Cet article est un article complet, qui introduit les concepts et l'application de l'intelligence artificielle et du réseau de neurones. Cet article a été sélectionné à l'origine car le réseau de neurones a été appris au cours d'un processus d'apprentissage automatique, car le réseau de neurones artificiels est plus proche du cerveau humain. en termes de principes et de caractéristiques fonctionnelles. ce n’est pas un programme donné qui effectue des opérations pas à pas, mais qui est capable de s’adapter à l’environnement, de résumer les règles, de contrôle de processus . Je pense qu'il doit y avoir beaucoup d'applications importantes dans l'intelligence artificielle, alors j'ai choisi cet article.

Cet article est un article complet qui présente les concepts et les applications de l'intelligence artificielle et des réseaux de neurones. Le réseau de neurones artificiels est plus proche du cerveau humain en termes de principe de constitution et de caractéristiques fonctionnelles.Il n'est pas un programme donné qui effectue des opérations étape par étape. étape, mais peut s’adapter à l’environnement et résumer les règles.exécuter une opération, une reconnaissance, ou un contrôle de processus.

la première partie présente principalement l'intelligence artificielle.

L'intelligence artificielle est définie comme un objet artificiel, tel qu'un ordinateur ou une machine, qui présente un comportement intelligent capable de traiter des problèmes complexes. et qu'est-ce que l'intelligence? cela implique des problèmes tels que la conscience, le soi, la pensée, etc., et la seule intelligence que nous connaissons est l'intelligence humaine. Il s'agit d'une sorte de capacité à imaginer et à créer une compréhension de la mémoire, une reconnaissance des formes, un choix, une adaptation au changement et une expérience d'apprentissage. L'intelligence artificielle a pour objectif principal de faire en sorte que les machines se comportent davantage comme des humains et, deuxièmement, de les rendre davantage comme des humains car elles résolvent des problèmes complexes tout en consommant moins de temps que les humains. Aujourd'hui, l'intelligence artificielle est divisée en deux parties: une force forte et une force faible. Forte puissance signifie que les machines peuvent penser par elles-mêmes, comme les scènes de films, et même remplacer les humains. La force faible est la performance de machines qui semblent avoir une intelligence, comme jouer à des applications d'échecs, et toutes les étapes nécessaires pour jouer aux échecs sont préalablement stockées dans un ordinateur. l'application d'échecs elle-même ne pense ni ne planifie. Comment savoir si la machine a un comportement intelligent? En 1950, tous les élèves ont présenté le test de turing, qui n'a pas beaucoup d'explications, car l'enseignant l'a introduit en classe.

pour l'origine de l'intelligence artificielle, elle est associée à de nombreuses disciplines, notamment la philosophie, la logique, les mathématiques, l'informatique, la psychologie / sciences cognitives, les sciences biologiques / les neurosciences.

la deuxième partie introduit principalement les réseaux de neurones artificiels. Cette section introduit également trois petites parties, introduisant le concept de réseau de neurones artificiels, les types de méthodes d'apprentissage de réseaux de neurones et une fonction importante de la fonction d'incitation artificielle de réseau de neurones artificiels.

la première partie introduit le concept de réseau de neurones artificiels. un réseau de neurones artificiels est un réseau de processeurs connecteor , chacun avec une partie de l’espace de stockage local (très petit). Ces neurones exploitent uniquement leurs propres données locales et leurs propres données d’entrée (qui sont saisies de manière unique par le biais de liens et de circuits), et chaque neurone utilise une règle permettant de connaître la contribution signal. sortie ces signaux à d’autres neurones, et ce calcul des données de sortie est appelé une fonction d’incitation.

la structure du réseau neuronal a généralement trois couches, comme indiqué ci-dessous. la première couche est la couche d'entrée, qui est utilisée pour interagir directement avec le monde extérieur, et la deuxième couche est l'élément caché, qui permet de compléter le calcul en fonction de la fonction requise. la troisième couche est la couche de sortie.

la deuxième partie de l'apprentissage par réseau de neurones peut être divisée en trois types: apprentissage supervisé, apprentissage non supervisé et apprentissage renforcé. en apprentissage supervisé, chaque instance consiste en un objet d'entrée et une valeur de sortie attendue. Par conséquent, des erreurs et des différences entre les résultats attendus et réels de chaque nœud de la couche de sortie peuvent être détectées, ce qui servira à déterminer le poids du réseau. noeud (selon

les règles d'apprentissage). c'est-à-dire que la valeur de sortie attendue sur chaque nœud est déterminée par un enseignant externe.

il n'y a pas d'enseignants externes dans l'apprentissage non supervisé, la méthode d'apprentissage repose donc sur la mise en grappes et, en fonction des entrées, l'ensemble de modèles est divisé en différentes classes. Ce type de modèle d’apprentissage peut également être appelé mode d’auto-organisation. Un exemple typique est la loi sur l’apprentissage hébbien et la loi sur l’apprentissage par la concurrence. L’apprentissage non supervisé est plus important que l’apprentissage supervisé. parce que le cerveau est généralement non surveillé.

le renforcement de l'apprentissage s'appuie sur l'apprentissage non supervisé et l'apprentissage supervisé, et dans le processus d'exploration, en explorant l'environnement inconnu tout en construisant un modèle environnemental et en apprenant une stratégie optimale, chaque action correspond à une récompense et obtient finalement la plus grande récompense pour le traitement de données .

la troisième partie présente trois types de fonctions d’incitation. la première fonction de seuil, lorsque l'entrée totale est inférieure au seuil, définit 0 et lorsque la valeur d'entrée totale est supérieure au seuil, définit 1.

la seconde est une fonction linéaire segmentée pouvant prendre des valeurs comprises entre 0,1, en fonction du grossissement du fonctionnement linéaire d'une région.

la troisième est la fonction sigmoïde, qui peut utiliser une plage allant de 0 à 1, mais pouvant parfois aller de 1 à 1, un exemple de fonction sigmoïde est une tangente hyperbolique.

la troisième partie présente principalement plusieurs applications avancées du réseau de neurones.

la première application est l'interface informatique du cerveau humain basée sur un réseau de neurones. l'interface d'ordinateur du cerveau humain est l'une des technologies d'interface les plus prometteuses entre l'homme et la machine.bci est également appelée l'interface siwei. il s'agit en réalité d'un canal de communication entre le cerveau et l'ordinateur, qui permet aux signaux envoyés par le cerveau d'interagir directement avec des activités externes, telles que le contrôle d'un curseur, ou l'utilisateur peut entrer un numéro de téléphone en regardant le clavier d'un écran. .la interface module fournit un moyen de communication entre le cerveau et l'interface à contrôler, et l'interface bci permet à une personne paralysée d'écrire un livre ou de contrôler un fauteuil roulant électrique. Par exemple, le meilleur choix est de mettre en œuvre le bci, mais les ondes cérébrales sont très faibles et il existe de nombreux types de bruits.

un signal est obtenu à partir du cerveau humain, puis traité, extrait des caractéristiques, puis classifié, puis renvoyé à l'homme via l'interface de l'application. le nombre et la rapidité des recherches sur le BCI ont augmenté rapidement au cours des cinq dernières années, six groupes au plus l'étudiant en 1995 et au moins 20 groupes étudiant actuellement le BCI.

la deuxième application consiste à comprendre et à décrire les applications dans le comportement des objets. L’analyse de trajectoire est l’un des problèmes centraux de la compréhension du comportement. l'apprentissage des modèles de trajectoire peut être utilisé pour détecter des anomalies et prédire la trajectoire d'un objet. un modèle qui apprend la région sémantique en analysant la trajectoire d'un objet en mouvement dans une scène ou un cadre. le premier chemin est codé pour indiquer l'emplacement de l'image et sa vitesse instantanée. L'algorithme de classification est ensuite appliqué pour classer les pistes en fonction de différentes distributions spatiales et de vitesses, et dans chaque grappe, l'espace des pistes est proche et la vitesse est similaire. cette classe peut représenter un mode d'activité. sur la base de cette grappe orbitale, le modèle statistique des régions sémantiques de la scène peut être obtenu en estimant la densité et la distribution de la vitesse de chaque profil d'activité. Le modèle est basé sur la combinaison d'un réseau neuronal à quantification vectorielle et de types de neurones à mémoire à court terme aptitude. le modèle de trajectoire pédestre résultant sera utilisé pour évaluer la nouvelle trajectoire, prédire la trajectoire future de l'objet, générer de manière aléatoire une nouvelle trajectoire.

la troisième application est le réseau neuronal artificiel en infographie.

réseau de neurones artificiels a joué un rôle très important dans le domaine de l’image. le concepteur d'image essaie de combiner l'image réelle avec l'image générée par ordinateur pour améliorer la visualisation de l'objet de sortie. L'utilisation de la technologie de détection thermique peut produire certaines des images les plus authentiques.

la quatrième application est robot de marche automatique et robot sous-marin.

robot de marche automatique est basé sur le concept modulaire. le problème de la fabrication d'un robot de marche automatique peut être décomposé en plusieurs problèmes fonctionnels. décomposant un problème complexe en petits problèmes simples et gérables, les recherches dans ce domaine combinent des connaissances en biologie, en mécanique et en informatique, puis développent un véhicule mobile dynamique et stable utilisant le contrôle de réseau neuronal. , et les machines sous-marines aident les opérations de sauvetage, préviennent la pollution, le sauvetage en mer et la recherche scientifique marine. Les robots sous-marins se sont donc beaucoup développés au fil des ans.

la cinquième application est l'animation faciale.

La modélisation des visages et l'animation constituent l'une des tâches les plus difficiles en infographie et il est très difficile de transformer la vie en format numérique. utilisez la surface b superposée comme base pour créer une animation faciale. Les réseaux de neurones peuvent être utilisés pour apprendre les caractéristiques de chaque expression de visage dans une séquence d'animation.

le sixième est le réseau de neurones destiné à renforcer la technologie anti-virus.

Les réseaux de neurones artificiels et l'intelligence artificielle jouent un rôle de plus en plus important dans la détection des virus, ce qui renforce les fonctions internes de la technologie antivirus, lui permettant de détecter et de réparer tous les types de virus. par exemple, la technologie de détection de démarrage de réseau neuronal d'ibm offre une sécurité supplémentaire en imitant les neurones humains pour comprendre la différence entre des enregistrements infectés et non infectés. De nombreux exemples de virus et de non-virus montrent que les réseaux de neurones fonctionnent mieux que les recherches magiques classiques effectuées à la main par un assistant.

la quatrième partie introduit principalement l'application de l'intelligence artificielle.

la première application est l'exploration de données et l'extraction de connaissances. Trois techniques de base de l'intelligence artificielle sont appliquées, notamment l'expression des connaissances, et l'exploration de données doit permettre de découvrir des modèles d'intérêt à partir de grandes quantités de données, qui peuvent être utilisées sous de nombreuses formes, telles que les règles d'association. règles de décision et arbres de décision.Il existe également une acquisition de connaissances et un raisonnement de connaissances, et le modèle trouvé dans l'ensemble de données doit être vérifié dans différentes applications.

la deuxième application est le système artificiel. le système expert est un sous-ensemble de l'intelligence artificielle, et le système expert est un programme d'intelligence artificielle doté de connaissances approfondies dans des domaines spécifiques et sachant utiliser ses connaissances pour répondre correctement à des problèmes connexes.

la troisième application est la nature et le processus original nlp. le traitement du langage naturel est un sous-domaine de l'intelligence artificielle. Son objectif est de mettre en place un mécanisme de traitement du langage semblable à l'homme. L'image suivante est un modèle de nlp.

la quatrième application est la cyanologie. la robotique fait partie du domaine de l'intelligence artificielle.

la cinquième application consiste à appliquer l'intelligence artificielle au jeu. Les jeux modernes utilisent généralement des graphiques d'animation 3D pour donner aux gens un sentiment réel. L’intelligence artificielle dans la plupart des jeux informatiques n’est pas une intelligence artificielle académique, mais une technologie très proche de l’intelligence artificielle, qui crée une illusion intellectuelle. Le nom de l’intelligence artificielle comprend des techniques combinant des pratiques de programmation et de conception: recherche de chemin, réseaux de neurones, modèles scènes, machines à états finis, systèmes de règles, apprentissage de l’arbre de décision et autres techniques.

à la fin du document, certains des problèmes sur lesquels travaillent les chercheurs sont, par exemple, le fait de savoir si les machines sont conscientes de leur existence? qu'est-ce que cela signifie pour les humains? Les réseaux de neurones seront-ils complètement similaires au cerveau humain, etc.? À la fin du document, certains des problèmes sur lesquels travaillent les chercheurs sont, par exemple, le fait de savoir si les machines sont conscientes de leur existence? qu'est-ce que cela signifie pour les humains? Les réseaux de neurones seront-ils complètement similaires au cerveau humain, etc.

le sujet de cet article est terminé. Grâce à l'étude et à la lecture de cet article, il est apparu que le système informatique pouvait tirer un grand profit de la méthode des réseaux de neurones. à l'avenir, l'intelligence artificielle développera des machines et des ordinateurs plus complexes qu'aujourd'hui, et ils pourraient avoir un bon sens commun et une intelligence humaine similaire dans certains domaines. le développement futur de l'intelligence artificielle peut vraiment changer notre monde.