De presentatie wordt gedownload. Even geduld aub

De presentatie wordt gedownload. Even geduld aub

AI Kaleidoscoop Werkcollege 1: AI Overzicht Radu Serban

Verwante presentaties


Presentatie over: "AI Kaleidoscoop Werkcollege 1: AI Overzicht Radu Serban"— Transcript van de presentatie:

1 AI Kaleidoscoop Werkcollege 1: AI Overzicht Radu Serban

2 Inhoud Mededelingen Doel Overzicht - onderwerpen Opgaven Samenvatting

3 Mededelingen Werkwijze: discussie, oefeningen met onlangs geleerde concepten en methoden voorlezen van werkboek - niet verplicht, wel geadviseerd Materiaal AI Kaleidoscoop (werk)college: VU blackboard: AI Kaleidoscoop rooster: Contact voor vragen: Kamer Werkcollege volgende week

4 Doel Doel van werkcollege AI Kaleidoscoop Oefenen van geleerde concepten, methoden Voorbereiden voor examen Discusseren, eigen wijze van denken/leren aanpassen Andere meningen horen

5 Overzicht onderwerpen werkcollege College 1 (w.37): AI Overzicht College 2 (w.38): Zoeken zonder heuristieken College 3 (w.39): Zoeken met heuristieken College 4 (w.40): Zoeken met meer spelers

6 Opgaven Werkboek 1 1. Wat is intelligentie? 2. Wat is Kunstmatige Intelligentie (KI)? 3. Hoe kun je KI herkennen? 4. Over de (on)mogelijkheid van KI? 5. Toepassingen van KI 6. Over zelf-lerende programma’s

7 Opg.1: Wat is intelligentie? Kunstmatige Intelligentie is de wetenschap die probeert menselijke intelligentie / denken / redeneren zo goed te begrijpen dat we het ook op een computer kunnen uitvoeren

8 Eigenschappen van menselijke intelligentie? Leren van vergissingen Reageren op onvoorziene omstandigheden Nadenken over eigen en andermans gedrag Spreken Emoties hebben Creativiteit Andere?

9 Andere eigenschappen van intelligent gedrag 1. Woord-, spraak-, gezichtsherkenning 2. Goede geheugen hebben 3. Goed kunnen plannen 4. Nieuwe concepten abstraheren, classificeren 5. Effectief kunnen communiceren en reageren 6. Effectief kunnen vergelijken en zoeken 7. Goed kunnen samenwerken, coordineren M D C

10 Opg.2: Wat is KI? (a) Is een computer programma met eigenschappen van menselijke intelligentie, intelligent? Welke eigenschappen zijn moeilijk te realiseren in een computerprogramma? (b) Intelligentie eisen voor een computerprogramma.

11 Opg.3: Hoe kun je KI herkennen? Turing toets (Alan Turing, 1950): “Can machines think?” Imitatie spel Gefocuseerd op symbolisch probleem-oplossing taken Gericht op menselijke vermogens

12 Opg.4: (On)Mogelijkheid van KI (a) Natuurlijk kunnen computers niet intelligent zijn - hun handelen is immers volledig bepaald door de programmeur. (b) Natuurlijk kunnen dieren niet intelligent zijn - hun handelen is immers volledig bepaald door hun genen.

13 Opg.5: Voorbeelden van KI Systemen Taal Vertaling System Luchtverkeersleiding Toezienende Systemen Geautomatiseerde persoonlijke assistent Intelligente Snelwegen Robots for gevaarlijke omstandigheden NASA Verkenningsmissie

14 Opg.5: Toepassingen van KI zelf-diagnose van auto’s verzekerings acceptatie credit-card fraude-detectie toepassen van sociale wetgeving ontwerpen van gebitsprothesen locatie van waterkracht centrales verbeteren van gezondheidszorg plannen van kankerbehandelingen toekennen van strafmaat

15 Opg.6: Over zelf-lerende programma’s Machinal leren: door ervaring (leren van algemene regels uit specifieke voorbeelden) beter werken Leren van “poort” Leren van “trap”

16 Machinaal leren – “Poort” C AB + Poort = delen A,B,C blok(A),blok(B),blok(C) C AB - + A&B steunen C C AB + - blok(C) C AB - + A raakt-niet B Poort = delen A,B,C + blok(A),blok(B) + A & B steunen C + A raakt-niet B

17 Machinaal leren – “Trap”: Stap 1 + Trap = delen A,B A kleiner-dan B A raakt B - + vrije ruimte tussen A,B A raakt-niet B Trap = delen A,B + blok(A),blok(B) + A raakt B

18 Machinaal leren – “Trap”: Stap deel(C), B raakt C - + delen A,B + A raakt B + A gelijk-aan B Trap = delen A,B,C + blok(A),blok(B),blok(C) + A raakt B + B raakt C+ A kleiner-dan B + B kleiner-dan C

19 Machinaal leren – “Trap”: Stap A groter-dan B, B groter-dan C - - B groter-dan C + B kleiner-dan C Trap = delen A,B,C,D + blok(A),blok(B),blok(C) + A raakt B + B raakt C + of (A kleiner-dan B en B kleiner-dan C) of (A groter-dan B en B groter-dan C)

20 Machinaal leren – “Trap”: Stap A groter-dan B, B groter-dan C - - A boven B Trap = delen A,B,C,D + blok(A),blok(B),blok(C),blok(D)+ A raakt B + B raakt C + C raakt D + A niet-boven B + of (A kleiner-dan B + B kleiner-dan C) of (A groter-dan B + B groter-dan C) of (A kleiner-dan B + B groter-dan C)

21 Samenvatting & Vragen KI: begrijpen van menselijke intelligentie zo goed dat we het op een computer kunnen uitvoeren KI toepassingen: plannen, coordineren van complexe takken, advies geven Machinal leren: essentieel voor intelligent gedrag van computer


Download ppt "AI Kaleidoscoop Werkcollege 1: AI Overzicht Radu Serban"

Verwante presentaties


Ads door Google