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.
Пирсон формулирует метод главных компонент
Что произошло
Метод строит линейное представление данных меньшей размерности. Минимизация ошибки восстановления эквивалентна выбору проекции, сохраняющей наибольшую дисперсию.
Почему это важно
Связь с машинным обучением прослеживается в конкретных применениях: PCA используют для извлечения признаков и уменьшения размерности перед независимым компонентным анализом.
Источники
- Linear Dimensionality Reduction: Survey, Insights, and Generalizations
Подтверждающий фрагмент
Amongst all dimensionality reduction methods, the most widely used techniques are orthog- onal projections. These methods owe their popularity in part due to their simple geometric interpretation as a low-dimensional view of high-dimensional data. This interpretation is of great comfort to many application areas, since these methods do not artificially create or exaggerate many types of structure in the data, as is possible with other models that encode strong prior assumptions. 3.1.1 Principal
- Introduction to Machine Learning (CS771A): Dimensionality Reduction (Contd.)
Подтверждающий фрагмент
Machine Learning (CS771A) Dimensionality Reduction (Contd.) 16 Principal Component Analysis (PCA) A classic linear dim. reduction method (Pearson, 1901; Hotelling, 1930) Can be seen as Learning projection directions that capture maximum variance in data Learning projection directions that result in smallest reconstruction error Can also be seen as changing the basis in which the data is represented (and transforming the features such that new features become decorrelated) Also related to other c
- Principal components
Подтверждающий фрагмент
of the dataset that retains most of the variability of the original one. Karl. Pearson is generally credited for introducing the method in 1901. The same method was rediscovered in 1933 and popularized by Hotelling; ever since, it has been an essential part of daily statistical practice, basically in all domains of application. From a mathematical point of view, the method is directly rooted in the linear algebra of positive semidefinite matrices and their spectral factorization. Original langua
Последняя проверка источников: