Pe scurt
Inteligența artificială (IA) reprezintă capacitatea unui sistem de a simula procese cognitive umane, precum învățarea, raționamentul și rezolvarea de probleme. Algoritmii de căutare sunt esențiali pentru explorarea spațiilor de stări, iar învățarea automată se împarte în trei categorii principale: supervizată, nesupervizată și prin consolidare. Pentru Bacalaureat, este importantă cunoașterea noțiunilor de bază precum euristicile, complexitatea algoritmilor de căutare și funcțiile de activare în rețelele neuronale.
Algoritmi de căutare în Inteligența Artificială
Algoritmii de căutare sunt esențiali pentru explorarea spațiilor de stări, fiind utilizați în jocuri, planificare și navigare. Există două mari categorii:
- Căutare oarbă (BFS, DFS, A* cu euristici)
- Căutare informată (best-first, greedy)
Algoritmul A* combină costul real cu o euristică admisibilă (h(n) ≤ cost real) pentru a găsi soluția optimă.
Exemplul 1 (Algoritmul A*)
Considerăm un labirint 3x3, start (0,0), destinație (2,2). Costul mutării pe celula adiacentă este 1.
Euristica h(n) = |x - goal_x| + |y - goal_y| (distanța Manhattan).
- Se pornește de la start (0,0) cu g=0, h=4, f=4
- Se expandează vecinii (1,0) g=1 h=3 f=4, (0,1) g=1 h=3 f=4
- Se alege unul (de obicei după ordine alfabetică alegem (1,0))
- Se continuă până la destinație: (1,0)→(2,0) f=4, (2,0)→(2,1) f=4, (2,1)→(2,2) f=4
- Soluția optimă are cost 4. A* garantează optimalitatea dacă euristica este admisibilă.
Învățarea automată (Machine Learning)
Învățarea automată se împarte în
- Învățare supervizată (antrenare pe date etichetate - clasificare, regresie)
- Învățare nesupervizată (grupare - clustering)
- Învățare prin consolidare (reinforcement learning - agentul învață prin recompense)
Algoritmi de bază
k-Nearest Neighbors (k-NN) clasifică un punct pe baza celor mai apropiați k vecini.
Exemplul 2 (k-Nearest Neighbors): Avem un set de date cu înălțimi și greutăți pentru 5 persoane, etichetate ca 'sănătos' sau 'supraponderal'. Punctul necunoscut are înălțime 170cm și greutate 80kg. Cu k=3, se calculează distanța Euclidiană față de fiecare punct din set.
Cei mai apropiați 3 vecini au etichetele: ('sănătos','supraponderal','supraponderal'). Prin vot majoritar, se clasifică noua persoană ca 'supraponderal'. Dacă k ar fi 1, s-ar decide pe baza celui mai apropiat vecin, ceea ce poate duce la erori.
Perceptronul este o rețea neuronală simplă pentru probleme liniar separabile.
Exemplul 3 (Perceptronul pentru poarta AND): Perceptronul are două intrări binare x1, x2, ponderi w1=1, w2=1, bias b=-1.5. Funcția de activare este treaptă: output = 1 dacă suma ponderată + bias >= 0, altfel 0.
- Pentru (0,0): 0+0-1.5=-1.5 <0 => output 0
- (0,1): 0+1-1.5=-0.5<0 =>0
- (1,0): 1+0-1.5=-0.5<0 =>0
- (1,1): 1+1-1.5=0.5>=0 =>1
Se obține tabelul de adevăr al porții AND. Perceptronul poate fi antrenat prin
algoritmul de învățare (ajustarea ponderilor) pentru a învăța funcții liniar separabile.
Concepte importante
Overfitting (supraantrenare) apare când modelul învață prea bine datele de antrenare și nu generalizează pe date noi.
Pentru Bac, este important să se cunoască noțiunile de bază, cum ar fi
- Euristica și condiția de admisibilitate
- Complexitatea algoritmilor de căutare
- Funcțiile de activare în rețelele neuronale (sigmoida, ReLU)
Verifică-te!
- Care sunt cele două mari categorii de algoritmi de căutare în Inteligența Artificială?
- Ce condiție trebuie să îndeplinească o euristică pentru ca algoritmul A* să garanteze optimalitatea?
- Ce este overfitting și de ce reprezintă o problemă în învățarea automată?