END 457 Sezgisel Arama ve Yapay Zeka

Slides:



Advertisements
Benzer bir sunumlar
Yapay Zeka ve Makine Öğrenmesine Genel Bir Bakış
Advertisements

FEN BİLİMLERİ ENSTİTÜSÜ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ
YAEM Tolga Bektaş, Southampton University
YAPAY ZEKA Yrd. Doç. Dr. Rembiye Kandemir
MIT503 Veri Yapıları ve algoritmalar Algoritma Oluşturma – Açgözlü algoritmalar ve buluşsallar Y. Doç. Yuriy Mishchenko.
Enerji Sistemlerinde Yöneylem Araştırması EBT Bahar Yarıyılı
MESLEKİ TERMİNOLOJİ Artificial Intelligence YAPAY ZEKA
YAPAY ZEKA ve ENDÜSTRİYEL UYGULAMALARI
10. OPTİMİZASYON OPTİMİZASYON NEDİR?
MIT503 Veri Yapıları ve algoritmalar Algoritmalara giriş
META SEZGİSEL YÖNTEMLER
PROJE KAVRAMI Artık iş sonuçlarımızın başarısı, yürüttüğümüz projelerin başarısı ile gerçekleşiyor… y.
Lokal Arama Algoritmaları
4. KONTROL VE DÖNGÜ KOMUTLARI
YAPAY ZEKA Genel Kavramlar hturgut.com
YAPAY ZEKA ve UZMAN SİSTEMLER
XII International TwelfthTurkish Symposium on Artificial Intelligence and Neural Networks 2003 Canakkale Turkey Veri Tabanı Sunucu Kümelerinde Yük Dengeleme.
BENZETİM Prof.Dr.Berna Dengiz 9. Ders.
ÖLÇME VE DEĞERLENDİRME DERSİ
SEMİNER Toplam Kalite Yönetiminin Işığı Altında Yapay Zekanın Endüstriyel Problemlerin Çözümünde Kullanımı Konuşmacı Yrd. Doç. Dr. Türkay Dereli.
M.Fatih AMASYALI Yapay Zeka Ders Notları
PARTICLE – SWARM OPTIMIZATION PARÇACIK – SÜRÜ OPTİMİZASYONU
BENZETİM Prof.Dr.Berna Dengiz 3. Ders Monte Carlo Benzetimi
İçindekiler I. Ders Tanıtımı II. Konular III. Değerlendirme Kriterleri
SİSTEM MÜHENDİSLİĞİ (ZYS 419) DERS SUNUMLARI PROF. DR
4. KONTROL VE DÖNGÜ KOMUTLARI
Rakam Tanıma İçin KNN ve LDA Algoritmalarının Karşılaştırılması
M.Fatih AMASYALI Uzman Sistemler Ders Notları
Problem Yaklaşım Temelleri, Algoritma ve Akış Şeması
Göğüşhan KILIÇ twitter.com/gogushan_kilic PHP IF OLMAYA HAZIR MIYIZ?
Şahin BAYZAN Kocaeli Üniversitesi Teknik Eğitim Fakültesi
Karar Bilimi 1. Bölüm.
BİL551 – YAPAY ZEKA Genetik Algoritma
Lineer Programlama: Model Formulasyonu ve Grafik Çözümü
PROGRAMLAMA Doç.Dr. Murat ÇAKIROĞLU 2015 – 2016 Güz Dönemi Kredi : 3+1
Bölüm 07 Sürekli Olasılık Dağılımları
ITY529S İTY’DE KARAR VERME
Bulanık Mantık Kavramlar:
Yapay Zeka Desteği ile Parfüm Öneri Sistemi
BİL3112 Makine Öğrenimi (Machine Learning)
Enerji Sistemlerinde Akıllı Sistem Uygulamaları Akademik Yılı Bahar yarıyılı Doç.Dr. Raşit ATA
M.Fatih AMASYALI Yapay Zeka Ders Notları
5. HAFTA Mart Discussion: comp.soft-sys.matlab An unmoderated newsgroup that focuses on the.
Bölüm10 İteratif İyileştirme Copyright © 2007 Pearson Addison-Wesley. All rights reserved.
Bölüm 2 : Yapay Zeka nedir?
Yapay Zeka Algoritmaları
MUHASEBE VE VERGİ UYGULAMALARI BÖLÜMÜ. Muhasebe ve Vergi Programı öğrencileri; ▫Muhasebe programı mezunlarına "Muhasebe Meslek Elemanı" unvanı verilmektedir.
T.C. GAZİ ÜNİVERSİTESİ POLATLI SOSYAL BİLİMLER MESLEK YÜKSEKOKULU FİNANS, BANKACILIK VE SİGORTACILIK BÖLÜMÜ MALİYE PROGRAMI.
ÖLÇME VE DEĞERLENDİRME DERSİ
Yapay Bağışıklık Tabanlı Bulanık Mantık ile TENS Modellenmesi
Eğitimde ve Psikolojide ÖLÇME VE DEĞERLENDİRME
YAPAY ZEKA DERS NOTLARI UYGULAMALARI Bölüm 1 : Yapay Zeka
Pedagojİk formasyon sertİfİka programI ÖğreTİM İLKE VE YÖNTEMLERİ Hafta I Prof.Dr.Bülent ÇAVAŞ.
Geriye Yayılım Algoritması (Back-Propagation Algorithm)
Tamsayılı Doğrusal Programlama Algoritmaları
Öğr.Gör. Hüseyin TURGUT / Tefenni MYO hturgut.com.
Çok Katmanlı Algılayıcı-ÇKA (Multi-Layer Perceptron)
BGM 555 Kablosuz Ağlarda Güvenlik ve Mahremiyet
Optimizasyon Teknikleri
OPERATÖRLER + / = <= MOD = = > < > AND
S. Haykin, “Neural Networks- A Comprehensive Foundation”,
Değişkenler Eğitimde Ölçme ve Değerlendirme ile İlgili Genel Kavramlar
Fırat Üniversitesi Mühendislik Fakültesi Elektrik-Elektronik Müh.
Ahmet Cevahir ÇINAR Mustafa Servet KIRAN
END331 Yöneylem Araştırması I
ITY529S İTY’DE KARAR VERME
YAPAY ZEKA Genel Kavramlar hturgut.com
“1250 TL Gelir” ifadesini gösteren tam sayı hangisidir? A) (+1250) B) (-1250) =a (d) C) (+250) D) (-250) Soru 26.Sınıf Tam Sayılar Çözümlü Test Soruları.
Yapay Öğrenme Teorisi Bölüm-1
Sunum transkripti:

END 457 Sezgisel Arama ve Yapay Zeka İlk Ders Dr. Ayça Altay altaya@itu.edu.tr

İletişim Ayça ALTAY altaya@itu.edu.tr 0212 2931300 / 2066 Ofis: İşletme Fakültesi, Maçka, A304

Dersin Araştırma Görevlisi Ar. Gör. Bilal Ervural İşiniz olmayacak. Yine de bilin. Ders web sayfası www.ninova.itu.edu.tr (Dün oluşturuldu)

Kaynaklar Talbi, El-Ghazali (2009) “Metaheuristics from Design to Impelementation” Engelbrecht, Andries P. (2002) “Computational Intelligence: An Introduction” Yang, X.S.(2010) “Engineering Optimization”

Haftalık Plan Yapay Bağışıklık Sistemleri (Artificial Immune Networks) Gün Konu 1 10.02.2014 Sezgisel Arama ve Yapay Zeka’ya Giriş, Temel Kavramlar ve Tepe Tırmanma Algoritması 2 17.02.2014 Benzetim Tavlaması (Simulated Annealing) 3 24.02.2014 Değişken Komşuluk Araştırması (Variable Neighborhood Search) 4 03.03.2014 Tabu Araştırması (Tabu Search) (Kısa Sınav I) 5 10.03.2014 Genetik Algoritma (Genetic Algorithm) (Proje ile ilgili açıklama yapılacak) 6 17.03.2014 Parçacık Sürü Optimizasyonu (Particle Swarm Optimization) 7 24.03.2014 Karınca Kolonileri Optimizasyonu (Ant Colony Optimization) 8 31.03.2014 Yarıyıl İçi Sınavı 9 07.04.2014 Yapay Bağışıklık Sistemleri (Artificial Immune Networks) 10 14.04.2014 Hibrid Metasezgiseller 11 21.04.2014 Öz Düzenleyici Haritalar (Self-Organizing Maps) (Kısa Sınav II) 12 28.04.2014 Matlab ile ilgili toplama 13 05.05.2012 Bulanık Mantık (Fuzzy Logic) 14 12.05.2012 Proje Sunumları

Değerlendirme Sunum / Proje %20 Kısa Sınav (2 tane) %15 Yarıyıl içi sınavı                  %25 Yarıyıl sonu sınavı             %40 Sunum / Proje ile ilgili bilgi 5. hafta verilecektir. Bütünlemeye girmek istiyorsanız, yarıyıl içi notlarınızla geçmediğinize emin olunuz!

Notlandırma Başarı notları: 85-100   AA 80-85     BA 70-80     BB 65-70     CB 55-65     CC 50-55     DC 40-50     DD < 40        F

İlk Ders Konuları Terminoloji Sezgisel Arama Nedir? Yapay Zeka Nedir?

Yapay Zeka Bilgisayar sistemlerinin veya matematiksel sistemlerin veriden öğrenmesini sağlamaktır. Bu şekilde tanımlama, tahmin, kontrol ve sınıflandırma yapılabilir ve tepki verilebilir. Sezgisel arama yöntemlerini de kullanır.

Yapay Zeka ÖRN: 27 yaşında, ayda 1500 TL kazanan, sağlıklı bir kişiye 27 ay vadeli 7000 lira kredi verilmeli mi? Bilgisayarım ilk aldığımda yarım dakikada açılıyordu, şimdi 3-4 dakika içinde açılıyor. Bozuk sayılır mı, sayılmaz mı? Format zamanı ne zaman olmalı? Bugün günlerden Cumartesi hava 18 derece, metrekare başına 100 gram yağmur düşüyor. Bunlara göre İstanbul’daki elektrik tüketim miktarı bugün nasıl olacak? Bu filmi beğenenler bunları da beğendi.

Sezgisel Arama Sezgisel Arama (Heuristic Search), Yunanca“problemlerin çözümü için strateji ve yöntem araştırma, belirleme” anlamındaki heuriskin sözcüğünden gelmektedir. Optimizasyon yöntemlerini içerir.

Sezgisel Arama

END 457 END 331 END 332 İlgili diğer dersler Çözüm Yöntemleri

Tam Çözüm Veren Yöntemler Simpleks Yöntemi

Tam Çözüm Veren Yöntemler Dal-Sınır Algoritması

Kombinatoryal Optimizasyon 24798 Şehirli Gezgin Satıcı Problemi 52 Şehirli Gezgin Satıcı Problemi

Kombinatoryal Optimizasyon Kısıtlı Kaynakla Proje Planlama

Doğrusal Olmayan Optimizasyon

Çözüm Karmaşıklığı Polinomsal Zaman Polinomsal Olmayan Zaman

Metasezgiseller Kısa zamanda çözüme yaklaşmak için kullanılan algoritmalardır. En iyi sonucu garanti etmezler. Doğa bazlı olaylar kullanılır.

Metasezgiseller

Yerel Arama vs. Global Arama

Yerel Arama Algoritmaları 3 önemli kavramı vardır: Bir başlangıç noktası O noktanın komşuları Başlangıç noktasından komşulara, oradan da diğer komşulara geçecek bir algoritma

Yerel Arama Algoritmaları Başlangıç Noktası Bir başlangıç çözümü vardır. Optimum çözüme ne kadar yakınsa, o kadar çabuk ulaşılır. Komşuluk Büyüklüğü değişkendir. Eğer komşuluk büyükse, gidilebilecek yeni nokta seçeneği vardır. Komşuluk büyükse yerel optimuma takılma olasılığı azalır. Komşuluk çok büyükse global optimum üzerinden atlanılabilir. Algoritma Her soruyu çözebilen bir en iyi algoritma yoktur.

Tepe Tırmanma Algoritması Adım 1. Rassal başlangıç çözümü bulunur. Adım 2. Çözümün amaç fonksiyonu değeri ölçülür. Adım 3. Bu noktanın komşuluğuna gidilir. Adım 4. Komşuluğun amaç fonksiyonu değeri ölçülür. Adım 5. Eğer komşuluğun değeri daha iyi ise çözüm değiştirilir. Komşuluğun değeri kötü ise çözüm değiştirilmez. Adım 6. Bitirme koşulu sağlanana kadar Adım 3-5 tekrar edilir.