تکنولوژي هاي جديد دات نت

از زمان ظهور دات نت، با اولين نسخه آن يعني دات نت فريم ورک 1.0 که همراه با ويژوال استوديو 2002 همراه بود، تا به امروز که شاهد نسخه 3.5 از اين تکنولوژي مي باشيم، تغييرت بسياري در آن به وجود آمده است. افزوده شدن کلاس هاي جديد در غالب فايل هاي DLL اي که ما آن ها را دات نت اسمبلي مي ناميم، همچنين اضافه شدن تکنولوژي هاي جديد به اين مجموعه باعث گسترش کاربرد اين مجموعه شده است.

همزمان با ظهور نسخه 3.0 دات نت فريم ورک، تکنولوژي هاي جديدي نيز به وجود آمد. اين تکنولوژي ها، که بر خلاف تصور سطحي و ابتدايي بسياري از برنامه نويسان در ابتداي ظهور آن ها، صرفا اضافه شدن تعدادي دات نت اسمبلي به دات نت اسمبلي هاي قبلي، تلقي مي شد، تغييرات بسياري را در امر برنامه نويسي دات نت به وجود آورد. تکنولوژي WPF به همراه تکنولوژي هاي WCF و WWF با نسخه 3.0 دات نت فريم ورک توسط شرکت ماکروسافت معرفي شدند.

در ادامه توضيح مختصري راجع به WCF و WWF خواهيم ديد و سپس به بحث اصلي، يعني WPF خواهيم پرداخت.

Windows Communication Foundation

اشاره :
الگوريتم‌هاي ژنتيك، به عنوان يكي از راه‌حل‌هاي يافتن جواب مسئله در بين روش‌هاي مرسوم در هوش مصنوعي مطرح است. در حقيقت بدين روش مي توانيم در فضاي حالت مسئله حركتي سريع‌تر براي يافتن جواب‌هاي احتمالي داشته باشيم؛ يعني مي توانيم با عدم بسط دادن كليه حالات، به جواب‌هاي مورد نظر برسيم. اين مقاله با اين هدف نوشته شده است كه اين امكان را فراهم كند تا الگوريتم‌هاي ژنتيك را ياد بگيريد و از آن‌ها در برنامه‌هايتان استفاده كنيد.

لینک مستقیم دانلود

pass : unicomp

البته این کاملش نیست یعنی جزوه کامل نیست ولی در باره عامل ها کامل کامله.

لینک مستقیم دانلود جزوه

pass :unicomp

كاربرد هوش مصنوعی
 
هدف هوش مصنوعی نزدیك نمودن رفتار و پاسخ یك سیستم كامپیوتری به الگوهایی است كه انسان براساس آن‌ها رفتار می‌كند و پاسخ می‌دهد. گاه سیستم‌هایی طراحی می‌شوند كه قدرت تجزیه و تحلیل آن‌ها از انسان بیشتر است. ولی باز از الگوهای ما استفاده می‌كنند. هوش مصنوعی با سیستم فازی یا سیستمی كه انسان برطبق آن تصمیم می‌گیرد، رابطه تنگاتنگی در این سیستم برخلا‌ف سیستم صفر و یك دیجیتال، می‌توان به یك متغیر مقداری كمتر از یك و بیشتر از صفر نیز داد.
 

#include
#include
using namespace std;

int fact(int n)
{
    if(n==0)return 1;
    else  return n*fact(n-1);
}

void Set(int **&j , int **b, int size

مقدمه:

 مفاهیم نادقیق بسیاری در پیرامون ما وجود دارند که آنها را  به صورت روزمره در قالب عبارتهای مختلف بیان می کنیم . به این جمله دقت کنید: " هوا خوب است." هیچ کمیتی برای خوب بودن هوا مطرح نیست تا آن را اندازه بگیریم بلکه این یک حس کیفی است.  در واقع مغز انسان با در نظر گرفتن فاکتور های مختلف و بر اساس تفکر استنتاجی جملات را تعریف و ارزش گذاری می نماید که مدل سازی آنها به زبان  و فرمولهای ریاضی اگر غیر ممکن نباشد کاری بسیار پیچیده خواهد بود.منطق فازی تکنولوژی جدیدی است که شیوه هایی را که بر ای طراحی و مدل سازی یک سیستم نیازمند ریاضیات پیچیده و پیشرفته است، با استفاده از مقادیر زبانی و دانش فرد خبره جایگزین می سازد.

 منطق فازی:

 اگر از ما پرسیده شود منطق فازی چیست شاید ساده ترین پاسخ بر اساس شنیده ها این باشد که Fuzzy Logic یا Fuzzy Theory یک نوع منطق است که روش های نتیجه گیری در مغز بشر را جایگزین می کند.مفهوم منطق فازی توسط دکتر لطفی زاده ، پروفسور دانشگاه کالیفورنیا در برکلی، ارائه گردید و نه تنهابه عنوان متدولوژی کنترل ارائه شد بلکه راهی برای پردازش داده ها، بر مبنای مجاز کردن عضویت گروهی کوچک به جای عضویت گروهی دسته ای ارائه کرد.به جهت نارسا ونا بسنده بودن قابلیت کامپیوتر های ابتدایی تا دهه 70 این تئوری در سیستم های کنترلی به کار برده نشد.

پروفسور لطفی زاده اینطور استدلال کرد که بشر به ورودیهای اطلاعاتی دقیق نیازی ندارد بلکه قادر است تا کنترل تطبیقی را به صورت بالایی  انجام دهد.پس اگر ماکنترل کننده های فیدبک را در سیستم ها طوری طراحی کنیم که بتواند داده های مبهم را دریافت کند، این داده ها میتوانند به طور ساده تر و موثرتری در اجرا به کار برده شوند.

باین  تعاریف منطق فازی دارای این قدرت است که در تنظیم سیستم ها از میکرو کنترلهای ساده وکوچک و جاسازی شده گرفته تا PC های چند کاناله شبکه شده بزرگ یاسیستم های کنترلی به کار برده شود.این منطق دارای قدرت اجرایی در سخت افزار ،نرم افزار یا ترکیبی از هر دوی اینهاست.در واقع   منطق فازی راه ساده ای را برای رسیدن به یک نتیجه قطعی و معین بر پایه اطلاعات ورودی ناقص ، خطا دار، مبهم ودوپهلو فراهم میکند.منطق فازی یک قانون ساده بر مبنای

  " IF  x  And  y THEN  z "

 را بیان میکند.

  به عنوان مثال به جای برخورد با اصطلاحاتی نظیر "SP=500F" ،"210،"T<1000F" ، اصطلاحاتی نظیر

• الگوریتم ژنتیک
• استراتژیهای تکاملی
• برنامه ریزی تکاملی

1- 3 عدد مقاومت نوری(LDR)
2- 3 عدد مقاومت 1 کیلو اهم
3- 1 عدد میکروکنترلر PIC16F84A
4- 10 عدد دیود 1N4007
5- یک عدد خازن 0.1 میکرو فاراد
6- دو عدد خازن 0.01 میکرو فاراد
7- دو عدد موتور 3 تا 5 ولت DC
8- 1 عدد کریستال 4 مگا هرتز
9- 1 عدد مقاومت 4.7 کیلو اهم
0- 2 عدد خازن 22 پیکو فاراد
11- 1 عدد آیسی ULN2803

مقاومت نوری:
مقاومت نوری المانی الکترونیکی است.، که با تابش نور به آن مقاومتش تعقییر می کند.
تا قبل از تابش نور به آن جریانی از آن عبوی نخواهد کرد.در واقع در این

ادامه مطلب ....

ادامه مطلب .....

مقالات جالبی هستش حتما دانلود کنید...

لینک ها همه مستقیمه اگه مشکلی داشتش حتما پیغام بذارید ولی نیست

اولین EBOOK هوش مصنوعی است که به صورت الکترونیکی عرضه شده

جالب این است که بدانید این کتاب چاپ تابستان 1387 است و قبل از چاپ شدن به صورت الکترونیکی عرضه شده

این کتاب دارای 29 فصل است که تمامی مطالب هوش مصنوعی را در بر می گیرد.

برای دانلود کتاب روی ادامه کلیک کنید.

K-means clustering:

K- Means ،يکي از ساده ترين الگوريتم هاي يادگيري بدون نظارت است که مسائل کلاسترينگ معروف را حل مي کند. اين الگوريتم از يک شيوه ساده براي کلاسيفاي کردن يک مجموعه داده در يک تعداد از پيش مشخص شده (k) کلاستر،استفاده مي کند.ايده اصلي تعريف k مرکز براي هر يک از کلاستر ها مي باشد . اين مراکز بايستي با دقت زياد انتخاب شوند ، زيرا مراکز مختلف ، نتايج مختلف را به وجود مي آورند.
بنابراين بهترين انتخاب قرار دان آنها (مراکز) در فاصله هر چه بيشتر از يکديگر مي باشد . قدم بعدي تخصيص هر الگو به نزديک ترين مرکز مي باشد. وقتي همه ي نقاط به مراکز موجود تخصيص داده شدند، مرحله اول تکميل شده است و يک گروه بندي اوليه انجام شده است. در اين مرحه نياز داريم که k مرکز جديد براي کلاستر هاي مرحله قبل محاسبه کنيم. بعد از تعيين k مرکز جديد ،مجدداً داده ها را به مراکز مناسب تخصيص مي دهيم.
اين مراحل را آنقدر تکرار مي کنيم که ديگر k مرکز ،جابجا نشوند.
اين الگوريتم تلاش مي کند که يک تابع هدف (Objective Function) را که تابع  Squared error مي باشد ، مينيمم کند: 

کلاسترينگ سلسله مراتبي (Hierarchical Clustering)

با در دست داشتن N نمونه داده براي کلاستر شدن و يک ماتريس فاصله يا شباهت به ابعاد N*N ، پروسه اصلي کلاستريگ سلسله مراتبي به صورت زير ميباشد :

1. با تخصيص هر نمونه به يک کلاستر شروع کنيد . يعني اگر N نمونه داشته باشيم ، N کلاستر داريم که هر يک داراي يک نمونه مي باشند . فاصله بين کلاستر ها همان فاصله بين کلاستر هاي آنهاست .

2. دو کلاستري را که نزديک تر هستند پيدا کنيد و آنها را ادغام کنيد . حالا يک کلاستر کمتر داريم .

3. فاصله کلاستر جديد را با هر يک از کلاسترهاي قديمي محاسبه کنيد .

4. مراحل 2 و3 را آنقدر تکرار کنيد که همه نمونه ها در يک کلاستر به اندازه N قرار بگيرند

مرحله 3 مي تواند به روش هاي مختلفي انجام گيرد که کلاستريگ single-linkage ، complete-linkage و Average-linkage را مشخص مي کند .
در کلاستريگ single-linkage (که روش connectedness يا minimum هم ناميده مي شود( ، فاصله يک کلاستر از کلاستر ديگر را کوتاهترين فاصله هر عضو از کلاستر اول تا هر عضو از کلاستر دوم در نظر مي گيرند .
اگر داده ها شامل شباهت باشند ، شباهت يک کلاستر تا کلاستر ديگر را برابر بيشترين شباهت هر عضو از کلاستر اول تا هر عضو از کلاستر دوم در نظر مي گيرند .
در کلاستريگ complete-linkage (که روش diameter يا maximum هم ناميده مي شود(، فاصله يک کلاستر از کلاستر ديگر را بزرگترين فاصله هر عضو از کلاستر اول تا هر عضو از کلاستر دوم در نظر مي گيرند .
در کلاستريگ average-linkage ، فاصله يک کلاستر از کلاستر ديگر را ميانگين فاصله هر عضو از کلاستر اول تا هر عضو از کلاستر دوم در نظر مي گيرند .

کلاستريگ سلسله مراتبي ، agglomerative يا متراکم شونده نيز ناميده مي شود ، زيرا کلاستر ها را به تدريج ادغام مي کند .کلاسترينگ تقسيم کننده يا divisive هم وجود دارد که به صورت عکس عمل مي کند ، به اين صورت که ابتدا همه اشياء را در يک کلاستر قرار مي دهد و به تدريج آن را به قطعه هاي کوچکتر تقسيم مي کند.
البته اين نوع کلاستريگ به ندرت مورد استفاده قرار مي گيرد . شکل زير نحوه عملکرد اين دو الگوريتم را نشان مي دهد.

الگوريتم هاي کلاسترينگ (1)

در اين قسمت انواع الگوريتم هاي کلاسترينگ را بررسي مي کنيم. الگوريتم هاي کلاسترينگ را مي توان به دسته هاي اصلي زير تقسيم بندي کرد:

• الگوريتم هاي کلاسترينگ ترتيبي
• الگوريتم هاي کلاسترينگ سلسله مراتبي
• الگوريتم هاي کلا سترينگ مبتني بر بهينه سازي تابع هزينه

 الگوريتم هاي کلاسترينگ ترتيبي

معرفي

کلاسترينگ به معناي کلاس بندي بدون نظارت است که کلاسها از قبل تعيين شده نيستند و يا به عبارت ديگر برچسب کلاس الگوهاي آموزشي در دسترس نيست. بنابراين اکنون هدف اصلي ما سازماندهي الگوها به گروهاي sensible است. که به ما اجازه مي دهند که شباهت و تفاوت بين الگوها را کشف کنيم و نتايج مفيد را درباره آنها استنتاج نماييم. اين ايده در زمينه هاي مختلف ديده مي شود. مثال زير از زيست شناسي الهام گرفته شده است و صورت مسئله را براي ما واضح مي سازد. به حيوانات زير توجه کنيد: گوسفند،سگ و گربه (پستاندار)، گنجشک و بلبل (پرنده)، ماهي قرمز، شاه ماهي (ماهي)، افعي و  مارمولک(خزنده) و غوک(دوزيست). به منظور مرتب کردن اين حيوانات در داخل کلاسترها نياز داريم که يک ملاک دسته بندي تعريف کنيم. اگر وجود شش ها را بررسي کنيم، ماهي قرمز و شاه ماهي در يک کلاستر و بقيه در يک کلاستر ديگر قرار مي گيرند(شکل(الف)). اگر ملاک دسته بندي را محيطي که حيوانات زندگي مي کنند قرار دهيم آنگاه گوسفند، سگ، گربه، گنجشک، بلبل،افعي و مارمولک (حيواناتي که بيرون آب زندگي مي کنند) کلاستر اول و ماهي قرمز و شاه ماهي (حيواناتي که در آب زندگي مي کنند) کلاستر دوم را تشکيل مي دهند و غوک که مي تواند هم در آب و هم در خشکي زندگي کند کلاستر سوم را تشکيل مي دهد (شکل (ب)). اگر وجود ستون فقرات را ملاک دسته بندي باشد تمام حيوانات در يک دسته قرار مي گيرند. ما مي توانيم از ملاک دسته بندي مرکب استفاده کنيم. براي مثال اگر ملاک دسته بندي نحوه بدنيا آوردن فرزندان و وجود شش ها باشد ما سه نوع کلاستر داريم که در شکل (ج) آورده شده است.

به ادامه مطلب بروید....

 

مرجع اصلی درس هوش مصنوعی و رباتیک مهندسی کامپیوتر نوشته راسل و نورویگ

لینک دانلود کتاب : Artificial Intelligence A Modern Approach

Book description

Artificial Intelligence: A Modern Approach introduces basic ideas in artificial intelligence from the perspective of building intelligent agents, which the authors define as "anything that can be viewed as perceiving its environment through sensors and acting upon the environment through effectors." This textbook is up-to-date and is organized using the latest principles of good textbook design. It includes historical notes at the end of every chapter, exercises, margin notes, a bibliography, and a competent index. Artificial Intelligence: A Modern Approach covers a wide array of material, including first-order logic, game playing, knowledge representation, planning, and reinforcement learning. --This text refers to an out of print or unavailable edition of this title

برای دانلود به ادامه مطلب بروید...

 

: شرح مختصر در مورد کتاب

Could a computer have a mind? What kind of machine would this be? Exactly what do we mean by "mind" anyway?

The notion of the "intelligent'"machine, while continuing to feature in numerous entertaining and frightening fictions, has also been the focus of a serious and dedicated research tradition. Reflecting on these fictions, and on the research tradition that pursues "Artificial Intelligence", raises a number of vexing philosophical issues. Minds and Computers introduces readers to these issues by offering an engaging, coherent, and highly approachable interdisciplinary introduction to the Philosophy of Artificial Intelligence.

Readers are presented with introductory material from each of the disciplines which constitute Cognitive Science: Philosophy, Neuroscience, Psychology, Computer Science, and Linguistics. Throughout, readers are encouraged to consider the implications of this disparate and wide-ranging material for the possibility of developing machines with minds. And they can expect to develop a foundation for philosophically responsible engagement with A.I., a sound understanding of Philosophy of Mind and of computational theory, and a good feel for cross-disciplinary analysis.

Features:

A solid foundation in the Philosophy of Mind

A broadly interdisciplinary purview

A directed philosophical focus

A clear and accessible explanation of technical material with abundant exercises

A glossary of terms

برای دانلود به ادامه مطلب بروید