Περιεχόμενα ΕΝΟΤΗΤΑ I. ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΤΕΧΝΗΤΗ ΝΟΗΜΟΣΥΝΗ. Πρόλογος 15

Σχετικά έγγραφα
Περιεχόµενα. ΜΕΡΟΣ Α: Επίλυση Προβληµάτων... 17

Τεχνητή Νοημοσύνη ( )

Τεχνητά Νευρωνικά Δίκτυα. Τσιριγώτης Γεώργιος Τμήμα Μηχανικών Πληροφορικής ΤΕΙ Ανατολικής Μακεδονίας & Θράκης

Πληροφορική 2. Τεχνητή νοημοσύνη

ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΠΛΗΡΟΦΟΡΙΚΗ

Περιεχόμενα. 2 Αριθμητικά συστήματα

Ειδικής Υποδομής Υποχρεωτικό

Πληροφοριακά Συστήματα & Περιβάλλον

Εισαγωγή στην Επιστήμη των Υπολογιστών

ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΠΛΗΡΟΦΟΡΙΚΗ

ΤΕΧΝΗΤΗ ΝΟΗΜΟΣΥΝΗ Γλώσσες & Τεχνικές 4 ο Εξάμηνο. - Ενότητα 1 - Δημοσθένης Σταμάτης

Συστήματα Γνώσης. Θεωρητικό Κομμάτι Μαθήματος Ενότητα 2: Βασικές Αρχές Αναπαράστασης Γνώσης και Συλλογιστικής

ΕΥΦΥΗΣ ΕΛΕΓΧΟΣ. Ενότητα #12: Εισαγωγή στα Nευρωνικά Δίκτυα. Αναστάσιος Ντούνης Τμήμα Μηχανικών Αυτοματισμού Τ.Ε.

Πρόλογος των Συγγραφέων

Ευφυείς Τεχνολογίες ----Πράκτορες

Οικονόμου Παναγιώτης.

Υλοποίηση Συστήματος Ανίχνευσης Εισβολών σε Περιβάλλον Android για Ασύρματα Δίκτυα Πρόσβασης

ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΠΛΗΡΟΦΟΡΙΚΗ

Ευφυείς Τεχνολογίες ----Πράκτορες

ΕΜΠΕΙΡΑ ΣΥΣΤΗΜΑΤΑ Χρυσόστομος Στύλιος

Τεχνολογία Ευφυών Πρακτόρων (Intelligent Software Agents)

ΚΕΦΑΛΑΙΟ 6 ΕΙΣΑΓΩΓΗ ΣΤΟΝ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟ. 03/01/09 Χαράλαμπος Τζόκας 1

Βιβλιογραφικές και ιστορικές σηµειώσεις Ασκήσεις Προβλήµατα Ικανοποίησης Περιορισµών

Πληροφοριακά Συστήματα & Περιβάλλον

Πίνακας Περιεχομένων

Υπολογιστική Νοημοσύνη. Μάθημα 4: Μάθηση στον απλό τεχνητό νευρώνα (2)

Μαθήματα Διατμηματικού Π.Μ.Σ. "Μαθηματικά των Υπολογιστών και των Αποφάσε

10. Με πόσους και ποιους τρόπους μπορεί να αναπαρασταθεί ένα πρόβλημα; 11. Περιγράψτε τα τρία στάδια αντιμετώπισης ενός προβλήματος.

ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ

Προγραμματισμός Η/Υ 1 (Εργαστήριο)

ΒΙΒΛΙΑ ΒΙΒΛΙΑ

Θεωρητική προσέγγιση του Σημασιολογικού Ιστού στο χώρο της πολιτισμικής πληροφορίας: μία πρότυπη εφαρμογή στη βιβλιοθηκονομία

Εφαρμογές Υπολογιστικής Νοημοσύνης στις Ασύρματες Επικοινωνίες

Ελληνική Δημοκρατία Τεχνολογικό Εκπαιδευτικό Ίδρυμα Ηπείρου. Πληροφορική II. Ενότητα 9 : Τεχνητή νοημοσύνη. Δρ. Γκόγκος Χρήστος

ΑΡΙΘΜΗΤΙΚΕΣ ΜΕΘΟΔΟΙ ΓΙΑ ΠΡΟΒΛΗΜΑΤΑ ΜΗΧΑΝΙΚΗΣ ΕΦΑΡΜΟΓΕΣ ΜΕ ΧΡΗΣΗ MATLAB ΔΕΥΤΕΡΗ ΕΚΔΟΣΗ [ΒΕΛΤΙΩΜΕΝΗ ΚΑΙ ΕΠΑΥΞΗΜΕΝΗ]

ΣΥΣΤΗΜΑ ΠΑΡΑΚΟΛΟΥΘΗΣΗΣ ΑΕΡΟΣΩΜΑΤΙ ΙΑΚΗΣ ΡΥΠΑΝΣΗΣ ΣΕ ΣΧΕ ΟΝ ΠΡΑΓΜΑΤΙΚΟ ΧΡΟΝΟ

Αρχιτεκτονική Λογισμικού

Τεχνητή Νοημοσύνη (ΥΠ23) 6 ο εξάμηνο Τμήμα Πληροφορικής και Τηλεματικής Χαροκόπειο Πανεπιστήμιο Ουρανία Χατζή

Τεχνητή Νοημοσύνη. 7η διάλεξη ( ) Ίων Ανδρουτσόπουλος.

ΚΕΦΑΛΑΙΟ Μηχανική Μάθηση

Τεχνητή Νοημοσύνη. 8η διάλεξη ( ) Ίων Ανδρουτσόπουλος.

Τεχνητή Νοημοσύνη. 2η διάλεξη ( ) Ίων Ανδρουτσόπουλος.

Βασικές αρχές εκπαίδευσης ΤΝΔ: το perceptron. "Τεχνητά Νευρωνικά Δίκτυα" (Διαφάνειες), Α. Λύκας, Παν. Ιωαννίνων

Υπολογιστική Νοημοσύνη. Μάθημα 12: Παραδείγματα Ασκήσεων 2

ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ

Εισαγωγή στην επικοινωνία ανθρώπου υπολογιστή. Νικόλαος Αβούρης Eκδόσεις ΔΙΑΥΛΟΣ, Αθήνα ΠΡΟΛΟΓΟΣ Περιεχόμενα Εγχειριδίου

ΕΚΛΟΓΙΚΗ ΠΕΡΙΦΕΡΕΙΑ ΕΒΡΟΥ

28 Πολυπρακτορικά Συστήµατα

ΠΛΗΡΟΦΟΡΙΚΗ Γ ΤΑΞΗΣ ΓΕΛ ΚΛΕΙΩ ΣΓΟΥΡΟΠΟΥΛΟΥ. ΣΥΓΧΡΟΝΑ ΠΡΟΓΡΑΜΜΑΤΙΣΤΙΚΑ ΠΕΡΙΒΑΛΛΟΝΤΑ Αντικειμενοστραφής Προγραμματισμός

ΠΕΡΙΕΧΟΜΕΝΑ. Πρόλογος Κεφάλαιο 1 ο Αρχές Διαχείρισης πληροφορίας στον Παγκόσμιο Ιστό... 15

Τεχνητή Νοημοσύνη (ΥΠ23) 6 ο εξάμηνο Τμήμα Πληροφορικής και Τηλεματικής Χαροκόπειο Πανεπιστήμιο Ουρανία Χατζή

«Καθοριστικοί παράγοντες της αποτελεσματικότητας της από στόμα-σε-στόμα επικοινωνίας στις ιστοσελίδες κοινωνικής δικτύωσης»

τρόπος για να εμπεδωθεί η θεωρία. Για την επίλυση των παραδειγμάτων χρησιμοποιούνται στατιστικά πακέτα, ώστε να είναι δυνατή η ανάλυση μεγάλου όγκου

Σχεδιασμός Κατασκευών Ενότητα 2: Βασικές Έννοιες Τεχνικών Συστημάτων & Οργάνωση Ανάπτυξης ενός Προϊόντος

Διδάκτορας Οικονομικού Πανεπιστημίου Αθηνών

Υπολογιστική Νοημοσύνη. Μάθημα 13: Αναδρομικά Δίκτυα - Recurrent Networks

Τεχνητή Νοημοσύνη. 3η διάλεξη ( ) Ίων Ανδρουτσόπουλος.

ΓΕΩΠΟΝΙΚΗ ΣΧΟΛΗ ΑΠΘ Εργαστήριο Πληροφορικής στη Γεωργία ΠΛΗΡΟΦΟΡΙΚΗ Ι

ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ. Διεύθυνση Σπουδών ΩΡΕΣ ΑΙΘΟΥΣΕΣ ΕΞ.-ΤΥΠΟΣ ΜΑΘΗΜΑ ΤΜΗΜΑ ΚΩΔΙΚΟΣ. Πέμπτη, 01/09/2016

ΠΑΡΆΡΤΗΜΑ Β Ενδεικτική Λίστα Διδασκόντων Μελών Δ.Ε.Π. του Τμήματος

ΠΕΡΙΕΧΟΜΕΝΑ ΠΕΡΙΕΧΟΜΕΝΑ

Πρόγραμμα Σπουδών Ακαδημαϊκού Έτους

Ιόνιο Πανεπιστήμιο Τμήμα Τεχνών Ήχου και Εικόνας. Ακαδημαϊκό Έτος

Διπλωματική Εργασία: «Συγκριτική Μελέτη Μηχανισμών Εκτίμησης Ελλιπούς Πληροφορίας σε Ασύρματα Δίκτυα Αισθητήρων»

Τεχνητή Νοημοσύνη. 18η διάλεξη ( ) Ίων Ανδρουτσόπουλος.

ΑΝΑΠΤΥΞΗ ΕΦΑΡΜΟΓΩΝ ΣΕ ΠΡΟΓΡΑΜΜΑΤΙΣΤΙΚΟ ΠΕΡΙΒΑΛΛΟΝ. 1 ο ΚΕΦΑΛΑΙΟ

ΜΑΜ Κωδικός Τίτλος Μαθήματος ΠΜ ΕΠΛ 341 Τεχνητή Νοημοσύνη 7.5. Ελπίδα Κεραυνού-Παπαηλιού

Ανάπτυξη Εφαρμογών σε Προγραμματιστικό Περιβάλλον κεφ.6 Εισαγωγή στον Προγραμματισμό

ΠΑΙΓΝΙΑ Παιχνίδια Γενική Θεώρηση μεγιστοποιήσει την πιθανότητά

Αναγνώριση Προτύπων Ι

Περιεχόμενα. Κεφάλαιο 2 Κοινωνικοτεχνικά συστήματα 49

Τεχνητή Νοημοσύνη. TMHMA ΠΛΗΡΟΦΟΡΙΚΗΣ & ΤΕΧΝΟΛΟΓΙΑΣ ΥΠΟΛΟΓΙΣΤΩΝ. Εξάμηνο 5ο Οικονόμου Παναγιώτης & Ελπινίκη Παπαγεωργίου. Νευρωνικά Δίκτυα.

Κωνσταντίνος Παπαβλασόπουλος ΑΜ:475

ΠΛΗ 405 Τεχνητή Νοηµοσύνη Ε ανάληψη. πεπερασµένα χρονικά περιθώρια ανά κίνηση. απευθείας αξιολόγηση σε ενδιάµεσους κόµβους

Εισαγωγή στην Επιστήμη των Υπολογιστών

επιφάνεια πυριτίου Αναφορά στο Εκπαιδευτικό Υλικό : 5. Αναφορά στο Εργαστήριο :

Δυναμικές Δομές Δεδομένων Λίστες Δένδρα - Γράφοι

Μηχανική Λογισμικού για Διαδικτυακές & Φορητές Εφαρμογές

Η οικολογία μάθησης για τους υπολογιστές ΙII: Η δική σας οικολογία μάθησης

Ανάκτηση Πληροφορίας

Λογικοί πράκτορες. Πράκτορες βασισµένοι στη γνώση

ΑΝΑΠΤΥΞΗ ΕΦΑΡΜΟΓΩΝ ΣΕ Π ΡΟΓΡΑΜΜΑΤΙΣΤΙΚΟ Π ΕΡΙΒΑΛΛΟΝ

Τεχνητή Νοημοσύνη (ΥΠ23) 6 ο εξάμηνο Τμήμα Πληροφορικής και Τηλεματικής Χαροκόπειο Πανεπιστήμιο Ουρανία Χατζή

Μέθοδοι πολυδιάστατης ελαχιστοποίησης

Προγραμματισμός Η/Υ. Προτεινόμενα θέματα εξετάσεων Εργαστήριο. Μέρος 1 ό. ΤΕΙ Λάρισας- Σχολή Τεχνολογικών Εφαρμογών Τμήμα Πολιτικών Έργων Υποδομής

ΤΕΙ ΠΕΛΟΠΟΝΝΗΣΟΥ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΠΛΗΡΟΦΟΡΙΚΗΣ Τ.Ε.

Περιεχόμενα. Πρόλογος... 13

Τεχνητή Νοημοσύνη. 16η διάλεξη ( ) Ίων Ανδρουτσόπουλος.

ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΕΙΡΑΙΩΣ ΤΜΗΜΑ ΝΑΥΤΙΛΙΑΚΩΝ ΣΠΟΥΔΩΝ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ

4.2.1 Α εξάμηνο Β εξάμηνο Γ εξάμηνο 4.2. ΣΥΝΟΠΤΙΚΟ ΠΡΟΓΡΑΜΜΑ ΣΠΟΥΔΩΝ ΑΝΑ ΕΞΑΜΗΝΟ

Έμπειρα Συστήματα. Εργαστήριο

Διδακτική της Πληροφορικής

Βάσεις Δεδομένων και Ευφυή Πληροφοριακά Συστήματα Επιχειρηματικότητας. Eυφυή Πληροφοριακά Συστήματα. Δρ. Κωνσταντίνος Χ.

ΕΠΙΧΕΙΡΗΣΙΑΚΗ ΕΡΕΥΝΑ ΘΕΩΡΙΑ ΚΑΙ ΕΦΑΡΜΟΓΗ ΤΟΥ ΓΡΑΜΜΙΚΟΥ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΥ ΣΤΗ ΛΗΨΗ ΑΠΟΦΑΣΕΩΝ (1)

Το μοντέλο Perceptron

Επίλυση Προβλημάτων. Αποτελεί ένα από τα βασικά χαρακτηριστικά γνωρίσματα της νοημοσύνης.

Μ. Κλεισαρχάκης (Μάρτιος 2017)

Περιεχόμενα. Εισαγωγή του επιμελητή, Γιάννης Σταματίου 15 Πρόλογος 17 Εισαγωγή 23. Μέρος I. ΕΠΑΝΑΛΗΠΤΙΚΟΙ ΑΛΓΟΡΙΘΜΟΙ ΚΑΙ ΑΝΑΛΛΟΙΩΤΕΣ ΣΥΝΘΗΚΕΣ

Εισαγωγή στις Αρχές της επιστήμης των ΗΥ

υπολογιστικών συστημάτων. Παρουσίαση με τίτλο "Περιεχόμενο, διαδικασία μαθήματος και εισαγωγή"

Transcript:

Περιεχόμενα Πρόλογος 15 ΕΝΟΤΗΤΑ I. ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΤΕΧΝΗΤΗ ΝΟΗΜΟΣΥΝΗ 1 Τεχνητή νοημοσύνη 21 1.1 Εισαγωγή 21 1.2 Ιστορική εξέλιξη 22 1.3 Εφαρμογές Τεχνητής Νοημοσύνης 25 2 Επίλυση Προβλημάτων 29 2.1 Διαμόρφωση προβλημάτων 29 2.2 Χώρος αναπαράστασης κατάστασης 29 2.2.1 Αναζήτηση λύσεων 30 2.2.2 Στρατηγικές αναζήτησης 33 2.2.3 Στρατηγικές ελέγχου αναζητήσεων 35 2.3 Αλγόριθμοι αναζήτησης 36 2.3.1 Αλγόριθμοι τυφλής αναζήτησης 36 2.3.1.1 Αναζήτηση κατά πλάτος 37 2.3.1.2 Αναζήτηση κατά βάθος 40 2.3.1.3 Επαναληπτική κατά βάθος αναζήτηση 42 2.3.2 Αλγόριθμοι ευρετικής αναζήτησης 44 2.3.2.1 Αναζήτηση πρώτα στον καλύτερο κόμβο 44 2.3.2.2 Αλγόριθμος Α 48 2.3.3 Αλγόριθμοι Παιγνίων 50 2.3.3.1 Ο Αλγόριθμος Minimax 50 2.3.3.2 Ο Αλγόριθμος Alpha-Beta 55 2.4 Στρατηγικές εξαγωγής συμπερασμάτων 60 2.4.1 Προς τα εμπρός συλλογιστική 60 2.4.2 Προς τα πίσω συλλογιστική 61

6 Περιεχόμενα 3 Γνώση και Συλλογιστικές 63 3.1 Εισαγωγή 63 3.2 Δεδομένα - πληροφορία - γνώση 64 3.2.1 Άνθρωποι και πληροφόρηση 65 3.2.2 Δεδομένα, πληροφορίες, γνώση και υπολογιστές 67 3.3 Μηχανική γνώσης 69 3.3.1 Χρήστης - ειδικός - μηχανικός γνώσης 69 3.3.2 Διαδικασία απόκτησης γνώσης 71 3.3.3 Μέθοδοι απόσπασης γνώσης 72 3.3.4 Προβλήματα απόσπασης γνώσης 74 3.4 Αναπαράσταση γνώσης 75 3.4.1 Είδη γνώσης 75 3.4.2 Μέθοδοι αναπαράστασης 76 3.4.3 Γλώσσες αναπαράστασης γνώσης 78 3.4.4 Μηχανικός γνώσης και ανάπτυξη βάσεων γνώσης 81 3.5 Λογική 83 3.5.1 Προτασιακή λογική 84 3.5.2 Λογική πρώτης τάξης ή κατηγορική λογική 94 3.5.3 Γενική οντολογία 104 3.5.4 Εξαγωγή συμπερασμάτων στην λογική πρώτης τάξεως 106 3.5.5 Διαζευκτική μορφή της λογικής 112 3.5.6 Μη μονότονη συλλογιστική 113 3.6 Δομημένες μορφές αναπαραστάσεις της γνώσης 115 3.6.1 Σημασιολογικά δίκτυα 116 3.6.2 Αντικείμενο - ιδιότητα - τιμή 125 3.7 Πλαίσια 125 3.8 Σχήματα 128 3.9 Σενάρια 131 3.10 Κανόνες παραγωγής 133

Εισαγωγή στην Τεχνητή Νοημοσύνη και τα Συστήματα Πολλαπλών Πρακτόρων 7 3.11 Συστήματα λογικής συλλογιστικής 135 4 Έμπειρα Συστήματα 137 4.1 Εισαγωγή 137 4.1.1 Ορισμοί 138 4.1.2 Εφαρμογές έμπειρων συστημάτων 139 4.1.3 Πλεονεκτήματα και μειονεκτήματα 141 4.1.4 Συμβατικά έναντι έμπειρων συστημάτων 143 4.1.5 Τρόποι χρήσεις έμπειρων συστημάτων 144 4.2 Δομή των έμπειρων συστημάτων 145 4.2.1 Σύστημα επικοινωνίας χρήστη 146 4.2.2 Μηχανισμός εξαγωγής συμπερασμάτων 147 4.2.3 Υποσύστημα απόκτησης γνώσης και Βάσεις Γνώσεις 148 4.2.4 Μνήμη εργασίας 149 4.3 Ανάπτυξη έμπειρων συστημάτων 150 4.3.1 Προβλήματα εφαρμογής των έμπειρων συστημάτων 151 4.3.2 Διαδικασία ανάπτυξης 151 4.3.3 Εργαλεία 155 4.4 Δημιουργία ενός μικρού έμπειρου συστήματος 157 4.4.1 Δένδρο αποφάσεων 161 4.4.1.1 Αυξάνοντας τους κανόνες 163 4.4.1.2 Ανάπτυξη κατανοητών ερωτήσεων 163 4.4.1.3 Πρόβλεψη περιπτώσεων για περισσότερες από μία συστάσεις 164 4.4.1.4 Προσθήκη συντελεστών βεβαιότητας 164 4.4.1.5 Βελτίωση των κανόνων με αφαιρετικές λογικές 166 4.4.1.6 Έλεγχος για πρόβλεψη απαιτούμενων μετατροπών 167 4.4.1.7 Συνεργασία ΕΣ και βάσεων δεδομένων 168 4.5 Δημιουργία ενός συστήματος με χρήση της προς τα εμπρός αλυσίδωσης.. 168 4.5.1 Καθορισμός προβλήματος 169 4.5.1.1 Κώδικας για την απόκτηση γεγονότων (facts) 170

8 Περιεχόμενα 4.5.1.2 Αρχικό σύνολο κανόνων 1" 4.5.1.3 Εξασφάλιση της διαδικασίας τερματισμού του συστήματος 1~5 4.5.1.4 Έλεγχος της διαδικασίας εκτέλεσης των κανόνων Γ- 4.6 Παραδείγματα έμπειρων συστημάτων 4.6.1 Dendral 1" 4.6.2 MYCIN 1" 4.6.3 Rl/XCON 178 4.7 Εφαρμογές στο μάρκετινγκ 1~> 4.7.1 Το σύστημα INNOVATOR Γ> 4.7.2 Το σύστημα CSAS 1S1 4.7.3 Το σύστημα ADDUCE 183 4.7.4 Το σύστημα ADCAD 184 4.7.5 MARKEX 185 4.7.5.1 Δημιουργία Βάσεων Γνώσης 188 5 Μηχανική Μάθηση 203 5.1 Εισαγωγή 203 5.2 Ιστορική εξέλιξη 204 5.3 Απόκτηση γνώσης και βελτίωση ικανοτήτων 205 5.4 Κατάταξη συστημάτων μηχανικής μάθησης 206 5.4.1 Ανάλογα με τη μεθοδολογική προσέγγιση 206 5.4.2 Ανάλογα με τις στρατηγικές μάθησης 20" 5.4.3 Ανάλογα με το είδος της αποκτώμενης γνώσης 211 5.5 Στάδια απόκτησης γνώσης 213 5.6 Η διαδικασία εξαγωγής κανόνων 214 5.7 Μορφή των κανόνων 216 5.8 Είδη σφαλμάτων 21" 5.9 Προβλήματα αξιοπιστίας 219 5.10 Μηχανική μάθηση και έμπειρα συστήματα 220 5.11 Επαγωγική μάθηση με δέντρα απόφασης 221

Εισαγωγή στην Τεχνητή Νοημοσύνη και τα Συστήματα Πολλαπλών Πρακτόρων 9 5.11.1 Ο αλγόριθμος ID3 222 5.11.1.1 Παράδειγμα 226 6 Προσεγγιστικά Σύνολα 231 6.1 Εισαγωγή 231 6.2 Δεδομένα εισόδου και βασικές σχέσεις 232 6.3 Σχέση Δυσδιακριτότητας 234 6.4 Προσεγγίσεις του συνόλου των αντικειμένων 235 6.5 Μείωση και εξάρτηση των χαρακτηριστικών 237 6.6 Πίνακες απόφασης 239 6.7 Εφαρμογή στην αξιολόγηση χρηστών πιστωτικών καρτών 241 6.7.1 Κριτήρια αξιολόγησης 241 6.7.2 Δείγμα αξιολόγησης 242 6.7.3 Παρουσίαση των τελικών κανόνων 244 6.7.4 Αποτελέσματα του δείγματος αξιολόγησης 247 7 Νευρωνικά Δίκτυα 251 7.1 Εισαγωγή 251 7.2 Νευρώνες 253 7.2.1 Εκπαίδευση νευρωνικών δικτύων 253 7.2.2 Πρότυπα εισόδου και εξόδου 255 7.2.3 Συνδέσεις ή βάρη 256 7.2.4 Στοιχεία επεξεργασίας 256 7.2.5 Συναρτήσεις μεταφοράς 257 7.2.5.1 Γραμμική συνάρτηση μεταφοράς 257 7.2.5.2 Βηματική συνάρτηση μεταφοράς 258 7.2.5.3 Συνάρτηση ράμπας 259 7.2.5.4 Σιγμοειδής συνάρτηση μεταφοράς 260 7.2.5.5 Γκαουσιανή συνάρτηση μεταφοράς 261 7.3 Τοπολογίες τεχνητών νευρωνικών δικτύων 261

10 Περιεχόμενα 7.3.1 Γραμμικό Προσαρμοστικό Στοιχείο (ADALINE) 262 7.3.1.1 Δυνατότητα γραμμικού διαχωρισμού του AD ALINE 263 7.3.1.2 Γραμμικός Συνδυαστής 265 7.3.2 MADALINE 1 267 7.3.3 Instars και Outstars 268 7.3.4 Feedback και FeedForward Νευρωνικά Δίκτυα 270 7.4 Αλγόριθμοι εκμάθησης τεχνητών νευρωνικών δικτύων 271 7.4.1 Εκπαίδευση τεχνητών νευρωνικών δικτύων 271 7.4.2 Αλγόριθμοι διόρθωσης σφάλματος 272 7.4.2.1 Ένα στοιχείο επεξεργασίας 272 7.4.2.2 Κανόνες διόρθωσης σφάλματος- Δίκτυα πολλαπλών επιπέδων 276 7.4.3 Κανόνες απότομης μείωσης 279 7.4.3.1 Ένα στοιχείο επεξεργασίας 279 7.4.3.2 Πολλαπλά στοιχεία επεξεργασίας 280 7.5 Συσχετιζόμενοι κανόνες εκμάθησης 288 7.5.1 Εκμάθηση με τον κανόνα του Hebb 288 7.5.2 Ο κανόνας του Kohonen 289 7.6 Δίκτυα με αυτοδιοργάνωση 290 7.6.1 Ανταγωνιστικά δίκτυα 290 7.6.2 Δίκτυα Hopfield 292 7.7 ' Ομαδοποίηση νευρωνικών δικτύων 293 7.7.1 Ομαδοποίηση σύμφωνα με τους κανόνες εκμάθησης 293 7.8 Εφαρμογές των τεχνητών νευρωνικών δικτύων 295 ΕΝΟΤΗΤΑ II. ΣΥΣΤΗΜΑΤΑ ΠΟΛΛΑΠΛΩΝ ΠΡΑΚΤΟΡΩΝ 8 Πράκτορας-Ευφυής Πράκτορας 301 8.1 Εισαγωγή 301 8.1.1 Παραδείγματα πρακτόρων 304 8.1.2 Ευφυείς πράκτορες 304

Εισαγωγή στην Τεχνητή Νοημοσύνη και τα Συστήματα Πολλαπλών Πρακτόρων Η 8.1.3 Επιπλέον ορισμοί 307 8.2 Χαρακτηριστικά πρακτόρων 308 8.3 Αρχιτεκτονικές ευφυών πρακτόρων 309 8.3.1 Ορθολογικοί πράκτορες 310 8.3.2 Αντιδραστικοί πράκτορες 310 8.3.3 Η αρχιτεκτονική BDI 311 8.3.4 Διαστρωματωμένη αρχιτεκτονική 315 8.4 Πολυπρακτορικά συστήματα και κατανεμημένη Τ.Ν 317 9 Συστήματα Πολλαπλών Πρακτόρων 321 9.1 Δομή και οργάνωση του ΣΠΠ 321 9.2 Συντονισμός, συνεργασία και διαπραγματεύσεις 322 9.2.1 Συντονισμός 323 9.2.2 Συνεργασία 323 9.2.3 Διαπραγμάτευση 325 9.3 Επικοινωνία και αλληλεπιδράσεις των ΕΠ 327 10 Γλώσσες Επικοινωνίας Πρακτόρων 329 10.1 Εισαγωγή 329 10.2 Εξέλιξη των γλωσσών επικοινωνίας πρακτόρων 329 10.3 Προδιαγραφές γλωσσών επικοινωνίας πρακτόρων 330 10.4 Βασικές έννοιες 332 10.5 Διάλογοι 335 10.6 KQML 337 10.6.1 Επίπεδα 338 10.6.2 Τελεστές 339 10.6.3 Περιβάλλον των KQML πρακτόρων 340 10.6.4 Εφαρμογές της KQML 341 10.7 FIPAACL 342 10.7.1 Δομή μηνύματος 343

12 Περιεχόμενα 10.7.2 Τύποι μηνυμάτων 345 10.7.3 Σημασιολογία της FIPA ACL 349 10.7.4 Εφαρμογές της FIPA ACL 350 10.8 Διαφορές ανάμεσα στην FIPA ACL και στην KQML 351 11 Μεθοδολογίες Ανάπτυξης ΣΠ Π 353 11.1 Ρόλοι Πρακτόρων 353 11.2 Gaia 354 11.3 MaSE 356 11.4 Συζήτηση 359 12 Πλατφόρμες Ανάπτυξης ΣΠΠ 361 12.1 RETSINA 361 12.2 ARCHON 363 12.3 Open Agent Architecture 365 12.4 AgentBuilder 366 12.5 ZEUS 369 12.6 JADE/Leap 373 12.7 Συζήτηση 374 13 Κινητοί Πράκτορες 377 13.1 Εισαγωγή 377 13.2 Τυποποίηση masif 379 13.3 Βασικές λειτουργίες ενός πρακτορείου 379 13.3.1 Δημιουργία πράκτορα 380 13.3.2 Μεταφορά και λήψη ενός πράκτορα 380 13.3.3 Ανεύρεση ενός κινητού πράκτορα 381 13.3.4 Ασφαλές περιβάλλον λειτουργίας 381 13.4 Τρόποι μεταφοράς κινητών πρακτόρων 381 13.5 Χρόνος ζωής κινητών πρακτόρων 383 13.6 Πλεονεκτήματα κινητών πρακτόρων 383

Εισαγωγή στην Τεχνητή Νοημοσύνη και τα Συστήματα Πολλαπλών Πρακτόρων 13 13.7 Μειονεκτήματα κινητών πρακτόρων 386 13.8 Πλατφόρμες κινητών πρακτόρων 389 13.8.1 Aglets 390 13.8.2 Grasshopper 393 13.9 Εφαρμογές κινητών πρακτόρων 398 14 Πλατφόρμα ΕΡΓΑ.Σ.Υ.Α 403 14.1 Εισαγωγή 403 14.2 Αρχιτεκτονική πράκτορα 403 14.3 Τμήμα επικοινωνίας 407 14.4 Αρχιτεκτονική και λειτουργία πρακτορείου 411 14.5 Δομή και οργάνωση του ΣΠΠ 413 14.6 Πρωτόκολλα και τυποποίηση μηνυμάτων 414 14.7 Δημιουργία και ένταξη νέου πράκτορα στην κοινότητα 415 14.8 Η δημιουργία νέου πράκτορα τεχνικά 416 14.9 Οργάνωση της πλατφόρμας 417 14.9.1 Πακέτο org 418 14.9.2 Πακέτο org.agent 421 14.9.3 Πακέτο org.agent.communicationmodule 423 Βιβλιογραφία 427