Жасанды интеллектуалды эмоцияны тану жүйелері


Қазақстан Республикасының Білім және ғылым министрлігі
Л. Н. Гумилев атындағы Еуразия ұлттық университеті
Абеков Улан Куанышевич
НЕЙРОНДЫҚ ЖЕЛІЛЕРДІ ҚОЛДАНА ОТЫРЫП, ТҰЛҒАЛАРДЫ ТАНУДЫҢ ЗИЯТКЕРЛІК ЖҮЙЕСІН ІСКЕ АСЫРУ
7М06103 - «Ақпараттық жүйелер» мамандығы
бойынша ақпараттық жүйелер магистрі академиялық
дәрежесін алуға магистрлік диссертация
(ғылыми-педагогикалық бағыт)
Нұр-Сұлтан, 2021ж.
Қазақстан Республикасының Білім және ғылым министрлігі
Л. Н. Гумилев атындағы Еуразия ұлттық университеті
Қорғауға жіберілді:
Ақпараттық жүйелер деканы
Ш. Ж. Сеилов
(қолы)
«___»2021 ж.
Магистрлік диссертация
НЕЙРОНДЫҚ ЖЕЛІЛЕРДІ ҚОЛДАНА ОТЫРЫП, ТҰЛҒАЛАРДЫ ТАНУДЫҢ ЗИЯТКЕРЛІК ЖҮЙЕСІН ІСКЕ АСЫРУ
Мамандық: 7М06103 - «Ақпараттық жүйелер»
(ғылыми-педагогикалық бағыт)
Магистрант
У. К. Абеков
(қолы)
Ғылыми жетекші,
экономика ғылымдарының
докторы
А. Т. Тохметов
(қолы)
Кафедра меңгерушісі Д. А. Тусупов
(қолы)
Нұр-Сұлтан, 2021ж.
МАЗМҰНЫНОРМАТИВТІК СІЛТЕМЕЛЕР3
БЕЛГІЛЕР МЕН ҚЫСҚАРТУЛАР4
КІРІСПЕ5
1. Жасанды интеллектуалды жүйелер мен нейрондық желілердің негізгі түсініктері7
1. 1 Нейрондық желілердің шығу тарихы7
1. 2 «Жасанды нейрондық желі»түсінігі8
1. 2. 1 Биологиялық нейрон және жасанды нейрон9
1. 3 Жасанды зияткерлік жүйелердің жіктелуі11
1. 4 Деректерді талдау жүйесіндегі профильдеу15
1. 5 Жасанды интеллектуалды эмоцияны тану жүйелері17
2. Нейрондық желілер мен эмоцияларды танудың ақпараттық модельдері21
2. 1 Бір бағытты көп қабатты желілер21
2. 1. 1 Көп қабатты персептронды қатені кері тарату әдісімен оқыту22
2. 2 Қайталанатын нейрондық желі24
2. 3 Кохонен желілері25
2. 3. 1 Кохонен алгоритмі27
2. 4 Радиалды нейрондық желілер28
2. 5 Бет бұлшықеттерінің қозғалыс қарқындылығы31
2. 6 Суреттегі адамдарды анықтау әдістерін талдау32
3. Нейрондық желіні қолдана отырып, эмоцияларды тану алгоритмі39
3. 1 Тану есебінің математикалық тұжырымы39
3. 1. 1 Бет тану инварианттарын алу39
3. 1. 2 Тиісті метриканы таңдау40
3. 1. 3 Нейрондық желіні тану мәселесін шешу40
3. 2 Бет қимыл белсенділігін тану әдістемесі41
3. 2. 1 Python-да нейрондық желіні оқыту46
ҚОРЫТЫНДЫ50
ПАЙДАЛАНЫЛҒАН ӘДЕБИЕТТЕР ТІЗІМІ52
ҚОСЫМША А54
НОРМАТИВТІК СІЛТЕМЕЛЕРОсы магистрлік диссертацияда келесі стандарттарға сілтемелер беріледі:
1 ҚР СТ 34. 008-2002 Ақпараттық технологиялар. Қазақстан Республикасы Өнеркәсіп және сауда министрлігінің Стандарттау, метрология және сертификаттау жөніндегі комитетінің 2002 жылғы 29 желтоқсандағы № 519 бұйрығымен бекітілген бағдарламалық қамтамасыз етуді статистикалық талдау;
2 ISO / IEC 2382-20: 1990 Ақпараттық технологиялар. Сөздік. 20 бөлім. Анықтау жүйесін әзірлеу
Осы магистрлік диссертацияда тиісті анықтамалары бар мынадай терминдер пайдаланылады:
ДҚБЖ (деректер базасын басқару жүйесі) - дерекқорды құру мен пайдалануды басқаруды қамтамасыз ететін жалпы немесе арнайы мақсаттағы бағдарламалық және лингвистикалық құралдардың жиынтығы.
Python - кез келген қазіргі заманғы компьютерлік операциялық жүйеде қолдануға болатын жалпы мақсаттағы бағдарламалау тілі. Ол мәтінді, сандарды, суреттерді, ғылыми деректерді және компьютерде үнемдеуге болатын кез келген нәрсені ғана өңдеу үшін пайдаланылады.
PostgreSQL-бұл шексіз көлемді дерекқорды қолдау, қуатты және сенімді транзакциялар мен репликация механизмдері, кеңейтілген бағдарламалау тілдері жүйесі және C-үйлесімді модульдерді жүктеуді қолдау, мұрагерлік және оңай кеңейту мүмкіндігі бар дерекқорды басқарудың Объектілік-реляциялық жүйесі.
OpenCV-компьютерлік көру алгоритмдерінің кітапханасы, суретті өңдеу және ашық коды бар жалпы мақсаттағы сандық алгоритмдер.
БЕЛГІЛЕР МЕН ҚЫСҚАРТУЛАРКомпьютер адамға кеңесші болу қажет, жағдайды тез талдап іс-әрекет варианттарын кісіге ұсыну керек. Ал адам келтірілген вариаттардан керегін таңдайды. Қазір жасанды интеллект - шешімді жасау мен қабылдау үшін адамның қызметін күшейтетін, өзін-өзі үйрететін құрал-сайман.
Қазірдің өзінде зияткерлік жүйелерді қолдана отырып, практикалық шешімді қажет ететін көптеген салалар бар: медицина, геология, математика, қауіпсіздік жүйелері, бизнес, робототехника, экономика және т. б. [1, б. 34] . Қолдану салаларының мұндай көптігі интеллектуалды жүйелер көп көлемді деректерді талдау және өңдеу мәселелерін шешудің, әр түрлі күрделілік деңгейіндегі мәселелерді шешудің бірегей жиынтығы екендігін көрсетеді.
Нейрондық желі дегеніміз бір түрдегі көптеген элементтерден тұратын есептеу жиыны. Бұл элементтер жай функцияларды орындайды және бұл желіде болатын процестерді тірі организмнің жүйесінде болатын процестермен теңеуге болады.
Магистрлік диссертацияның өзектілігі-деректерді талдауда нашар рәсімделген мәселелерді шешу үшін нейрондық желілерді пайдалану. Ақпарат көлемінің өсуі, сондай-ақ техникалық күрделі шешімдер қабылдау ауқымының кеңеюі қолданыстағы әдістерді жүйелеуді және шешудің жаңа әдістері мен алгоритмдерін жасауды қажет етеді. Магистрлік диссертация адамның эмоциясын тану мәселесін шешу үшін жүйке желісін пайдалану мүмкіндігін зерттейді.
Жасанды нейрондық желілер адамзат дамуына үлкен жол асады. Оның үстіне, алға қойылған мәселінің жауаптарын стандартты емес, шексіз етіп береді. Магистрлік диссертация адамның эмоциясын тану мәселесін шешуде нейрондық желіні қолдану мүмкіндігін қарастырады.
Магистрлік диссертацияның тақырыбы-нейрондық желілерді қолдана отырып, тұлғаларды танудың зияткерлік жүйесін іске асыру.
Жұмыстың негізгі мақсаты-нейрондық желінің ақпараттық моделін таңдау және беттің мотор белсенділігін тану алгоритмін жүзеге асыру. Нейрондық желі ішкі құрылымы, нейрондар арасындағы ақпараттық ағындарды басқару әдісі бойынша оңтайлы болуы керек. Таңдалған ақпараттық модель практикалық мәселені шешу үшін қолданылады.
Диссертациялық жұмыстың негізгі міндеттері:
1) жасанды интеллектуалды жүйелердің қолданыстағы түрлерін, сондай-ақ олардың жұмыс істеу әдістерін зерттеу.
2) негізгі ақпараттық модельдердін қарастырып, түрлерін зерделеп талдау. Эмоцияны танудағы мәселені шешіп, нейрондық желінің тиімді ақпараттық моделін таңдау.
3) бет әлпет қозғалысын танудың қолданыстағы әдістерін қарастыру және олардың арасындағы әмбебап әдістерін бөліп көрсету.
4) интеллектуалды жүйе үшін беттің қимыл белсенділігін тану алгоритмін іске асыру және сипаттау және практикалық есепті шешу.
Бұл зерттеудің объектісі-мимикалық өрнектерді танудың тәсілдері, әдістері.
Зерттеу тақырыбы жасанды нейрондық желілердің ақпараттық модельдері, сондай-ақ тұлғаның мотор белсенділігін тану алгоритмін енгізу және сипаттау болып табылады.
Магистрлік диссертацияның ғылыми жаңалығы-адамның эмоцияларын тану алгоритмін жүзеге асыру үшін нейрондық желілер технологияларын (ақпараттық модельдер), сондай-ақ бет-әлпет жүйесінің жүйесін пайдалану.
Эмоцияларды танитын нейрондық желіні іске асыру үшін белгілі бір адамды көптеген адамдардан ерекшелейтін тұлғаның негізгі белгілері мен негізгі мимикалық көріністерін бөліп көрсету қажет.
Іске асырудың күрделілігі нейрондық желіні оқытуда жатыр. Есеп үшін бастапқы деректерді таңдау, ең алдымен, мимикалық көріністердің математикалық және геометриялық сипаттамасы болып табылады.
Шешілетін ғылыми-техникалық міндеттердің күрделілігінің артуына байланысты визуалды ақпаратты автоматты түрде өңдеу және талдау барған сайын өзекті мәселелерге айналуда. Қазірдің өзінде көптеген әзірлеушілер күрделі мәселелерді компьютерлік көру машиналарының көмегімен шешеді, жүйенің жұмысы үшін әртүрлі әдістерді, соның ішінде нейрондық желілерді қолданады.
Диссертациялық жұмыс кіріспеден, үш бөлімнен, қорытындыдан, пайдаланылған әдебиеттер тізімінен тұрады.
Бірінші бөлімде нейрондық желілер бойынша теориялық материалдар, сондай-ақ жасанды интеллектуалды жүйелердің қолданыстағы түрлері және эмоцияларды тану әдістері қарастырылады.
Екінші бөлімде нейрондық желілердің ақпараттық модельдерінің егжей-тегжейлі сипаттамасы мен құрылымы, олардың ерекшеліктері, салыстырмалы талдау, практикалық мәселені шешудің оңтайлы моделін таңдау берілген. Сондай-ақ, суреттегі тұлғаларды анықтау әдістеріне талдау жасалады, эмоцияларды танудың логикалық ережелерінің жиынтығы қарастырылады.
Үшінші бөлімде нейрондық желіні қолдана отырып, эмоцияларды тану алгоритмі берілген.
1. Жасанды интеллектуалды жүйелер мен нейрондық желілердің негізгі түсініктері 1. 1 Нейрондық желілердің шығу тарихы1940 жылдан бастап нейрондық желілер туралы айтыла басталды. 1943 жылы теория ретінде Мак Каллок пен Питс ғылыми бағытта реттеп өз жұмыстарын жария етті [2] . Бұл еңбекте кез-келген логикалық, арифметикалық функцияларды қарапайым нейрондық желіні қолдана отырып нәтижеге қол жеткізуге болтынын айтты.
Ең алғашқылардың бірі болып, 1949 жылы Д. Хэбб өз нейрондық желілерді оқытудағы моделін ұсынды, мұны ең бастапқы нүктесі деуге болады. Хэбб ең алдымен синаптикалық байланыстардың күшін өзгерту арқылы жасалатынын байқады. Хебб теориясы-бұл өзін-өзі оқытудағы ең қарапайым түрі, онда оқытушысыз берілген тапсырманы орындауға үйренеді. Сонымен қатар М. Минский жұмыстарын айта кеткен жөн, белгілі "немесе" шешімін алып тастау арқылы оқыту [2, 7-бет] еңбегін шығарды.
Ф. Розенблатт 1958 жылы «персептрон» атты өзінің объектілерді сыныптауға арналған нейрон желісін ұсынды. Персептрон үйрену кезінде "оқытушыдан" хабарлама алып, соның арқасында объектінің қай класқа бейім екенін анықтауға болады. Сонымен қатар, оқытылған перцептрон аз қателіктер жіберіп, бұрын қолданылмаған объектілерді өзі жіктеуге қабілетті болды.
Нейрондық желілердің дамуындағы тыныштық (бос) кезеңі 1968-1985 жж. Дербес компьютерлердің пайда болуымен байланысты нейрондық желілерді модельдеу бастау алды.
Ф. Уоссерманның "Нейрокомпьютерлік техника" кітабы қызығушылық танытып жүрген мамандар үшін үстел кітабына айналды.
Нейрондық желілерге деген қызығушылық 1982 жылы Д. Хопфилдтің еңбегін жариялағаннан бастап күрт өсті. Хопфилд Хаббтың оқыту ережелеріне қарай отырып, нейрондармен байланысты мәселелерді тәртіпсіз жүйелер физикасында сол кезде жасалған бірқатар модельдерді жалпылауға дейін қысқартуға болатындығын айтты.
1986 жылы қабатты нейрондық желілерді оқытудағы біраз мәселелерді шешуге жауап табуға болатын Уильямс, Румелхарт және Хинтон еңбектірін жария етті [3, б. 8] . Осыдан кейін Хинтон ұсынған алгоритм уақыт өте келе өзгере бастады.
80-90-шы жылдар аралығында біртұтас теориялық негіз ретінде қалыптасып, соның негізінде бүгінгі таңда көптеген желілер құрылды. Қалыптасқан теория кейінгі жиырма жылда қолданбалы есептерді шешу үшін кеңінен қолданыла бастады. Осыған орай жеке меншік компаниялар өздерінің бағдарламалық жасақтамаларын шығара бастады. Әрі қарай нейрондық желілер бизнесте өз орнын таба бастап, банктер өз клиенттерінің төлем жасай алу қабілеттілігін анықтау үшін 90-шы жылдары жеке бағдарламаларын іске асырды.
Жоғарыда айтып кеткен Джеффри Хинтон Торонто университетінде 2007 жылы нейрондық желілерді терең зерттеу жаңа алгоритмін ұсынды. Хинтон Больцман машинасын, жүйенің төменгі қабаттарын оқыту кезінде қолданды. Ол стохастикалық қайталанатын нейрон желісін білдіретін шектеулі машина еді. Бұл фотосуреттен бет-әлпет тез табу сияқты мәселелерді тез шеш алатындықтан, қазіргі таңда барлық бейнекамераларда өз ісін атқарып жатыр. Сондай-ақ бұл технология суреттерді іздеудегі процессте жіктеу үшін қолданыста [4] .
Мамандардың айтуынша, нейрондық жүйелер мен нейрокомпьютерлерді жобалау барысында болшақта технологиялық өсу күтілуде. Кейінгі жылдары көптеген жаңа мүмкіндіктер ашылып, осы саладағы жұмыстар экономика, технология, ғылымдарға әсері зор болып табылады.
Алпыс жылдан астам тарихи болсада, нейрондық жобалауда осыншама уақыт ішінде, мидың толыққанды жұмыс істеу ақиқаты немесе шегі әлі күнге дейін беймәлім. Айта кетсек, ақпаратты беру сырын импульстар тізбегі ретінде анықтауға болатын бірден-бір нейронның жоқтын қасы.
Қазіргі таңда, нейрондық жүйенің әртүрлі конфигурациялары бар, олардың айырмашылығы функциялау негізінде, соған орай олар көптеген мәселелерді шешуге арналған.
Сондықтан нейрокомпьютерлік технологиялардың келешегі осы саланың нейрондық модельдеу жаңа ашылулармен байланысты болатынына кәміл сенемін. Мидың бір аймағының жұмыс істеу принципін, құпиясын тапқан кезде басқа аймақтарының жұмыс белгілі болады.
1. 2 «Жасанды нейрондық желі» түсінігіЖасанды нейрондық желі дегеніміз - математикалық модель, сонымен қатар оның биологиялық нейрондық желілер-тірі ағзаның жүйке жасушалары принципіне негізделген бағдарламалық және аппараттық орындалуы. Бұл тұжырымдама адам миында жүретін процестерді модельдеуге тырысқанда пайда болды [5, б. 3] .
Жасанды нейрондық желі-бұл бір-бірімен байланысқан және өзара әрекеттесетін қарапайым процессорлар жүйесі. Желілік процессорлардың әрқайсысы мезгілімен келіп түсетін немесе басқа процессорларға берілетін сигналдармен айналысады. Үлкен желі ең күрделі мәселелерді қысқа мерзімде шеше алады.
Математикалық тұрғыдан алғанда, нейрондық желілер сызықтық емес оңтайландыру есептерін шешудің тәсілі болып табылады. Кибернетика адаптивті басқару мәселелерін шешуде, робототехника үшін алгоритмдерді құруда нейрондық желілер теориясын қолданады.
Бағдарламалауда нейрондық желі тиімді параллелизм мәселесін шешудің бір әдісі болып табылады.
Нейрондық желілерді бағдарламалау бағдарламалық кодты жазу емес, желіні оқытуды білдіреді. Оқытудың арқасында желі мәліметтер арасындағы тәуелділікті анықтай алады (кіріс және шығыс), нәтижелерді оңайлату және білімді күрделі мәселелерді қарапайым мәселелерге бөлу үшін қолдана алады.
1. 2. 1 Биологиялық нейрон және жасанды нейронАдамның миы мен жүйке жүйесі жүйке талшықтарымен байланысқан нейрондардан тұрады. Нейрондар арасында жүйке талшықтары арқылы электр импульстары беріледі. Тірі организммен болатын барлық әрекеттер, терінің тітіркенуі, көз, ауырсыну, ойлау процестері-нейрондардың өзара әрекеттесуі. Биологиялық нейронның құрылымы сурет 1-де көрсетілген [5] :
Сурет - 1. Биологиялық модель [6]
Дендриттер-нейронның импульстарын қабылдайды;
Аксон-нейронның импульсін береді;
Синапстар-аксон мен дендриттің байланысы үшін импульс күшіне әсер ететін түзілімдер.
Синапс өткен кезде импульс күші белгілі бір рет өзгереді (синапстың салмағы) . Импульстар бірнеше дендриттер арқылы нейронға жеткенде, олар жинақталады. Егер жалпы импульс шекті мәннен асып кетсе, онда нейрон қозу күйіне өтіп, өзінің импульсін қалыптастырады және оны одан әрі аксонға жібереді. Тиісті нейронның мінез-құлқы өзгеруі мүмкін, өйткені синапстардың салмағы уақыт өте келе өзгереді. Сипатталған процестің математикалық моделі келесідей ұсынылған (сурет 2) :
Сурет - 2. Нейронның математикалық моделі [6]
Бұл модель нейрон үш кірісін сипаттайды, онда синапсы бар салмағын 𝑤 1 , 𝑤 2 , 𝑤 3 , оларға түсетін күштер 𝑥 1 , 𝑥 2 , 𝑥 3 тиісінше. Нейронға импульстар келеді 𝑥 1 𝑤 1 , 𝑥 2 𝑤 2 , 𝑥 3 𝑤 3 синапстар мен дендриттерден өткеннен кейін.
Алынған жалпы импульс x=𝑥 1 𝑤 1 +𝑥 2 𝑤 2 +𝑥 3 𝑤 3 нейрон f(x) беріліс функциясына сәйкес түрлендіреді.
y = f(x) =f(𝑥 1 𝑤 1 +𝑥 2 𝑤 2 +𝑥 3 𝑤 3 ) -шығу импульсінің күші. Қорытындылай келе, кіріс түрінде 𝑥 𝑘 (вектор) сандар жиынтығын аламыз. Әрі қарай нейрон шығу кезінде белгілі бір санды береді [7] .
Жасанды нейрон келесідей: оның кірісіне көптеген сигналдар түседі, олардың әрқайсысы бір уақытта басқа нейронның шығуы болып табылады. Мұндай кіріс тиісті салмаққа көбейтіледі, содан кейін көбейтінділер нейронның активтену деңгейін анықтайды.
Бұл идеяны жүзеге асыратын модель сурет 3-де көрсетілген:
Сурет - 3. Нейронның активтендіру моделі [5]
Мұнда көптеген x 1 , x 2 , …, x n сигналдары жасанды нейронның кірісіне енеді, жиынтықта олар Х векторымен белгіленеді. Бұдан әрі сигнал w 1 , w 2 , … , w n тиісті салмағына көбейтіледі, содан кейін ∑ блокқа қосылады. Әрбір салмақ биологиялық нейрондағы бір синаптикалық байланыстың күшіне тең. Әдетте NET деп аталатын шығыс жиынтық блоктан жасалады, онда өлшенген элементтер алгебралық түрде қосылады.
NET сигналы активация деп аталатын қарапайым сызықтық функциямен түрлендіріледі. Ол F-мен белгіленеді және шығыс сигналын шығарады. OUT=K(NET), мұндағы k - тұрақты, шекті функция OUT = 1 , Егер NET>T
OUT = 0 басқа жағдайларда,
T -нейрондық желіні дәлірек модельдейтін тұрақты шекті мән.
Белсендіру функциясы бар жасанды нейрон сурет 4-де көрсетілген:
![]()
Сурет - 4. Нейронның активтендіру функциясы [8]
F деп белгіленген блок NET сигналын қабылдайды және OUT сигналын шығарады.
Егер кез - келген NET мәндерінде OUT мәндері белгілі бір соңғы интервалға жататын болса, F -сығымдау функциясы деп аталады [9] .
Жасанды нейрон моделі биологиялық нейронның көптеген қасиеттерін елемейді. Мысалы, жүйенің динамикасына әсер ететін уақыт кідірістері.
Кіріс сигналдары бірден шығыс сигналын шығарады. Сонымен қатар, жасанды нейрон биологиялық нейронның синхрондау функциясының әсерін ескермейді.
Алайда тірі нейрон мен жасанды нейронның ерекше ұқсастығын атап өткен жөн.
Ақпараттық технологиялар саласындағы нейрондық желілердің орнын анықтау үшін жасанды зияткерлік жүйелерді жіктеуге жүгіну керек.
1. 3 Жасанды зияткерлік жүйелердің жіктелуіЖасанды интеллектуалды жүйелер мынадай ерекшеліктерге ие:
Біріншіден, пайдаланушының компьютері мен жүйенің өзара әрекеттесу жолын сипаттайтын дамыған коммуникативті қабілеттер. Зияткерлік жүйемен диалогта еркін сұрау арқылы жүйеге жүгіну мүмкіндігі жоққа шығарылмайды. Бұл жағдайда зияткерлік жүйенің тілі табиғи тілге мүмкіндігінше жақын болуы керек.
Екіншіден, нашар рәсімделетін мәселелерді шешу, яғни нақты шешімі жоқ, бірақ жағдайға, қолданыстағы мәліметтерге және түпкілікті нәтижеге байланысты стандартты емес тәсілді қажет ететін міндеттер. Нашар рәсімделетін міндеттер жасанды нейрондық желілердің көмегімен тиімді шешіледі.
Үшіншіден, өзін - өзі оқыту мүмкіндігі-яғни белгілі бір жағдайлардың жинақталған тәжірибесінен зияткерлік жүйенің білім алу мүмкіндігі. Жүйені алдын-ала оқыту үшін өңделген бастапқы деректер қажет.
Ұсынылған белгілерге сәйкес зияткерлік жүйелерді келесідей бөлуге болады (кесте 1) :
Кесте 1
Жасанды зияткерлік жүйелердің түрлері [10, б. 9-11] .
- интеллектуалды мәліметтер базасы;
- табиғи-тілдік интерфейстер;
- гипермәтіндік жүйелер;
- контекстік анықтамалық жүйелер;
- танымдық графика.
- жіктеу жүйелері;
- алдын ала белгілеу жүйесі;
- трансформациялық жүйесі;
- көп антенналық жүйелер.
- индуктивті жүйелер;
- нейрондық желілер;
- прецеденттердегі жүйелер;
- ақпараттық қоймалар.
- CASE-технологиялар;
- компоненттік технология.
Ақылды мәліметтер базасы қарапайым мәліметтер базасынан анық сақталмайтын, бірақ қол жетімді мәліметтер базасынан шығуы мүмкін қажетті ақпаратты сұрау бойынша таңдау мүмкіндігімен ерекшеленеді.
Әрине, тілдік интерфейс табиғи тілдің конструкцияларын білім берудің ішкі деңгейіне айналдырады. Ол интеллектуалды мәліметтер базасына қол жеткізу, құжаттық мәтіндік ақпаратты контекстік іздеу, басқару жүйелеріндегі дауыстық енгізу командалары, шет тілдерінен машиналық аударма үшін қолданылады. .
Гипермәтіндік жүйелер мәтіндік ақпарат базасында қолданылады, онда кілт сөздерді іздеу қажет.
Контекстік анықтамалық жүйелерде пайдаланушы мәселені сипаттайды, ал жүйе қосымша диалогты қолдана отырып, оны нақтылайды және осы жағдайға сәйкес келетін ұсыныстарды іздейді. Мұндай жүйелер құжаттама жүйелеріне қосымша ретінде құрылады және білім тарату жүйелерінің класына жатады.
Танымдық графикалық жүйелер операциялық процестерді бақылау мен басқаруда қолданылады. Графикалық кескіндер көрнекі және интеграцияланған түрде зерттелетін жағдайдың көптеген параметрлерін сипаттайды.
Сараптамалық жүйелер қарастырылып отырған проблемалық саладағы сарапшылардың тәжірибесін көрсететін жинақталған білім базасы негізінде мәселелерді шешуге арналған.
Көп агентті жүйелер-бұл динамикалық негізде алынған нәтижелермен алмасатын бірнеше гетерогенді білім көздерінің білім базасындағы интеграциямен сипатталатын динамикалық жүйелер.
Өзін-өзі оқыту жүйелері нақты тәжірибе жағдайларының мысалдарын автоматты түрде жіктеу әдістеріне негізделген [10, 12-19 беттер] .
Өзін-өзі оқыту жүйелерінің өзіне тән белгілері: - "мұғаліммен" өзін-өзі оқыту жүйелері, әр мысал үшін оның белгілі бір жағдайлар класына жататындығы (класс түзуші белгі) белгісінің мәні айқын түрде берілген кезде) ;
- "мұғалімсіз" өзін-өзі оқыту жүйелері, жіктеу белгілерінің мәндерінің жақындық дәрежесі бойынша жүйе жағдайлардың кластарын анықтайды.
Индуктивті жүйелер мысалдарды нақтыдан жалпыға жалпылайды, ал жалпылау процесі келесідей жүзеге асырылады:
1) Берілген санаттардың жиынтығынан жіктеу белгісі таңдалады (дәйекті немесе ереже бойынша) .
2) Таңдалған белгінің мәні бойынша көптеген мысалдар ішкі жиындарға бөлінеді.
3) Мысалдың бір сыныпқа жататындығы туралы тексеру орындалады.
4) Егер кейбір мысалдар жиынтығы біреуіне тиесілі болса ішкі класс, яғни ішкі жиынның барлық мысалдарында класс түзуші белгінің мәні сәйкес келеді, содан кейін жіктеу процесі аяқталады.
... жалғасы- Іс жүргізу
- Автоматтандыру, Техника
- Алғашқы әскери дайындық
- Астрономия
- Ауыл шаруашылығы
- Банк ісі
- Бизнесті бағалау
- Биология
- Бухгалтерлік іс
- Валеология
- Ветеринария
- География
- Геология, Геофизика, Геодезия
- Дін
- Ет, сүт, шарап өнімдері
- Жалпы тарих
- Жер кадастрі, Жылжымайтын мүлік
- Журналистика
- Информатика
- Кеден ісі
- Маркетинг
- Математика, Геометрия
- Медицина
- Мемлекеттік басқару
- Менеджмент
- Мұнай, Газ
- Мұрағат ісі
- Мәдениеттану
- ОБЖ (Основы безопасности жизнедеятельности)
- Педагогика
- Полиграфия
- Психология
- Салық
- Саясаттану
- Сақтандыру
- Сертификаттау, стандарттау
- Социология, Демография
- Спорт
- Статистика
- Тілтану, Филология
- Тарихи тұлғалар
- Тау-кен ісі
- Транспорт
- Туризм
- Физика
- Философия
- Халықаралық қатынастар
- Химия
- Экология, Қоршаған ортаны қорғау
- Экономика
- Экономикалық география
- Электротехника
- Қазақстан тарихы
- Қаржы
- Құрылыс
- Құқық, Криминалистика
- Әдебиет
- Өнер, музыка
- Өнеркәсіп, Өндіріс
Қазақ тілінде жазылған рефераттар, курстық жұмыстар, дипломдық жұмыстар бойынша біздің қор #1 болып табылады.

Ақпарат
Қосымша
Email: info@stud.kz