Machine intelligence dates back to 1936, when Turing proposed the idea of a universal processing machine (Turing, 1936), which composed the theoretical milestone in the theory of computability for the next years. Having Turing’s machine as a starting point, artificial intelligence (AI), in the last decades, focused on the principles, theoretical issues and design of algorith- mic methodologies inspired by observations of the natural environment. Some striking examples are the artificial neural networks (ANNs), which are inspired by the mammalian neural system, and evolutionary algorithms (EAs), inspired by natural selection and genetic evolution in biology. These techniques, along with numerous others, have found their way in solving real-world problems in biology, medicine, business, technology and finance. Computational intelligence (CI) (Engelbrecht, 2007) constitutes the sub- branch of AI that includes the design and development of theories and methods with a sound biological understanding alongside their application to solve real- world problems. According to Bezdek (1994): A system is computationally intelligent when it: deals with only numerical (low level) data, has pattern recognition components, does not use knowledge in the AI sense and additionally when it (begins to) exhibit i) computational adaptivity, ii) computational fault tolerance, iii) speed approaching human- like turn around and iv) error rates that approximate human performance. The above definition provides a central role for the definition of CI systems to the principles of computational adaptation, noisy data handling, computational speed and fault tolerance. The basic distinction of general AI systems and CI ones lies in their effort not only to imitate or surpass human intelligence, but also to aid humans to solve real-world problems more effectively, reducing their workload. The necessity for fulfilling human tasks more conveniently, costlessly and faster, and the need for processing high volumes of data has led to the growth of the CI field in the last two decades, with the development of a series of high- performance algorithms.
چکیده فارسی
هوش ماشینی به سال 1936 برمیگردد، زمانی که تورینگ ایده یک ماشین پردازش جهانی را پیشنهاد کرد (تورینگ، 1936)، که نقطه عطف نظری در نظریه محاسبهپذیری برای سالهای بعد را تشکیل داد. با داشتن ماشین تورینگ به عنوان نقطه شروع، هوش مصنوعی (AI) در دهه های گذشته بر اصول، مسائل نظری و طراحی روش های الگوریتمی الهام گرفته از مشاهدات محیط طبیعی متمرکز شده است. برخی از نمونههای بارز شبکههای عصبی مصنوعی (ANN) هستند که از سیستم عصبی پستانداران الهام گرفته شدهاند و الگوریتمهای تکاملی (EAs) که از انتخاب طبیعی و تکامل ژنتیکی در زیستشناسی الهام گرفته شدهاند. این تکنیک ها، همراه با تکنیک های متعدد دیگر، راه خود را در حل مشکلات دنیای واقعی در زیست شناسی، پزشکی، تجارت، فناوری و مالی پیدا کرده اند. هوش محاسباتی (CI) (Engelbrecht، 2007) شاخه فرعی هوش مصنوعی را تشکیل می دهد که شامل طراحی و توسعه نظریه ها و روش ها با درک بیولوژیکی صحیح در کنار کاربرد آنها برای حل مسائل دنیای واقعی است. به گفته بزدک (1994): یک سیستم زمانی از نظر محاسباتی هوشمند است که: فقط با داده های عددی (سطح پایین) سر و کار دارد، دارای اجزای تشخیص الگو است، از دانش به معنای هوش مصنوعی استفاده نمی کند و همچنین زمانی که (شروع به نمایش می کند) محاسباتی است. انطباق، 2) تحمل خطا محاسباتی، 3) سرعت نزدیک شدن به چرخش انسان مانند و iv) نرخ خطا که عملکرد انسان را تقریب می کند. تعریف فوق نقش مرکزی را برای تعریف سیستم های CI با اصول سازگاری محاسباتی، مدیریت داده های پر سر و صدا، سرعت محاسباتی و تحمل خطا ارائه می دهد. تمایز اساسی سیستمهای هوش مصنوعی عمومی و سیستمهای CI در تلاش آنها نه تنها برای تقلید یا پیشی گرفتن از هوش انسان، بلکه برای کمک به انسانها برای حل مؤثرتر مشکلات دنیای واقعی و کاهش حجم کاری است. ضرورت انجام وظایف انسانی راحتتر، کمهزینهتر و سریعتر و نیاز به پردازش حجم بالایی از دادهها، با توسعه یک سری الگوریتمهای با کارایی بالا، در دو دهه اخیر باعث رشد حوزه CI شده است. /p>
ادامه ...
بستن ...