Τεχνητή νοημοσύνη

Abstract

Η μηχανική μάθηση είναι ένα επιστημονικό πεδίο που περιλαμβάνει προσαρμοστικές μεθόδους, οι οποίες με τη σειρά τους επιτρέπουν την εκπαίδευση των υπολογιστικών συστημάτων με βάση την ανθρώπινη εμπειρία, κάποια γνωστά παραδείγματα (π.χ. από πειράματα ή παρατήρηση), καθώς και την έννοια της αναλογικότητας. Μια προσέγγιση της μηχανικής μάθησης είναι τα λεγόμενα τεχνητά νευρωνικά δίκτυα. Στο παρόν σύγγραμμα παρουσιάζεται αναλυτικά η κλασική θεωρία νευρωνικών δικτύων πολλών στρώσεων που εκπαιδεύονται με οπισθόδρομη διάδοση σφάλματος (back-propagation of errors method). Δίνονται επίσης στοιχεία για την εφαρμογή της τεχνητής νοημοσύνης στον έλεγχο, ενώ γίνεται και επέκταση σε χρήση τεχνικών βαθιάς εκπαίδευσης. Επιπλέον, παρέχονται πληροφορίες για τεχνικές μάθησης και εκπαίδευσης χωρίς επίβλεψη, όπως είναι ο αλγόριθμος του Hebb και τα δίκτυα Kohonen, ενώ δίνονται και κάποιες εισαγωγικές πληροφορίες σχετικά με την εκπαίδευση τεχνητών νευρωνικών δικτύων μέσω εξισώσεων της μηχανικής (μέθοδος PINNs). Εισάγονται η έννοια της μάθησης κατά Bayes, τα δέντρα απόφασης και τα τυχαία δάση, καθώς και οι μηχανές διανυσμάτων υποστήριξης (SVMs). Τέλος, δίνονται κάποιες εφαρμογές της τεχνητής νοημοσύνης, ενώ γίνεται και μια συνοπτική περιγραφή των λεγόμενων έμπειρων συστημάτων, των χαρακτηριστικών τους και του πεδίου εφαρμογής τους.

Machine learning is a scientific field that includes adaptive methods, which in turn allow the training of computing systems based on human experience, some known examples (e.g. from experiments or observation), as well as the concept of proportionality. One approach to machine learning is so-called artificial neural networks. In this book, the classic theory of multi-layer neural networks trained with the back-propagation of errors method is presented in detail. Evidence is also given for the application of artificial intelligence in control, while an extension to the use of deep learning techniques is also made. Information is also provided on unsupervised learning and training techniques, such as Hebb's algorithm and Kohonen networks, and some introductory information is given on training artificial neural networks using engineering equations (PINNs method). The concept of Bayesian learning, decision trees and random forests, as well as support vector machines (SVMs) are introduced. Finally, some applications of artificial intelligence are given, while a brief description of the so-called expert systems, their characteristics and their scope is given.