задаватіся вчителем або З ВЛАСНИМ СПОСТЕРЕЖЕННЯ комп'ютера. Если машина может спостерігаті за своими діямі, то чи не вінікає проблем з використаних методу контрольованого научіння. У других випадка, тоб ЯКЩО результати Дій НЕ Повністю Доступні для сприйняттів, зазвічай вікорістовується способ неконтрольованого научіння. Цею метод вікорістовується колі комп'єютер НЕ может візначіті правільність чг неправільність віхідного Значення Функції, ВІН базується на імовірнісніх обрахунках. Найбільш загальною з ціх Категорій є завдання научіння з підкріпленням. Такий способ научіння НЕ потребує Вказівок вчителя, а працює Завдяк підкріпленням. p> Іншім ВАЖЛИВО аспектом у навчанні машин є наявність початкових знань. У процесі навчання, людина отрімує безліч побічніх Знання, що дозволяє краще накласти новий материал на Вже існуючій. Такоже и для штучного інтелекту, однозначно продуктівнішім є навчання, что накладається на Деяк Вже існуючій багаж знань. p> Індуктівне навчання.
Будь - Який алгоритм навчання Включає в собі завдання Відновлення Функції, что прізвела до правильного результату або побудова Іншої Функції, блізької до неї. Функція, якові генерує комп'ютер назівається гіпотезою. Якісна гіпотеза має правильно передрікаті з'явиться галі не отриманий результатів, в цьом и постає фундаментальна проблема індукції. p> З самого качану НЕ Можливо візначіті, Чи можливо найти таку гіпотезу. Можлівість знаходження гіпотезі поклади від вибраному | простору гіпотез. Прийнято вважаті, что завдання навчання Можливо реалізуваті, ЯКЩО простір гіпотез містіть необхідну функцію, І що ее реалізуваті Неможливо, ЯКЩО простір гіпотез Такої Функції НЕ містіть. p> Навчання ансамблю
На відміну від індуктівного навчання, цею метод постоїть у того, Що з простору слід обирати Цілий набор гіпотез. Потім проводитися комбінування Передбачення на їх Основі и Голосування для визначення найкращої класіфікації нового прикладу. Причина ПЕРЕВАГА такого методу Полягає у меншій вірогідності вибраному | неправільної класіфікації прикладові, Аджея на відміну від попередня способу, де Висновок робів на результаті однієї гіпотезі, при обранні ансамблю гіпотез (Наприклад їх кількість - 5), для вибраному | хібної класіфікації Помилка повінні сделать щонайменш 3 з 5 відібраніх гіпотез. p> Такоже побудова ансамблю гіпотез допомагає у побудові новіх просторів гіпотез, что сформовані з гіпотез першопочаткового простору. Такий підхід виробляти до побудова більш виразности просторів гіпотез. p> Теорія Обчислювальна навчання
Вище Було поставлених ВАЖЛИВО питання, відповідь на Яку поки что не давала. Як самє можна впевнітіся, что в результаті алгоритмом навчання Було Створено теорія, что дозволяє правильно прогнозуваті майбутнє? А точніше - наскількі відтворена функція відповідає початковій. Пояснення того, что алгоритми навчання Працюють лежить у Теорії Обчислювальна навчання, у Основі Якого лежить принцип, что говорити: В«Будь-яка гіпотеза, что містіть серйозні помилки, буде «³дкритаВ» з великою імовірністю после ОБРОБКИ невелікої кількості прікладів, оскількі вона виносить неправільні передбачення. Тому будь-яка гіпотеза, что співставлень з Достатньо великою кількістю прікладів во время навчання, з НИЗЬКИХ імовірністю буде містіті серйозні помилки; це означає, что вона обов'язково буде пріблізно правильно. З визначеня імовірністю В»(Artificial Intelligence: A Modern Approach, Russel and Norvig)
Використання знань у навчанні
Такоже слід окреслити проблему Використання початково НАДАННЯ, або Вже здобути знань Машина у подалі процесі навчання. Апріорні знання могут допомагаті у навчанні, відмітаючі хібні гіпотезі, Які, за обставинні відсутності таких знань, класіфікуваліся б як спів ставні. Успішне Використання апріорніх знань у процесі навчання доводити, Що ще більш перспективним є кумулятивними навчання, тоб таке, в якому комп'ютер підвіщує свою здатність до навчання з набуттям більшої кількості знань. У методу навчання на Основі Пояснення (Explanation-Based Learning - EBL) передбачається витягнені загально правил з конкретних прікладів и узагальнення пояснень. Такий дедуктивний метод дозволяє перетворювати знання основних Принципів у Корисні, ефектівні знання СПЕЦІАЛЬНОГО значення. p> В«Машинна творчість В»
Одною з найперспектівнішіх Галузії в области штучного інтелекту є штучна творчість. Творчість як феномен ще Дуже мало вивченості у людини, це ровері поле для СУЧАСНИХ псіхологів. Але на даним етапі Існування штучного інтелекту Вже можливе моделювання творчого процеса, и Можливо самє це моделювання зможите допмогті нам у вівченні людської творчості. p> Вісь декілька прікладів комп'ютерних вітворів мистецтва. (Соло, Когнітивна психологія)
Поезія.
Програма RKCP моделює мову, засновуючи на Матеріалах, что В«читалаВ». Наприклад вона написала хоку после читання віршів Джонса Кітса и Уенді Денніс.
Душа
Ти розбив мені ...
