AI & Optimization
Get flash to fully experience Pearltrees
2 exemples d’intelligence artificielle
Voici 2 news d'importance concernant l'intelligence artificielle, que je me permet de regrouper et qui je pense devrait vous intéresser. La première concerne un robot mis au point à l'Institut Technologique de Tokyo . Celui-ci est capable de penser de lui-même afin d'apprendre à résoudre des problèmes auquel il n'a encore jamais été confronté. Pour cela, il utilise un réseau neuronal incrémental capable de s'auto organiser (SOINN pour Self Organizing Incremental Neural Network) afin d'amélioreer son apprentissage. Lorsqu'il est confronté à une nouvelle situation, ce robot va bien sûr apprendre de lui même en faisant ses propres expériences mais aussi en cherchant les infos dont il a besoin sur Internet ou en demandant à ses pôtes robots connectés au même réseau que lui.
Méthode de Monte-Carlo
Un article de Wikipédia, l'encyclopédie libre. Le terme méthode de Monte-Carlo , ou méthode Monte-Carlo , désigne toute méthode visant à calculer une valeur numérique en utilisant des procédés aléatoires , c'est-à-dire des techniques probabilistes. Le nom de ces méthodes, qui fait allusion aux jeux de hasard pratiqués à Monte-Carlo , a été inventé en 1947 par Nicholas Metropolis [ 1 ] , et publié pour la première fois en 1949 dans un article co-écrit avec Stanislaw Ulam [ 2 ] . Les méthodes de Monte-Carlo sont particulièrement utilisées pour calculer des intégrales en dimensions plus grandes que 1 (en particulier, pour calculer des surfaces et des volumes).
UCT at Sensei
UCT for Monte Carlo computer go A Monte Carlo ( MC ) go program plays random games and easily evaluates the terminal position after two passes using Chinese rules .
Un article de Wikipédia, l'encyclopédie libre. Tableau de jeu de Go informatisé Le jeu de go en informatique est une branche de l' intelligence artificielle qui s'attache à créer des logiciels informatiques capables de jouer au jeu de go , un très ancien jeu de plateau.
Jeu de go en informatique
Introduction to Monte Carlo Algorithms
Vues : 16801 Description : Document type de gestion des actions correctives et préventives, management de la qualité. Cette procédure définit les...
Chess Grandmasters Take Lessons From ... a Windows Machine? | Playbook
When Hikaru Nakamura and Gata Kamsky faced Vladimir Kramnik and Alexander Grischuk in the ninth round of the 40th World Chess Olympiad in Istanbul, the seasoned grandmasters drew upon years of experience, hours of preparation and two computers thousands of miles away. We can’t tell you anything about the silicon assistance the two Russians got because, well, they’re Russians and it’s a secret. But the computer that helped Nakamura and Kamsky and the rest of the U.S. team score an incredible upset win over the Russians — and fifth place overall — sits in a nondescript building on the plains of Texas.
Deep Blue - Kasparov : un match truqué ?
IBM a récemment fêté les quinze ans de la victoire de son célèbre supercalculateur Deep Blue sur le multiple champion du monde d’échecs Garry Kasparov. En marge de cet anniversaire, un livre publié il y a peu révèle une petite histoire intéressante ayant eu lieu pendant ce match. En effet, dans le livre de Nate Silver, The Signal and the Noise , celui-ci a interviewé un informaticien ayant travaillé sur Deep Blue , Murray Campbell.The algorithm derivation below can be found in Brierley [ 1 ] and Brierley and Batty [ 2 ]. Please refer to these for a hard copy. This idea was first described by Werbos [ 3 ] and popularised by Rumelhart et al. [ 4 ]. Fig 1 A multilayer perceptron
BackPropagation of Error algorithm proof
Un article de Wikipédia, l'encyclopédie libre. Un réseau de neurones artificiels est un modèle de calcul dont la conception est très schématiquement inspirée du fonctionnement des neurones biologiques. Les réseaux de neurones sont généralement optimisés par des méthodes d’apprentissage de type probabiliste, en particulier bayésien .
Réseau de neurones artificiels
Un article de Wikipédia, l'encyclopédie libre. On désigne par reconnaissance de formes (ou parfois reconnaissance de motifs ) un ensemble de techniques et méthodes visant à identifier des motifs informatiques à partir de données brutes afin de prendre une décision dépendant de la catégorie attribuée à ce motif [ 1 ] . On considère que c'est une branche de l' intelligence artificielle qui fait largement appel aux techniques d' apprentissage automatique et aux statistiques . Le mot forme est au sens très général, il ne s'agit pas que de forme géométrique.
Reconnaissance de formes
Neurone formel
Un article de Wikipédia, l'encyclopédie libre. Représentation d'un neurone formel (ou logique) Un neurone formel est une représentation mathématique et informatique d'un neurone biologique.Réseau bayésien
Un article de Wikipédia, l'encyclopédie libre. Un réseau bayésien est en informatique et en statistique un modèle graphique probabiliste représentant des variables aléatoires sous la forme d'un graphe orienté acyclique . Intuitivement, ils sont à la fois : Pour un domaine donné (par exemple médical), on décrit les relations causales entre variables d'intérêt par un graphe . Dans ce graphe, les relations de cause à effet entre les variables ne sont pas déterministes, mais probabilisées . Ainsi, l'observation d'une cause ou de plusieurs causes n'entraîne pas systématiquement l'effet ou les effets qui en dépendent, mais modifie seulement la probabilité de les observer.Random forests are an ensemble learning method for classification (and regression ) that operate by constructing a multitude of decision trees at training time and outputting the class that is the mode of the classes output by individual trees. The algorithm for inducing a random forest was developed by Leo Breiman [ 1 ] and Adele Cutler, and "Random Forests" is their trademark . The term came from random decision forests that was first proposed by Tin Kam Ho of Bell Labs in 1995. The method combines Breiman's " bagging " idea and the random selection of features, introduced independently by Ho [ 2 ] [ 3 ] and Amit and Geman [ 4 ] in order to construct a collection of decision trees with controlled variation. The selection of a random subset of features is an example of the random subspace method , which, in Ho's formulation, is a way to implement stochastic discrimination [ 5 ] proposed by Eugene Kleinberg. [ edit ] History