دانلود پاورپوینت هوش مصنوعي

دانلود پاورپوینت هوش مصنوعي

تعداد صفحات: 37 اسلاید

حجم فایل: 651 KB

فرمت فایل: پاورپوینت

دسته بندی:

قیمت: 599,900 ریال

تعداد نمایش: 89 نمایش

ارسال توسط:

تاریخ ارسال: 18 می 2020

به روز رسانی در: 10 نوامبر 2020

خرید این محصول:

پس از پرداخت لینک دانلود برای شما نمایش داده می شود.

599,900 ریال – خرید

دانلود پاورپوینت هوش مصنوعي

پاورپوینت هوش مصنوعي

اس پی دی فایل تنها ارائه دهنده پاورپوینت های آماده ، پروژه های پایانی ، پروژه های مالی و سوالات آزمون های استخدامی معتبر و ارزشمند در ایران

این پروژه در وب سایت های دیگر با قیمت چندین برابر بفروش میرسد

در اس پی دی فایل تمام محصولات را با اطمینان کامل و به کمترین قیمت تهیه کنید

پاورپوینت هوش مصنوعي توسط گروه فناوری اطلاعات سپیده برای وبسایت اس پی دی فایل تهیه و تنظیم گردیده است. دانشجویان، محققین و بازدیدکنندگان محترم وبسایت می توانند این پاورپوینت را بعنوان پروژه پایان ترم خود ارائه دهند و نمره کامل را دریافت نمایند. تمامی اسلایدها در پاورپوینت هوش مصنوعي با دقت و بصورت کاملا حرفه ای توسط تیم ما تهیه و تنظیم گردیده است، لذا نیاز به مطالعه مجدد، ویرایش و یا دستکاری این پروژه نیست و بعد از پرداخت و خرید از وبسایت می توانید از آن پرینت گرفته و یا تحویل استاد دهید.

 


هوش مصنوعي

مقدمه:

الگوریتم ژنتیک از اصول انتخاب طبیعی داروین برای یافتن فرمول بهینه جهت پیش بینی یا تطبیق الگو استفاده می کند.

الگوریتم ژنتیک  یک تکنیک برنامه نویسی است که از تکامل ژنتیکی به عنوان یک الگوی حل مسئله استفاده می کند.

الگوریتم ژنتیک برای مسائل جستجو و بهینه سازی بکار برده می شود.

هنگامی كه لغت تنازع بقا به كار می‌رود اغلب بار ارزشی منفی آن به ذهن می‌آید. شاید همزمان قانون جنگل به ذهن برسد و حكم بقای قوی‌تر! البته برای آنكه خیالتان راحت شود می‌توانید فكر كنید كه همیشه هم قوی ‌ترین‌ها برنده نبوده ‌اند. مثلا دایناسورها با وجود جثه عظیم و قوی ‌تر بودن در طی روندی كاملا طبیعی بازی بقا و ادامه نسل را واگذار كردند در حالی كه موجوداتی بسیار ضعیف ‌تر از آنها حیات خویش را ادامه دادند. ظاهرا طبیعت بهترین‌ ها را تنها بر اساس هیكل انتخاب نمی ‌كند! در واقع درست ‌تر آنست كه بگوییم طبیعت مناسب ترین‌ها (Fittest) را انتخاب می ‌كند نه بهترین‌ها.

ž

فيلدهای ديگر هوش مصنوعی

.1منطق فازی (Fuzzy Logic)

.2پردازش تکاملی (الگوريتم های ژنتيک و …)

(Evolutionary Computation [e.g genetic algorithms])

.1شبکه های عصبی (Neural Networks)

.2رباتيک(Robotics)

.3سيستم های خبره(Expert Systems)  

.4پردازش تصوير و بينايي ماشين

(Image Processing & Machine Vision)

 

قانون انتخاب طبیعی:

قانون انتخاب طبیعی بدین صورت است كه تنها گونه‌هایی از یك جمعیت ادامه نسل می ‌دهند كه بهترین خصوصیات را داشته باشند و آنهایی كه این خصوصیات را نداشته باشند به تدریج و در طی زمان از بین می ‌روند. مثلا فرض كنید گونه خاصی از افراد، هوش بسیار بیشتری از بقیه افراد یك جامعه یا كولونی دارند. در شرایط كاملا طبیعی این افراد پیشرفت بهتری خواهند كرد و رفاه نسبتا بالاتری خواهند داشت و این رفاه خود باعث طول عمر بیشتر و باروری بهتر خواهد بود(توجه كنید شرایط طبیعیست نه در یك جامعه سطح بالا با ملاحظات امروزی یعنی طول عمر بیشتر در این جامعه نمونه با زاد و ولد بیشتر همراه است). حال اگر این خصوصیت(هوش)ارثی باشد به طبع در نسل بعدی همان جامعه تعداد افراد باهوش به دلیل زاد و ولد بیشتر این‌گونه افراد بیشتر خواهد بود. اگر همین روند را ادامه دهید خواهید دید كه در طی نسل‌های متوالی دائما جامعه نمونه ما باهوش و باهوش‌تر می‌شود. بدین ترتیب یك مكانیزم ساده طبیعی توانسته است در طی چند نسل عملا افراد كم هوش را از جامعه حذف كند علاوه بر اینكه میزان هوش متوسط جامعه نیز دائما در حال افزایش است.

بدین ترتیب می‌توان دید كه طبیعت با بهره ‌گیری از یك روش بسیار ساده(حذف تدریجی گونه‌های نامناسب و در عین حال تكثیر بالاتر گونه ‌های بهینه) توانسته است دائما هر نسل را از لحاظ خصوصیات مختلف ارتقا بخشد. البته این روش به تنهایی برای رسیدن به تکامل کافی نیست(حد اقل در مورد آنچه که در طبیعت وجود دارد). وجود فرآیندی به نام “جهش (Mutation)” نیز لازم است.

در واقع می‌توان تكامل طبیعی را به این‌صورت خلاصه كرد:

  جستجوی كوركورانه  + بقای مناسب تر

ž

مقایسه روش های کلاسیک ریاضیات با الگوریتم ژنتیک:

روش‌های كلاسیك ریاضیات دارای دو اشكال اساسی هستند:

 اغلب این روش‌ها نقطه بهینه محلی(Local Optima) را بعنوان نقطه بهینه كلی در نظر می ‌گیرند و نیز هر یك از این روش‌ها تنها برای مساله خاصی كاربرد دارند. این دو نكته را با مثال‌های ساده‌ای روشن می كنیم.

     به شكل اسلاید بعد توجه كنید. این منحنی دارای دو نقطه ماكزیمم می ‌باشد. كه یكی از آنها تنها ماكزیمم محلی است. حال اگر از روش‌های بهینه‌ سازی ریاضی استفاده كنیم مجبوریم تا در یك بازه بسیار كوچك مقدار ماكزیمم تابع را بیابیم. مثلا از نقطه 1 شروع كنیم و تابع را ماكزیمم كنیم. بدیهی است اگر از نقطه 1 شروع كنیم تنها به مقدار ماكزیمم محلی دست خواهیم یافت و الگوریتم ما پس از آن متوقف خواهد شد. اما در روش‌های هوشمند مانند الگوریتم ژنتیك بدلیل خصلت تصادفی آنها حتی اگر هم از نقطه 1 شروع كنیم باز ممكن است در میان راه نقطه A به صورت تصادفی انتخاب شود كه در این صورت ما شانس دست‌یابی به نقطه بهینه كلی (Global Optima) را خواهیم داشت.


. پشتیبانی اس پی دی فایل همواره با شماست

 

با اطمینان خرید کنید …

 

  • اس پی دی فایل دارای 5 سال سابقه در ارائه فایل های دانلودی ارزشمند
  • اولین و تنها فروشگاه فایل دارای نماد اعتماد الکترونیکی دو ستاره از وزارت صنعت،معدن و تجارت
  • ثبت شده در ستاد سامان دهی پایگاه های اینترنتی کشور
  • دارای پشتیبانی فعال و پاسخگو

 

شماره های پشتیبانی: 

47221117 – 051

09920557724

 

برای پشتیبانی آنلاین نیز میتوانید از گزینه چت آنلاین در پایین سایت سمت راست استفاده کنید تا همکاران ما بصورت آنلاین پاسخگوی سوالات شما باشند.

پاسخ دهید