Бэббидж задумывает аналитическую машину
В 1834 году Чарльз Бэббидж задумал программируемую вычислительную машину общего назначения, позднее названную аналитической машиной.
Хроника ИИ
Научные основы, ключевые открытия и развитие возможностей ИИ.
Последняя публикация:
События
Найдено: 141
До 1900 года
Зарождение идеи искусственного разума
Философы, математики и изобретатели на протяжении веков размышляли о возможности создания мыслящих машин. Развитие формальной логики, механических вычислительных устройств и первых концепций программирования заложило фундамент будущего ИИ.
1834
1843
Публикация примечаний Ады Лавлейс к описанию аналитической машины
В 1843 году Ада Лавлейс опубликовала примечания с последовательностью операций для вычисления чисел Бернулли на проектируемой аналитической машине. Она также рассмотрела возможность операций над другими объектами, если их отношения допускают подходящее формальное представление.
1847
Буль публикует «Математический анализ логики»
Джордж Буль представил алгебраический подход к логике: высказывания и рассуждения можно было анализировать с помощью уравнений.
1879
Фреге публикует «Исчисление понятий»
Готлоб Фреге представил формальный язык отношений и квантификации с аксиоматическим исчислением. Он позволял явно записывать рассуждения с вложенными кванторами.
1900–1942
Математические основы интеллекта
Развитие математической логики и теории вычислений сформировало научную основу будущего ИИ. Исследователи начали изучать возможности алгоритмов, принципы вычислений и границы задач, которые могут решать машины.
1901
Пирсон формулирует метод главных компонент
Карл Пирсон сформулировал метод главных компонент (PCA) как задачу приближения данных проекциями с минимальной суммой квадратов ошибок.
1911
Закон эффекта в «Animal Intelligence»
В книге «Animal Intelligence: Experimental Studies» Торндайк изложил закон эффекта: удовлетворение или дискомфорт, сопровождающие реакцию либо вскоре следующие за ней, меняют вероятность её повторения в той же ситуации.
1920
Функции свидетелей в доказательстве Скулема
В работе 1920 года Скулем использует функции, выбирающие свидетелей для каждого набора универсальных переменных, в доказательстве выполнимости в конечной или счётно бесконечной области.
1924
Публикация работы Шёнфинкеля об устранении переменных
В сентябре 1924 года Mathematische Annalen опубликовал статью Шёнфинкеля об устранении связанных переменных с помощью комбинаторов.
1930
Теорема Эрбрана
Эрбран показал, что логическое следствие из базы знаний первого порядка можно доказать с помощью конечного подмножества её конкретных подстановок.
Гёдель публикует теорему полноты логики первого порядка
Гёдель опубликовал доказательство полноты логики первого порядка: каждая общезначимая формула имеет формальное доказательство.
1932
Чёрч опубликовал логическую систему с λ-нотацией
В Annals of Mathematics вышла статья Чёрча «A Set of Postulates for the Foundation of Logic». Она описывала логическую систему, использовавшую λ-нотацию для представления множеств.
1935
Исчисления Генцена и устранение сечения
Герхард Генцен разработал естественный вывод и исчисление секвенций и доказал теорему об устранении сечения.
1936
Тьюринг описал универсальную вычислительную машину
Тьюринг описал машину, способную читать закодированные описания других машин и воспроизводить их вычисления.
Фишер публикует основополагающую работу по дискриминантному анализу
Фишер использовал данные об ирисах в работе по дискриминантному анализу и ввёл название дискриминантной функции.
1940
Чёрч сформулировал простую теорию типов
В 1940 году Алонзо Чёрч представил простую теорию типов, в которой функции служат исходным понятием, а λ-нотация — единственным механизмом связывания переменных.
1943–1955
Первые модели искусственного интеллекта
Появляются математические модели искусственных нейронов и первые исследования машинного обучения. Развитие кибернетики и вычислительной техники открывает новые возможности для создания систем, способных имитировать отдельные аспекты человеческого мышления.
1943
Логическая модель нейронных сетей Маккалока и Питтса
В декабре 1943 года Уоррен Маккалок и Уолтер Питтс опубликовали логическое описание нейронных сетей. Они показали, как строить сети, реализующие логические выражения при определённых условиях.
1949
Принцип Хебба в The Organization of Behavior
В книге The Organization of Behavior (1949) Дональд Хебб сформулировал гипотезу: повторное или длительное участие нейрона в возбуждении другого повышает эффективность его воздействия.
Метрополис и Улам описали метод Монте-Карло
Метрополис и Улам изложили статистический подход к сложным вычислениям: исследовать случайную выборку испытаний или траекторий вместо полного расчёта всех вариантов.
1950
Тьюринг предлагает игру в имитацию
В Computing Machinery and Intelligence Тьюринг предложил заменить вопрос «Могут ли машины мыслить?» игрой, в которой собеседник оценивает письменные ответы машины.
Шеннон описывает поиск и оценку позиций для компьютерных шахмат
Шеннон опубликовал схему шахматной программы, объединяющую оценку позиций и минимаксный выбор ходов. Он также описал выборочный поиск как способ сократить перебор.
1953
Опубликован алгоритм Метрополиса
Метрополис и соавторы описали выборку конфигураций по распределению Больцмана через случайные перемещения частиц с принятием или отклонением предложенных шагов.
1954
Дэвис реализует процедуру Пресбургера
Мартин Дэвис создал программную реализацию процедуры разрешения Пресбургера, выполнявшую автоматическое доказательство.
Демонстрация машинного перевода Georgetown–IBM
7 января 1954 года IBM и Джорджтаунский университет публично продемонстрировали автоматический перевод русских предложений на английский на IBM 701.
Фарли и Кларк описали цифровую симуляцию обучаемой сети
В сентябре 1954 года Б. Г. Фарли и У. А. Кларк опубликовали работу о цифровой симуляции самоорганизующейся сети. Из случайного начального состояния она обучалась различать два фиксированных входных образца посредством изменения весов связей.
1955
Приор публикует «Diodoran Modalities»
Артур Приор опубликовал первое исследование своей временной логики, введя операторы будущего времени в исчисление высказываний.
Дартмутское предложение об искусственном интеллекте
Предложение от 31 августа 1955 года сформулировало общую программу исследований искусственного интеллекта. Оно инициировало Дартмутский летний проект 1956 года.
Успешная ручная симуляция метода Logic Theorist
По свидетельству Ньюэлла и Саймона, 15 декабря 1955 года состоялась первая успешная ручная симуляция доказательства теоремы методами, затем включёнными в Logic Theorist.
1956–1973
Рождение ИИ как науки
Искусственный интеллект становится самостоятельной научной дисциплиной. Создаются первые программы для логического вывода, решения задач и общения на естественном языке, вызывая волну оптимизма относительно будущего интеллектуальных машин.
1956
Logic Theorist доказывает теоремы на компьютере
В 1956 году Logic Theorist стала работающей программой для доказательства теорем символьной логики.
Дартмутский исследовательский проект по искусственному интеллекту
В 1956 году небольшая группа учёных собралась на Дартмутский летний исследовательский проект по искусственному интеллекту. Встреча стала основополагающим событием для становления ИИ как области исследований.
1958
Шахматная программа NSS и отсечение игрового дерева
Ньюэлл, Шоу и Саймон исследовали шахматную программу, использовавшую метод отсечения игрового дерева.
Метрополис и Улам описали метод Монте-Карло
Los Alamos LaboratoryЧто произошло
Статья рассматривает оценку объёма многомерной области и моделирование цепочек взаимодействий частиц. Авторы объясняют, как выполнять такие процедуры на вычислительных машинах.
Почему это важно
Оценка по случайным выборкам позволяет приближать суммы и интегралы, недоступные точному расчёту. Учебник по глубокому обучению подтверждает широкое использование этого подхода в машинном обучении, включая вычисления для обучения вероятностных моделей.
Источники
- The Monte Carlo Method
Подтверждающий фрагмент
Sat Nov 17 07:03:49 2007 JOURNAL O F THE A M E R I C A N STATISTICAL ASSOCIATION Number 167 S E P T E M B E R 1949 Volume 44 T H E MONTE CARL0 METHOD METROPOLIS NICHOLAS AND S. ULAM Los Alamos Laboratory We shall present here the motivation and a general descrip- tion of a method dealing with a class of problems in mathe- matical physics. The method is, essentially, a statistical approach t o the study of differential equations, or more generally, of integro-differential equations that occur in
- The Monte Carlo method — PubMed
Подтверждающий фрагмент
J Am Stat Assoc Actions Search in PubMed Search in NLM Catalog Add to Search . 1949 Sep;44(247):335-41. doi: 10.1080/01621459.1949.10483310. The Monte Carlo method N METROPOLIS, S ULAM PMID: 18139350 DOI: 10.1080/01621459.1949.10483310 Item in Clipboard The Monte Carlo method N METROPOLIS et al. J Am Stat Assoc. 1949 Sep. Show details Display options Display options Format Abstract PubMed PMID J Am Stat Assoc Actions Search in PubMed Search in NLM Catalog Add to Search . 1949 Sep;44(247):335-41.
- Deep Learning — Chapter 17: Monte Carlo Methods
Подтверждающий фрагмент
deterministic approximate algorithms or Monte Carlo approximations. Both approaches are ubiquitous in machine learning. In this chapter, we focus on Monte Carlo methods. 17.1 Sampling and Monte Carlo Methods Many important technologies used to accomplish machine learning goals are based on drawing samples from some probability distribution and using these samples to form a Monte Carlo estimate of some desired quantity. 17.1.1 Why Sampling? We may wish to draw samples from a probability distribut
Последняя проверка источников: