پروژه درس هوش مصنوعی

اختصاصی از هایدی پروژه درس هوش مصنوعی دانلود با لینک مستقیم و پر سرعت .

186-پروژه درس هوش مصنوعی

اسبی در خانه ) 1،1 ( صفحه شطرنج قرار دارد و قرار است به خانه ) 8،8 ( برسد. در بین راه موانعی وجود دارد که در
آن خانه ها نباید برود. این موانع در ابتدای حل مساله توسط کار بر تعیین می شوند.
با استفاده از روش های زیر راه حل مناسبی برای آن بیابید.

1) A*Seach
2) DFS
3) Bidirectional Search (using BFS in each side)

پیاده سازی باید بتواند اطلاعاتی در خصوص هرینه مسیر، گره های بازشده و مسیر انتخابی ارایه دهد.

در صورت مشکل دار بودن برنامه در قسمت نظرات تایپ کنید تا هزینه مربوطه بازگردانده شود

نمونه کد مسئله ارضاء محدویت(CSP) در هوش مصنوعی پیاده سازی با php

اختصاصی از هایدی نمونه کد مسئله ارضاء محدویت(CSP) در هوش مصنوعی پیاده سازی با php دانلود با لینک مستقیم و پر سرعت .

یک مسئله ارضای محدودیت (CSP) به صورت :

.۱مجموعه ای از متغیرها؛ X1, X2, …, Xn

.۲مجموعه ای از محدودیتها؛ C1, C2, …, Cm

.۳دامنه های ناتهی از مقادیر برای هر یک از متغیرها؛D1,D2,…,Dn

هر محدودیت Ci شامل زیرمجموعه ای از متغیرهاست و ترکیبهای ممکن مقادیر را برای آن زیرمجموعه مشخص می سازد.

•یک حالت از مسئله  به صورت انتساب مقادیر به تعدادی از متغیرهای مسئله یا تمامی آنها تعریف  می شود.

•انتسابی که هیچ محدودیتی را نقض نکند، انتساب سازگار یا مجاز نام دارد

•در یک انتساب کامل تمامی متغیرها مقداردهی می شوند.

• یک راه حل برای CSP یک انتساب کامل است که تمام محدودیتها را برآورده سازد.

•بعضی از CSPها به راه حلهایی نیاز دارند که تابع هدف را بیشینه کنند

لینک توضیحات بیشتر

پایان نامه هوش مصنوعی و کاربردهای آن

اختصاصی از هایدی پایان نامه هوش مصنوعی و کاربردهای آن دانلود با لینک مستقیم و پر سرعت .

دانشکده فنی و مهندسی-گروه مهندسی کامپیوتر و فناوری اطلاعات

پایان نامه برای دریافت درجه کارشناسی

مهندسی کامپیوتر گرایش سخت افزار

عنوان :

هوش مصنوعی و کاربردهای آن

چکیده
هدف‌ از این‌ پروژه آشنائی‌ با هوش‌ مصنوعی‌ به‌ عنوان‌ سمبل‌ ونماد دوران‌ فراصنعتی‌ و نقش‌ و کاربرد آن‌ در صنایع‌ و مؤسسات‌تولیدی‌ می‌باشد. بدین‌ منظور،در این پروژه هوش‌ مصنوعی‌ موردمطالعه‌ قرار می‌گیرد و سئوالاتی‌ نظیر این‌ که‌ هوش‌ مصنوعی‌چیست‌؟ تفاوت‌ هوش‌مصنوعی‌ و هوش‌ طبیعی‌ (انسانی‌) درچیست‌؟ شاخه‌های‌ عمده‌ هوش‌ مصنوعی‌ کدامند؟ و نهایتأ، اجزای‌هوش‌ مصنوعی‌ نیز تشریح‌ می‌شود. وسپس کاربردهای‌ هوش‌ مصنوعی‌در صنایع‌ و مؤسسات‌تولیدی‌، بخصوص‌ در زمینه‌سیستم‌های‌ خبره‌ وشبکه های عصبی و فازی  مورد مطالعه‌ وتجزیه‌ و تحلیل‌ قرارگرفته است.



واژه های کلیدی:  هوش مصنوعی ، هوش طبیعی ، شبکه عصبی ، سیستمهای فازی ، سیستمهای خبره کربرد هوش مصنوعی در صنایع
 
فهرست مطالب
عنوان                                                                                                            شماره صفحه

تقدیر و تشکر    2
چکیده    3
فصل اول    12
مقدمه ای بر هوش مصنوعی    12
1-1 مقدمه    13
2-1 هوش مصنوعی چیست ؟    14
3-1 تعریف و طبیعت هوش مصنوعی    15
4-1  تاریخچه هوش مصنوعی    16
1-4-1 تکوین هوش مصنوعی (1955-1943)    17
2-4-1  پیدایش هوش مصنوعی (1956)    18
5-1  ماشینی با هوش مصنوعی    18
6-1  چالش های بنیادین هوش مصنوعی    20
7- 1  شاخه های علم هوش مصنوعی    22
8-1 هوش مصنوعی قوی و ضعیف    23
9-1تکنیک‌ها وزبان‌های برنامه نویسی هوش مصنوعی    24
فصل دوم    26
مفاهیم وتعاریف هوش مصنوعی    26
1-2 مفاهیم و تعاریف هوش مصنوعی    27
2-2 تعاریف  هوش مصنوعی    27
3-2 صفات هوش مصنوعی    28
1-3-2 پردازش نمادین    28
 فهرست مطالب
عنوان                                                                                                            شماره صفحه
2-3-2 یادگیری  ماشینی    29
4-2 تکامل هوش مصنوعی    29
5-2- سیستم خبره    30
6-2- ساختار سیستم خبره    32
1-6-2 فواید سیستم خبره    33
2-6-2 تفاوت سیستم خبره و سیستم های پشتیبان تصمیمگیری    34
3-6-2- معماری سیستم خبره    34
7-2- انواع روش های برنامه نویسی و ارتباط با سیستم های خبره    37
1-7-2رویهای    37
2-7-2تابعی    37
3-7-2 امری    37
4-7-2 غیررویهای    37
5-7-2 غیراظهاری    38
6-7-2 اظهاری یا اخباری    38
8-2- ابزارهای ایجاد سیستم خبره    38
فصل سوم    40
کاربردهای هوش مصنوعی    40
1-3 مقدمه    41
2-3 صنعت    41
3-3 هواشناسی    42
4-3 شهرسازی    42
5-3 کشاورزی    42
 فهرست مطالب
عنوان                                                                                                            شماره صفحه
6-3 علوم نظامی و امنیتی    43
7- 3 نجوم و فضا نوردی    44
8-3 پزشکی    45
9-3 فناوری های علمی    45
10-3 باستان شناسی    46
11-3 تبلیغات    46
12-3 اقتصاد    47
13-3روانشناسی    47
فصل چهارم    48
شبکه های عصبی و سیستمهای فازی    48
1-4 مقدمه    49
2-4- شبکه های عصبی    50
3-4 واحدها در شبکه های عصبی    51
4-4 ساختارهای شبکه    54
5-4 شبکه های عصبی پیشرو تکلایهای (پرسپترونها)    56
6-4شبکه های عصبی پیشرو چندلایهای    63
7-4یادگیری ساختارهای شبکة عصبی    70
8-4 منطق فازی    72
9-4 معرفی شبکه عصبی مصنوعی    73
1-9-4  تاریخچه شبکه‌های عصبی مصنوعی    74
2-9-4 چرا از شبکه‌های عصبی استفاده می‌کنیم    75
1-2-9-4یادگیری تطبیقی    75
 فهرست مطالب
عنوان                                                                                                            شماره صفحه
2-2-9-4خود سازماندهی    75
3-2-9-4عملگرهای بی‌درنگ    76
4-2-9-4دسته بندی    76
5-2-9-4تعمیم دهی    76
6-2-9-4پایداری- انعطاف پذیری    76
3-9-4 شبکه‌های عصبی در مقایسه با کامپیوترهای سنتی    76
10-4 ساختار شبکه‌های عصبی    77
11-4 معایب شبکه‌های عصبی    78
12-4خصوصیات و تفاوت های سیستم های خبره و شبکه های عصبی    78
13-4 چرا سیستم‌های فازی    80
1-13-4 سیستم‌های فازی چگونه سیستم‌هایی هستند؟    81
14-4 انواع سیستم‌های فازی    82
1-14-4 سیستم فازی خالص    82
2-14-4 سیستم فازی تاکاگی ـ سوگنو و کانگ    82
3-14-4سیستم‌های فازی با فازی‌ساز و غیر فازی ساز    83
1-3-14-4ریاضیات فازی    83
2-3-14-4منطق فازی و هوش مصنوعی    83
3-3-14-4سیستم‌های فازی    83
4-3-14-4 عدم قطعیت و اطلاعات    83
5-3-14-4 تصمیم‌گیری فازی    83
15-4 کاربردهای منطق فازی‌    84
16-4 منطق فازی و هوش مصنوعی‌    84
 فهرست مطالب
عنوان                                                                                                            شماره صفحه
17-4 تاریخچة مجموعه‌های فازی    85
فصل پنجم    89
نتیجه گیری    89
1-5 نتیجه گیری    90
1-1- 5 تاریخ هوش مصنوعی    90
2-1-5 خلاصه ای از تاریخچه هوش مصنوعی    91
منابع    92
پیوست    93

 
فهرست شکل ها
عنوان                                                                                                            شماره صفحه

شکل 1.1 هوش مصنوعی    16
شکل 1-2-  معماری سیستم خبره    35
شکل 4- 1 شبکه عصبی    51
شکل 2-4 مدل ریاضی ساده ای برای یک عصب ، فعالیت خروجی واحد برابرai=gi=0nWjiai است که در آن aj فعالیت خروجی از واحد I  می باشد و Wji وزن روی پیوند از واحد I  به این واحد است.    52
شکل 4-4-با مفروض داشتن ورودی مناسب و وزنهای بایاس، واحدها با وجود یک تابع فعالیت استانه میتوانند به صورت گیت های منطقی عمل کنند.    54
شکل 5-4-یک شبکه عصبی بسیار ساده با دو ورودی، یک لایه پنهان دو واحدی، و یک خروجی.    55
شکل 6-4-(الف) یک شبکه پرسپترون متشکل از سه واحد خروجی پرسپترون که 5 ورودی را به اشتراک میگذارند.  با بررسی یک واحد خروجی خاص (مثلا دومی، که درشت و برجسته شده است)، میبینیم که وزنهای روی پیوندهای ورودی ان، هیچ تأثیری روی دیگر واحدهای خروجی ندارند. (ب) نموداری از خروجی یک واحد پرسپترون دو ورودی با یک تابع فعالیت دوهلالی.    57
شکل 7-4-تفکیک پذیری خطی در پرسپترونهای استانه. نقاط سیاه، نشاندهندة نقاطی در فضای ورودی هستند که مقدار تابع در انها 1 است، و نقاط سفید نشان دهنده نقاطی هستند که این مقدار 0 است. پرسپترون  در ناحیه طرف غیر سایه دار خط، مقدار 1 را بر می گرداند. در (ج)، هیچ چنین خطی که به درستی، ورودی ها را دسته بندی کند وجود ندارد.    58
شکل 9-4- الگوریتم یادگیری نزول گرادیان برای پرسپترونها، که یک تابع فعالیت مشتق پذیر gرا فرض میکند. درمورد پرسپترونهای استانه ، عامل ازقانون به روز سازی وزن حذف می شود. روال NEURAL-NET-HYPOTHESISفرضی را برمی گرداند که خروجی شبکه را برای هر مثال مفروض محاسبه می کند.    61
شکل 10-4-مقایسه کارایی پرسپترونها و درختان تصمیم. (الف)  پرسپترونها در یادگیری تابع اکثریت از 11 ورودی، بهتر از درختان تصمیم اند. (ب) درختان تصمیم در یادگیری گزاره WillWaitدر مثال رستوران بهتر عمل می کنند    62
شکل 11-4-(الف) نتیجه ترکیب دو تابع هموار استانه با رویه های مخالف به منظور تولید یک تابع مرز. (ب) نتیجه ترکیب دو تابع مرز برای به وجود اوردن یک برامدگی.    64
شکل 12-4-یک شبکه عصبی چندلایه ای با یک لایه پنهان و 10 ورودی، که برای مسأله رستوران مناسب است.    65
شکل 13-4-الگوریتم پس-انتشار برای یادگیری در شبکه های چندلایه ای.    68
شکل 14-4-(الف) منحنی اموزشی برای مجموعه مفروضی از مثالها در دامنه رستوران، همانطور که وزنها در طول دوره های مختلف تغییر میکنند، نشان دهنده کاهش تدریجی در خطاست. (ب) منحنیهای یادگیری مقایسهای نشان میدهند که یادگیری درخت تصمیم کمی بهتر از پس-انتشار در یک شبکه چندلایهای است.    70

 
فهرست شکل ها
عنوان                                                                                                            شماره صفحه

جدول 1 – 1 چهار دسته از تعاریف هوش مصنوعی    14
 

مقاله انواع هوش و هوش مصنوعی

اختصاصی از هایدی مقاله انواع هوش و هوش مصنوعی دانلود با لینک مستقیم و پر سرعت .

دانلود مقاله انواع هوش و هوش مصنوعی

این فایل در قالب Word قابل ویرایش، آماده پرینت و ارائه به عنوان پروژه پایانی می باشد

 

قالب: Word

 

تعداد صفحات: 56

توضیحات:

 تعریف هوش

 بطور کلی تعاریف متعددی را که توسط روان شناسان برای هوش ارائه شده است، می‌توان به سه گروه تربیتی (تحصیلی)، تحلیلی و کاربردی تفسیم کرد.

 تعریف تربیتی هوش

 به اعتقاد روانشناسان تربیتی، هوش کیفیتی است که مسبب موفقیت تحصیلی می‌شود و از این رو یک نوع استعداد تحصیلی به شمار می‌رود. آنها برای توجیه این اعتقاد اشاره می‌کنند که کودکان باهوش نمره‌های بهتری در دروس خود می‌گیرند و پیشرفت تحصیلی چشم گیری نسبت به کودکان کم هوش دارند. مخالفان این دیدگاه معتقدند کیفیت هوش را نمی‌توان به نمره‌ها و پیشرفت تحصیلی محدود کرد، زیرا موفقیت در مشاغل و نوع کاری که فرد قادر به انجام آن است و به گونه کلی پیشرفت در بیشتر موقعیتهای زندگی بستگی به میزان هوش دارد.

 تعریف هوش

تعریف تربیتی هوش

تعریف تحلیلی هوش

تعریف کاربردی هوش

تاریخچه مطالعات مربوط به هوش

عوامل موثر بر هوش

انواع آزمونهای هوش

طبقات هوش

هوش چندگانه

پوستر

صوت

نمایش دادن

موسیقی

هوش هیجانی

اندازه‌گیری هوش هیجانی

هوش معنوی

هوش مصنوعی

فلسفۀ هوش مصنوعی

مدیریت پیچیدگی

سیستم‌های خبره

عامل‌های هوشمند

آینده هوش مصنوعی

تاریخ هوش مصنوعی

جان مک کارتی

هدف هوش مصنوعی

هوش مصنوعی و هوش انسانی

ویژگی های هوش مصنوعی

هوش مصنوعی ترکیبی

دین و هوش مصنوعی

اشاره

بررسی آزمون

دستکاری نمادها

دو فرضیه در هوش مصنوعی

استدلال اتاق چینی

دین و برداشت مکانیکی از تفکر

منابع

ارزیابی و تحلیل ماشین بردار پشتیبان در هوش مصنوعی

اختصاصی از هایدی ارزیابی و تحلیل ماشین بردار پشتیبان در هوش مصنوعی دانلود با لینک مستقیم و پر سرعت .

فرمت فایل : word (قابل ویرایش) تعداد اسلایدها: 78 اسلاید

مقدمه :

lSVM دسته بندی کننده ای است که جزو شاخه Kernel Methods دریادگیری ماشین محسوب میشود.

lSVMدر سال 1992 توسط Vapnik معرفی شده و بر پایه statistical learning theory بنا گردیده است.

lشهرت SVM بخاطر موفقیت آن در تشخیص حروف دست نویس است که با شبکه های عصبی بدقت تنظیم شده برابری میکند: 1.1% خطا

 

lهدف این دسته الگوریتم ها تشخیص و متمایز کردن الگوهای پیچیده در داده هاست ( از طریق کلاسترینگ، دسته بندی، رنکینگ، پاکسازی و غیره)

lمسایل مطرح:

lالگوهای پیچیده را چگونه نمایش دهیم

lچگونه از مسئله overfitting پرهیز کنیم