342000
پاورپوینت
130560
کاربر
2369700
دانلود فایل
ساخت پاوپوینت با هوش مصنوعی
کم تر از 5 دقیقه با هوش مصنوعی کافه پاورپوینت ، پاورپوینت بسازید
برای شروع ساخت پاورپوینت کلیک کنید
شما در این مسیر هستید :خانه / محصولات /powerpoint / دانلود پاورپوینت هوش مصنوعی و موضوع بررسی جست و جوی آگاهانه و اکتشاف (کد11661)
سفارش انجام پاورپوینت - بهترین کیفیت - کم ترین هزینه - تحویل در چند ساعت 09164470871 ای دی e2proir
دانلود پاورپوینت هوش مصنوعی و موضوع بررسی جست و جوی آگاهانه و اکتشاف (کد11661)
شناسه محصول و کد فایل : 11661
نوع فایل : Powerpoint پاورپوینت
قابل ویرایش تمامی اسلاید ها دارای اسلاید مستر برای ویرایش سریع و راحت تر
امکان باز کردن فایل در موبایل - لپ تاپ - کامپیوتر و ...
با یک خرید میتوانید بین 342000 پاورپینت ، 25 پاورپوینت را به مدت 7 روز دانلود کنید
هزینه فایل : 105000 : 54000 تومان
فایل های مشابه شاید از این ها هم خوشتان بیاید !!!!
دانلود پاورپوینت تحلیل و ارزیابی برنامه هاي وزارت علوم در زمینه توسعه فناوري اطلاعات و ارتباطات(ICT) (کد11668)
دانلود پاورپوینت آشنایی با نحوه تشكيل شرکت‌هاي مادر تخصصي و زير مجموعه‌هاي آن بر حسب مزيت‌هاي نسبي وخوشه‌هاي صنعتي و نرم‌افزاري در استانها (کد11650)
توضیحات محصول دانلود پاورپوینت هوش مصنوعی و موضوع بررسی جست و جوی آگاهانه و اکتشاف (کد11661)
دانلود پاورپوینت هوش مصنوعی و موضوع بررسی جست و جوی آگاهانه و اکتشاف
\nهوش مصنوعی فصل اول
\n\nعنوان های پاورپوینت :
\nهوش مصنوعی چیست؟
\nمبانی هوش مصنوعی
\nتاریخچه هوش مصنوعی
\n \n\n\n\nقسمت ها و تکه های اتفاقی از فایل\n\n \n\nجست و جوی عمقی\n\nانتخاب مقادیر یک متغیر در هر زمان و عقبگرد در صورت عدم وجود مقداری معتبر برای انتساب به متغیر\n\nیک الگوریتم ناآگاهانه است\n\nبرای مسئله های بزرگ کارآمد نیست\n\n \n\nارضای محدودیت (CSP) چیست؟\n\nمجموعه متناهی از متغیرها؛ X1, X2, …, Xn\n\nمجموعه متناهی از محدودیتها؛ C1, C2, …, Cm\n\nدامنه های ناتهی برای هر یک از متغیرها؛DX1,DX2,…,DXn\n\nهر محدودیت Ci زیرمجموعه ای از متغیرها و ترکیبهای ممکنی از مقادیر برای آن زیرمجموعه ها\n\nهر حالت با انتساب مقادیری به چند یا تمام متغیرها تعریف میشود\n\nانتسابی که هیچ محدودیتی را نقض نکند، انتساب سازگار نام دارد\n\nانتساب کامل آن است که هر متغیری در آن باشد\n\nراه حل CSP یک انتساب کامل است اگر تمام محدودیتها را برآورده کند\n\nبعضی از CSPها به راه حلهایی نیاز دارند که تابع هدف را بیشینه کنند\n\n \n\nتا به حال همه الگوریتمها برون خطی بودند\n\nبرون خطی(Offline):راه حل قبل از اجرا مشخص است\n\nدرون خطی(Online):با یک در میان کردن محاسبات و فعالیت عمل میکند\n\nجستجوی درون خطی در محیطهای پویا و نیمه پویا مفید است\n\nآنچه را که باید واقعا اتفاق بیفتد، در نظر گرفته نمیشود\n\nجست و جوی درون خطی ایده ضروری برای مسئله اکتشاف است\n\nفعالیتها و حالتها برای عامل مشخص نیستند\n\nمثال:قرار گرفتن روبات در محیطی جدید, نوزاد تازه بدنیا آمده\n\n \n\nانواع تپه نوردی:\n\nتپه نوردی غیرقطعی، تپه نوردی اولین انتخاب، تپه نوردی شروع مجدد تصادفی\n\n \n\nمثال: مسئله 8 وزیر\n\nمسئله 8 وزیر با استفاده از فرمولبندی حالت کامل\n\nدر هر حالت 8 وزیر در صفحه قرار دارند\n\nتابع جانشین: انتقال یک وزیر به مربع دیگر در همان ستون\n\nتابع اکتشاف: جفت وزیرهایی که نسبت به هم گارد دارند\n\nمستقیم یا غیر مستقیم\n\n \n\nهمیشه بهتر است از تابع اکتشافی با مقادیر بزرگ استفاده کرد، به شرطی که زمان محاسبه اکتشاف، خیلی بزرگ نباشد\n\nاگر برای هر گره n داشته باشیم: h2(n) >= h1(n)\n\nh2 بر h1غالب است\n\nغالب بودن مستقیما به کارایی ترجمه میشود\n\nتعداد گره\n\nفاکتور انشعاب مؤثر b*\n\nاگر تعداد گره هایی که برای یک مسئله خاص توسط A* تولید میشود برابر با N و عمق راه حل برابر با d باشد، آن گاه b* فاکتور انشعابی است که درخت یکنواختی به عمق d باید داشته باشد تا حاوی N+1 گره باشد\n\n \n\nفاکتور انشعاب مؤثر معمولاً برای مسئله های سخت ثابت است\n\nاندازه گیریهای تجربی b* بر روی مجموعه کوچکی از مسئله ها میتواند راهنمای خوبی برای مفید بودن اکتشاف باشد\n\nمقدار b* در اکتشافی با طراحی خوب، نزدیک 1 است\n\n \n\nروشهای جست و جوی قبلی، از روشهای ثابت استفاده میکردند.\n\nعامل با استفاده از فضای حالت فراسطحی میتواند یاد بگیرد که بهتر جست و جو کند\n\nهر حالت در فضای حالت فرا سطحی، حالت(محاسباتی) داخلیِ برنامه ای را تسخیر میکند که فضای حالت سطح شیء، مثل رومانی را جست و جو میکند\n\nالگوریتم یادگیری فراسطحی میتواند چیزهایی را از تجربیات بیاموزد تا زیردرختهای غیر قابل قبول را کاوش نکند.\n\nهدف یادگیری، کمینه کردن کل هزینه، حل مسئله است\n\n \n\nاگر مقدار f تمام برگها یکسان باشد و الگوریتم یک گره را هم برای بسط و هم برای حذف انتخاب کند، SMA* این مسئله را با بسط بهترین برگ جدید و حذف بهترین برگ قدیمی حل میکند\n\nممکن است SMA* مجبور شود دائما بین مجموعه ای از مسیرهای حل کاندید تغییر موضع دهد، در حالی که بخش کوچکی از هر کدام در حافظه جا شود\n\nمحدودیتهای حافظه ممکن است مسئله ها را از نظر زمان محاسباتی، غیر قابل حل کند.\n\n \n\nSMA* بهترین برگ را بسط میدهد تا حافظه پر شود. در این نقطه بدون از بین بردن گره های قبلی نمیتواند گره جدیدی اضافه کند\n\nSMA* همیشه بدترین گره برگ را حذف میکند و سپس از طریق گره فراموش شده به والد آن بر میگردد. پس جد زیر درخت فراموش شده، کیفیت بهترین مسیر را در آن زیر درخت میداند\n\nاگر عمق سطحی ترین گره هدف کمتر از حافظه باشد, کامل است.\n\nSMA* بهترین الگوریتم همه منظوره برای یافتن حلهای بهینه میباشد\n\n \n\nIDA* و RBFS در معرض افزایش توانی پیچیدگی قرار دارند که در جست و جوی گرافها مرسوم است، زیرا نمیتوانند حالتهای تکراری را در غیر از مسیر فعلی بررسی کنند. لذا، ممکن است یک حالت را چندین بار بررسی کنند.\n\nIDA* و RBFS از فضای اندکی استفاده میکنند که به آنها آسیب میرساند. IDA* بین هر تکرار فقط یک عدد را نگهداری میکند که فعلی هزینه f است. RBFS اطلاعات بیشتری در حافظه نگهداری میکند\n\n \n\nتابع هزینه مسیر، g(n) : هزینه مسیر از گره اولیه تا گره n\n\nتابع اکتشافی، h(n) : هزینه تخمینی ارزان ترین مسیر از گره n به گره هدف\n\nتابع بهترین مسیر، h*(n) : ارزان ترین مسیر از گره n تا گره هدف\n\nتابع ارزیابی، f(n) : هزینه تخمینی ارزان ترین مسیر از طریق n\n\nf(n): g(n) + h(n)\n\nf*(n) : هزینه ارزان ترین مسیر از طریقn f*(n): g(n) + h*(n)\n\nعامل جارو تمام اثرات فعالیتهایش را میداند اما فاقد حسگر است.\n\nحالت اولیه آن یکی از اعضای مجموعه{1،2،3،4،5،6،7،8} میباشد\n\nفعالیت ((Right {2،4،6،8}\n\nفعالیت (Right,Suck) {4،8}\n\nفعالیت (Right,Suck,Left,Suck) تضمین میکند که صرف نظر از حالت اولیه، به حالت هدف، یعنی 7 برسد\n\n \n\nناآگاهی این است که الگوریتم هیچ اطلاعاتی غیر از تعریف مسئله در اختیار ندارد\n\nاین الگوریتمها فقط میتواند جانشینهایی را تولید و هدف را از غیر هدف تشخیص دهند\n\nراهبردهایی که تشخیص میدهد یک حالت غیر هدف نسبت به گره غیر هدف دیگر، امید بخش تر است، جست و جوی آگاهانه یا جست و جوی اکتشافی نامیده میشود.\n\n \n\nآزمون هدف: تعیین میکند که آیا حالت خاصی، حالت هدف است یا خیر\n\nهدف صریح: در مثال رومانی، رسیدن به بخارست\n\nهدف انتزاعی: در مثال شطرنج، رسیدن به حالت کیش و مات\n\nمسیر: دنباله ای از حالتها که دنباله ای از فعالیتها را به هم متصل میکند.\n\nدر مثال رومانی: Arad, Sibiu, Fagaras یک مسیر است\n\nهزینه مسیر: برای هر مسیر یک هزینه عددی در نظر میگیرد.\n\nدر مثال رومانی: طول مسیر بین شهرها بر حسب کیلومتر\n\nراه حل مسئله مسیری از حالت اولیه به حالت هدف است\n\nراه حل بهینه کمترین هزینه مسیر را دارد\n\n \n\nصورت مسأله: رفتن از آراد به بخارست\n\nفرموله کردن هدف: رسیدن به بخارست\n\nفرموله کردن مسئله:\n\nوضعیتها: شهرهای مختلف\n\nفعالیتها: حرکت بین شهرها\n\nجستجو: دنباله ای از شهرها مثل:آراد، سیبیو، فاگارس، بخارست\n\nاین جستجو با توجه به کم هزینه ترین مسیر انتخاب میشود\n\n \n\nاین عامل برای اهداف مشخص، راه های مختلفی دارد، که راه حل بهتر برای عامل سودمندتر است.\n\nتابع سودمندی، حالت یا دنباله ای از حالتها را به یک عدد حقیقی نگاشت میکند که درجه رضایت را توصیف مِیکند.\n\nوقتی اهداف متضاد باشند، بعضی از آنها برآورده میشوند\n\nاگر هیچیک از اهداف به طور قطعی قابل حصول نباشند، احتمال\n\n \n\n \n\n30 تا 70 درصد پروژه | پاورپوینت | سمینار | طرح های کارآفرینی و توجیهی | پایان-نامه | پی دی اف مقاله ( کتاب ) | نقشه | پلان طراحی | های آماده به صورت رایگان میباشد ( word | pdf | docx | doc )
