›
›

Bài giảng Trí tuệ nhân tạo - Nguyễn Đình Cường

pdf 137 trang Gia Huy 17/05/2022 3200
Download
Bạn đang xem 20 trang mẫu của tài liệu "Bài giảng Trí tuệ nhân tạo - Nguyễn Đình Cường", để tải tài liệu gốc về máy bạn click vào nút DOWNLOAD ở trên

Tài liệu đính kèm:

  • pdfbai_giang_tri_tue_nhan_tao_nguyen_dinh_cuong.pdf

Nội dung text: Bài giảng Trí tuệ nhân tạo - Nguyễn Đình Cường

  1. See discussions, stats, and author profiles for this publication at: Artificial Intelligence TRÍ TUỆ NHÂN TẠO Bài giảng Nha trang-2012 NGUYỄN ĐÌNH CƯỜNG Bộ môn Công Nghệ Phần Mềm Khoa Công Nghệ Thông Tin Presentation · February 2019 CITATIONS READS 0 2,266 1 author: nguyen dinh Cuong Nha Trang University 41 PUBLICATIONS 18 CITATIONS SEE PROFILE Some of the authors of this publication are also working on these related projects: Vingroup and Nha Trang University View project Xây dựng dữ liệu tài chính hỗ trợ phân tích khách hàng chi tiêu tài chính qua hệ thống internet banking vietinbank View project All content following this page was uploaded by nguyen dinh Cuong on 24 February 2019. The user has requested enhancement of the downloaded file.
  2. TRƯỜNG ĐẠI HỌC NHA TRANG Bài giảng TRÍ TUỆ NHÂN TẠO NGUYỄN ĐÌNH CƯỜNG Bộ môn Công Nghệ Phần Mềm Khoa Công Nghệ Thông Tin Nha trang - 2012 Artificial Intelligence Nguyễn Đình Cường 1
  3. NỘI DUNG • GIỚI THIỆU • THUẬT TOÁN, THUẬT GIẢI • GIẢI THUẬT DI TRUYỀN • BIỂU DIỄN VÀ SUY LUẬN TRI THỨC • LOGIC MỆNH ĐỀ LOGIC VỊ TỪ • MÁY HỌC • MẠNG NEURAL • SVM • HMM Artificial Intelligence Nguyễn Đình Cường 2
  4. GIỚI THIỆU • AI là lĩnh vực của Công nghệ thông tin, có chức năng nghiên cứu và tạo ra các chương trình mô phỏng hoạt động tư duy của con người. • Trí tuệ nhân tạo nhằm tạo ra “Máy người”? • Mục tiêu • Xây dựng lý thuyết về thông minh để giải thích các hoạt động thông minh • Tìm hiểu cơ chế sự thông minh của con người Cơ chế lưu trữ tri thức Cơ chế khai thác tri thức • Xây dựng cơ chế hiện thực sự thông minh • Áp dụng các hiểu biết này vào các máy móc phục vụ con người Artificial Intelligence Nguyễn Đình Cường 3
  5. GIỚI THIỆU ĐỐI TƯỢNG NGHIÊN CỨU CỦA AI • AI là ngành nghiên cứu về cách hành xử thông minh (intellgent behaviour) bao gồm: thu thập, lưu trữ tri thức, suy luận, hoạt động và kỹ năng. • Đối tượng nghiên cứu là các “hành xử thông minh” chứ không phải là “sự thông minh”. • Giải quyết bài toán bằng AI là tìm cách biểu diễn tri thức, tìm cách vận dụng tri thức để giải quyết vấn đề và tìm cách bổ sung tri thức bằng cách “phát hiện” tri thức từ những thông tin sẵn có (máy học) Artificial Intelligence Nguyễn Đình Cường 4
  6. GIỚI THIỆU LỊCH SỬ PHÁT TRIỂN CỦA AI GIAI ĐOẠN CỔ ĐIỂN Giai đoạn cổ điển (1950 – 1965) Có 2 kỹ thuật tìm kiếm cơ bản: Kỹ thuật generate and test : chỉ tìm được 1 đáp án/ chưa chắc tối ưu. Kỹ thuật Exhaustive search (vét cạn): Tìm tất cả các nghiệm, chọn lựa phương án tốt nhất Artificial Intelligence Nguyễn Đình Cường 5
  7. GIỚI THIỆU LỊCH SỬ PHÁT TRIỂN CỦA AI GIAI ĐOẠN VIỄN VÔNG • Đây là giai đoạn phát triển với tham vọng làm cho máy hiểu được con người qua ngôn ngữ tự nhiên. • Các công trình nghiên cứu tập trung vào việc biểu diễn tri thức và phương thức giao tiếp giữa ngừời và máy bằng ngôn ngữ tự nhiên. • Kết quả không mấy khả quan nhưng cũng tìm ra được các phương thức biểu diễn tri thức vẫn còn được dùng đến ngày nay tuy chưa thật tốt như: Semantic Network (mạng ngữ nghĩa) Conceptial graph (đồ thị khái niệm) Frame (khung) Vấp phải trở ngại về năng lực của máy tính Script (kịch bản) Artificial Intelligence Nguyễn Đình Cường 6
  8. GIỚI THIỆU LỊCH SỬ PHÁT TRIỂN CỦA AI GIAI ĐOẠN HIỆN ĐẠI Giai đoạn hiện đại (từ 1975) • Xác định lại mục tiêu mang tính thực tiễn hơn của AI: Tìm ra lời giải tốt nhất trong khoảng thời gian chấp nhận được. Không cầu toàn tìm ra lời giải tối ưu • Tinh thần HEURISTIC ra đời và được áp dụng mạnh mẽ để khắc phục bùng nổ tổ hợp. • Khẳng định vai trò của tri thức đồng thời xác định 2 trở ngại lớn là biểu diễn tri thức và bùng nổ tổ hợp. • Nêu cao vai trò của Heuristic nhưng cũng khẳng định tính khó khăn trong đánh giá heuristic. Artificial Intelligence Nguyễn Đình Cường 7
  9. GIỚI THIỆU CÁC LĨNH VỰC ỨNG DỤNG • Game Playing: Tìm kiếm / Heuristic • Automatic reasoning & Theorem proving: Tìm kiếm / Heuristic • Expert System: là hướng phát triển mạnh mẽ nhất và có giá trị ứng dụng cao nhất. • Planning & Robotic: các hệ thống dự báo, tự động hóa • Machine learning: Trang bị khả năng học tập để giải quyết vấn đề kho tri thức: Supervised : Kiểm soát được tri thức học được. Không tìm ra cái mới. UnSupervised:Tự học, không kiểm soát. Có thể tạo ra tri thức mới nhưng cũng nguy hiểm vì có thể học những điều không mong muốn. Artificial Intelligence Nguyễn Đình Cường 8
  10. GIỚI THIỆU CÁC LĨNH VỰC ỨNG DỤNG • Natural Language Understanding & Semantic modelling: Không được phát triển mạnh do mức độ phức tạp của bài toán cả về tri thức & khả năng suy luận. • Modeling Human perfromance: Nghiên cứu cơ chế tổ chức trí tuệ của con người để áp dụng cho máy. • Language and Environment for AI:Phát triển công cụ và môi trường để xây dựng các ứng dụng AI. • Neural network / Parallel Distributed processing: giải quyết vấn đề năng lực tính toán và tốc độ tính toán bằng kỹ thuật song song và mô phỏng mạng thần kinh của con người Artificial Intelligence Nguyễn Đình Cường 9
  11. GIỚI THIỆU ỨNG DỤNG AI Mô hình ứng dụng AI hiện tại: AI = Presentation & Search . Artificial Intelligence Nguyễn Đình Cường 10
  12. GIỚI THIỆU My song My song Artificial Intelligence Nguyễn Đình Cường 11
  13. Artificial Intelligence Nguyễn Đình Cường 12
  14. TRƯỜNG ĐẠI HỌC NHA TRANG Bài giảng TRÍ TUỆ NHÂN TẠO NGUYỄN ĐÌNH CƯỜNG Bộ môn Công Nghệ Phần Mềm Khoa Công Nghệ Thông Tin Nha trang - 2012 Artificial Intelligence Nguyễn Đình Cường 13
  15. THUẬT TOÁN - THUẬT GIẢI • Trong quá trình nghiên cứu giải quyết các vấn đề – bài toán, người ta đã đưa ra những nhận xét như sau: Có nhiều bài toán cho đến nay vẫn chưa tìm ra một cách giải theo kiểu thuật toán và cũng không biết là có tồn tại thuật toán hay không. Có nhiều bài toán đã có thuật toán để giải nhưng không chấp nhận được vì thời gian giải theo thuật toán đó quá lớn hoặc các điều kiện cho thuật toán khó đáp ứng. Có những bài toán được giải theo những cách giải vi phạm thuật toán nhưng vẫn chấp nhận được. Artificial Intelligence Nguyễn Đình Cường 14
  16. THUẬT TOÁN - THUẬT GIẢI • Thuật giải Heuristic là một sự mở rộng khái niệm thuật toán. Nó thể hiện cách giải bài toán với các đặc tính sau: Thường tìm được lời giải tốt (nhưng không chắc là lời giải tốt nhất) Giải bài toán theo thuật giải Heuristic thường dễ dàng và nhanh chóng đưa ra kết quả hơn so với giải thuật tối ưu, vì vậy chi phí thấp hơn. Thuật giải Heuristic thường thể hiện khá tự nhiên, gần gũi với cách suy nghĩ và hành động của con người Artificial Intelligence Nguyễn Đình Cường 15
  17. THUẬT TOÁN - THUẬT GIẢI Một số nguyên lý cơ bản như sau Nguyên lý vét cạn thông minh Trong một bài toán tìm kiếm nào đó, khi không gian tìm kiếm lớn, ta thường tìm cách giới hạn lại không gian tìm kiếm hoặc thực hiện một kiểu dò tìm đặc biệt dựa vào đặc thù của bài toán để nhanh chóng tìm ra mục tiêu. Nguyên lý tham lam (Greedy) Lấy tiêu chuẩn tối ưu (trên phạm vi toàn cục) của bài toán để làm tiêu chuẩn chọn lựa hành động cho phạm vi cục bộ của từng bước (hay từng giai đoạn) trong quá trình tìm kiếm lời giải. Nguyên lý thứ tự Thực hiện hành động dựa trên một cấu trúc thứ tự hợp lý của không gian khảo sát nhằm nhanh chóng đạt được một lời giải tốt. Hàm Heuristic Trong việc xây dựng các thuật giải Heuristic, người ta thường dùng các hàm Heuristic. Đó là các hàm đánh già thô, giá trị của hàm phụ thuộc vào trạng thái hiện tại của bài toán tại mỗi bước giải. Nhờ giá trị này, ta có thể chọn được cách hành động tương đối hợp lý trong từng bước của thuật giải. Artificial Intelligence Nguyễn Đình Cường 16
  18. THUẬT TOÁN - THUẬT GIẢI CÁC BÀI TOÁN • Đổi tiền (Vét cạn và Heuristic) • Tìm kiếm chiều rộng và sâu • Tic tac toe. • Đong dầu. • Bài toán TSP • Tô màu bản đồ • Tổ chức Hội nghị • 8,16 puzzle • Cờ vua, cờ tướng • Người nông dân qua sông. • Con thỏ và con cáo • Con khỉ và nải chuối Artificial Intelligence Nguyễn Đình Cường 17
  19. THUẬT TOÁN - THUẬT GIẢI CÁC BÀI TOÁN • Trò chơi Nim • Trò chơi Ô quan • Giải bài toán tam giác tự động • Tính tích phân bất định • Giải phương trình bậc cao bằng giải thuật di truyền • Tính giá trị lớn nhất của hàm nhiều biến bằng giải thuật di truyền • Sắp xếp thời khóa biểu bằng giải thuật di truyền • Cài đặt thuật giải Robinson chứng minh mệnh đề • Cài đặt thuật giải Vương Hạo chứng minh mệnh đề • Cài đặt thuật giải Quinland trong máy học • Cài đặt thuật giải học theo Entropy Artificial Intelligence Nguyễn Đình Cường 18
  20. THUẬT TOÁN - THUẬT GIẢI CÁC PHƯƠNG PHÁP TÌM KIẾM HEURISTIC Cấu trúc chung của bài toán tìm kiếm “Xuất phát từ một đỉnh của một đồ thị, tìm đường đi hiệu quả nhất đến một đỉnh nào đó". Một phát biểu khác thường gặp của dạng bài toán này là : Cho trước hai trạng thái T0 và TG hãy xây dựng chuỗi trạng thái T0, T1, T2, , Tn-1, Tn = TG sao cho : thỏa mãn một điều kiện cho trước (thường là nhỏ nhất). Artificial Intelligence Nguyễn Đình Cường 19
  21. THUẬT TOÁN - THUẬT GIẢI Tìm kiếm chiều sâu và tìm kiếm chiều rộng Tìm kiếm chiều sâu (Depth-First Search) Tìm kiếm chiều rộng (Breath-First Search ) Artificial Intelligence Nguyễn Đình Cường 20
  22. THUẬT TOÁN - THUẬT GIẢI Chiều sâu Chiều rộng Tính hiệu quả Hiệu quả khi lời giải nằm sâu trong cây tìm kiếm và Hiệu quả khi lời giải nằm gần gốc của cây có một phương án chọn hướng đi chính xác. Hiệu tìm kiếm. Hiệu quả của chiến lược phụ quả của chiến lược phụ thuộc vào phương án chọn thuộc vào độ sâu của lời giải. Lời giải càng hướng đi. Phương án càng kém hiệu quả thì hiệu xa gốc thì hiệu quả của chiến lược càng quả của chiến lược càng giảm. Thuận lợi khi muốn giảm. Thuận lợi khi muốn tìm nhiều lời tìm chỉ một lời giải. giải. Lượng bộ nhớ sử dụng để lưu trữ các Chỉ lưu lại các trạng thái chưa xét đến. Phải lưu toàn bộ các trạng thái. trạng thái Trường hợp xấu nhất Vét cạn toàn bộ Vét cạn toàn bộ. Trường hợp tốt nhất Phương án chọn hướng đi tuyệt đối chính xác. Lời giải Lời giải được xác định khi mở nút đầu tiên. được xác định một cách trực tiếp. Artificial Intelligence Nguyễn Đình Cường 21
  23. THUẬT TOÁN - THUẬT GIẢI Tìm kiếm leo đồi • Tìm kiếm leo đồi theo đúng nghĩa, nói chung, thực chất chỉ là một trường hợp đặc biệt của tìm kiếm theo chiều sâu nhưng không thể quay lui. Trong tìm kiếm leo đồi, việc lựa chọn trạng thái tiếp theo được quyết định dựa trên một hàm Heuristic Hàm Heuristic là gì • Thuật ngữ "hàm Heuristic" muốn nói lên điều gì? Chẳng có gì ghê gớm. Bạn đã quen với nó rồi! Đó đơn giản chỉ là một ước lượng về khả năng dẫn đến lời giải tính từ trạng thái đó (khoảng cách giữa trạng thái hiện tại và trạng thái đích). Artificial Intelligence Nguyễn Đình Cường 22
  24. THUẬT TOÁN - THUẬT GIẢI Hình : Các tình huống khó khăn cho tìm kiếm leo đèo Hình : Một trường hợp thất bại của leo đèo kết hợp quay lui Artificial Intelligence Nguyễn Đình Cường 23
  25. THUẬT TOÁN - THUẬT GIẢI Hình Một trường hợp khó khăn cho phương án "nhảy vọt" Hiệu quả của cả hai thuật giải leo đồi đơn giản và leo đồi dốc đứng phụ thuộc vào : • Chất lượng của hàm Heuristic. • Đặc điểm của không gian trạng thái. • Trạng thái khởi đầu Artificial Intelligence Nguyễn Đình Cường 24
  26. THUẬT TOÁN - THUẬT GIẢI Tìm kiếm ưu tiên tối ưu (best-first search) Hình Minh họa thuật giải Best-First Search Artificial Intelligence Nguyễn Đình Cường 25
  27. THUẬT TOÁN - THUẬT GIẢI • BFS khá đơn giản. Tuy vậy, trên thực tế, cũng như tìm kiếm chiều sâu và chiều rộng, hiếm khi ta dùng BFS một cách trực tiếp. Thông thường, người ta thường dùng các phiên bản của BFS là AT, AKT và A* • Thông tin về quá khứ và tương lai Hình Phân biệt khái niệm g và h’ Artificial Intelligence Nguyễn Đình Cường 26
  28. THUẬT TOÁN - THUẬT GIẢI Thuật giải AT Thuật giải AT là một phương pháp tìm kiếm theo kiểu BFS với độ tốt của nút là giá trị hàm g tổng chiều dài con đường đã đi từ trạng thái bắt đầu đến trạng thái hiện tại. Thuật giải AT 1. Đặt OPEN chứa trạng thái khởi đầu. 2. Cho đến khi tìm được trạng thái đích hoặc không còn nút nào trong OPEN, thực hiện : 2.a. Chọn trạng thái (Tmax) có giá trị g nhỏ nhất trong OPEN (và xóa Tmax khỏi OPEN) 2.b. Nếu Tmax là trạng thái kết thúc thì thoát. 2.c. Ngược lại, tạo ra các trạng thái kế tiếp Tk có thể có từ trạng thái Tmax. Đối với mỗi trạng thái kế tiếp Tk thực hiện : g(Tk) = g(Tmax) + cost(Tmax, Tk); Thêm Tk vào OPEN. Artificial Intelligence Nguyễn Đình Cường 27
  29. THUẬT TOÁN - THUẬT GIẢI Tìm đường đi ngắn nhất từ đỉnh 1 đến đỉnh 7 Thuật giải AT Artificial Intelligence Nguyễn Đình Cường 28
  30. THUẬT TOÁN - THUẬT GIẢI Thuật giải AKT (Algorithm for Knowlegeable Tree Search) Thuật giải AKT mở rộng AT bằng cách sử dụng thêm thông tin ước lượng h’. Độ tốt của một trạng thái f là tổng của hai hàm g và h’. Thuật giải AKT 1. Đặt OPEN chứa trạng thái khởi đầu. 2. Cho đến khi tìm được trạng thái đích hoặc không còn nút nào trong OPEN, thực hiện : 2.a. Chọn trạng thái (Tmax) có giá trị f nhỏ nhất trong OPEN (và xóa Tmax khỏi OPEN) 2.b. Nếu Tmax là trạng thái kết thúc thì thoát. 2.c. Ngược lại, tạo ra các trạng thái kế tiếp Tk có thể có từ trạng thái Tmax. Đối với mỗi trạng thái kế tiếp Tk thực hiện : g(Tk) = g(Tmax) + cost(Tmax, Tk); Tính h’(Tk) f(Tk) = g(Tk) + h’(Tk); Thêm Tk vào OPEN. Artificial Intelligence Nguyễn Đình Cường 29
  31. THUẬT TOÁN - THUẬT GIẢI Thuật giải A* • A* là một phiên bản đặc biệt của AKT áp dụng cho trường hợp đồ thị. • Thuật giải A* có sử dụng thêm tập hợp CLOSE để lưu trữ những trường hợp đã được xét đến. • A* mở rộng AKT bằng cách bổ sung cách giải quyết trường hợp khi "mở" một nút mà nút này đã có sẵn trong OPEN hoặc CLOSE. • Khi xét đến một trạng thái Ti bên cạnh việc lưu trữ 3 giá trị cơ bản g, h’, f’ để phản ánh độ tốt của trạng thái đó, A* còn lưu trữ thêm hai thông số sau : 1. Trạng thái cha của trạng thái Ti (ký hiệu là Cha(Ti) ) 2. Danh sách các trạng thái kế tiếp của Ti Artificial Intelligence Nguyễn Đình Cường 30
  32. THUẬT TOÁN - THUẬT GIẢI Begin m Open: open:={s}; close:=ø; if đến được m bằng một path ngắn hơn While (open<> ø) do then Cập nhật lại m trong Open. begin m Close n:= Retrieve(Open) //sao cho f(n) min. if đến được m bằng một path ngắn hơn then if (n=g) then return path từ s đến g begin else begin Close:=Close-{m} Tạo Γ(n) Open:=Open{m} for mỗi nút con m của Γ(n) do end; case m of m Open và m Close: end; /*end case*/ begin Close:=Close{n} Gán giá trị heuristic end; / while/ cho m return false; Open:=Open {m};  End; end; Artificial Intelligence Nguyễn Đình Cường 31
  33. THUẬT TOÁN - THUẬT GIẢI • Hàm lượng giá Heuristic là hàm ước lượng phí tổn để đi từ trạng thái hiện tại đến trạng thái goal. • Cơ sở để xác định hàm lượng giá là dựa vào tri thức/kinh nghiệm thu thập được. • Hàm lượng giá cho kết quả đúng (gần thực thế) hay sai (xa giá trị thực) sẽ dẫn đến • kết quả tìm được tốt hay xấu. • Không có chuẩn mực cho việc đánh giá một hàm lượng giá Heuristic. Lý do: Không có cấu trúc chung cho hàm lượng giá Tính đúng/sai thay đổi liên tục theo từng vấn đề cụ thể Tính đúng/sai thay đổi theo từng tình huống cụ thể trong một vấn đề Có thể dùng nhiều hàm lượng giá khác nhau theo tình huống ➔ cần hàm lượng giá về các hàm lượng giá. Artificial Intelligence Nguyễn Đình Cường 32
  34. THUẬT TOÁN - THUẬT GIẢI Trò đố 8 ô hay 15 ô Artificial Intelligence Nguyễn Đình Cường 33
  35. THUẬT TOÁN - THUẬT GIẢI Xét bài toán 8 pussle với goal là: 1 2 3 Heuristic 1: Tổng số miếng sai vị trí 8 4 Heuristic 2: Tổng khoảng cách sai vị trí của từng miếng. 7 6 5 Việc chọn lựa hàm Heuristic là khó khăn và có ý nghĩa quyết định đối với tốc độ của giải thuật Artificial Intelligence Nguyễn Đình Cường 34
  36. THUẬT TOÁN - THUẬT GIẢI Xét lại hoạt động của giải thuật Best First Search: • Khi có 2 nút cùng có giá trị kỳ vọng đạt đến mục tiêu bằng nhau thì nút có path từ nút bắt đầu đến nút đó ngắn hơn sẽ được chọn trước như vậy nút này có giá trị Heuristic tốt hơn. • Hay nói cách khác hàm lượng giá Heuristic cho nút gần start hơn là tốt hơn nếu kỳ vọng đến goal là bằng nhau. • Vậy chọn nút nào nếu kỳ vọng của 2 nút khác nhau? Nút kỳ vọng tốt hơn nhưng xa start hay nút kỳ vọng xấu hơn nhưng gần root Hàm lượng giá bao gồm cả 2 và có cấu trúc: F(n) := G(n) + H(n) G(n): phí tổn thực từ root đến n H(n): phí tổn ước luợng heuristic từ n đến goal. Artificial Intelligence Nguyễn Đình Cường 35
  37. THUẬT TOÁN - THUẬT GIẢI Xét ví dụ là bài toán 8 puzzle với: 2 8 3 1 2 3 1 6 4 8 4 7 5 7 6 5 Bắt đầu Đích Hàm lượng giá: F(n) = G(n) + H(n) Với G(n): số lần chuyển vị trí đã thực hiện H(n): Số miếng nằm sai vị trí Nút X có giá trị heuristic tốt hơn nút Y nếu F(x) < F(y). Ta có hoạt động của giải thuật Best First search trên như hình sau: Artificial Intelligence Nguyễn Đình Cường 36
  38. THUẬT TOÁN - THUẬT GIẢI 1 2 8 3 State A 1 6 4 F(a) =0+4=4 7 5 x 2 x 2 8 3 State B 2 8 3 State C 2 8 3 State D 1 6 4 1 4 1 6 4 F(b) =1+5=6 F(c) =1+3=4 F(D) =1+5=6 7 5 7 6 5 7 5 3 4 x 2 8 3 State E 2 3 State F 2 8 3 State G 2 8 3 1 4 1 8 4 1 4 1 6 4 F(e) =2+3=5 F(f) =2+3=5 F(g) =2+4=6 7 6 5 7 6 5 7 6 5 7 5 x 2 8 3 State I 7 1 4 2 8 3 F(i) =3+4=7 6 5 1 4 7 6 5 Artificial Intelligence Nguyễn Đình Cường 37
  39. THUẬT TOÁN - THUẬT GIẢI 4 2 3 State F 1 8 4 F(f) =2+3=5 7 6 5 5 x y 2 3 State J 2 3 State K 2 8 3 State Close 1 8 4 F(j) =3+2=5 1 8 4 F(k) =3+4=7 1 4 7 6 5 7 6 5 7 6 5 y 2 3 Close 1 8 4 7 6 5 7 x 1 2 3 State M 1 2 3 State N 8 4 F(m) =5+0=5 7 8 4 F(n) =5+1=7 7 6 5 6 5 Artificial Intelligence Nguyễn Đình Cường 38
  40. THUẬT TOÁN - THUẬT GIẢI Lần n Open Close 0 {A4} {} 1 A4 {C4,B6,D6} {A4} 2 C4 {E5,F5,G6,B6,D6} {A4,C4} 3 E5 {F5,H6,G6,B6,D6,I7} {A4,C4,E5} 4 F5 {J5,H6,G6,B6,D6,K7,I7} {A4,C4,E5,F5} 5 J5 {L5,H6,G6,B6,D6,K7,I7} {A4,C4,E5,F5,J5} 6 l5 {M5,H6,G6,B6,D6,K7,I7,N7} {A4,C4,E5,F5,J5,L5} 7 m5 Artificial Intelligence Nguyễn Đình Cường 39
  41. THUẬT TOÁN - THUẬT GIẢI Admissibility – Tính chấp nhận • Một giải thuật Best first search với hàm đánh giá • F(n) = G(n) + H(n) với N : Trạng thái bất kỳ G(n): Phí tổn đi từ nút bắt đầu đến nút n H(n) : Phí tổn ước lượng heuristic đi từ nút n đến goal • Được gọi là giải thuật A Một giải thuật tìm kiếm được xem là admissible nếu đối với một đồ thị bất kỳ nó luôn dừng ở path nghiệm tốt nhất (nếu có). Giải thuật A*: Là giải thuật A với hàm heuristic H(n)luôn luôn giá trị thực đi từ n đến goal. Giải thuật A* là admissible Artificial Intelligence Nguyễn Đình Cường 40
  42. THUẬT TOÁN - THUẬT GIẢI HEURISTIC TRONG TRÒ CHƠI ĐỐI KHÁNG Giải thuật minimax: • Hai đấu thủ trong trò chơi được gọi là MIN và MAX. • Mỗi nút lá có giá trị: 1 nếu là MAX thắng. 0 nếu là MIN thắng. Minimax sẽ truyền các giá trị này lên cao dần trên đồ thị, qua các nút cha mẹ kế tiếp theo các luật sau: Nếu trạng thái cha mẹ là MAX, gán cho nó giá trị lớn nhất có trong các trạng thái con. Nếu trạng thái bố, mẹ là MIN, gán cho nó giá trị nhỏ nhất có trong các trạng thái con. Artificial Intelligence Nguyễn Đình Cường 41
  43. THUẬT TOÁN - THUẬT GIẢI ÁP DỤNG MIN – MAX VÀO TRÒ CHƠI NIM Artificial Intelligence Nguyễn Đình Cường 42
  44. THUẬT TOÁN - THUẬT GIẢI TRÒ CHƠI BÓC SỎI ĐỐI KHÁNG • N : Viên sỏi • Mỗi lần bóc từ 1 đến k viên • 2 Người thay phiên nhau bóc, ai bóc cuối cùng là thua. Chiến thuật cho người đi trước khả năng thắng cao Đoạn dư N mod k+1 Bình luận K +1 Bí mật cộng vào giá trị 1 ở mỗi lần bốc viên 1 Cố gắng để lại 1 viên cuối cùng (The serect in your brain) Những lần tiếp theo Số viên sỏi bóc = K+1 – số viên sỏi đối phương bóc Artificial Intelligence Nguyễn Đình Cường 43
  45. THUẬT TOÁN - THUẬT GIẢI Minimax với độ sâu lớp cố định Artificial Intelligence Nguyễn Đình Cường 44
  46. THUẬT TOÁN - THUẬT GIẢI Heuristic trong trò chơi tic-tac-toe Hàm Heuristic: E(n) = M(n) – O(n) Trong đó:M(n) là tổng số đường thắng có thể của tôi O(n) là tổng số đường thắng có thể của đối thủ E(n) là trị số đánh giá tổng cộng cho trạng thái n Artificial Intelligence Nguyễn Đình Cường 45
  47. THUẬT TOÁN - THUẬT GIẢI Artificial Intelligence Nguyễn Đình Cường 46
  48. THUẬT TOÁN - THUẬT GIẢI GiẢI THUẬT CẮT TỈA - Tìm kiếm theo kiểu depth-first. Nút MAX có 1 giá trị (luôn tăng) Nút MIN có 1 giá trị  (luôn giảm) TK có thể kết thúc dưới bất kỳ: Nút MIN nào có  của bất kỳ nút cha MAX nào. Nút MAX nào có  của bất kỳ nút cha MIN nào. Giải thuật cắt tỉa - thể hiện mối quan hệ giữa các nút ở lớp n và n+2, mà tại đó toàn bộ cây có gốc tại lớp n+1 có thể cắt bỏ. Artificial Intelligence Nguyễn Đình Cường 47
  49. THUẬT TOÁN - THUẬT GIẢI Cắt tỉa S MAX ≥ MIN A = Z - cut = z z ≤ Artificial Intelligence Nguyễn Đình Cường 48
  50. THUẬT TOÁN - THUẬT GIẢI S =  MIN ≤  MAX A =  Z  - cut = z z ≥  Artificial Intelligence Nguyễn Đình Cường 49
  51. THUẬT TOÁN - THUẬT GIẢI Artificial Intelligence Nguyễn Đình Cường 50
  52. TRƯỜNG ĐẠI HỌC NHA TRANG Bài giảng TRÍ TUỆ NHÂN TẠO NGUYỄN ĐÌNH CƯỜNG Bộ môn Công Nghệ Phần Mềm Khoa Công Nghệ Thông Tin Nha trang - 2012 Artificial Intelligence Nguyễn Đình Cường 51
  53. GIẢI THUẬT DI TRUYỀN TỔNG QUAN VỀ GA • Bài toán tối ưu: Tìm lời giải tốt nhất trong không gian tìm kiếm. Nếu không gian tìm kiếm nhỏ: Áp dụng các phương pháp cổ điển. phải dùng đến những kỹ thuật khác: Trí tuệ nhân tạo, GA là thuật giải mô phỏng các hiện tượng tự nhiên: kế thừa và đấu tranh sinh tồn để khảo sát không gian lời giải Quan niệm: quá trình tiến hóa tự nhiên là quá trình thế hệ sau bao giờ cũng tốt hơn thế hệ trước. • Tiến hóa tự nhiên được duy trì nhờ 2 quá trình cơ bản: sinh sản và chọn lọc tự nhiên. • Sự thay đổi môi trường là động lực thúc đẩy quá trình tiến hóa. • Các cá thể sinh ra trong quá trình tiến hóa nhờ sự lai ghép ở thế hệ bố mẹ. Một cá thể mới có thể mang những đặc tính của thế hệ bố mẹ (di truyền) cũng có thể mang những đặc tính hoàn toàn mới (đột biến). Đột biến xảy ra với xác suất nhỏ hơn nhiều so với di truyền. • Các thuật toán di truyền dựa trên các quá trình: lai ghép, đột biến, sinh sản và chọn lọc tự nhiên. Artificial Intelligence Nguyễn Đình Cường 52
  54. GIẢI THUẬT DI TRUYỀN QUÁ TRÌNH LAI GHÉP Phép lai ghép với xác suất pc, được mô phỏng như sau: • Chọn ngẫu nhiên hai (hay nhiều) cá thể bất kỳ trong quần thể. Giả sử rằng, các nhiễm sắc thể của thế hệ bố mẹ đều có m gen. • Tạo ngẫu nhiên một số i: 1 i m-1 (i được gọi là điểm lai). Điểm lai chia chuỗi bố mẹ thành 2 chuỗi con dài m11 m12 và m21 m22 . Hai chuỗi nhiễm sắc thể con mới là m11m22 và m21m12. • Đưa 2 cá thể mới này vào quần thể để tham gia các quá trình tiến hóa tiếp theo. Artificial Intelligence Nguyễn Đình Cường 53
  55. GIẢI THUẬT DI TRUYỀN Artificial Intelligence Nguyễn Đình Cường 54
  56. GIẢI THUẬT DI TRUYỀN QUÁ TRÌNH SINH SẢN • Phép tái sinh là quá trình các cá thể được sao chép trên cơ sở độ thích nghi của nó. Độ thích nghi là một hàm gán một giá trị thực cho các cá thể trong quần thể. • Quá trình sinh sản được mô phỏng: Tính độ thích nghi cho từng cá thể trong quần thể hiện hành Fi lập bảng cộng dồn các độ thích nghi Fti và tính tổng độ thích nghi của toàn quần thể Fm. Tạo số ngẫu nhiên F: 0 F Fm. Chọn cá thể thứ k đầu tiên thỏa F Ftk và đưa vào quần thể của thế hệ mới. Artificial Intelligence Nguyễn Đình Cường 55
  57. GIẢI THUẬT DI TRUYỀN QUÁ TRÌNH CHỌN LỌC Giữ lại các cá thể tốt và loại bỏ các cá thể xấu trong quần thể. Phép chọn được mô phỏng như sau: • Sắp xếp quần thể theo thứ tự độ thích nghi giảm dần. • Loại bỏ các cá thể cuối dãy, chỉ giữ lại n cá thể tốt nhất. Giả sử n là kích thước của quần thể (pop_size) Artificial Intelligence Nguyễn Đình Cường 56
  58. GIẢI THUẬT DI TRUYỀN GA là thuật giải mô phỏng các hiện tượng tự nhiên: kế thừa và đấu tranh sinh tồn để tìm kiếm lời giải tối ưu. Ví dụ về quần thể thỏ: Một số con nhanh nhẹn hơn những con khác có xác suất bị chồn cáo ăn thịt nhỏ hơn, chúng tồn tại và tạo thêm nhiều thỏ tốt, dĩ nhiên cũng có một số con thỏ chậm chạp cũng sống chỉ vì may mắn. Quần thể những con thỏ sống sót sẽ sinh sản ra các con thỏ với các đặc điểm từ các thỏ bố mẹ và thỉnh thoảng lại có một con thỏ đột biến nào đó. Để tìm kiếm lời giải tối ưu, GA cũng thực hiện các bước tương ứng như câu chuyện đấu tranh sinh tồn của loài thỏ. GA sử dụng thuật ngữ được vay mượn từ Di truyền học: Cá thể (hay kiểu gen, cấu trúc) trong quần thể: các cá thể còn được gọi là các chuỗi hay các nhiễm sắc thể. Artificial Intelligence Nguyễn Đình Cường 57
  59. GIẢI THUẬT DI TRUYỀN NĂM THÀNH PHẦN TRONG VIỆC ỨNG DỤNG THUẬT GiẢI DI TRUYỀN Cấu trúc dữ liệu biểu diễn không gian lời giải của bài toán. • Phương pháp khởi tạo quần thể ban đầu P(0). • Hàm xác định độ thích nghi Eval( ), đóng vai trò môi trường • Các phép toán di truyền (lai ghép, đột biến, sinh sản và chọn lọc tự nhiên) • Các tham số cần sử dụng trong thuật giải (kích thước quần thể, xác suất lai, xác suất đột biến, ) Artificial Intelligence Nguyễn Đình Cường 58
  60. GIẢI THUẬT DI TRUYỀN Genetic Algorithm Begin t=0; Khởi tạo P(t); Tính độ thích nghi của các cá thể thuộc P(t); While (điều kiện dừng chưa thỏa) do Begin t:=t+1; Chọn lọc P(t) từ P(t-1); Kết hợp các cá thể của P(t) ; Tính độ thích nghi của các cá thể thuộc P(t); End; End Ghi chú: Để giải được bài toán theo GA cần thiết phải vận dụng tri thức bài toán sao Cho xây dựng được cấu trúc dữ liệu hợp lý để áp dụng được giải thuật di truyền một cách tự nhiên và hiệu quả. Artificial Intelligence Nguyễn Đình Cường 59
  61. GIẢI THUẬT DI TRUYỀN BÀI TOÁN TSP(TRAVELING SALES PROBLEM) • Một người bán hàng cần đến tất cả các thành phố, mỗi thành phố một lần rồi trở về điểm khởi hành, biết trước quãng đường (chi phí) giữa 2 thành phố bất kỳ. Hãy tìm lộ trình đi sao cho tổng quãng đường (hay tổng chi phí là nhỏ nhất). • Bài toán TSP có thể tiếp cận: nhánh cận, phương pháp gần đúng hay Heuristic. Sau đây, xét bằng giải thuật GA: Artificial Intelligence Nguyễn Đình Cường 60
  62. GIẢI THUẬT DI TRUYỀN 1. Biểu diễn nhiễm sắc thể • Cần phải tìm cách biểu diễn nhiễm sắc thể cho phù hợp với bài toán. • Nếu dùng chuỗi nhị phân biểu diễn cho Bài toán TSP có n thành phố, mỗi thành phố phải được mã bằng chuỗi log2(n) bit và nhiễm sắc thể là chuỗi gồm n*log2(n) bit. • Tuy nhiên, phép lai tạo, đột biến có thể tạo ra một lộ trình không thỏa mãn bài toán, chẳng hạn, một thành phố đến 2 lần. • Ngoài ra, trong trường hợp n không là lũy thừa của 2 thì sẽ có một số dãy bit không tương ứng với thành phố nào cả. Ví dụ, n=20, khi đó cần dùng 5 bit để biểu diễn 1 thành phố và dãy 10101 không tương ứng với 1 thành phố nào cả. • Như vậy, ta có thể sử dụng một cách tự nhiên là đánh số các thành phố và dùng vectơ gồm các số nguyên để biểu diễn một nhiễm sắc thể lộ trình. Artificial Intelligence Nguyễn Đình Cường 61
  63. GIẢI THUẬT DI TRUYỀN 2. Khởi tạo quần thể ban đầu: Có thể tạo bằng một trong các cách sau: Tạo ngẫu nhiên các mẫu từ các hoán vị của 1,2, , n Áp dụng các Heuristic, chẳng hạn, dùng Heuristic Greedy nhiều lần, mỗi lần từ một thành phố đầu khác nhau. 3. Hàm lượng giá: Cho trước lộ trình ta có thể tính tổng khoảng cách (chi phí) của lộ trình đó. 4. Phép toán di truyền: Phép lai ghép: Cần xây dựng phép lai ghép sao cho cá thể con phải bảo toàn thứ tự giữa các thành phố. Ví dụ cho cá thể bố mẹ là: Giả sử khúc được chọn là 4 5 6 7, cá thể con của phép lai ghép sẽ là: Có thể hoán đổi vai trò bố mẹ để xây dựng cá thể con thứ 2 Phép đột biến: chỉ cần hoán vị 2 vị trí bất kỳ trong cá thể được chọn Ví dụ: với nhiễm sắc thể đột biến tại vị trí số 3 và vị trí 5, ta có Ghi chú: Đây chỉ là một cách định nghĩa các phép toán di truyền. Với các Heuristic khác có thể thực phép phép toán tốt hơn 5. Các tham số: như trên. Artificial Intelligence Nguyễn Đình Cường 62
  64. GIẢI THUẬT DI TRUYỀN CƠ CHẾ THỰC HIỆN CỦA GA Mở đầu Không mất tính tổng quát, giả sử bài toán tối ưu là bài toán tìm giá trị cực đại và hàm mục tiêu f có giá trị dương trên miền xác định của nó. Bởi vì bài toán tìm cực tiểu hàm f chính là tìm cực đại hàm g=-f min{f(x)} = max{g(x)} = max {-f(x)} Và nếu hàm mục tiêu f không dương trên miền xác định của nó, ta cộng thêm hằng số dương C đủ lớn sao cho: max {g(x)} = max {f(x)+C} Khi đó hai vế trái và phải cùng đạt cực đại tại điểm x0. Artificial Intelligence Nguyễn Đình Cường 63
  65. GIẢI THUẬT DI TRUYỀN Artificial Intelligence Nguyễn Đình Cường 64
  66. GIẢI THUẬT DI TRUYỀN 2. Khởi tạo quần thể Với kích thước quần thể cho trước, ta tạo các cá thể với các nhiễm sắc thể ngẫu nhiên theo từng bit. Có thể sử dụng phân phối xác suất để khởi tạo quần thể ban đầu. 3. Hàm lượng giá Lượng giá từng nhiễm sắc thể bằng cách tính giá trị hàm f trên các chuỗi nhị phân đã được giải mã. 4. Phép toán di truyền Thực hiện phép lai ghép và đột biến để tạo các cá thể thế mới dựa trên độ thích nghi. Sau một số thế hệ, khi không còn cải thiện thêm được nữa, ta cho thuật toán dừng và nhiễm sắc thể tốt nhất được xem là lời giải tối ưu. Artificial Intelligence Nguyễn Đình Cường 65
  67. GIẢI THUẬT DI TRUYỀN Artificial Intelligence Nguyễn Đình Cường 66
  68. GIẢI THUẬT DI TRUYỀN Artificial Intelligence Nguyễn Đình Cường 67
  69. GIẢI THUẬT DI TRUYỀN Artificial Intelligence Nguyễn Đình Cường 68
  70. GIẢI THUẬT DI TRUYỀN Khởi tạo quần thể ban đầu: tạo quần thể gồm pop_size=20 nhiễm sắc thể, tất cả 33 bit của mỗi nhiễm sắc thể được tạo ngẫu nhiên. Giả sử, sau khi khởi tạo có quần thể sau: v1 = 100100100000001111111010011011111 v2 = 111000100100110111001010100011010 v3 = 000010000011001000001010111011101 v4 = 100011000101101001111000001110010 v5 = 000111011001010011010111111000101 v6 = 000101000010010101001010000000011 v7 = 001000100000110101111011011111011 v8 = 100001100001110100010110101100111 v9 = 010000000101100010110000001111100 v10= 000001111000110000011010000111011 v11= 011001111110110101100001101111000 v12= 110100010111101101000101010000000 v13= 111011111010001000110000001000110 v14= 010010011000001010100111100101001 v15= 111011101101110000100011111011110 v16= 110011110000011111100001101001011 v17= 011010111111001111010001101111101 v18= 011101000000001110100111110101101 v19= 000101010011111111110000110001100 v20= 101110010110011110011000101111110 Artificial Intelligence Nguyễn Đình Cường 69
  71. GIẢI THUẬT DI TRUYỀN Xác định độ thích nghi: Eval(v1) = f(6.084492,5.652242) = 26.019600 Eval(v2) = f(10.348434,4.380264) = 7.580015 Eval(v3) = f(-2.516603,4.390381) = 19.626329 Eval(v4) = f(5.278638,5.593460 ) = 17.406725 Eval(v5) = f(-1.255173,4.734458) = 25.341160 Eval(v6) = f(-1.811725, 4.391937) = 18.100417 Eval(v7) = f(-0.991471, 5.680258) = 16.020812 Eval(v8) = f(4.910618,4.703018) = 17.959701 Eval(v9) = f(0.795406,5.381472) = 16.127799 Eval(v10) = f(-2.554851,4.793707) = 21.278435 Eval(v11) = f(3.130078,4.996097) = 23.410669 Eval(v12) = f(9.356179,4.239457) = 15.011619 Eval(v13) = f(11.134646,5.378671) = 27.316720 Eval(v14) = f(1.335944,5,151378) = 19.876294 Eval(v15) = f(11.089025,5.054515) = 30.060205 Eval(v16) = f(9.211598,4.993762) = 23.967227 Eval(v17) = f(3.367514,4.571343) = 13.696165 Eval(v18) = f(3.843020,5.158226) = 15.414128 Eval(v19) = f(-1.746635,5.395584) = 20.095903 Eval(v20) = f(7.935998,4.757338) = 13.666916 Ta có nhiễm sắc thể v15 mạn nhất và v2 yếu nhất. Artificial Intelligence Nguyễn Đình Cường 70
  72. GIẢI THUẬT DI TRUYỀN Cho quay bánh xe Rulet 20 lần, mỗi lần chọn nhiễm sắc thể cho quần thể mới. Giả sử 20 số ngẫu nhiên trong [0,1] được tạo ra là : 0.513870 0.175741 0.308652 0.534534 0.947628 0.171736 0.702231 0.226431 0.484773 0.424720 0.703899 0.389647 0.277226 0.368071 0.983437 0.005389 0.7656882 0.6464773 0.767139 0.780237 Số đầu tiên cho ta chọn v11, số thứ 2 chọn v4, Artificial Intelligence Nguyễn Đình Cường 71
  73. GIẢI THUẬT DI TRUYỀN Ta có dãy các nhiễm sắc thể được chọn và quần thể mới gồm các nhiễm sắc thể sau: v’1 = 011001111110110101100001101111000 (v11) v’2 = 100011000101101001111000001110010 (v4) v’3 = 001000100000110101111011011111011 (v7) v’4 = 011001111110110101100001101111000 (v11) v’5 = 000101010011111111110000110001100 (v19) v’6 = 100011000101101001111000001110010 (v4) v’7 = 111011101101110000100011111011110 (v15) v’8 = 000111011001010011010111111000101 (v5) v’9 = 011001111110110101100001101111000 (v11) v’10= 000010000011001000001010111011101 (v3) v’11 = 111011101101110000100011111011110 (v15) v’12= 010000000101100010110000001111100 (v9) v’13= 000101000010010101001010000000011 (v6) v’14= 100001100001110100010110101100111 (v8) v’15= 101110010110011110011000101111110 (v20) v’16= 100100100000001111111010011011111 (v1) v’17= 000001111000110000011010000111011 (v10) v’18= 111011111010001000110000001000110 (v13) v’19= 111011101101110000100011111011110 (v15) v’20= 110011110000011111100001101001011 (v16) Artificial Intelligence Nguyễn Đình Cường 72
  74. GIẢI THUẬT DI TRUYỀN Artificial Intelligence Nguyễn Đình Cường 73
  75. TRƯỜNG ĐẠI HỌC NHA TRANG Bài giảng TRÍ TUỆ NHÂN TẠO NGUYỄN ĐÌNH CƯỜNG Bộ môn Công Nghệ Phần Mềm Khoa Công Nghệ Thông Tin Nha trang - 2012 Artificial Intelligence Nguyễn Đình Cường 74
  76. BIỂU DIỄN VÀ SUY LUẬN TRÍ THỨC Mở đầu Tri thức, lĩnh vực và biểu diễn tri thức. Các loại tri thức: được chia thành 5 loại • Tri thức thủ tục: mô tả cách thức giải quyết một vấn đề. Loại tri thức này đưa ra giải pháp để thực hiện một công việc nào đó. Các dạng tri thức thủ tục tiêu biểu thường là các luật, chiến lược, lịch trình và thủ tục. • Tri thức khai báo: cho biết một vấn đề được thấy như thế nào. Loại tri thức này bao gồm các phát biểu đơn giản, dưới dạng các khẳng định logic đúng hoặc sai. Tri thức khai báo cũng có thể là một danh sách các khẳng định nhằm mô tả đầy đủ hơn về đối tượng hay một khái niệm nào đó. Artificial Intelligence Nguyễn Đình Cường 75
  77. BIỂU DIỄN VÀ SUY LUẬN TRÍ THỨC Siêu tri thức: mô tả tri thức về tri thức. Loại tri thức này giúp lựa chọn tri thức thích hợp nhất trong số các tri thức khi giải quyết một vấn đề. Các chuyên gia sử dụng tri thức này để điều chỉnh hiệu quả giải quyết vấn đề bằng cách hướng các lập luận về miền tri thức có khả năng hơn cả. Tri thức heuristic: mô tả các “kinh nghiệm" để dẫn dắt tiến trình lập luận. Tri thức heuristic là tri thức không bảm đảm hoàn toàn 100% chính xác về kết quả giải quyết vấn đề. Các chuyên gia thường dùng các tri thức khoa học như sự kiện, luật, sau đó chuyển chúng thành các tri thức heuristic để thuận tiện hơn trong việc giải quyết một số bài toán. Tri thức có cấu trúc: mô tả tri thức theo cấu trúc. Loại tri thức này mô tả mô hình tổng quan hệ thống theo quan điểm của chuyên gia, bao gồm khái niệm, khái niệm con, và các đối tượng; diễn tả chức năng và mối liên hệ giữa các tri thức dựa theo cấu trúc xác định. Artificial Intelligence Nguyễn Đình Cường 76
  78. BIỂU DIỄN VÀ SUY LUẬN TRÍ THỨC CÁC KỸ THUẬT BIỄU DIỄN TRI THỨC • Bộ ba Đối tượng-Thuộc tính-Giá trị • Các luật dẫn • Mạng ngữ nghĩa • Frames • Logic Artificial Intelligence Nguyễn Đình Cường 77
  79. BIỂU DIỄN VÀ SUY LUẬN TRÍ THỨC BỘ BA ĐỐI TƯỢNG-THUỘC TÍNH-GIÁ TRỊ Một sự kiện có thể được dùng để xác nhận giá trị của một thuộc tính xác định của một vài đối tượng. Ví dụ, mệnh đề "quả bóng màu đỏ" xác nhận "đỏ" là giá trị thuộc tính "màu" của đối tượng "quả bóng". Kiểu sự kiện này được gọi là bộ ba Đối tượng-Thuộc tính-Giá trị (O-A-V – Object-Attribute-Value). Hình Biểu diễn tri thức theo bộ ba O-A-V Artificial Intelligence Nguyễn Đình Cường 78
  80. BIỂU DIỄN VÀ SUY LUẬN TRÍ THỨC • Trong các sự kiện O-A-V, một đối tượng có thể có nhiều thuộc tính với các kiểu giá trị khác nhau. Hơn nữa một thuộc tính cũng có thể có một hay nhiều giá trị. Chúng được gọi là các sự kiện đơn trị (single-valued) hoặc đa trị (multi-valued). Điều này cho phép các hệ tri thức linh động trong việc biểu diễn các tri thức cần thiết. • Các sự kiện không phải lúc nào cũng bảo đảm là đúng hay sai với độ chắc chắn hoàn toàn. Vì thế, khi xem xét các sự kiện, người ta còn sử dụng thêm một khái niệm là độ tin cậy. Phương pháp truyền thống để quản lý thông tin không chắc chắn là sử dụng nhân tố chắc chắn CF (certainly factor). Khái niệm này bắt đầu từ hệ thống MYCIN (khoảng năm 1975), dùng để trả lời cho các thông tin suy luận. Khi đó, trong sự kiện O-A-V sẽ có thêm một giá trị xác định độ tin cậy của nó là CF. Artificial Intelligence Nguyễn Đình Cường 79
  81. BIỂU DIỄN VÀ SUY LUẬN TRÍ THỨC CÁC LUẬT DẪN • Luật là cấu trúc tri thức dùng để liên kết thông tin đã biết với các thông tin khác giúp đưa ra các suy luận, kết luận từ những thông tin đã biết. • Trong hệ thống dựa trên các luật, người ta thu thập các tri thức lĩnh vực trong một tập và lưu chúng trong cơ sở tri thức của hệ thống. Hệ thống dùng các luật này cùng với các thông tin trong bộ nhớ để giải bài toán. Việc xử lý các luật trong hệ thống dựa trên các luật được quản lý bằng một module gọi là bộ suy diễn. Artificial Intelligence Nguyễn Đình Cường 80
  82. BIỂU DIỄN VÀ SUY LUẬN TRÍ THỨC Các dạng luật cơ bản: 7 dạng 1. Quan hệ IF Bình điện hỏng THEN Xe sẽ không khởi động được 2. Lời khuyên IF Xe không khởi động được THEN Đi bộ 3. Hướng dẫn IF Xe không khởi động được AND Hệ thống nhiên liệu tốt THEN Kiểm tra hệ thống điện Artificial Intelligence Nguyễn Đình Cường 81
  83. BIỂU DIỄN VÀ SUY LUẬN TRÍ THỨC 4. Chiến lược IF Xe không khởi động được THEN Đầu tiên hãy kiểm tra hệ thống nhiên liệu, sau đó kiểm tra hệ thống điện 5. Diễn giải IF Xe nổ AND tiếng giòn THEN Động cơ hoạt động bình thường 6. Chẩn đoán IF Sốt cao AND hay ho AND Họng đỏ THEN Viêm họng 7. Thiết kế IF Là nữ AND Da sáng THEN Nên chọn Xe Spacy AND Chọn màu sáng Nếu cố gắng học thì sẽ thi đỗ Nếu đã cố gắng học thì đã thi đỗ rồi Nếu thực tập nhiều thì sẽ viết chương trình tốt Artificial Intelligence Nguyễn Đình Cường 82
  84. BIỂU DIỄN VÀ SUY LUẬN TRÍ THỨC Suy diễn tiến Từ giả thiết và các luật, suy luận ra thêm những yếu tố mới Bước Kết quả Luật Vết 0 r1 b 1 r2 c 2 r3 e r4 f 3 Artificial Intelligence Nguyễn Đình Cường 83
  85. BIỂU DIỄN VÀ SUY LUẬN TRÍ THỨC Suy diễn lùi Từ kết luận lần ngược lại để tìm ra con đường đi đến lời giải cho đến khi có đủ giả thiết. Xây dựng đồ thị sự kiện a a b r1 r2 a bc r3 c e f e r4 r2 r1 f Đồ thị luật r3 r4 Đồ thị giúp giải quyết tương tranh, mâu thuẫn, thứ tự ưu tiên của luật Artificial Intelligence Nguyễn Đình Cường 84
  86. BIỂU DIỄN VÀ SUY LUẬN TRÍ THỨC MẠNG NGỮ NGHĨA Mạng ngữ nghĩa là một phương pháp biểu diễn tri thức dùng đồ thị trong đó nút biểu diễn đối tượng và cung biểu diễn quan hệ giữa các đối tượng. Hình "Sẻ là Chim" thể hiện trên mạng ngữ nghĩa Artificial Intelligence Nguyễn Đình Cường 85
  87. BIỂU DIỄN VÀ SUY LUẬN TRÍ THỨC Hình Phát triển mạng ngữ nghĩa Artificial Intelligence Nguyễn Đình Cường 86
  88. BIỂU DIỄN VÀ SUY LUẬN TRÍ THỨC Giải bài toán tam giác tổng quát 3 • Có 22 yếu tố của tam giác. Như vậy có C 22 -1 cách để xây dựng hay xác định một tam giác. • Theo thống kê, có khoảng 200 công thức liên quan đến cạnh và góc 1 tam giác. • Để giải bài toán này bằng công cụ mạng ngữ nghĩa, sử dụng khoảng 200 đỉnh để chứa công thức và khoảng 22 đỉnh để chứa các yếu tố của tam giác. Mạng ngữ nghĩa cho bài toán này có cấu trúc như sau : • Đỉnh của đồ thị bao gồm hai loại : Đỉnh chứa công thức (ký hiệu bằng hình chữ nhật) Đỉnh chứa yếu tố của tam giác (ký hiệu bằng hình tròn) • Cung : chỉ nối từ đỉnh hình tròn đến đỉnh hình chữ nhật cho biết yếu tố tam giác xuất hiện trong công thức nào • Lưu ý : trong một công thức liên hệ giữa n yếu tố của tam giác, ta giả định rằng nếu đã biết giá trị của n-1 yếu tố thì sẽ tính được giá trị của yếu tố còn lại. Chẳng hạn như trong công thức tổng 3 góc của tam giác bằng 1800 thì khi biết được hai góc, ta sẽ tính được góc còn lại. Artificial Intelligence Nguyễn Đình Cường 87
  89. BIỂU DIỄN VÀ SUY LUẬN TRÍ THỨC Giải bài toán tam giác tổng quát • B1 : Kích hoạt những đỉnh hình tròn đã cho ban đầu (những yếu tố đã có giá trị) • B2 : Lặp lại bước sau cho đến khi kích hoạt được tất cả những đỉnh ứng với những yếu tố cần tính hoặc không thể kích hoạt được bất kỳ đỉnh nào nữa. • Nếu một đỉnh hình chữ nhật có cung nối với n đỉnh hình tròn mà n-1 đỉnh hình tròn đã được kích hoạt thì kích hoạt đỉnh hình tròn còn lại (và tính giá trị đỉnh còn lại này thông qua công thức ở đỉnh hình chữ nhật). Artificial Intelligence Nguyễn Đình Cường 88
  90. BIỂU DIỄN VÀ SUY LUẬN TRÍ THỨC Ví dụ : "Cho hai góc a, b và chiều dài cạnh a của tam giác. Tính chiều dài đường cao hC". p=(a+b+c)/2 p Artificial Intelligence Nguyễn Đình Cường 89
  91. BIỂU DIỄN VÀ SUY LUẬN TRÍ THỨC Frame Hình Cấu trúc frame Hình Nhiều mức của frame mô tả quan hệ phức tạp hơn Artificial Intelligence Nguyễn Đình Cường 90
  92. BIỂU DIỄN VÀ SUY LUẬN TRÍ THỨC LOGIC MỆNH ĐỀ VÀ LOGIC VỊ TỪ Logic mệnh đề Khái niệm: Mệnh đề: một phát biểu có giá trị là đúng hoặc sai. Các luật cơ bản: 1. Luật phủ định: (P) = P 2. Luật kéo theo: (P Q) = (P  Q) 3. Luật tương phản: (P Q) = (Q P) 4. Luật De Morgan: (P  Q) = (P  Q) và (P  Q) = (P  Q) 5. Luật giao hoán: (P  Q) = (Q  P) và (PQ) = (QP) 6. Luật kết hợp: ((P  Q)  R) = (P  (Q  R)) và ((P  Q)  R) = (P  (Q  R)) 7. Luật phân phối: P  (Q  R) = (P  Q)  (P  R) và P  (Q  R) = (P  Q)  (P  R) Artificial Intelligence Nguyễn Đình Cường 91
  93. BIỂU DIỄN VÀ SUY LUẬN TRÍ THỨC Các cơ chế suy diễn Modus Ponens: Nếu mệnh đề A đúng và A B đúng thì giá trị của B sẽ là đúng. Modus Tollens: Nếu mệnh đề A B đúng và B sai thì giá trị của A sẽ là sai. Artificial Intelligence Nguyễn Đình Cường 92
  94. BIỂU DIỄN VÀ SUY LUẬN TRÍ THỨC Chứng minh tính đúng đắn của phép suy diễn (a → b). Thao tác biến đối hình thức: khó đối với con người và cài đặt được trên máy tính. Lập bảng chân trị: độ phức tạp O(2n) Hai phương pháp chứng minh mệnh đề có độ phức tạp chỉ O(n): ▪ Thuật giải Vương Hạo. ▪ Thuật giải Robinson. Artificial Intelligence Nguyễn Đình Cường 93
  95. BIỂU DIỄN VÀ SUY LUẬN TRÍ THỨC Thuật giải Vương Hạo B1: Phát biểu lại giả thiết và kết luận theo dạng chuẩn: GT1, GT2, , GTn → KL1, KL2, , KLm B2: Chuyển vế các GTi và KLi có dạng phủ định. B3: Nếu GTi có phép  thì thay thế phép  bằng dấu "," Nếu KLi có phép  thì thay thế phép  bằng dấu ",“ B4: Nếu GTi có phép  thì tách thành hai dòng con. Nếu ở KLi có phép  thì tách thành hai dòng con. B5: Một dòng được chứng minh nếu tồn tại chung một mệnh đề ở cả hai phía. B6: a) Nếu một dòng không còn phép  và  ở cả hai vế và ở 2 vế không có chung một mệnh đề thì dòng đó không được chứng minh. b) Một vấn đề được chứng minh nếu tất cả dòng dẫn xuất từ dạng chuẩn ban đầu đều được chứng minh. Artificial Intelligence Nguyễn Đình Cường 94
  96. BIỂU DIỄN VÀ SUY LUẬN TRÍ THỨC Một số ví dụ: B2: Ví dụ: p  q, (r  s), g, p  r → s, p p  q, p  r , p → (r  s), g, s B3: Ví dụ: p  q , r  (p  s) → q, s p, q, r, p  s → q, s B4: Ví dụ: p, p  q → q p, p → q và p, q → q B5: Ví dụ: p, q → q được chứng minh p, p → q p → p, q Artificial Intelligence Nguyễn Đình Cường 95
  97. BIỂU DIỄN VÀ SUY LUẬN TRÍ THỨC Artificial Intelligence Nguyễn Đình Cường 96
  98. BIỂU DIỄN VÀ SUY LUẬN TRÍ THỨC ➢ Hoạt động dựa trên: + Phương pháp chứng minh phản chứng. + Phép hợp giải Robinson. ─ Phương pháp chứng minh phản chứng: ▪ Chứng minh (a → b) là đúng. ▪ Phản chứng: giả sử b sai, suy ra b là đúng. ─ Phép hợp giải Robinson: i) p  (p  q) → q ii) (p  q)  (p  r) → q  r • Bài toán được chứng minh nếu a đúng và b đúng. Artificial Intelligence Nguyễn Đình Cường 97
  99. BIỂU DIỄN VÀ SUY LUẬN TRÍ THỨC Thuật giải Robinson B1: Phát biểu lại giả thiết và kết luận dưới dạng chuẩn: GT1, GT2, , GTn → KL1, KL2, , KLm B2: Nếu GTi có phép  thì thay bằng dấu "," Nếu KLi có phép  thì thay bằng dấu ",“ B3: Biến đổi dòng chuẩn ở B1 thành danh sách mệnh đề: {GT1, GT2, , GTn , KL1, KL2, , KLm} B4: Nếu danh sách mệnh đề có 2 mệnh đề đối ngẫu nhau thì bài toán được chứng minh. Ngược lại thì chuyển sang B5. B6: Áp dụng phép hợp giải: i) p  (p  q) → q ii) (p  q)  (p  r) → q  r B7: Nếu không xây dựng được thêm mệnh đề mới và danh sách mệnh đề không có 2 mệnh đề đối ngẫu thì vấn đề không được chứng minh. Ví dụ : Chứng minh rằng ( p  q)  ( q  r)  ( r  s)  ( u  s) →  p  u Artificial Intelligence Nguyễn Đình Cường 98
  100. BIỂU DIỄN VÀ SUY LUẬN TRÍ THỨC LOGIC VỊ TỪ Khái niệm Vị từ và lượng từ (" - với mọi, $ - tồn tại) tăng cường tính cấu trúc của mệnh đề. Mệnh đề được biểu diễn dưới dạng : Vị từ ( , , , ) (Vị từ: mối liên hệ giữa các đối tượng tri thức.) Artificial Intelligence Nguyễn Đình Cường 99
  101. BIỂU DIỄN VÀ SUY LUẬN TRÍ THỨC Artificial Intelligence Nguyễn Đình Cường100
  102. BIỂU DIỄN VÀ SUY LUẬN TRÍ THỨC Giải quyết vấn đề bằng logic vị từ Sử dụng phép thay thế và phép hợp giải Robinson. Ví dụ: Cho vị từ P(x,y) và các mệnh đề sau: 1. P(x,y)  P(y,z)  P(x,z) 2. P(a,b) 3. P(b,c) 4. P(c,d) 5. P(a,d) Artificial Intelligence Nguyễn Đình Cường101
  103. BIỂU DIỄN VÀ SUY LUẬN TRÍ THỨC Quá trình hợp giải: 6. P(a,z)  P(b,z) thế x=a, y=b hợp giải 1 và 2 7. P(a,c) thế z=c hợp giải 3 và 6 8. P(b,d) thế z=d hợp giải 5 và 6 9. P(x,b)  P(x,a) thế y=a, z=b hợp giải 1 và 2 10. P(b,z)  P(c,z) thế x=b, y=c hợp giải 1 và 3 11. P(b,d) thế z=d hợp giải 4 và 10 12. Mâu thuẫn hợp giải 8 và 11 Artificial Intelligence Nguyễn Đình Cường102
  104. BIỂU DIỄN VÀ SUY LUẬN TRÍ THỨC Bài toán 1: Giải bài toán tìm đường đi Định nghĩa 2 vị từ: 1. P(x,y) : có đường đi trực tiếp (road) từ x đến y 2. Q(x,y) : có đường đi (route) từ x đến y Các mệnh đề: 1. ($x)($y) (P(x,y)) 2. ("x) ("y) (P(x,y) → Q(x,y)) 3. ("x) ("y) ($z) (Q(x,z)  P(z,y) → Q(x,y)) Artificial Intelligence Nguyễn Đình Cường103
  105. BIỂU DIỄN VÀ SUY LUẬN TRÍ THỨC Giải bài toán tìm đường đi Artificial Intelligence Nguyễn Đình Cường104
  106. BIỂU DIỄN VÀ SUY LUẬN TRÍ THỨC Giải bài toán tìm đường đi Ví dụ: Cho đồ thị, tìm đường đi từ N đến L. (tt) Quá trình hợp giải: 15. Q(N,C) thế x=N, y=C hợp giải 1 và 12 16. Q(N,D) thế x=N, f(x,y)=C, y=D hợp giải 2,13 và 15 17. Q(N,L) thế x=N, f(x,y)=D, y=L hợp giải 11,13 và 16 18. Có điều phải chứng minh hợp giải 14 và 17 Artificial Intelligence Nguyễn Đình Cường105
  107. BIỂU DIỄN VÀ SUY LUẬN TRÍ THỨC Bài toán 2: Bài toán con khỉ và nải chuối Trong phòng có con khỉ, chiếc ghế và nải chuối Có thể giải bài toán nhờ vào các vị từ: 1. in_room(X) : có X trong phòng 2. dexterous(X) : X là loài khéo léo 3. tall(X) : X thì cao 4. can_climb(X,Y) : X có thể leo lên Y 5. can_move(X,Y,Z) : X có thể di chuyển Y đền gần Z 6. get_on(X,Y) : X đứng trên Y 7. under(X,Y) : X ở dưới Y 8. close(X,Y) : X ở gần Y 9. can_reach(X,Y) : X có thể cầm lấy Y Artificial Intelligence Nguyễn Đình Cường106
  108. BIỂU DIỄN VÀ SUY LUẬN TRÍ THỨC Các mệnh đề giúp giải bài toán: 1. in_room(bananas) 2. in_room(chair) 3. in_room(monkey) 4. dexterous(monkey) 5. tall(chair) 6. can_move(mokey,chair,bananas) 7. can_climb(monkey,chair) 8. can_climb(X,Y) → get_on(X,Y) 9. in_room(X)in_room(Y)in_room(Z)can_move(X,Y,Z)→ under(Y,Z) 10. get_on(X,Y)  under(Y,Z)  tall(Y) → close(X,Z) 11. dexterous(X)  close(X,Y) → can_reach(X,Y) Artificial Intelligence Nguyễn Đình Cường107
  109. TRƯỜNG ĐẠI HỌC NHA TRANG Bài giảng TRÍ TUỆ NHÂN TẠO NGUYỄN ĐÌNH CƯỜNG Bộ môn Công Nghệ Phần Mềm Khoa Công Nghệ Thông Tin Nha trang - 2012 Artificial Intelligence Nguyễn Đình Cường108
  110. MÁY HỌC MỞ ĐẦU Các chương trước đã thảo luận về biểu diễn và suy luận tri thức. Trong trường hợp này giả định đã có sẵn tri thức và có thể biểu diễn tường minh tri thức. Tuy vậy trong nhiều tinh huống, sẽ không có sẵn tri thức như: • Kỹ sư tri thức cần thu nhận tri thức từ chuyên gia lĩnh vực. • Cần biết các luật mô tả lĩnh vực cụ thể. • Bài toán không được biểu diễn tường minh theo luật, sự kiện hay các quan hệ. Có hai tiếp cận cho hệ thống học: • Học từ ký hiệu: bao gồm việc hình thức hóa, sửa chữa các luật tường minh, sự kiện và các quan hệ. • Học từ dữ liệu số: được áp dụng cho những hệ thống được mô hình dưới dạng số liên quan đến các kỹ thuật nhằm tối ưu các tham số. Học theo dạng số bao gồm mạng Neural nhân tạo, thuật giải di truyền, bài toán tối ưu truyền thống. Các kỹ thuật học theo số không tạo ra CSTT tường minh. Artificial Intelligence Nguyễn Đình Cường109
  111. MÁY HỌC CÁC HÌNH THỨC HỌC 1. Học vẹt: Hệ tiếp nhận các khẳng định của các quyết định đúng. Khi hệ tạo ra một quyết định không đúng, hệ sẽ đưa ra các luật hay quan hệ đúng mà hệ đã sử dụng. Hình thức học vẹt nhằm cho phép chuyên gia cung cấp tri thức theo kiểu tương tác. 2. Học bằng cách chỉ dẫn: Thay vì đưa ra một luật cụ thể cần áp dụng vào tình huống cho trước, hệ thống sẽ được cung cấp bằng các chỉ dẫn tổng quát. Ví dụ: "gas hầu như bị thoát ra từ van thay vì thoát ra từ ống dẫn". Hệ thống phải tự mình đề ra cách biến đổi từ trừu tượng đến các luật khả dụng. 3. Học bằng qui nạp: Hệ thống được cung cấp một tập các ví dụ và kết luận được rút ra từ từng ví dụ. Hệ liên tục lọc các luật và quan hệ nhằm xử lý từng ví dụ mới. Artificial Intelligence Nguyễn Đình Cường110
  112. MÁY HỌC CÁC HÌNH THỨC HỌC 4. Học bằng tương tự: Hệ thống được cung cấp đáp ứng đúng cho các tác vụ tương tự nhưng không giống nhau. Hệ thống cần làm thích ứng đáp ứng trước đó nhằm tạo ra một luật mới có khả năng áp dụng cho tình huống mới. 5. Học dựa trên giải thích: Hệ thống phân tích tập các lời giải ví dụ (và kết quả) nhằm ấn định khả năng đúng hoặc sai và tạo ra các giải thích dùng để hướng dẫn cách giải bài toán trong tương lai. 6. Học dựa trên tình huống: Bất kỳ tính huống nào được hệ thống lập luận đều được lưu trữ cùng với kết quả cho dù đúng hay sai. Khi gằp tình hướng mới, hệ thống sẽ làm thích nghi hành vi đã lưu trữ với tình huống mới. 7. Khám phá hay học không giám sát: Thay vì có mục tiêu tường minh, hệ khám phá liên tục tìm kiếm các mẫu và quan hệ trong dữ liệu nhập. Các ví dụ về học không giám sát bao gồm gom cụm dữ liệu, học để nhận dạng các đặc tính cơ bản như cạnh từ các điểm ảnh. Artificial Intelligence Nguyễn Đình Cường111
  113. MÁY HỌC Ví dụ • Hệ MYCIN • Mạng Neural nhân tạo • Thuật toán học Quinland • Bài toán nhận dạng • Máy chơi cờ carô, cờ tướng Artificial Intelligence Nguyễn Đình Cường112
  114. MÁY HỌC THUẬT GIẢI Quinlan • Là thuật toán học theo quy nạp dùng luật, đa mục tiêu. • Do Quinlan đưa ra năm 1979. • Ý tưởng: Chọn thuộc tính quan trọng nhất để tạo cây quyết định. • Thuộc tính quan trọng nhất là thuộc tính phân loại Bảng quan sát thành các bảng con sao cho từ mỗi bảng con này dễ phân tích để tìm quy luật chung. Artificial Intelligence Nguyễn Đình Cường113
  115. MÁY HỌC THUẬT GIẢI A. Quinlan STT Size Nationality Family Conclusion 1 Small German Single A 2 Large French Single A 3 Large German Single A 4 Small Italian Single B 5 Large German Married B 6 Large Italian Single B 7 Large Italian Married B 8 Small German Married B Artificial Intelligence Nguyễn Đình Cường114
  116. MÁY HỌC Xét vector V: có số chiều bằng số phân loại • V(Size=Small) = (ASmall, BSmall) • ASmall=Số quan sát A có Size là Small / Tổng số quan sát có Size=Small • BSmall= Số quan sát B có Size là Small / Tổng số quan sát có Size=Small • V(Size=Small) = (1/3 , 2/3) • V(Size=Large) = (2/5 , 3/5) Với thuộc tính Nationality Chọn thuộc tính có nhiều • V(Nat = German)= (2/4 , 2/4) vecto đơn vị • V(Nat = French) = (1 , 0) • V(Nat = Italian) = (0 , 1) Thuộc tính Family: • V(Family=Single) = (3/5 ,2/5) • V(Family = Married) = (0, 1) Artificial Intelligence Nguyễn Đình Cường115
  117. MÁY HỌC VỚI MỖI THUỘC TÍNH CỦA BẢNG QUAN SÁT Chỉ còn xét German •Thuộc tính Size: V(Size=Small) = (1/2 , 1/2) V(Size=Large) = (1/2 , 1/2) •Thuộc tính Family: V(Family=Single) = (1, 0) V(Family=Married) = (0,1) Artificial Intelligence Nguyễn Đình Cường116
  118. MÁY HỌC Artificial Intelligence Nguyễn Đình Cường117
  119. MÁY HỌC Thuật giải Học theo độ bất định Artificial Intelligence Nguyễn Đình Cường118
  120. MÁY HỌC Artificial Intelligence Nguyễn Đình Cường119
  121. MÁY HỌC Artificial Intelligence Nguyễn Đình Cường120
  122. MÁY HỌC Đừng tưởng xuân tàn hoa rụng hết Đêm qua sân trước một nhành mai Artificial Intelligence Nguyễn Đình Cường121
  123. TRƯỜNG ĐẠI HỌC NHA TRANG Bài giảng TRÍ TUỆ NHÂN TẠO NGUYỄN ĐÌNH CƯỜNG Bộ môn Công Nghệ Phần Mềm Khoa Công Nghệ Thông Tin Nha trang - 2012 Artificial Intelligence Nguyễn Đình Cường122
  124. Artificial Intelligence Nguyễn Đình Cường123
  125. Artificial Intelligence Nguyễn Đình Cường124
  126. Artificial Intelligence Nguyễn Đình Cường125
  127. Artificial Intelligence Nguyễn Đình Cường126
  128. Artificial Intelligence Nguyễn Đình Cường127
  129. Artificial Intelligence Nguyễn Đình Cường128
  130. Artificial Intelligence Nguyễn Đình Cường129
  131. Artificial Intelligence Nguyễn Đình Cường130
  132. Artificial Intelligence Nguyễn Đình Cường131
  133. Artificial Intelligence Nguyễn Đình Cường132
  134. Artificial Intelligence Nguyễn Đình Cường133
  135. Cách biên dịch: C:\opencv\sources\samples\cpp>cl /I C:\opencv\build\include neural_network.cpp /link opencv_world341d.lib opencv_world341.lib Artificial Intelligence Nguyễn Đình Cường134
  136. Artificial Intelligence Nguyễn Đình Cường135
  137. [1] Neural network, Raul Rojas, 1996. [2] Neural network, David Kriesel, 2005 [3] Bài Giảng Trí Tuệ Nhân Tạo, Nguyễn Đình Thuân-Đại học Nha Trang. [3] Opencv Lib Artificial Intelligence Nguyễn Đình Cường136 View publication stats