کاربرد هوش مصنوعی در بازی

اختصاصی از فی ژوو کاربرد هوش مصنوعی در بازی دانلود با لینک مستقیم و پر سرعت .

کاربرد هوش مصنوعی در بازی

44 صفحه در قالب word

مقدمه ای بر نحوه ی کاربرد هوش مصنوعی در بازی

حتما در دوران کودکی بازی O - X را انجام دادید . به طور مثال شما با حرف O و دوستتون با حرف X خونه های یه جدول 9 خونه ای را پر میکردید. و هرکس که میتونست با حرف مربوط به خودش سه خونه پشت هم رو پر کنه برنده میشد!

حالا حالات ممکن صفحه را در حین اجرای بازی در نظر بگیرید. . این حالات محدود و قابل پیش‌بینی هستند و تعداد آن‌ها 19683 حالت است (برای محاسبه، برای هر یک از 9 تا خانه جدول می‌توان سه حالت خالی، X و O را در نظر گرفت پس تعداد کل حالات 9^3 خواهد بود).
میشه برنامه‌ای نوشت که تمام این حالات را در نظر می‌گیرد و در ازای هر حالت خاص، رفتاری هوشمندانه را انجام می‌دهد. شاید عدد 9 ^3 به نظرتون بزرگ بیابید. اما حقیقت این است که با در نظر گرفتن قوانین بازی می‌توان این حالات را خلاصه‌تر کرد. نکته‌ی مهم در این برنامه، محدود بودن حالات ممکن است. ببرای همین میشه برنامه‌ ی این بازی را به گونه‌ای نوشت که هیچگاه بازنده نباشد.

(در نظر بگیرید که نوشتن چنین برنامه‌ای برای بازی شطرنج تقریباً غیرممکن است(

درست است که این الگوریتم در بازی در برابر حریف شکست نمی‌خورد و همواره هوشمندانه‌ترین رفتار را از خود نشان می‌دهد اما این هوشمندی برنامه‌نویس است که در قالب دستورات الگوریتمیک به کامپیوتر القا شده است و برنامه به خودی خود هیچ‌گونه خلاقیت و هوشمندی در اجرای بازی نداشته و فقط از یک مجموعه باید و نباید و دستور که برنامه‌نویس به آن داده، تبعیت کرده است.

پس ما از یک برنامه‌ی هوشمند و یا به‌عبارت دیگر هوش مصنوعی، قابلیت‌های مختلفی مثل استنتاج، حدس، خلاقیت و یادگیری را انتظار داریم. اما آیا بواقعا میشه چنین انتظارهایی را از برنامه‌های کامپیوتری داشت؟

عده‌ای از ریاضی‌دانان و دانشمندان علوم کامپیوتر معتقد بودند چنین کاری غیرممکن است به این علت که کامپیوتر صرفاً می‌تواند دستورهای برنامه‌نویس را - که در قالب یک الگوریتم به آن داده می‌شود -انجام دهد. پس نمی‌توانیم از یک برنامه، انتظار انجام کاری را داشته باشیم که در قالب الگوریتم به او دستور داده نشده است. در حقیقت برنامه‌های کامپیوتری نمی‌توانند کارهایی غیرقابل پیش‌بینی انجام دهند، پس نمی‌توانند خلاقیت داشته باشند.

پاسخ این ادعای درست، ادعای درست دیگری است که تمام فعالیت‌های انجام شده در زمینه‌ی هوش مصنوعی را توجیه می‌کند. اگر بتوانیم استنتاج، خلاقیت و یادگیری را در قالب الگوریتم و دستورها به کامپیوتر بدهیم و انتظار داشته باشیم تا با تبعیت از این دستورها، رفتاری هوشمندانه داشته باشد، چیزی خلاف گفته‌ی بالا انجام نگرفته است.
در حقیقت دستورهایی که کامپیوتر در قالب الگوریتم‌های هوش انجام می‌دهد، چنین معنایی خواهند داشت:

- هوشمندانه رفتار کن.

- استنتاج کن.

- یاد بگیر.

- خلاقیت داشته باش.

- یک اشتباه را دوبار تکرار نکن.

- از تجربه‌هایت درس بگیر.

پس به‌طور کلی، روند کار، همانندسازی برنامه با مغز انسان است؛ هر چند این کار به‌طور کامل ممکن نیست. اما نتایج خوبی مثل شبکه‌های عصبی از محصولات همین فعالیت‌های نه چندان کامل و دقیق است.

مهم‌ترین نکته در علم هوش مصنوعی این است که بتوانیم تعریف دقیقی از آن‌چه دقیقاً در مغز انسان طی یک فعالیت هوشمندانه رخ می‌دهد ارائه کنیم. به عنوان مثال سعی کنید دقیقاً بیان کنید که در حین اثبات یک قضیه‌ی ریاضی چه اتفاقی در مغزتان می‌افتد. کار خیلی سختی به نظر میاد، اما جنبه‌هایی از هوش هستند که ساده‌تر قابل بیانند.

بازی با هوش‌ - بررسی هوش‌مصنوعی در بازی‌های کامپیوتری‌ 

اشاره :
در دنیای امروز یکی از مهم‌ترین قسمت‌های علم پزشکی، طراحی و بازسازی اجزای مختلف بدن است. حال این سؤال مطرح است که در دنیایی که دیگر، مواردی مانند نقص عضو و از بین رفتن حالت هدایتی- الکتریکی قلب، فشار بالای جمجمه و حتی انواع مختلف فلج‌های دست و پا، برای بیمار، کمتر محدودکننده است و تا حدودی دیگر یک نقیصه محسوب نمی‌شود، بازسازیِ احساسات، عواطف و تفکرات چه جایی دارد؟ بشر تا چه میزان توانسته است مسائل روحی خود را در نمونه‌ای آزمایشگاهی تولیدکند؟ آیا می‌توان امیدوار بود که در آینده گوشه‌ای از عواطف آدمی در یک ماشین، جمع‌آوری شود؟

شاید جواب این سؤالات با پیشرفت‌هایی که در بازسازیِ هوش در کامپیوتر شده‌است، در آینده تا حدودی دور از دسترس نباشد. هوش‌مصنوعی، به‌ویژه آن‌چه که در بازی‌های کامپیوتری شاهد آن هستیم، روز به روز در حال نزدیک شدن به مدل واقعی خود است. یک بازی‌ کامپیوتری خوب، بازی‌ای ‌است که هر نکته‌ای را در این دنیای مجازی بهتر و واقعی‌تر به دنیای حقیقی ربط دهد. به همین منظور داشتن حریفی قدرتمند و انسان‌نما لازمه بازسازی هوش و تفکرات انسانی است.

چون فقط تکه هایی از متن برای نمونه در این صفحه درج شده است ممکن است هنگام انتقال از فایل اصلی به داخل سایت بعضی متون به هم بریزد یا بعضی نمادها و اشکال درج نشود، ولی در فایل دانلودی همه چیز مرتب و کامل می‌باشد.
متن کامل با فرمت word را که قابل ویرایش و کپی کردن می باشد، می توانید در ادامه تهیه و دانلود نمائید.

پروژه هوش مصنوعی

اختصاصی از فی ژوو پروژه هوش مصنوعی دانلود با لینک مستقیم و پر سرعت .

فرمت فایل: word(قابل ویرایش)تعداد صفحات185

فهرست مطالب
عنوان صفحه
چکیده 1
مقدمه 2
فصل اول : کلیات موضوع
تعریف و طبیعت هوش مصنوعی 7
پیدایش و پیشرفت هوش مصنوعی 8
هوش‌ مصنوعی‌ و هوش‌ انسانی 12
شاخه‌های‌ هوش‌ مصنوعی 14
فلسفهٔ هوش مصنوعی 27
ویژگی های هوش مصنوعی 48
دو فرضیه در هوش مصنوعی 52
انواع هوش مصنوعی 53
کاربرد هوش مصنوعی 57
معمای هوش الکترونیک‌ ، مبانی و شاخه‌های علم هوش مصنوعی‌ 59
چالش‌های بنیادین هوش‌مصنوعی‌ 64
فصل دوم : هوش مصنوعی‌ در بازی‌های کامپیوتری
هوش مصنوعی‌ در بازی‌های کامپیوتری 71
بازی‌های تأثیرگذار در هوش‌مصنوعی 88
فصل سوم : تکنیک ها وزبانهای برنامه نویسی هوش مصنوعی
تکنیک ها وزبانهای برنامه نویسی هوش مصنوعی........................................118
مثالی از برنامه‌نویسی شیء‌گرا در شبکه‌های عصبی و هوش مصنوعی.....163

سخن آخر.............................................................................................................179
فهرست منابع.......................................................................................................180

تحقیق جامع و پروژه مطالعاتی درس یادگیری ماشین در هوش مصنوعی

اختصاصی از فی ژوو تحقیق جامع و پروژه مطالعاتی درس یادگیری ماشین در هوش مصنوعی دانلود با لینک مستقیم و پر سرعت .

فرمت فایل : word (قابل ویرایش) تعداد صفحات : 74 صفحه

فهرست مطالب

1-     مقدمه. 3

2-    روشهای مبتنی بر استخراج ویژگی.. 5

2-1-  Discrete Fourier Transform (DFT) 6

2-2-  Discrete Wavelet Transform (DWT) 9

2-3-  Principal Component Analysis (PCA) 12

2-3-1-    مفاهیم مقدماتی مورد نیاز در PCA.. 13

2-3-2-    الگوریتم PCA.. 15

2-4-  Factor Analysis (FA) 20

3-    روشهای مبتنی بر انتخاب ویژگی.. 23

3-1-    تعاریف.. 23

3-2-    روشهای مختلف انتخاب ویژگی.. 26

3-2-1-    توابع تولید کننده 26

3-2-2-   تابع ارزیابی.. 27

3-2-3-    دسته بندی و تشریح الگوریتم های مختلف انتخاب ویژگی.. 30

3-2-4-   جمع بندی روشهای انتخاب ویژگی.. 43

4-   فهرست منابع و مراجع. 45

1-    مقدمه

پیشرفتهای بوجود آمده در جمع آوری داده و قابلیتهای ذخیره سازی در طی دهه­های اخیر باعث شده در بسیاری از علوم با حجم بزرگی از اطلاعات روبرو شویم. محققان در زمینه­های مختلف مانند مهندسی، ستاره شناسی، زیست شناسی و اقتصاد هر روز با مشاهدات بیشتر و بیشتری روبرو می­شوند. در مقایسه با بسترهای داده­ای قدیمی و کوچکتر، بسترهای داده­ای امروزی چالشهای جدیدی در تحلیل داده­ها بوجود آورده­اند. روشهای آماری سنتی به دو دلیل امروزه کارائی خود را از دست داده­اند. علت اول افزایش تعداد مشاهدات (observations) است، و علت دوم که از اهمیت بالاتری برخوردار است افزایش تعداد متغیرهای مربوط به یک مشاهده می­باشد.

تعداد متغیرهایی که برای هر مشاهده باید اندازه گیری شود ابعاد داده نامیده می­شود. عبارت "متغیر" (variable) بیشتر در آمار استفاده می­شود در حالی که در علوم کامپیوتر و یادگیری ماشین بیشتر از عبارات "ویژگی" (feature) و یا "صفت" (attribute) استفاده می­گردد.

بسترهای داده­ای که دارای ابعاد زیادی هستند علیرغم فرصتهایی که به وجود می­آورند، چالشهای محاسباتی زیادی را ایجاد می­کنند. یکی از مشکلات داده­های با ابعاد زیاد اینست که در بیشتر مواقع تمام ویژگیهای داده­ها برای یافتن دانشی که در داده­ها نهفته است مهم و حیاتی نیستند. به همین دلیل در بسیاری از زمینه­ها کاهش ابعاد داده یکی از مباحث قابل توجه باقی مانده است.

روشهای کاهش ابعاد داده به دو دسته تقسیم می­شوند:

• روشهای مبتنی بر استخراج ویژگی: این روشها یک فضای چند بعدی را به یک فضای با ابعاد کمتر نگاشت می­کنند. در واقع با ترکیب مقادیر ویژگیهای موجود، تعداد کمتری ویژگی بوجود می­آورند بطوریکه این ویژگیها دارای تمام (یا بخش اعظمی از) اطلاعات موجود در ویژگیهای اولیه باشند. این روشها به دو دسته­ی خطی و غیر خطی تقسیم می­شوند.
• روشهای مبتنی بر انتخاب ویژگی: این روشها سعی می­کنند با انتخاب زیرمجموعه­ای از ویژگیهای اولیه، ابعاد داده­ها را کاهش دهند. در پاره­ای از اوقات تحلیلهای داده­ای نظیر طبقه­بندی برروی فضای کاسته شده نسبت به فضای اصلی بهتر عمل می­کند.

در تهیه این گزارش کمتر به اثباتهای ریاضی پرداخته شده و بیشتر به مفاهیم و کاربرد روشها توجه شده است. در فصل دوم از این گزارش، به مطالعه­ی روشهای مبتنی بر استخراج ویژگی پرداخته­ایم. در تهیه­ی مطالب این فصل سعی کرده­ایم با ارائه­ی مثالهای مناسب، خواننده را در درک بهتر مفاهیم مربوطه یاری رسانیم. در این فصل، چهار روش ارائه شده است که همگی از نوع خطی هستند. بدلیل حجم زیاد مطالب، مجالی برای پرداختن به روشهای دیگر خطی و روشهای غیر خطی باقی نماند. امید است در آینده مطالب این فصل توسط اینجانب یا دانشجویان دیگر کاملتر شود.

در فصل سوم روشهای مبتنی بر انتخاب ویژگی ارائه شده است. می­توان گفت در این فصل یک مطالعه­ اجمالی برروی تمامی روشهای انتخاب ویژگی انجام شده است. در تهیه­ی مطالب این فصل، از گزارش "معرفی روشهای مختلف انتخاب ویژگی" توسط صادق سلیمان­پور استفاده شده است که جا دارد در همین­جا از ایشان تشکر نمایم.

2-  روشهای مبتنی بر استخراج ویژگی

همانطور که در فصل اول اشاره شد روشهای مبتنی بر استخراج ویژگی، یک فضای چند بعدی را به یک فضای با ابعاد کمتر نگاشت می­دهند. این روشها به دو دسته­ی خطی و غیرخطی تقسیم می­شوند. روشهای خطی که ساده­ترند و فهم آنها راحت­تر است بدنبال یافتن یک زیرفضای تخت عمومی[1] هستند. اما روشهای غیرخطی که مشکلترند و تحلیل آنها سخت­تر است بدنبال یافتن یک زیرفضای تخت محلی[2] می­باشند.

از روشهای خطی می­توان به DFT، DWT، PCA و FA اشاره کرد که آنها را به ترتیب در ادامه­ی همین فصل توضیح خواهیم داد. روشهای دیگر غیرخطی عبارتند از:

• Projection Pursuit (PP) : برخلاف روشهای PCA و FA می­تواند اطلاعات بالاتر از مرتبه­ی دوم را ترکیب نماید. بنابراین روش مناسبی است برای بسترهای داده­ای غیر گاوسی.
• Independent Component Analysis (ICA) : این روش نیز یک نگاشت خطی انجام می­دهد اما بردارهای این نگاشت لزوماً بر یکدیگر عمود نیستند، در حالی که در روشهای دیگر مانند PCA این بردارها بر هم عمودند.
• Random Projection (PP) : یک روش ساده و در عین حال قدرتمند برای کاهش ابعاد داده است که از ماتریسهای نگاشت تصادفی برای نگاشت داده­ها به یک فضای با ابعاد کمتر استفاده می­کند.

از روشهای غیرخطی نیز می­توان به موارد زیر اشاره کرد:

• Principal Curves
• Self Organizing Maps
• Vector Quantization
• Genetic and Evolutionary Algorithms
• Regression

مسئله­ی کاهش ابعاد داده را بطور ریاضی می­توان به اینصورت بیان کرد: یک متغیر تصادفی p-بعدی  داریم. می­خواهیم متغیر k-بعدی را به گونه­ای پیدا کنیم که اولاً k ≤ p باشد و ثانیاً s محتویاتی که در x وجود دارد را بر اساس معیاری خاص دارا باشد. روشهای خطی سعی می­کنند هر یک از این k مؤلفه را از ترکیب خطی p مؤلفه­ی اولیه بدست آورند.

که Wk×p ماتریس وزنهای نگاشت خطی می­باشد.

در مقاله [3] نگاهی اجمالی به کلیه­ی روشهای کاهش ابعاد داده­ی مبتنی بر استخراج ویژگی شده است. در بخش 2-1 تبدیل فوریه گسسته و در بخش 2-2 تبدیل wavelet گسسته را شرح خواهیم داد. برای تهیه­ی بیشتر مطالبی که در این دو بخش ارائه شده از منبع [4] که یک پایان نامه دکتری در زمینه­ی داده­کاوی برروی سریهای زمانی می­باشد استفاده شده است. در بخش 2-3 روش PCA که بهترین تبدیل خطی به حساب می­آید را بیان خواهیم کرد. برای تهیه­ی این بخش نیز از منبع [5] استفاده کرده­ایم که یک tutorial بسیار عالی می­باشد. در بخش 2-4 روش Factor Analysis را بیان کرده­ایم. مطالب این بخش نیز از سایت اینترنت زیر تهیه شده است.

 

تحقیق درباره آشنایی کامل با شبکه های عصبی مصنوعی

اختصاصی از فی ژوو تحقیق درباره آشنایی کامل با شبکه های عصبی مصنوعی دانلود با لینک مستقیم و پر سرعت .

فرمت فایل : word (قابل ویرایش) تعداد صفحات : 19 صفحه

شبکه های عصبی مصنوعی چیست؟

اگر بگوییم که شبکه های عصبی مصنوعی مانند مغز بشر عمل میکنند اغراغ آمیز می باشد. دانشمندان هر چه بیشتر در مورد مغز بشر تحقیق می کنند و می آموزند ، بیشتر در می یابند که مغز بشر دست نیافتنی است. در حقیقت در مورد مغز و ساختار سیستم عصبی انسان اطلاعات زیادی به دست آمده است. ولی پیاده سازی ساختاری با پیچیدگی مغز انسان بر اساس اطلاعاتی و تکنولوژی که امروز وجود دارد غیرممکن می باشد.

اما به هر حال یک شبکه عصبی مصنوعی (Artificial Neural Network (ANN))  ایده ای است برای پردازش اطلاعات که از سیستم عصبی زیستی الهام گرفته شده و مانند مغز به پردازش اطلاعات می پردازد . عنصر کلیدی این ایده ، ساختار جدید سیستم پردازش اطلاعات است. این سیستم از شمار زیادی عناصر پردازشی فوق العاده بهم پیوسته تشکیل شده که برای حل یک مسأله با هم هماهنگ عمل می کند.

به هر یک از این عناصر پردازشی فوق العاده یک نرون(neurons) گفته میشود.

هر نرون طبیعی از سه قسمت اصلی تشکیل شده است :

(some) بدنه سلول

(dendrite) دندریت

(axon) اکسون

دندریت ها به عنوان مناطق دریافت سیگنال های الکتریکی ، شبکه های تشکیل یافته از فیبرهای سلولی هستند که دارای سطح نامنظم و شاخه های انشعابی بی شمار می باشند. دندریت ها سیگنال های الکتریکی را به هسته سلول منتقل می کنند. بدنه سلول انرژی لازم را برای فعالیت نرون فراهم کرده و بر روی سیگنال های دریافتی عمل می کنند ، که با یک عمل ساده جمع و مقایسه با یک سطح آستانه مدل می گردد.

اکسون بر  خلاف دندریت ها از سطحی هموارتر و تعداد شاخه های کمتری برخوردار می باشد. اکسون طول بیشتری دارد و سیگنال های الکتروشیمیایی دریافتی از هسته سلول را به نرون های دیگر منتقل می کند. محل تلاقی یک اکسون از یک سلول به دندریت های سلول های دیگر را سیناپس می گویند. توسط سیناپس ها ارتباطات ما بین نرون ها برقرار می شود. به فضای مابین اکسون و دندریت ها فضای سیناپسی گویند. در حقیقت دندریت ها به عنوان ورودی نرون و اکسون به عنوان خروجی و فضای سیناپسی محل اتصال این دو می باشد. زمانی که سیگنال عصبی از اکسون به نرون ها و دیگر عناصر بدن مثل ماهیچه ها می رسد باعث تحریک آنها می شود. نرون ها از هر یک از اتصالات ورودی خود یه ولتاژ کم دریافت می کند(توسط سیگنال های عصبی ورودی) و آن ها را با هم جمع می زند اگر این حاصل جمع به یک مقدار آستانه رسید نرون آتش می کند و روی اکسن خود یک ولتاژ خروحی ارسال می کند که این ولتاژ به دندریت هایی که به این اکسون متصل اند رسیده و باعث یکسری فعل و انفعالات شیمیایی در اتصالات سیناپسی می شود و می تواند باعث آتش کردن نرون های دیگر شود. تمامی فعالیت های مغزی انسان توسط همین آتش کردن ها انجام می شود. حافظه کوتاه مدت انسان جرقه های لحظه ای الکتریکی می باشد و حافظه بلند مدت به صورت تغییرات الکتروشیمیایی در اتصالات سیناپسی ذخیره می شود که عموتا منجر به تغییر یون ها می شود.

872 - دانلود طرح توجیهی: تولید چرم مصنوعی با روش تر و خشک - 41 صفحه

اختصاصی از فی ژوو 872 - دانلود طرح توجیهی: تولید چرم مصنوعی با روش تر و خشک - 41 صفحه دانلود با لینک مستقیم و پر سرعت .

دانلود طرح توجیهی و مطالعات امکان سنجی طرح

بررسی ابعاد مختلف طرح (معرفی محصول - مالی – منابع انسانی – فضا و ...)

دارای فرمت PDF می باشد.

مفصل و با تمام جزئیات – بسیار کامل و مرتب

مناسب برای شروع یک کسب و کار

مناسب جهت ارائه به دانشگاه به عنوان پروژه درسی

نگارش طرح توجیهی یک طرح کسب و کار خوب باید مانند یک داستان، گویا و واضح باشد و باید اهداف کسب و کار را به صورت موجز و کامل بیان کرده و راه رسیدن به آنها را نیز مشخص نماید. به‌گونه‌ای که سرمایه‌گذاران (دست‌اندرکاران کسب و کار) دقیقاً مفهوم را متوجه شده و خودشان نیز راغب به خواندن و درک دیگر بخش‌ها گردند.

طرح توجیهی در واقع سندی آماده ارائه می باشد که در آن نحوه برآورد سود و زیان و سرمایه ثابت، سرمایه در گردش و نقطه سر به سر، بازدهی سرمایه، دوره برگشت سرمایه و ... بیان خواهد شد.

در صورتی که نیاز به جزئیات بیشتر و یا دریافت فهرست مطالب دارید از طریق بخش پشتیبانی و یا ایمیل فروشگاه با ما در ارتباط باشید.