برای چگونگی تشکیل جوامع انسانی بسایر حیاتی است. بدون داشتن همچون درکی از اطراف و

فهمیدن قصد از انجام کار های مختلف،در بهترین حالت تشکیل جوامع بسیار سخت خواهد وبود و در بدترین حالت تشکیل جوامع

غیر ممکن می شود. اگر سیستم های هوش مصنوعی واقعاً بخواهند در میان ما گام بردارند ، باید بتوانند درک کنند که هر یک از

ما افکار و احساسات و انتظاراتی از نحوه رفتار با ما داریم. و آنها باید رفتار خود را متناسب با آن تنظیم کنند.

خود آگاهی

مرحله آخر توسعه هوش مصنوعی ساخت سیستم هایی است که بتوانند بازنمایی و خود آگاهی درباره خودشان ایجاد کنند. درنهایت ،

محققان هوش مصنوعی نه تنها باید هوشیاری را درک کنند بلکه باید ماشین هایی بسازند که دارای آن باشند. این عملکرد، به تعبیری ،

شاخه ای از “نظریه ذهن” است که توسط هوش مصنوعی نوع سوم اعمال می شود. به یک دلیل به آگاهی “خودآگاهی” نیز گفته می شود.

برای مثال وقتی می گوییم من آن مورد را می خواهم یک جمله بسیار متفاوتی نسبت  به من می دانم که آن مورد را می خواهم است.

موجودات هوشیار از خود آگاه هستند ، از حالات درونی خود اطلاع دارند و قادر به پیش بینی احساسات دیگران هستند. ما تصور می کنیم

شخصی که در ترافیک پشت سر ما بوق می زند عصبانی یا بی تاب است ، زیرا وقتی برای دیگران بوق می زنیم چنین احساسی داریم.

بدون نظریه ذهن ، ما نمی توانیم چنین استنباط هایی داشته باشیم.

هوش مصنوعی و سیستم های خبره

هوش مصنوعی و سیستم های خبره

در هوش مصنوعی  و علوم کامپیوتری، سیستم خبره یک سیستم رایانه ای است که توانایی تصمیم گیری یک متخصص انسانی را تقلید می کند. سیستم های خبره برای حل مشکلات پیچیده با استدلال از طریق دانش ، که به طور عمده به عنوان قوانین و نه از طریق آیین دادرسی مرسوم نشان داده می شود ، طراحی شده اند. اولین سیستم هایی که خبره نامیده شدند در دهه 1970 ایجاد و سپس در دهه 1980 گسترش یافت. سیستم های خبره از اولین اشکال واقعاً موفق نرم افزار هوش ماشینی(AI) بودند.  یک سیستم خبره به دو زیر سیستم تقسیم می شود: موتور استنتاج و دانش بنیان. پایگاه دانش بیانگر حقایق و قوانین است. موتور استنتاج برای استنتاج حقایق جدید قوانین را در مورد حقایق شناخته شده اعمال می کند. موتورهای استنتاجی همچنین می توانند شامل توانایی توضیح و اشکال زدایی نیز باشند.

هوش مصنوعی و توسعه اولیه سیستم های خبره

در مدت کمی  پس از طلوع رایانه های مدرن در اواخر دهه 1940 – اوایل دهه 1950 ، محققان شروع به درک پتانسیل عظیم این ماشین ها برای جامعه مدرن کردند. یکی از اولین چالش ها این بود که چنین ماشینی توانایی “فکر کردن” مانند انسان را داشته باشد. به طور خاص ، ساختن ماشین آلاتی که  قادر به تصمیم گیری در موردموارد  مهم به روشی است که بشر می گیرد. حوزه پزشکی / بهداشت و درمان چالش جالب توجهی را

بنابراین ، در اواخر دهه 1950 ، درست پس از کامل شدن عصر اطلاعات ، محققان آزمایشاتی را در مورد احتمال استفاده از فناوری رایانه برای تقلید از تصمیم گیری انسان آغاز کردند. به عنوان مثال ، محققان زیست پزشکی شروع به ایجاد سیستم هایی با کمک رایانه برای کاربردهای تشخیصی در پزشکی و زیست شناسی کردند. این سیستم های تشخیص زودهنگام از علائم و نتایج آزمون آزمایشگاهی بیماران به عنوان ورودی برای ایجاد نتیجه تشخیصی استفاده می کردند. این سیستم ها اغلب به عنوان اشکال اولیه سیستم های خبره توصیف می شدند. با این حال ، محققان دریافته بودند که هنگام استفاده از روش های سنتی مانند نمودارهای جریان  مطابقت الگوی آماری ، یا نظریه احتمالات محدودیت های قابل توجهی وجود دارد.  تا این ماشین ها را قادر به تصمیم گیری های تشخیصی پزشکی کند.

معرفی رسمی و تحولات بعدی سیستم های خبره

سیستم های خبره به طور رسمی در حدود سال 1965 توسط پروژه برنامه نویسی استنفورد به رهبری ادوارد فیگنبام ، که گاهی اوقات “پدر سیستم های خبره” نامیده می شود ، معرفی شد. دیگر همکاران اصلی اولیه ، بروس بوکانان و راندال دیویس بودند. محققان استنفورد سعی کردند دامنه هایی را که دارای تخصص بسیار ارزشمند و پیچیده هستند ، مانند تشخیص بیماری های عفونی و شناسایی مولکول های آلی ناشناخته (دندرال) را شناسایی کنند. این ایده که “سیستم های هوشمند بیش از آنکه از فرمالیسم های خاص و طرح های استنباطی استفاده کنند از دانش خود برخوردار می شوند همانطور که فیگنباوم گفت ، در آن زمان یک گام مهم به جلو بود ، زیرا تحقیقات گذشته بر روی روشهای محاسباتی ابتکاری ، و اوج آن در تلاش برای توسعه راه حلهای مسئله ای کاملاً عمومی (بیشتر کار مشترک الن نیول و هربرت سایمون) است متمرکز بود.  سیستم های خبره به اولین اشکال واقعی موفق هوش مصنوعی (AI) تبدیل شدند.

رویکردهای فعلی به سیستم های خبره

محدودیت های نوع قبلی سیستم های خبره ، محققان را ترغیب به توسعه انواع جدیدی از رویکردها کرده است. آنها به منظور شبیه سازی روند تصمیم گیری انسان ، رویکردهای کارآمد تر ، انعطاف پذیر و قدرتمند تری را ایجاد کرده اند. برخی از رویکردهای محققان مبتنی بر روشهای جدید هوش مصنوعی (AI) و به ویژه در رویکردهای یادگیری ماشین و داده کاوی با مکانیزم بازخورد است. سیستم های مدرن می توانند دانش جدید را با سهولت بیشتری در خود جای دهند و بنابراین خود را به راحتی به روز می کنند. چنین سیستم هایی می توانند از دانش موجود بهتر تعمیم یافته و با مقادیر زیادی از داده های پیچیده سروکار داشته باشند.

معماری نرم افزار

سیستم خبره نمونه ای از یک سیستم دانش بنیان است. سیستم های خبره اولین سیستم های تجاری بودند که از معماری دانش بنیان استفاده کردند. یک سیستم دانش بنیان اساساً از دو زیر سیستم تشکیل شده است: دانش بنیان و موتور استنتاج. پایگاه دانش بیانگر حقایقی در مورد جهان است. در سیستم های خبره اولیه مانند Mycin و Dendral ، این حقایق عمدتاً به عنوان ادعاهای مسطح درباره متغیرها نشان داده می شدند. در سیستم های خبره بعدی که با پوسته های تجاری توسعه یافتند ، دانش بنیان ساختار بیشتری به خود گرفت و از مفاهیم برنامه نویسی شی گرا استفاده کرد. جهان به عنوان کلاس ها ، زیر کلاس ها و نمونه ها نمایش داده شد و ادعاها با مقادیر نمونه های شی object جایگزین شدند. این قوانین با پرس و جو و ادعای ارزش اشیا کار می کنند. موتور استنتاج یک سیستم استدلال خودکار است که وضعیت فعلی دانش بنیان را ارزیابی می کند ، قوانین مربوطه را اعمال می کند و دانش جدید را در دانش بنیان قرار می دهد. موتور استنتاج همچنین ممکن است دارای توانایی توضیح باشد ، به طوری که می تواند زنجیره استدلال مورد استفاده را برای رسیدن به یک نتیجه خاص با ردیابی مجدد قوانینی که منجر به ادعا شده است ، برای کاربر توضیح دهد.