پاورپوینت کامل آموزش گام به گام هوش مصنوعی ۲۰۰ اسلاید در PowerPoint

توجه : این فایل به صورت فایل power point (پاور پوینت) ارائه میگردد

 پاورپوینت کامل آموزش گام به گام هوش مصنوعی ۲۰۰ اسلاید در PowerPoint دارای ۲۰۰ اسلاید می باشد و دارای تنظیمات کامل در PowerPoint می باشد و آماده ارائه یا چاپ است

شما با استفاده ازاین پاورپوینت میتوانید یک ارائه بسیارعالی و با شکوهی داشته باشید و همه حاضرین با اشتیاق به مطالب شما گوش خواهند داد.

لطفا نگران مطالب داخل پاورپوینت نباشید، مطالب داخل اسلاید ها بسیار ساده و قابل درک برای شما می باشد، ما عالی بودن این فایل رو تضمین می کنیم.

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی پاورپوینت کامل آموزش گام به گام هوش مصنوعی ۲۰۰ اسلاید در PowerPoint،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از مطالب داخلی اسلاید ها

پاورپوینت کامل آموزش گام به گام هوش مصنوعی ۲۰۰ اسلاید در PowerPoint

اسلاید ۳: فصل اول: مفاهیم پایه۳

اسلاید ۴: مفاهیم پایهتعریف هوش مصنوعی چهار دیدگاه مختلف در تبیین هوش مصنوعیانسانی فکر کردن – علوم شناختیانسانی عمل کردن – ازمون تورینگعقلانی عمل کردن – منطقعقلانی عمل کردن – نگرش عامل گرایانهدسته بندی دیگرنماد گرایانهپیوند گرایانه۴

اسلاید ۵: تاریخچه هوش مصنوعیپیدایش در دهه ۵۰ میلادیارزوهای بزرگ در دهه ۶۰ میلادیزمستان اولیه هوش مصنوعیسیستم های خبره و تجاری شدن ان در دهه ۷۰هوش مصنوعی پیوند گرایانه در دهه۸۰زمستان دوم هوش مصنوعیعامل های هوشمند در دهه ۹۰پیوند با وب در سالهای اخیر۵

اسلاید ۶: فصل سوم: روشهای جستجو۶

اسلاید ۷: فضای حالتانتزاعی کردن مسئله (Problem Abstraction)فرموله سازی مسئله و فرموله سازی هدفمثال از فضای حالت در مسائل طراحی الگوریتم مانند شاخه و حدگراف فضای حالتجستجو – راه حل۷

اسلاید ۸: توصیف گراف فضای حالتحالت اولیهاعمال (اگر قابل انجام باشند)مدل انتقال (تابع جانشین)تست هدفتابع هزینه مسیر – هزینه مرحله ۸

اسلاید ۹: مسئله معمای ۸۹

اسلاید ۱۰: توصیف فضای حالت معمای ۸حالاتوضعیت اغازیناعمالمدل گذرازمون هدفهزینه مسیرکل حالت های مسئله ۹!تعداد حالتهای قابل دسترس برابر است با ۹!/۲۱۰

اسلاید ۱۱: مسئله ۸ وزیرفرموله سازی تدریجی مسئلهعدم تهدید سطری و ستونیوضعیت آغازین صفحه خالیاعمال: افزودن وزیر به سطر جدیدتعداد حالتهای ممکن کمتر از ۸!مدل گذر : حالت صفحه را بعد از افزودن وزیر جدید می دهدآزمون هدف: ۸ وزیر بدون تهدید در صفحه باشند۱۱

اسلاید ۱۲: الگوریتمهای جستجو۱۲

اسلاید ۱۳: برخی واژه های کلیدیSearch Tree- Generation- ExpansionParent Node- Child Node- Leaf NodeFrontier = Open ListRepeated States- Loopy Paths- Redundant PathsExplored Sets= Closed Sets13

اسلاید ۱۴: مسئله چهارخانه های مربع مستطیلی۱۴

اسلاید ۱۵: شمای کلی الگوریتم های جستجو۱۵

اسلاید ۱۶: ملاکهای کارایی روشهای جستجوکامل بودن بهینگیپیچیدگی زمانیپیچیدگی فضاییفاکتور انشعاب bعمق راه حل dبیشترین عمق گراف m16

اسلاید ۱۷: دسته بندی کلیروشهای جستجوی اگاهانهروشهای جستجوی غیر اگاهانهتفاوت بین این روشها۱۷

اسلاید ۱۸: جستجوی غیر اگاهانه۱۸

اسلاید ۱۹: جستجوی سطح اول (Breadth-first search)19

اسلاید ۲۰: BFS20

اسلاید ۲۱: ملاکهای مقایسه BFSکامل بودن؟ بلهبهینگی؟ بلهپیچیدگی زمانی؟ = پیچیدگی فضایی؟۱+b+b2+b3+…+bd=O(bd)چرا O(bd+1) نیست؟O(bd+1) گره در مجموعه مرور شده و O(bd) در مجموعه حاشیهنقطه ضعف مهم : فضای مصرفی نمایی۲۱

اسلاید ۲۲: جستجوی هزینه یکنواخت۲۲

اسلاید ۲۳: جستجوی عمق اول (Depth-first Search)23

اسلاید ۲۴: DFSبا فرض حستجوی گرافی برای گرافهای متناهی کامل است.اما جستجوی درختی ان حتی برای گرافهای متناهی کامل نیست.هم جستجوی گرافی و هم درختی ان بهینه نیستند.پیچیدگی زمانی: O(bm)پیچیدگی فضایی: O(bm)با استفاده از پیجویی به عقب (Back Tracking) پیچیدگی فضایی به O(m) کاهش می یابد.۲۴

اسلاید ۲۵: جستجو با عمق محدوداین روش قادر است مشکل کامل نبودن DFS را با تعیین یک محدودیت حل کند.کامل است اگر عمق l>=d باشد (l= عمق محدود شده)این روش بهینه نیست.پیجیدگی زمانی: O(bl)پیچیدگی فضایی: O(bl)25

اسلاید ۲۶: جستجو عمیق کننده تکراری۲۶

اسلاید ۲۷: ID-DFSکامل بودن ؟ بلهبهینگی؟ بلهپیچیدگی فضایی؟ D(bd)پیچیدگی زمانی؟ bd+(d-1)b2+…+۱bd=O(bd)بهترین روش از بین روشهای غیراگاهانه۲۷

اسلاید ۲۸: جستجوی دوطرفه۲۸

اسلاید ۲۹: مقایسه روشها۲۹

اسلاید ۳۰: جستجوی اگاهانه۳۰

اسلاید ۳۱: مفاهیم پایهتفاوت روشهای اگاهانه و غیر اگاهانهتابع ارزیابی Evaluation Function: f(n) تعیین میکند که کدام گره باید بست داده شودتابع ابتکاری Heuristic Function: h(n) تابع ابتکاری تخمینی از هزینه مسیر بهینه از وضعیت جاری تا نزدیکترین هدف است.توابع دیگرg(n) : هزینه مسیر از نقطه شروع تا به گره ng*(n): کوتاه ترین فاصله ممکن از مبدا تا گره جاری nh*(n): کوتاه ترین فاصله از گره جاری n به نزدیکترین هدفf*(n)=g*(n)+ h*(n): کوتاهترین مسیر از مبدا تا مقصد که از گره n عبور میکند اگر n روی مسیر بهینه باشد برابر با مسیر بهینه یا C* خواهد بود۳۱

اسلاید ۳۲: جستجوی اول بهترین حریصانهتابع ارزیابی f(n)=h(n) یعنی تابع اکتشاف = تخمین هزینه از گره n به هدفگره ای توسعه می یابد که به نظر می رسد به هدف نزدیکتر است.کامل است؟ خیر – ممکن است در حلقه بیافتد.بهینه است؟ خیرپیچیدگی زمانی؟ O(bm) اما با بکاربردن تابع اکتشاف خوب می تواند بسیار بهبود یابد.پیچیدگی فضایی؟ O(bm) همه گره ها را در حافظه نگهداری می کند.۳۲

اسلاید ۳۳: مثال۳۳

اسلاید ۳۴: الگوریتم جستجوی A*تابع ارزیابی f(n)=g(n)+h(h)تابع اکتشاف h(n) قابل قبول (admissible) است اگر برای هر گره n، h(n)<=h*(n) باشد که در ان h*(n) هزینه واقعی برای رسیدن به هدف از گره n است.یک اکتشاف قابل قبول هرگز هزینه تخمینی را بیشتر از هزینه واقعی براورد نمی کند.۳۴

اسلاید ۳۵: ۳۵مثال از جستجوی A*f(n)=g(n) + h(n)

اسلاید ۳۶: ۳۶جستجوی A* در نقشه رومانیجستجوی Bucharest با شروع از Aradf(Arad) = g(Arad)+h(Arad)=0+366=366

اسلاید ۳۷: ۳۷جستجوی A* در نقشه رومانیََArad را باز کرده و f(n) را برای هر یک از زیربرگها محاسبه میکنیم:f(Sibiu)=c(Arad,Sibiu)+h(Sibiu)=140+253=393f(Timisoara)=c(Arad,Timisoara)+h(Timisoara)=118+329=447f(Zerind)=c(Arad,Zerind)+h(Zerind)=75+374=449بهترین انتخاب شهر Sibiu است

اسلاید ۳۸: ۳۸جستجوی A* در نقشه رومانیََSibiu را باز کرده و f(n) را برای هر یک از زیربرگها محاسبه میکنیم:f(Arad)=c(Sibiu,Arad)+h(Arad)=280+366=646f(Fagaras)=c(Sibiu,Fagaras)+h(Fagaras)=239+179=415f(Oradea)=c(Sibiu,Oradea)+h(Oradea)=291+380=671f(Rimnicu Vilcea)=c(Sibiu,Rimnicu Vilcea)+ h(Rimnicu Vilcea)=220+192=413بهترین انتخاب شهر Rimnicu Vilcea است

اسلاید ۳۹: ۳۹جستجوی A* در نقشه رومانیََRimnicu Vilcea را باز کرده و f(n) را برای هر یک از زیربرگها محاسبه میکنیم:f(Craiova)=c(Rimnicu Vilcea, Craiova)+h(Craiova)=360+160=526f(Pitesti)=c(Rimnicu Vilcea, Pitesti)+h(Pitesti)=317+100=417f(Sibiu)=c(Rimnicu Vilcea,Sibiu)+h(Sibiu)=300+253=553بهترین انتخاب شهر Fagaras است

اسلاید ۴۰: ۴۰جستجوی A* در نقشه رومانیََ Fagaras را باز کرده و f(n) را برای هر یک از زیربرگها محاسبه میکنیم:f(Sibiu)=c(Fagaras, Sibiu)+h(Sibiu)=338+253=591f(Bucharest)=c(Fagaras,Bucharest)+h(Bucharest)=450+0=450بهترین انتخاب شهر Pitesti !!! است

اسلاید ۴۱: ۴۱جستجوی A* در نقشه رومانیََ Pitesti را باز کرده و f(n) را برای هر یک از زیربرگها محاسبه میکنیم:f(Bucharest)=c(Pitesti,Bucharest)+h(Bucharest)=418+0=418بهترین انتخاب شهر Bucharest !!! است

اسلاید ۴۲: قضیه امکان پذیریقضیه: اگر h(n) قابل قبول باشد، A* با استفاده از جستجوی درختی بهینه است.قضیه: اگر A* پایدار باشد A* با استفاده از جستجوی گرافی بهینه است.لم: در هر مرحله قبل از اتمام الگوریتم A*، همواره گره ای مانند n’ در لیست حاشیه با خواص سه گانه زیر قرار دارد:n‘ روی مسیر بهینه تا هدف قرار دارد.A* مسیر بهینه تا n’ را یافته است.f(n’) <= C*42

اسلاید ۴۳: اثبات بهینگی الگوریتم A*فرض کنید که یک هدف غیربهینه مانند G2 تولید شده و در حاشیه باشد. و n یک گره توسعه داده نشده در حاشیه باشد بطوری که n روی کوتاهترین مسیر به سمت هدف بهینه G باشد.از انجایی که h(G2)=0 پس f(G2)=g(G2)از انجایی که G2 غیربهینه است پس g(G2)>g(G)از انجایی که h(G)=0 پس f(G)=g(G)پس نتیجه می شود f(G2)>f(G)43

اسلاید ۴۴: اثبات بهینگی الگوریتم A*پس f(G2) > f(G)از انجایی که h قابل قبول است پس h(n) <=h*(n)، g(n)+h(n) <=g(n)+h*(n)پس f(n) <=f(G)پس f(G2)>f(n) است و A* هرگز G2 را برای توسعه انتخاب نخواهد کرد۴۴

اسلاید ۴۵: بهینگی الگوریتم A*A* گره ها را به ترتیب افزایش مقدار f توسعه می دهد.به کانتور-f گره ها به تدریج افزوده می شود.کانتور iام شامل گره هایی با f=fi است که fi<fi+145

اسلاید ۴۶: ۴۶