Raspberry PI

Raspberry Pi (RPi) je mikroračunalnik v velikosti kreditne kartice, ki so ga razvili v Združenem Kraljestvu, za Raspberry Pi Fundacijo, ki spodbuja poučevanja osnov računalništva v šolah in v državah v razvoju.[1][2][3] Izvirni model je postal precej bolj priljubljen, kot so pričakovali[4],  prodajali so ga tudi za namene, ki jih niso pričakovali. Obstajajo tudi kompleti, ki vključujejo dodatke, kot so miška, tipkovnica in kabli.[4]

Glede na Raspberry Pi Fundacijo so prodali več kot 10 milijonov Raspberry Pi do aprila 2016, zaradi česar je najbolje prodajani Britanski računalnik.[5]

Related Images:

Nevronske mreže

Nevronska mreža, tudi umetna nevronska mreža[1] (angleško neural network, nemško Neuronales Netz) je naprava za obdelavo informacij, ki deluje po vzoru človeških oz. živalskih možganov.

Sestavljena je iz množice umetnih nevronov. Nevroni, osnovni gradniki nevronskih mrež, so t. i. pragovne funkcije, ki imajo več različno uteženih vhodov in en izhod ter so med seboj povezani. Najenostavnejše nevronske mreže imajo le en nivo oz. sloj, pri bolj kompliciranih nevronskih mrežah pa je teh nivojev lahko več. Po povezavah umetni nevroni drug drugemu pošiljajo električne dražljaje oz. signale. Če je vsota vhodnih signalov dovolj velika, pride do vžiga nevrona, kar pomeni, da se na izhodu pojavi signal. Povezave med nevroni lahko imajo poljubno jakost in strukturo.

Uteži vhodov posameznih nevronov, povezave med nevroni ter prag, pri katerem nevron na izhodu odda signal, se oblikujejo z učenjem. To pomeni, da se navedeni parametri nevronske mreže spreminjajo toliko časa, dokler ni nevronska mreža zmožna optimalno rešiti nekega problema.

Bistvo nevronskih mrež je v tem, da med učenjem same ugotovijo pravilo, ki povezuje izhodne podatke z vhodnimi. To pomeni, da se lahko naučijo tudi več in bolje kot učitelj oziroma človek. Ko je nevronska mreža naučena (kar lahko traja dlje časa), deluje tudi v situacijah, s katerimi v procesu učenja ni imela opravka. To pomeni, da lahko rešuje tudi naloge, kjer ne obstaja rešitev v obliki zaporedja korakov (kot npr. pri računalniških algoritmih), čeprav pri tem obstaja večja nevarnost nepredvidljivega delovanja.

Related Images:

Python (programski jezik)

Python je interpretni visokoravni večnamenski programski jezik, ki ga je ustvaril Guido van Rossum leta 1990. Jezik je dobil ime po priljubljeni angleški televizijski nanizanki Leteči cirkus Montyja Pythona (Monthy Python’s Flying Circus). Python podpira dinamične podatkovne tipe, kar ga naredi drugačnega od npr. Jave ali družine C. Zaradi dinamičnih podatkovnih tipov je podoben jezikom PerlRubySchemeSmalltalk in Tcl. Upravlja s pomnilnikom in podpira funkcionalen, imperativen oziroma proceduralen, strukturiran in objektno orientiran programski stil. Razvili so ga kot odprtokodni projekt, ki ga upravlja neprofitna organizacija Python Software Foundation.

Related Images:

Umetna inteligenca

Na področju računalništva se naziv umetna inteligenca (UI), včasih tudi umetni um[1] ali strojna inteligenca, uporablja za inteligenco strojev, v nasprotju z »naravno« inteligenco ljudi in drugih živali.[2] Računalniška znanost opredeljuje raziskovanje umetne inteligence kot študij »inteligentnih agentov«: naprav, ki zaznavajo svoje okolje in ravnajo na način, ki povečuje verjetnost, da svoj cilj uspešno dosežejo.[3] Kaplan in Haenlein opredeljujeta UI natančneje kot “zmožnost sistema, da pravilno interpretira zunanje podatke, da se iz takih podatkov uči in da ta nova znanja uporablja za fleksibilno prilagojevanje in doseganje specifičnih ciljev in nalog”.[4] Pogovorno se uporablja izraz “umetna inteligenca”, kadar stroj posnema “kognitivne” funkcije, ki jih ljudje povezujejo z drugimi oblikami človeškega uma, kot sta “učenje” in “reševanje problemov”. [5]

Obseg umetne inteligence je sporen: ker stroji postajajo vse bolj sposobni, se naloge, za katere se meni, da potrebujejo »inteligenco«, pogosto vedno znova odstranjujejo iz definicije – pojav, znan kot učinek umetne inteligence, ki ga jedrnato definira Teslerjev teorem: “Z UI je vse, kar še ni rešeno. ” [6] Tako je optično prepoznavanje znakov pogosto črtano iz seznama tem “umetne inteligence”, saj je postalo rutinska tehnologija.[7] Sodobne zmožnosti stroja, ki jih pogosto razvrščamo pod UI, so med drugim uspešno razumevanje človeškega govora,[8] tekmovanje na vrhunski ravni v strateških igrah (kot sta šah in Go),[9] avtonomno delujoči avtomobili in inteligentno usmerjanje po omrežjih za dostavo in vojaške simulacije..

Kaplan in Haenlein sta (kot je običaj v literaturi sistemov za upravljanje) področje razdelila v tri različne vrste UI sistemov: analitično, od človeka navdihnjeno in počlovečeno umetno inteligenco.[4] Analitična UI ima samo lastnosti, ki so skladne s kognitivno inteligenco, ustvarja kognitivno sliko sveta in uporablja na podlagi preteklih izkušenj pridobljeno znanje kot podlago za prihodnje odločitve. Od človeka navdihnjena UI vsebuje elemente kognitivne in emocionalne inteligence, razume človeška čustva in jih upošteva pri odločanju. Počlovečena UI kaže značilnosti vsemogočih vrst kompetenc (tj. kognitivno, čustveno in socialno inteligenco), sposobna je samozavesti v interakcijah z okoljem.

Umetna inteligenca je postala akademska disciplina leta 1956, v letih od takrat pa je doživela več valov optimizma,[10][11] ki so jim sledila razočaranja in izguba finančnih sredstev (znana kot ” zima UI”),[12][13] kasneje so prišli na dan novi pristopi, uspeh in obnovljeno financiranje.[11][14] Večino svoje zgodovine se je raziskovanje UI delilo na področja, ki pogosto ne komunicirajo med seboj.[15] Ta področja temeljijo na tehničnih vidikih, kot so posebni cilji (npr. robotika ali strojno učenje),[16] uporaba določenih orodij (logika ali umetne nevronske mreže) ali resne filozofske razlike.[17][18][19] Področja so temeljila tudi na socialnih dejavnikih (posamezne institucije ali delo določenih raziskovalcev).[15]

Tradicionalni problemi (ali cilji) raziskav umetne inteligence vključujejo sklepanje, predstavitev znanja, načrtovanje, učenje, obdelavo naravnega jezika, zaznavanje in sposobnost premikati predmete in ravnati z njimi.[16] Splošna inteligenca je med dolgoročnimi cilji.[20] Pristopi vključujejo statistične metode, računalniško inteligenco in tradicionalno simbolično umetno inteligenco. V UI se uporabljajo številna orodja, tako različice iskanja in matematične optimizacije, umetne nevronske mreže in metode, ki temeljijo na statistiki, verjetnosti in ekonomiji. Področje UI bogatijo metode in sredstva, ki jih poznamo v računalništvu, informacijskem inženirstvu, matematikipsihologijijezikoslovjufilozofiji in mnogih drugih področjih.

Temelj področja je bila prvotno trditev, da je človeško inteligenco »mogoče tako natančno opisati, da je mogoče izdelati stroj, ki jo simulira«.[21] To postavlja filozofske argumente o naravi uma in etiki ustvarjanja umetnih bitij, obdarjenih s človeško podobno inteligenco, vprašanja, ki so jedro mitov, fikcije in filozofije že od antike.[22] Nekateri ljudje tudi menijo, da je UI nevarna za človeštvo, če bo neovirano napredovala.[23] Drugi verjamejo, da človek z UI, drugače kot pri prejšnjih tehnoloških revolucijah, tvega množično brezposelnost.[24]

V enaindvajsetem stoletju so tehnike umetne inteligence doživele ponovno oživljanje ob sočasnem napredovanju računalniških sposobnosti, velikih količin podatkov in teoretičnem razumevanju; tehnike umetne inteligence so postale bistveni del tehnološke industrije, saj pomagajo rešiti številne izzive v računalništvu, programskem inženirstvu in operacijskih raziskavah.[25][14]

Related Images:

Globoko učenje

Globoko učenje (angl. deep learning) je področje umetne inteligence, ki obravnava globoke večslojne nevronske mreže. Ime “globoke” so dobile, ker imajo veliko število slojev. Klasično učenje večslojnega perceptrona se imenuje backpropagation in omogoča samo učenje “plitvih” večslojnih perceptronov, saj vsak dodaten sloj zelo oteži tovrstno učenje. Odkritje globokih algoritmov je povzročilo preporod umetne inteligence, saj globoke nevronske mreže dosegajo in celo presegajo zmogljivost ljudskih možganov. Glavna področja uporabe so prepoznava govora, prepoznava slik, razumevanje besedila, pisanje besedil in glasbe, učenje na lastnih izkušnjah, simultano prevajanje,…

Eden odmevnejših dosežkov globokega učenja je osvojitev naslova svetovnega prvaka v igri go leta 2016. Gre za strateško miselno igro, kjer je možnih več različnih potez, kot je vseh atomov v celotnem znanem vesolju. Pomnjenje vseh potez iz preteklih partij torej ni možno. Zmagovita globoka nevronska mreža AlphaGo se torej mora dobro znajti tudi v novih, še nevidenih okoliščinah. AlphaGo se je sprva seznanil s preteklimi mojstrskimi partijami igre Go, nato pa se je od tod naprej izpopolnjeval sam. Lahko bi rekli da je samouk, ki je v nekaj mesecih napredoval tako dobro, da je aktualnega svetovnega prvaka, gospoda Leeja Sedola premagal z rezultatom tri proti nič.

Related Images: