AI2.pdf
(
116 KB
)
Pobierz
Microsoft Word - 03-szukanie.doc
1 Szukanie
1.1 Wst
ę
p
Jedn
ą
z najwa
ż
niejszych metod informatyki jest szukanie (searching). Trzeci tom fundamentalnego dzieła „The
art of computer programming” Donalda Knutha po
ś
wi
ę
cony jest w cało
ś
ci algorytmom szukania. Konieczno
ść
szukania wyst
ę
puje w problemach dedukcji, rozumowania, wnioskowania, planowania, dowodzenia itp.
Zastosowania metod opartych na szukaniu znale
źć
mo
ż
na we wszystkich gał
ę
ziach AI. Niektórzy uczeni
wszystko, co oparte jest na przeszukiwaniu drzewa mo
ż
liwo
ś
ci wi
ążą
z sztuczn
ą
inteligencj
ą
, np. techniki AI w
fizyce czy chemii kwantowej sprowadzaj
ą
si
ę
w wi
ę
kszo
ś
ci do zastosowania algorytmów szukania. Chocia
ż
jest
to zbyt daleko id
ą
ce uogólnienie trzeba stwierdzi
ć
,
ż
e algorytmy szukania rozwin
ę
ły si
ę
przede wszystkim w
zastosowaniach zwi
ą
zanych ze sztuczn
ą
inteligencj
ą
.
Szukajcie a (by
ć
mo
ż
e) znajdziecie!
Bez szukania natomiast na pewno nie znajdziecie.
Zanim zaczniemy szuka
ć
trzeba wiedzie
ć
gdzie prowadzi
ć
poszukiwania, tj. jak
reprezentowa
ć
problem, który
chcemy rozwi
ą
za
ć
i jak okre
ś
li
ć
przestrze
ń
poszukiwa
ń
. Mo
ż
emy tu wyró
ż
ni
ć
3 elementy. Po pierwsze, mamy
jak
ąś
baz
ę
danych
zawieraj
ą
cych fakty czy mo
ż
liwo
ś
ci, obszar dost
ę
pnych ruchów. Mog
ą
w niej by
ć
tabele,
listy słów, zbiory formuł, sieci semantyczne. Np. dowodz
ą
c twierdzenia matematyczne mamy baz
ę
danych
zło
ż
on
ą
z aksjomatów, lematów i poprzednio udowodnionych twierdze
ń
. Korzystaj
ą
c z tego chcemy doj
ść
do
dowodzonego twierdzenia. Po drugie, mamy
przestrze
ń
mo
ż
liwych operacji
prowadz
ą
cych do zmian sytuacji
w tej bazie danych. Sytuacj
ę
w danym momencie okre
ś
lamy jako stan bazy danych. Operacje dokonywane s
ą
przez operatory powoduj
ą
ce zmian
ę
tych stanów, manipuluj
ą
ce baz
ą
danych. Przykładem s
ą
tu reguły
wnioskowania w rachunku logicznym, reguły ruchów w grach, reguły heurystyczne dla upraszczania wyra
ż
e
ń
w
rachunku symbolicznym. Trzeci element to
strategia kontrolna
, okre
ś
laj
ą
ca start oraz sposób działania: do
czego i który operator warto zastosowa
ć
by doj
ść
do po
żą
danej sytuacji ko
ń
cowej (dowodu twierdzenia,
przewagi na planszy w czasie gry). Osi
ą
ganie celu stosuj
ą
c odpowiedni
ą
sekwencj
ę
operatorów do sytuacji
pocz
ą
tkowej jest form
ą
dowodzenia. Ka
ż
de zastosowanie operatora zmienia sytuacj
ę
, zmienia si
ę
baza danych i
mo
ż
e to wpływa
ć
na strategi
ę
. Ta z kolei powinna dopuszcza
ć
ró
ż
ne sekwencje operatorów, które wydaj
ą
si
ę
obiecuj
ą
ce. Poniewa
ż
sekwencji takich mo
ż
e by
ć
bardzo du
ż
o powstaje problem przeszukiwania.
Mamy 4 typy problemów:
1.
Znany jest stan bazy i znane efekty działania.
2.
Dany jest zbiór mo
ż
liwych stanów pocz
ą
tkowych, znane efekty działa
ń
.
3.
Ograniczona znajomo
ść
stanów, działania zale
ż
ne od warunków (np. ograniczona widoczno
ść
w trudnym terenie).
4.
Problemy wymagaj
ą
ce eksploracji: działania tworz
ą
nowe warunki, potrzeba zdobywania
nowej wiedzy (np. Pathfinder).
Wyró
ż
nia si
ę
dwa rodzaje rozumowania.
Rozumowanie bezpo
ś
rednie
(do przodu) jest wtedy, gdy stosuje si
ę
operatory do faktów znanych by wytworzy
ć
now
ą
sytuacj
ę
, bli
ż
sz
ą
sytuacji docelowej, np. mata w szachach lub
uzyskanie przewagi na planszy.
Rozumowanie wsteczne
wychodzi od celu i stara si
ę
id
ą
c do tyłu dotrze
ć
do
czego
ś
znanego. Wyobra
ż
aj
ą
c sobie drzewiast
ą
struktur
ę
schodzimy albo w dół albo do góry ale id
ą
c do góry
mamy wi
ę
ksze szanse na trafienie na co
ś
znanego je
ś
li nasza baza danych jest ju
ż
spora. Mo
ż
emy te
ż
zdefiniowa
ć
podcele, bliskie celowi ko
ń
cowemu, a do nich pod-podcele, a wi
ę
c rozbi
ć
całe rozumowanie na
etapy.
Rozumowanie do przodu okre
ś
la si
ę
jako „data driven” lub z dołu do góry. Rozumowanie do tyłu jako „goal
directed” lub z góry na dół. Kombinacje tych dwóch sposobów s
ą
równie
ż
spotykane, w szczególno
ś
ci mo
ż
na
porównywa
ć
ró
ż
nice pomi
ę
dzy obecnym celem a sytuacj
ą
w zbiorze wygenerowanych stanów - jest to analiza
ś
rodków i celów (means-ends analysis). Z ró
ż
nicy wnioskuje si
ę
jaki operator najbardziej warto zastosowa
ć
by
ja zmniejszy
ć
, a je
ś
li nie daje si
ę
zastosowa
ć
operatora to wyznacza si
ę
nowy podcel.
Niezwykle wa
ż
na jest te
ż
reprezentacja wiedzy
i sytuacji w bazie danych. „State-space representation” to
2
Wst
ę
p do Metod Sztucznej Inteligencji
reprezentacja w której u
ż
ywa si
ę
bezpo
ś
redniego rozumowania a operatory tworz
ą
w ka
ż
dym kroku jeden nowy
stan (obiekt) w bazie. Rozumowanie wstecz prowadz
ą
ce do jednego stanu równie
ż
posługuje si
ę
tak
ą
reprezentacj
ą
. Je
ś
li jednak problem dzieli si
ę
na zbiór podproblemów, np. całkowanie 2/(x
2
-1) rozbija si
ę
na +,
1/(x-1), -1/(x+1) to mamy reprezentacj
ę
redukowania problemów (problem-reduction representation).
Najcz
ę
stsz
ą
reprezentacj
ą
sytuacji w grach, gdzie mamy element nieprzewidywalnej odpowiedzi przeciwnika,
jest drzewo gry. Mo
ż
na te
ż
spotka
ć
inne reprezentacje, zale
ż
nie od specyfik rozwi
ą
zywanego problemu.
Grafy lub struktury drzewiaste stanowi
ą
naturalne struktury opisuj
ą
ce
strategie kontroln
ą
w procesie szukania.
Pocz
ą
tkowy w
ę
zeł reprezentuje wyj
ś
ciow
ą
sytuacj
ę
, kolejne zastosowanie operatorów tworzy nowe w
ę
zły.
Drzewa to szczególne przypadki grafów w których dany w
ę
zeł ma tylko jednego poprzednika (ojca). Stosuje si
ę
te
ż
ró
ż
ne specjalne grafy np. grafy i/lub. Z ka
ż
dym w
ę
złem wi
ąż
e si
ę
pewien opis stanu bazy. Drzewo
wszystkich mo
ż
liwo
ś
ci wyznacza przestrze
ń
szukania. Zwykle d
ąż
ymy do tego by drzewo tworzone w czasie
szukania było małym podzbiorem całej przestrzeni szukania. Czasami ta przestrze
ń
jest niesko
ń
czona a czasem
tylko ogromnie wielka. Np. oceniono liczb
ę
gier w szachach na 10
120
a w warcabach 10
40
. Jak znale
źć
drog
ę
do
rozwi
ą
zania w tak wielkiej przestrzeni tworz
ą
c najmniejszy graf szukania?
W prostych przypadkach dobrze działa metoda „wygeneruj i testuj”. Generator nowych stanów czy mo
ż
liwo
ś
ci
produkuje hipotezy a tester je sprawdza. Dobre generatory powinny by
ć
w stanie wygenerowa
ć
wszystkie
mo
ż
liwe hipotezy (zupełno
ść
), unika
ć
powtarzania tych samych hipotez oraz u
ż
ywa
ć
wszystkich informacji
pozwalaj
ą
cych wst
ę
pnie ograniczy
ć
mo
ż
liwe hipotezy.
Oczywi
ś
cie przy szukaniu nale
ż
y korzysta
ć
z niepełnej wiedzy czyli
wiedzy heurystycznej
. Czasami zapobiega
to kombinatorycznej eksplozji drzewa mo
ż
liwo
ś
ci. Heurystyczny oznacza „słu
żą
cy odkryciu”. W AI
heurystyczny oznacza proces mog
ą
cy - ale nie gwarantuj
ą
cy - doprowadzi
ć
do rozwi
ą
zania, strategi
ę
, trik,
reguł
ę
kciuka. Heurystyczny jest wi
ę
c przeciwstawieniem
ś
lepego przeszukiwania.
1.2 Reprezentacja problemu w przestrzeni stanów
Reprezentacja to zbiór konwencji dotycz
ą
cych opisu pewnej klasy rzeczy. Opis problemu wykorzystuje te
konwencje w konkretnym przypadku. Stan systemu jest opisem pozwalaj
ą
cym na okre
ś
lenie przyszło
ś
ci
systemu. W przestrzeni stanów wprowadzi
ć
mo
ż
na reprezentacj
ę
graficzn
ą
tak, by w
ę
zły reprezentowały stany
systemu a łuki przej
ś
cia pomi
ę
dzy tymi stanami.
Prostym przykładem reprezentacji problemu w przestrzeni stanów mo
ż
e by
ć
gra w 8-k
ę
.
2
1
7
3
8
5
4
6
Przestrze
ń
stanów liczy sobie 9!/2=181440 elementów. Stan opisywany jest w pełni przez macierz 3 na 3.
Operacje na obiektach polegaj
ą
na ich przesuwaniu, ale zamiast osobnych operacji na 1 .. 8 lepiej jest
zdefiniowa
ć
operacje na pustym polu jako ruchy w 4 kierunkach u, d, l, r. Te ruchy to nasz zbiór operatorów
O
.
Potrzebujemy te
ż
zbioru stanów wyj
ś
ciowych
S
i ko
ń
cowych
G
. Problem zdefiniowany jest jako zbiór
(S,O,G).
Rozwi
ą
zanie problemu to sko
ń
czony ci
ą
g transformacji lub zastosowa
ń
operatorów zamieniaj
ą
cy
S
w
G
.
Kolejno
ść
zastosowa
ń
operatorów lub nast
ę
pstwo stanów najlepiej przedstawia si
ę
w postaci grafu, np. w
problemie w
ę
druj
ą
cego komiwoja
ż
era - jak znale
źć
najkrótsz
ą
drog
ę
przez N miast odwiedzaj
ą
c ka
ż
de z nich
dokładnie jeden raz - startujemy od miasta A jako wierzchołku grafu, na drugim poziomie mamy w
ę
zły AB,
AC, .., na trzecim podw
ę
zły ABC, ABD, ... ACB, ACD ... i na N-tym mamy N! w
ę
złów ko
ń
cowych
obrazuj
ą
cych wszystkie mo
ż
liwe drogi. Rozmiary grafów w realnych problemach rosn
ą
kombinatorycznie,
konieczne s
ą
wi
ę
c „inteligentne” metody ich przeszukiwania.
Innym prostym przykładem obrazuj
ą
cym u
ż
yteczno
ść
reprezentacji stanów w postaci grafu jest dzieci
ę
ca
zagadka: jak przewie
źć
lisa, g
ęś
i ziarno mał
ą
łódk
ą
na drug
ą
stron
ę
rzeki, je
ś
li zmie
ś
ci si
ę
w niej nie wi
ę
cej ni
ż
jedna rzecz (oczywi
ś
cie oprócz nas). Nale
ż
y tu rozwa
ż
y
ć
wszystkie mo
ż
liwo
ś
ci - ka
ż
da z 3 rzeczy plus
przewo
żą
cy je farmer mog
ą
by
ć
po jednej lub drugiej stronie rzeki, wi
ę
c mamy 2
4
=16 mo
ż
liwo
ś
ci. W
ś
ród nich
jest 6 niebezpiecznych i 10 akceptowalnych. Na rysunku przedstawiłem tylko mo
ż
liwo
ś
ci akceptowalne
3
Wst
ę
p do Metod Sztucznej Inteligencji
lis, g
ęś
, ziarno, farmer
lis, ziarno
g
ęś
, farmer
lis, ziarno, farmer
g
ęś
lis
ziarno
g
ęś
, ziarno, farmer
lis, g
ęś
, farmer
lis, g
ęś
, farmer
ziarno, g
ęś
, farmer
ziarno
lis
g
ęś
lis, ziarno, farmer
g
ęś
, farmer
lis, ziarno
g
ęś
, lis, ziarno, farmer
Rys. Graf rozwi
ą
za
ń
dla prostego problemu logicznego
pomijaj
ą
c w
ę
zły
ś
lepe, które nie prowadz
ą
do rozwi
ą
zania. Zagadka ta znana jest równie
ż
pod nazw
ą
problemu
misjonarzy i kanibali i dla wi
ę
kszej liczby osób lub obiektów nie jest wcale trywialna, gdy
ż
wymaga tworzenia
po
ś
rednich etapów, które „oddalaj
ą
si
ę
” od po
żą
danego rozwi
ą
zania.
W tym przypadku reprezentacja w przestrzeni stanów jest dobr
ą
reprezentacj
ą
prowadz
ą
c
ą
do łatwego
rozwi
ą
zania problemu. Ogólnie mo
ż
na zauwa
ż
y
ć
,
ż
e:
Dobór odpowiedniej reprezentacji to znaczna cz
ęść
rozwi
ą
zania problemu.
Je
ś
li liczba w
ę
złów ro
ś
nie eksponencjalnie lub kombinatorycznie mówimy,
ż
e zagadnienie jest nieobliczalne.
Od reprezentacji sytuacji zale
ż
y cz
ę
sto bardzo wiele. Rozwa
ż
my dla przykładu nast
ę
puj
ą
ce zadanie: czy 31
domin mo
ż
e pokry
ć
wszystkie pola szachownicy z której usuni
ę
to 2 rogi? Mamy tu bardzo wiele mo
ż
liwo
ś
ci ale
wystarczy zauwa
ż
y
ć
,
ż
e domino pokrywa zawsze biało/czarne pole a usuwamy dwa pola o tym samym kolorze.
Jak znale
źć
w konkretnym przypadku odpowiedni
ą
reprezentacj
ę
problemu tak, by dał si
ę
łatwo rozwi
ą
za
ć
, albo
przynajmniej lepsz
ą
reprezentacj
ę
ni
ż
która
ś
z ogólnie stosowanych? Jest to cz
ę
sto najtrudniejsza cz
ęść
pracy.
Dobra reprezentacja uwidacznia relacje pomi
ę
dzy istotnymi elementami lub stanami, pozwala na ujawnienie si
ę
wszystkich wi
ę
zów ograniczaj
ą
cych mo
ż
liwe relacje, nieistotne szczegóły zostaj
ą
usuni
ę
te, powinna by
ć
przy
tym zrozumiała, kompletna (zawieraj
ą
ca wszystko, co potrzeba do rozwi
ą
zania), zwi
ę
zła i pozwalaj
ą
ca na
4
Wst
ę
p do Metod Sztucznej Inteligencji
efektywne wykorzystanie w modelu komputerowym.
1.3 Redukcyjna reprezentacja problemu
Podstawowymi strukturami s
ą
tu nie stany, ale cele, czyli opisy problemu. Pocz
ą
tkowy opis problemu poddaje
si
ę
serii transformacji, a
ż
dochodzimy do problemów elementarnych. Redukcyjna reprezentacja składa si
ę
wi
ę
c
z:
Opisu pocz
ą
tkowego problemu
Zbioru operatorów transformuj
ą
cych dany problem na problemy cz
ą
stkowe
Zbioru problemów elementarnych
Przykład:
Wie
ż
a z Hanoi
Mamy trzy wielko
ś
ci kr
ąż
ków, A, B, C, i trzy kołki
, i, j, k
. W tym przypadku problem przesuni
ę
cia n>1
kr
ąż
ków z
i
na
k
rozbija si
ę
na podproblemy:
Przesu
ń
stos n-1 klocków z
i
na
j
Przesu
ń
jeden klocek z
i
na
k
Przesu
ń
stos n-1 klocków z
j
na
k
Problemem elementarnym jest oczywi
ś
cie przesuni
ę
cie pojedynczego klocka. Opis problemu zawiera dane: ile
jest klocków na stosie do przesuni
ę
cia, z którego kołka, na który kołek. Rozwi
ą
zanie mo
ż
emy znowu
przedstawi
ć
przy pomocy drzewa. Pewnym uogólnieniem prostych drzew s
ą
grafy AND/OR, na których
zaznacza si
ę
, czy dany problem daje si
ę
rozwi
ą
za
ć
, je
ś
li wszystkie podproblemy daj
ą
si
ę
rozwi
ą
za
ć
(w
ę
zeł
AND), czy te
ż
wystarczy rozwi
ą
za
ć
tylko jeden z nich (w
ę
zeł OR).
Któr
ą
z tych dwóch reprezentacji - opisu problemów czy przestrzeni stanów - nale
ż
y u
ż
y
ć
jest kwesti
ą
wygody.
Mo
ż
na tłumaczy
ć
problemy z jednej reprezentacji do drugiej ale cz
ę
sto w jednej z nich łatwiej si
ę
daj
ą
rozwi
ą
za
ć
ni
ż
w drugiej. Jest wiele innych metod reprezentacji do których wrócimy w nast
ę
pnym rozdziale,
gdy
ż
metody reprezentacji wiedzy to centralne zagadnienie sztucznej inteligencji.
1.4 Metody szukania na
ś
lepo
Reprezentacja stanów, reprezentacja redukcyjna i inne metody prowadz
ą
w praktyce do tych samych
problemów tj. do konieczno
ś
ci szukania rozwi
ą
zania w obszernej przestrzeni mo
ż
liwych stanów lub mo
ż
liwych
zastosowa
ń
operatorów redukuj
ą
cych. Jest wiele metod prowadzenia takiego szukania (szczegółowe omówienie
zawiera ksi
ąż
ka Bolca i Cytowskiego). Ograniczymy si
ę
tutaj tylko do podstawowych metod przeszukiwania
„na
ś
lepo”. Szukanie drogi w grafie prowadz
ą
cej od pocz
ą
tkowego w
ę
zła do w
ę
zła, który jest celem daje si
ę
przedstawi
ć
jako proces tworzenia drzewa poszukiwa
ń
. Drzewo jest szczególnym rodzajem grafu w którym
ka
ż
dy z w
ę
złów ma tylko jednego rodzica. Dzi
ę
ki temu w
ę
zły drzewa mo
ż
na uto
ż
sami
ć
z drogami. Drzewo ma
swój korze
ń
(root node) i li
ś
cie, czyli w
ę
zły nie maj
ą
ce swoich nast
ę
pników lub dzieci. Okre
ś
lanie poddrzewa
danego w
ę
zła nazywa si
ę
te
ż
rozwijaniem w
ę
zła. O w
ę
złach, które nie s
ą
do ko
ń
ca rozwini
ę
te mówi si
ę
,
ż
e s
ą
„otwarte” a o całkowicie rozwini
ę
tych „zamkni
ę
te”. W drzewie okre
ś
li
ć
mo
ż
na
ś
redni
ą
liczb
ę
rozgał
ę
zie
ń
(branching factor). Je
ś
li wynosi ona
k
to rozwini
ę
cie w
ę
zła na gł
ę
boko
ść
d
prowadzi
ś
rednio do
k
d
nowych
w
ę
złów, czyli do eksplozji kombinatorycznej. Jedynie dla prostych przypadków mo
ż
na wyliczy
ć
wszystkie
mo
ż
liwe
ś
cie
ż
ki drzewa przeszukiwa
ń
i wybra
ć
z nich najlepsze rozwi
ą
zanie. Skrajnie ró
ż
na wersja tej metody,
okre
ś
lanej jako „generuj rozwi
ą
zanie i testuj czy jest wła
ś
ciwe” polega na przypadkowym wyborze jednego z
rozwi
ą
za
ń
i sprawdzeniu, czy jest ono wła
ś
ciwe. W literaturze ameryka
ń
skiej takie post
ę
powanie okre
ś
la si
ę
nazw
ą
„
procedury Brytyjskiego muzeum
” - szanse na znalezienie jakiego
ś
obiektu w ogromnym Muzeum
Brytyjskim przypadkowo bł
ą
dz
ą
c po salach i magazynach s
ą
bardzo małe. Potrzebne s
ą
bardziej systematyczne
podej
ś
cia.
5
Wst
ę
p do Metod Sztucznej Inteligencji
1.1.4. Szukanie „w gł
b”
Podstawowym rodzajem przeszukiwania grafów jest szukanie w gł
ą
b. Je
ś
li w danej sytuacji wszystkie
posuni
ę
cia lub wszystkie kolejne stany s
ą
równie prawdopodobne to robimy nast
ę
pny krok tworz
ą
c, na grafie
przedstawiony jako przesuni
ę
cie si
ę
na kolejny, ni
ż
szy poziom, a
ż
dochodzimy do poziomu, na którym nie ma
ju
ż
dalszych mo
ż
liwych przekształce
ń
. Je
ś
li poziom ten reprezentuje wła
ś
ciwe rozwi
ą
zanie zako
ń
czyli
ś
my
proces szukania. Formalny algorytm wygl
ą
da nast
ę
puj
ą
co:
Utwórz jednoelementow
ą
list
ę
składaj
ą
c
ą
si
ę
z
ś
cie
ż
ki o zerowej długo
ś
ci wychodz
ą
cej z korzenia
0
1
spacja
E
T
A
O
I
N
S
R
H
L D
U
C
F
M W Y
G P
B
V
K
X
Q
J
Z
Drzewo binarne (drzewo Huffmana) obrazuj
ą
ce minimaln
ą
liczb
ę
bitów potrzebn
ą
do zakodowania litery w
j
ę
zyku angielskim (uwzgl
ę
dniaj
ą
c cz
ę
sto
ś
ci wyst
ę
powania liter). Algorytm przeszukiwani a w gł
ą
b pozwoli
szybko odnale
źć
litery zakodowane przy pomocy du
ż
ej liczby pocz
ą
tkowych zer, algorytm szukania w szerz
litery o najbardziej oszcz
ę
dnym kodowania ale litery o najmniej oszcz
ę
dnym kodowaniu jest stosunkowo trudno
znale
źć
(w tak małym drzewie nie ma z tym oczywi
ś
cie problemu).
Dopóki pierwsza
ś
cie
ż
ka na li
ś
cie nie ko
ń
czy si
ę
na w
ęź
le zawieraj
ą
cym cel, lub lista nie jest pusta:
•
Usu
ń
pierwsz
ą
ś
cie
ż
k
ę
; utwórz wszystkie
ś
cie
ż
ki wychodz
ą
ce z ko
ń
cowego w
ę
zła
•
Odrzu
ć
ś
cie
ż
ki zawieraj
ą
ce p
ę
tle
Je
ś
li który
ś
z nowo utworzonych w
ę
złów jest celem zako
ń
cz p
ę
tl
ę
Dodaj na szczyt listy pozostałe
ś
cie
ż
ki
Je
ś
li znaleziono rozwi
ą
zanie to ogło
ś
sukces i podaj
ś
cie
ż
k
ę
prowadz
ą
c
ą
do celu, w przeciwnym przypadku
ogło
ś
kl
ę
sk
ę
.
Program pami
ę
ta dane o kolejnych odwiedzanych w
ę
złach i wybranych łukach, co pozwala na cofanie si
ę
po
ą
Plik z chomika:
psychologia-audiobooki
Inne pliki z tego folderu:
AI5.pdf
(33 KB)
Wykład wstęp do Sztucznej Inteligencji.URL
(0 KB)
Wstęp do Metod Sztucznej Inteligencji [pdf].URL
(0 KB)
Wstęp do AI - 4.mp3
(12395 KB)
Wstęp do AI - 3.mp3
(7200 KB)
Inne foldery tego chomika:
artykuły
CZY JESTEŚMY AUTOMATAMI - MÓZGI, WOLNA WOLA I ODPOWIEDZIALNOŚĆ
Czym jest kognitywistyka
Duch i dusza, czyli prehistoria kognitywistyki
Folklor umysłu
Zgłoś jeśli
naruszono regulamin