यह पत्र एक व्यापक लेख है, जो कृत्रिम बुद्धिमत्ता और तंत्रिका नेटवर्क की अवधारणाओं और अनुप्रयोग का परिचय देता है। इस लेख को मूल रूप से इसलिए चुना गया था क्योंकि तंत्रिका नेटवर्क को मशीन सीखने की प्रक्रिया में सीखा गया था, क्योंकि कृत्रिम तंत्रिका नेटवर्क मानव मस्तिष्क के करीब है अपने सिद्धांतों और कार्यात्मक विशेषताओं के संदर्भ में। यह एक दिया गया प्रोग्राम नहीं है जो कदम से कदम चलाता है, लेकिन खुद को पर्यावरण के अनुकूल बनाने में सक्षम है, नियमों को संक्षेप में प्रस्तुत करता है, कुछ ऑपरेशन, मान्यता या प्रदर्शन करता है प्रक्रिया नियंत्रण । मुझे लगता है कि कृत्रिम बुद्धिमत्ता में कई महत्वपूर्ण अनुप्रयोग होने चाहिए, इसलिए मैंने इस लेख को चुना।

लेख एक व्यापक लेख है जो कृत्रिम बुद्धिमत्ता और तंत्रिका नेटवर्क की अवधारणाओं और अनुप्रयोगों का परिचय देता है। यह कृत्रिम तंत्रिका नेटवर्क अपने संविधान के सिद्धांत और कार्यात्मक विशेषताओं के मामले में मानव मस्तिष्क के करीब है। यह एक दिया गया कार्यक्रम नहीं है जो संचालन चरण को पूरा करता है। कदम है, लेकिन खुद को पर्यावरण के अनुकूल बना सकते हैं और नियमों को संक्षेप में प्रस्तुत कर सकते हैं। एक ऑपरेशन, मान्यता, orprocess नियंत्रण।

पहला भाग मुख्य रूप से कृत्रिम बुद्धिमत्ता का परिचय देता है।

कृत्रिम बुद्धिमत्ता को एक कृत्रिम वस्तु के रूप में परिभाषित किया जाता है, जैसे कि कंप्यूटर या मशीन, जो जटिल समस्याओं से निपटने में सक्षम बुद्धिमान व्यवहार को दिखाती है। और बुद्धि क्या है? इसमें चेतना, स्व, सोच, और इसी तरह के मुद्दे शामिल हैं, और एकमात्र बुद्धि जो हम जानते हैं, वह मानवीय बुद्धिमत्ता है। यह स्मृति को समझने, बनाने, सीखने और अनुभव करने के लिए अनुकूलता, पैटर्न पहचान, पसंद, कल्पना करने और बनाने की क्षमता है। कृत्रिम बुद्धि का मुख्य उद्देश्य मशीनों को मनुष्यों की तरह अधिक व्यवहार करना है, और दूसरी बात, मशीनों को मनुष्यों की तरह अधिक बनाने के लिए जिस तरह से वे जटिल समस्याओं को हल करते हैं लेकिन मनुष्यों की तुलना में कम समय का उपभोग करते हैं। आज, आर्टिफिशियल इंटेलिजेंस को दो भागों में विभाजित किया गया है: मजबूत एआई और कमजोर एआई। स्ट्रॉन्ग एआई का मतलब है कि मशीनें अपने दम पर सोच सकती हैं, फिल्मों में दृश्यों की तरह, और यहां तक ​​कि मनुष्यों की जगह लेती हैं। यह कमजोर एआई मशीनों का प्रदर्शन है जो लगता है बुद्धि है, जैसे कि शतरंज ऐप्स खेलना, और शतरंज खेलने के लिए किए जाने वाले सभी कदम अग्रिम में एक कंप्यूटर में संग्रहीत हैं। शतरंज ऐप खुद नहीं सोचता और न ही योजना बनाता है। आपको कैसे पता चलेगा कि मशीन में बुद्धिमान व्यवहार है? 1950 में, एलन ट्यूरिंग ने ट्यूरिंग टेस्ट को आगे बढ़ाया, और ट्यूरिंग टेस्ट के लिए बहुत स्पष्टीकरण नहीं है, क्योंकि शिक्षक ने इसे कक्षा में पेश किया था।

कृत्रिम बुद्धि की उत्पत्ति के लिए, यह कई विषयों, विशेष रूप से दर्शन, तर्क, गणित, कंप्यूटिंग, मनोविज्ञान / संज्ञानात्मक विज्ञान, जैविक विज्ञान / तंत्रिका विज्ञान से जुड़ा हुआ है।

दूसरा भाग मुख्य रूप से कृत्रिम तंत्रिका नेटवर्क का परिचय देता है। यह खंड तीन छोटे भागों का भी परिचय देता है, कृत्रिम तंत्रिका नेटवर्क की अवधारणा का परिचय देता है, तंत्रिका नेटवर्क सीखने के प्रकार और कृत्रिम तंत्रिका नेटवर्क-कृत्रिम प्रोत्साहन समारोह में एक महत्वपूर्ण कार्य करता है।

पहला भाग कृत्रिम तंत्रिका नेटवर्क की अवधारणा का परिचय देता है। एक कृत्रिम तंत्रिका नेटवर्क का एक नेटवर्क है प्रोसेसर connecteor स्थानीय भंडारण स्थान (बहुत छोटा) के एक हिस्से के साथ प्रत्येक .these न्यूरॉन्स केवल अपने स्वयं के स्थानीय डेटा और इनपुट डेटा (जो एक तरह से लिंक और सर्किट के माध्यम से दर्ज किए जाते हैं) को संचालित करते हैं, और प्रत्येक न्यूरॉन एक नियम का उपयोग करके पता करता है इनपुट संकेत। उत्पादन अन्य न्यूरॉन्स के लिए ये संकेत, और आउटपुट डेटा की इस गणना को एक प्रोत्साहन समारोह कहा जाता है।

तंत्रिका नेटवर्क की संरचना में आमतौर पर तीन परतें होती हैं, जैसा कि नीचे दिखाया गया है। पहली परत इनपुट परत है, जिसका उपयोग बाहरी दुनिया के साथ सीधे संपर्क करने के लिए किया जाता है, और दूसरी परत छिपी हुई तत्व है, जिसका उपयोग आवश्यक कार्य के अनुसार गणना को पूरा करने के लिए किया जाता है। तीसरी परत आउटपुट लेयर है।

तंत्रिका नेटवर्क लर्निंग के दूसरे भाग को तीन प्रकारों में विभाजित किया जा सकता है: पर्यवेक्षित शिक्षण, अनुपयोगी शिक्षण और मजबूत शिक्षण। पर्यवेक्षी शिक्षण में, प्रत्येक उदाहरण में एक इनपुट ऑब्जेक्ट और एक अपेक्षित आउटपुट मान होता है। आउटपुट लेयर पर प्रत्येक नोड के अपेक्षित और वास्तविक परिणामों के बीच त्रुटियां और अंतर पाए जा सकते हैं, जिसका उपयोग नेटवर्क के वजन को निर्धारित करने के लिए किया जाएगा। नोड (के अनुसार)

सीखने के नियम)। अर्थात्, प्रत्येक नोड पर अपेक्षित आउटपुट मान एक बाहरी शिक्षक द्वारा निर्धारित किया जाता है।

अनिश्चित शिक्षण में कोई बाहरी शिक्षक नहीं हैं, इसलिए सीखने का तरीका क्लस्टरिंग पर आधारित है, और इनपुट के अनुसार, मॉडल सेट को विभिन्न वर्गों में विभाजित किया गया है। इस तरह के लर्निंग मॉडल को सेल्फ-ऑर्गेनाइजिंग मोड भी कहा जा सकता है, विशिष्ट उदाहरण हेब्बियन लर्निंग लॉ और प्रतियोगिता लर्निंग लॉ है, और सुपरवाइज्ड लर्निंग पर्यवेक्षित शिक्षण से अधिक महत्वपूर्ण है। क्योंकि मस्तिष्क आमतौर पर असुरक्षित होता है।

सुदृढ़ीकरण सीखने पर आधारित अप्रशिक्षित शिक्षण और पर्यवेक्षण आधारित सीखने पर आधारित है, और अन्वेषण की प्रक्रिया में, एक पर्यावरण मॉडल का निर्माण करते हुए अज्ञात वातावरण की खोज और एक इष्टतम रणनीति सीखने के द्वारा, प्रत्येक कार्रवाई एक इनाम से मेल खाती है, और अंत में डेटा प्रोसेसिंग के लिए सबसे बड़ा इनाम मिलता है। ।

तीसरा भाग तीन प्रकार के प्रोत्साहन कार्यों का परिचय देता है। पहला थ्रेशोल्ड फ़ंक्शन, जब कुल इनपुट थ्रेशोल्ड से कम है, 0 सेट करता है, और जब कुल इनपुट मान थ्रेशोल्ड से अधिक होता है, तो 1 सेट करता है।

दूसरा एक खंडित रैखिक कार्य है जो 0,1 के बीच मान ले सकता है, जो किसी क्षेत्र के रैखिक संचालन के आवर्धन पर निर्भर करता है।

तीसरा सिग्मॉइड फ़ंक्शन है, जो 0 और 1 के बीच की सीमा का उपयोग कर सकता है, लेकिन कभी-कभी 1 से 1 तक की सीमा ले सकता है, सिग्मॉइड फ़ंक्शन का एक उदाहरण हाइपरबोलिक स्पर्शरेखा है।

तीसरा भाग मुख्य रूप से तंत्रिका नेटवर्क के कई उन्नत अनुप्रयोगों का परिचय देता है।

पहला अनुप्रयोग तंत्रिका नेटवर्क पर आधारित मानव मस्तिष्क का कंप्यूटर इंटरफ़ेस है। मानव मस्तिष्क का कंप्यूटर इंटरफ़ेस मानव और मशीन के बीच सबसे आशाजनक इंटरफ़ेस प्रौद्योगिकियों में से एक है। इसे सीवीआई इंटरफ़ेस भी कहा जाता है। यह वास्तव में मस्तिष्क और कंप्यूटर के बीच एक संचार चैनल है, जो मस्तिष्क द्वारा भेजे गए संकेतों को बाहरी गतिविधियों के साथ सीधे बातचीत करने की अनुमति देता है, जैसे कि कर्सर को नियंत्रित करना, या उपयोगकर्ता किसी डिस्प्ले के कीबोर्ड पर टकटकी लगाकर फोन नंबर दर्ज कर सकता है। व्याप्ति इंटरफेस मॉड्यूल मस्तिष्क और उस इंटरफ़ेस के बीच संचार का एक साधन प्रदान करता है जिसे वह नियंत्रित करना चाहता है, और बीसीआई इंटरफ़ेस एक लकवाग्रस्त व्यक्ति के लिए पुस्तक लिखना या इलेक्ट्रिक व्हीलचेयर को नियंत्रित करना संभव बनाता है। बीसीआई को लागू करने के लिए सबसे अच्छा विकल्प है, लेकिन ब्रेनवेव बहुत कमजोर हैं और कई प्रकार के शोर हैं।

एक संकेत मानव मस्तिष्क से प्राप्त किया जाता है, फिर संसाधित किया जाता है, सुविधाओं से निकाला जाता है, फिर वर्गीकृत किया जाता है, और फिर एप्लिकेशन इंटरफ़ेस के माध्यम से मानव को वापस खिलाया जाता है। बीसी अनुसंधान की संख्या और गति पिछले पांच वर्षों में तेजी से बढ़ रही है, जिसमें 1995 में छह से अधिक समूह और अब बीसीआई का अध्ययन करने वाले कम से कम 20 समूह नहीं हैं।

दूसरा अनुप्रयोग वस्तु व्यवहार में आने वाले अनुप्रयोगों को समझना और उनका वर्णन करना है। प्रक्षेपवक्र विश्लेषण व्यवहार की समझ में मुख्य समस्याओं में से एक है। प्रक्षेपवक्र पैटर्न सीखने का उपयोग विसंगतियों का पता लगाने और वस्तु प्रक्षेपवक्र की भविष्यवाणी करने के लिए किया जा सकता है। एक मॉडल जो किसी दृश्य या ढांचे में किसी गतिशील वस्तु के प्रक्षेपवक्र का विश्लेषण करके सिमेंटिक क्षेत्र सीखता है। पहला पथ छवि के स्थान और इसकी तात्कालिक गति को इंगित करने के लिए एन्कोड किया गया है। तब अलग-अलग स्थानिक और वेग वितरण के अनुसार पटरियों को वर्गीकृत करने के लिए क्लस्टरिंग एल्गोरिथ्म लागू किया जाता है, और प्रत्येक क्लस्टर में, पटरियों का स्थान करीब है और गति है समान है। यह वर्ग गतिविधि के एक मोड का प्रतिनिधित्व कर सकता है। इस कक्षीय क्लस्टर के आधार पर, दृश्य में अर्थ क्षेत्रों के सांख्यिकीय मॉडल को प्रत्येक गतिविधि पैटर्न के घनत्व और वेग वितरण का अनुमान लगाकर प्राप्त किया जा सकता है। यह मॉडल वेक्टर क्वांटिज़ेशन न्यूरल नेटवर्क और न्यूरॉन प्रकार के अल्पकालिक मेमोरी के संयोजन पर आधारित है। क्षमता। जिसके परिणामस्वरूप पैदल यात्री प्रक्षेपवक्र मॉडल का उपयोग नए प्रक्षेपवक्र का मूल्यांकन करने के लिए किया जाएगा, वस्तु के भविष्य के प्रक्षेपवक्र की भविष्यवाणी करेगा, बेतरतीब ढंग से नए प्रक्षेपवक्र उत्पन्न करेगा।

तीसरा आवेदन कंप्यूटर ग्राफिक्स में कृत्रिम तंत्रिका नेटवर्क है।

कृत्रिम तंत्रिका नेटवर्क ने छवि क्षेत्र में बहुत महत्वपूर्ण भूमिका निभाई है। छवि डिजाइनर आउटपुट ऑब्जेक्ट के विज़ुअलाइज़ेशन को बढ़ाने के लिए कंप्यूटर द्वारा उत्पन्न छवि के साथ वास्तविक छवि को संयोजित करने का प्रयास कर रहा है। थर्मल सेंसिंग तकनीक का उपयोग करके कुछ सबसे प्रामाणिक चित्रों का उत्पादन किया जा सकता है।

चौथा अनुप्रयोग स्वचालित चलने वाला रोबोट और पानी के नीचे का रोबोट है।

स्वचालित चलने वाला रोबोट मॉड्यूलर अवधारणा पर आधारित है। एक स्वचालित चलने वाले रोबोट बनाने की समस्या को कई कार्यात्मक समस्याओं में जोड़ा जा सकता है। एक जटिल समस्या को सरल, प्रबंधनीय छोटी समस्याओं में तोड़ना, और इस क्षेत्र में अनुसंधान जीव विज्ञान, यांत्रिकी और सूचना प्रौद्योगिकी के ज्ञान को जोड़ती है, फिर तंत्रिका नेटवर्क नियंत्रण का उपयोग करके एक गतिशील, स्थिर, मोबाइल वाहन विकसित करें। यह पानी के नीचे के रोबोटों के बारे में सही है , और पानी के नीचे की मशीन, बचाव कार्यों में मदद करती हैं, प्रदूषण को रोकती हैं, समुद्र और समुद्री वैज्ञानिक अनुसंधान में बचाव करती हैं। इसलिए पानी के नीचे के रोबोट ने वर्षों में बहुत कुछ विकसित किया है।

पांचवें आवेदन चेहरे का एनीमेशन है।

फेस मॉडलिंग और एनीमेशन कंप्यूटर ग्राफिक्स में सबसे कठिन कार्यों में से एक है, और जीवन को डिजिटल रूप में बदलना बहुत मुश्किल है। चेहरे की एनीमेशन बनाने के लिए आधार के रूप में स्तरित बी-सतह का उपयोग करें। तंत्रिका नेटवर्क का उपयोग एनीमेशन अनुक्रम में हर चेहरे की अभिव्यक्ति की सुविधाओं को सीखने के लिए किया जा सकता है।

छठा एंटी-वायरस तकनीक को मजबूत करने वाला तंत्रिका नेटवर्क है।

कृत्रिम तंत्रिका नेटवर्क और कृत्रिम बुद्धि वायरस का पता लगाने में तेजी से महत्वपूर्ण भूमिका निभाते हैं, जो एंटी-वायरस तकनीक के आंतरिक कार्यों को मजबूत करता है, जिससे यह सभी प्रकार के वायरस का पता लगाने और मरम्मत करने की अनुमति देता है। उदाहरण के लिए, ibm का न्यूरल नेटवर्क स्टार्टअप डिटेक्शन तकनीक वायरस और संक्रमित और गैर-वायरस के संक्रमित रिकॉर्ड के बीच अंतर जानने के लिए मानव न्यूरॉन्स की नकल करके अतिरिक्त सुरक्षा प्रदान करता है। गैर-वायरस बताते हैं कि तंत्रिका नेटवर्क वायरस के लिए पारंपरिक हाथ से समायोजित खोजों से बेहतर प्रदर्शन करते हैं।

चौथा भाग मुख्य रूप से कृत्रिम बुद्धिमत्ता के अनुप्रयोग का परिचय देता है।

पहला आवेदन डेटा खनन और ज्ञान निष्कर्षण है। कृत्रिम बुद्धि में तीन बुनियादी तकनीकों को लागू किया जाता है, जिसमें ज्ञान अभिव्यक्ति भी शामिल है, और डेटा माइनिंग बड़ी मात्रा में डेटा से ब्याज के पैटर्न की खोज करना चाहता है, जिसका उपयोग कई रूपों में किया जा सकता है, जैसे कि संघ के नियम। निर्णय नियम और निर्णय वृक्ष। यह भी ज्ञान अर्जन और ज्ञान तर्क है, और डेटा सेट से पाया गया पैटर्न को विभिन्न अनुप्रयोगों में सत्यापित किया जाना चाहिए।

दूसरा आवेदन कृत्रिम प्रणाली है। विशेषज्ञ प्रणाली कृत्रिम बुद्धि का एक सबसेट है, और विशेषज्ञ प्रणाली एक कृत्रिम बुद्धि कार्यक्रम है, जिसे विशिष्ट क्षेत्रों में विशेषज्ञ ज्ञान है और यह जानता है कि संबंधित समस्याओं का सही ढंग से जवाब देने के लिए अपने ज्ञान का उपयोग कैसे करें।

तीसरा आवेदन प्रकृति और मूल प्रक्रिया nlp है। प्राकृतिक भाषा प्रसंस्करण कृत्रिम बुद्धि का एक उपडोमेन है। इसका लक्ष्य मानव की तरह भाषा प्रसंस्करण तंत्र को प्राप्त करना है। निम्नलिखित चित्र nlp का एक मॉडल है।

चौथा आवेदन सायनोलॉजी है। रोबोटिक्स कृत्रिम बुद्धिमत्ता के क्षेत्र का हिस्सा है।

पांचवें आवेदन खेल के लिए कृत्रिम बुद्धि को लागू करने के लिए है। आधुनिक खेल आमतौर पर लोगों को एक वास्तविक भावना देने के लिए 3 डी एनीमेशन ग्राफिक्स का उपयोग करते हैं। अधिकांश कंप्यूटर गेम में कृत्रिम बुद्धिमत्ता एक अकादमिक कृत्रिम बुद्धिमत्ता नहीं है, बल्कि कृत्रिम बुद्धिमत्ता तकनीक के बहुत करीब है, जो एक बौद्धिक भ्रम पैदा करती है। इस कृत्रिम बुद्धिमत्ता में ऐसी तकनीकें शामिल हैं जो प्रोग्रामिंग और डिजाइन प्रथाओं को जोड़ती हैं: पथ खोज, तंत्रिका नेटवर्क, भावनात्मक मॉडल, सामाजिक दृश्यों, परिमित राज्य मशीनों, नियम प्रणालियों, निर्णय वृक्ष सीखने और अन्य तकनीकों।

कागज के अंत में, कुछ समस्याएं जो शोधकर्ताओं पर काम कर रही हैं, उदाहरण के लिए, क्या मशीनें अपने अस्तित्व से अवगत हैं? इंसानों के लिए इसका क्या मतलब है? क्या तंत्रिका नेटवर्क पूरी तरह से मानव मस्तिष्क के समान होगा और इसलिए कागज के अंत में, कुछ समस्याएं जो शोधकर्ताओं पर काम कर रही हैं, उदाहरण के लिए, क्या मशीनें अपने अस्तित्व से अवगत हैं? इंसानों के लिए इसका क्या मतलब है? क्या तंत्रिका नेटवर्क पूरी तरह से मानव मस्तिष्क और इसी तरह के होंगे।

इस पत्र का विषय समाप्त हो गया है। इस पत्र के अध्ययन और पढ़ने के माध्यम से, यह पाया गया है कि कंप्यूटर की दुनिया तंत्रिका नेटवर्क विधि से बहुत लाभ उठा सकती है। भविष्य में, कृत्रिम बुद्धि मशीनों और कंप्यूटरों को विकसित करेगी जो आज की तुलना में अधिक जटिल हैं, और उनके पास वास्तव में सरल सामान्य ज्ञान हो सकता है और कुछ क्षेत्रों में समान मानव बुद्धि हो सकती है। कृत्रिम बुद्धिमत्ता का भावी विकास वास्तव में हमारी दुनिया को बदल सकता है।