یادگیری و استدلال

  1- فعالیت­ ذهنی انسان در دنیا را می­توان در یک تقسیم­بندی کلی به دو وجه یادگیری^[1] (کشف رابطه و مفهوم­سازی از مشاهدات) و استدلال (تصمیم­گیری بر اساس پایگاه تجربه) بر اساس یک مکانیزم پویا^[2] تقسیم­بندی کرد. 

  در هوش مصنوعی سعی می­شود با الگوگیری از هوشمندی انسان و سایر موجودات، الگوریتم­هایی برای حل هوشمندانه ماشینی مسائل ارائه شود. استراتژی­های تکاملی^[3] و شبکه­عصبی مصنوعی^[4]، روش­هایی برای یادگیری ماشینی، و منطق فازی^[5] روشی برای استدلال ماشینی می­باشد. این سه روش، رویکرد محاسبات نرم^[6] را تشکیل می­دهد.

  2-متفکران در تبیین چینش نظام هستی، گستره­ی تعینات خلقی (ممکن­الوجودها) را بسان طیفی از کره­های متداخل تصویر می­کنند که عالم ماده (جسمانی) ^[7] درونیترین کره و عالم مجردات ^[8] (عقول) بیرونیترین کره که بر کره­های دیگر احاطه و شمول دارد، را تشکیل می­دهد و انسان به عنوان خلیفه­ی الله، قابلیت مظهریت تمام این گستره را دارا می­باشد. در این دیدگاه موجودات مادی در جوهر خود متحرکند و انسان از این میان قابلیت این را دارد که با طی قوس صعود و بزرگ شدن ماهیت، به جایگاه واقعی خود که مظهریت جامع تعینات خلقی است، نایل آید. بنابراین تعینات خلقی در یک گستره­ی مادی تا مجرد قرار دارد، که عالم مجرد بر عالم ماده اشراف دارد.

  اگرچه جنس ادراک ذهنی، مجرد است، لکن حوزه کاربرد ادراکات را می­توان در محلی از این طیف جانمایی کرد. در این چارچوب می­توان کشف ملاک­های خرد و جزئی در فرآیند یادگیری (قوانین و روابط محلی بین اجزا مثل معادلات تعادل و دیفرانسیل، دیدگاه ذره­ای) را نزدیک به گستره مادی و کشف ملاک­های کلان و کلی ( مثل تابع انرژی، تابع پتانسیل، همیلتونین، تابع لیاپانف، دیدگاه موجی) را نزدیک به گستره مجرد قلمداد نمود. نکته قابل توجه این است که بشر برای خلق مصنوعات در عالم ماده، ناگزیر به بهره­جویی از ملاک­های جزئی است: زیرا در این حوزه، خلق علاوه بر نیاز به علت فاعلی به صورت و ماده و تطور استعدادها نیز نیازمند است. حال آنکه با طی قوس صعود و قرارگیری در عالم مجردات، ابداع نیازی به ماده و صورت و تطور استعدادها ندارد و وجود علت فاعلی و بدون هیچ مقدمه دیگر کفایت می­کند. گو اینکه ابداع در این حوزه از روش انرژی انجام می­شود. این تصویری است که می­توان در تبیین عالم پس از مرگ بیان کرد.

  3-وجه یادگیری (داده­کاوی) را می­توان از دیدگاه فلسفی بسان روش تعیین ماهیت^[9] برای مشاهدات عینی قلمداد کرد. بدین صورت که ما بکمک رویکرد داده­کاوی می­خواهیم چگونگی شناسایی الگو و استخراج ویژگی از مشاهدات را که توسط انسان انجام می­شود، در قالب الگوریتم­ها به ماشین­ها منتقل کنیم. چگونگی استخراج ویژگی و الگو در انسان را می­توان در کتب فلسفی و روانشناسی^[10] دنبال کرد. به نظر می­رسد، مبحث ماهیت در فلسفه، مبین تقسیم­بندی فیلسوفان از انواع قالب­های ذهنی و برچسب­های زبانی است که بر مشاهدات عینی توسط انسان تطبیق داده می­شود. در این مقاله، مقولات عشر ارسطویی، که مبین انواع ماهیت­های بسیط قابل تصور است، تبیین می­شود. بی­تردید با تدقیق و کنکاش در آرای فلاسفه شرق و غرب و همچنین نظریه­پردازان روانشناسی یادگیری می­توان به تکمیل این مبحث همت گماشت و آنرا دستمایه برای توسعه­ی تئوری یادگیری، یادگیری ماشینی و داده­کاوی قرار داد.

  از دیدگاه ارسطو، ماهیت ممکن­الوجود بسیط مشتمل بر ده جنس عالی می­باشد که به آن مقولات عشر اطلاق می­گردد که در دو دسته جوهر و عرض تقسیم­بندی می­گردد. جوهر محتاج به موضوع نمی­باشد ولی عرض حالت و صفتی برای وجود عینی دیگر است. جوهرها در یک طیف، از جوهر مجرد (عقلی) تا جوهر مادی (جسمانی) قرار دارد. عرض مطابق تبیین ارسطویی به کمیت، نسبت و کیفیت تقسیم می­شود. عرضی که ذاتا قابل تقسیم باشد را، کمیت می­نامند و بر دو نوع کمیت متصل (هندسی) و کمیت منفصل (عددی) تقسیم می­شود. عرضی که نسبت دادن موجودی به موجود دیگر است را نسبت می­خوانند که انواعی هفتگانه برای آن برشمرده­اند (اضافه^[11] ، کجایی^[12] (این)، چه وقتی^[13] (متی)، وضع ^[14] ، ملک ^[15] (جده)، تاثیر ^[16] (ان یفعل)، تاثر^[17] (ان ینفعل)). و در نهایت، عرضی را که ذاتا قابل تقسیم نیست و مشتمل بر نسبت نیز نمی­باشد، کیفیت خوانند که انواع کیفیت نفسانی (علم، قدرت، اراده، کراهت، لذت، الم)، کیفیت حسی (دیدنی، شنیدنی، چشیدنی، بوییدنی، لامسه)، کیفیت مخصوص کمیات (فرد بودن، زوج بودن، مستقیم بودن، مقعر و محدب بودن) و کیفیت استعدادی (استعداد هسته در تبدیل شدن به درخت در مقابل استعداد خاک در تبدیل شدن به درخت) برای آن برشمرده شده است.

  براین اساس می­توان ماهیت­های عرضی نسبی را رابطه مکانی و وضعی، زمانی، زیرمجموعگی، ایجاب، تقارن(شباهت) و غیرمتقارن دانست و انتظار داشت در عملیات داده­کاوی از روی مشاهدات، نسبت­های فوق­الذکر مورد کنکاش قرار گیرد.

  4-در الگوریتم­های یادگیری، نسبت­های فوق­الذکر در امر فشرده­سازی از فضای ویژگی­ به فضای برچسب­ها (مفاهیم کلی) معمولا با دوگان خود مورد استفاده قرار می­گیرد. مثلا در خوشه­یابی^[18] معمولا شباهت با دوگان خود یعنی فاصله، و در شبکه آقای گراسبرگ^[19] زیرمجموعگی با دوگان خود، شمول مورد توجه قرار می­گیرد. اندازه شباهت معمولا با ضرب داخلی دو بردار ویژگی ­ و اندازه­ی زیرمجموعگی با ضرب داخلی دو بردار ویژگی تقسیم بر اندازه یک بردار محاسبه می­گردد.

  [1] Learning

  [2] adaptive

  [3] Evolutionary Strategy

  [4] Artificial Neural Networks

  [5] Fuzzy Logic

  [6] Soft Computing

  [7] از نحوه وجود اجسام، حرکت انتزاع می­شود. اجسام دارای ویژگی سه بعد مکانی ناگذرا و یک بعد زمانی گذرا می­باشند. 

  [8] از نحوه وجود مجردات، ثبات انتزاع می­شود.

  [9] ماهیت، شبح و قالب ذهنی برای حقیقت عینی می­باشد.

  [10] مثلا نظرات ژان پیاژه

  [11] نسبت اعتباری تشابه (مثل برادری) یا تخالف (مثل فرزندی) بین دو موجود که هم برای مادیات و هم مجردات قابل بیان است.

  [12] نسبتی که بین موجود مادی و مکان آن حاصل می­شود.

  [13] نسبتی که بین موجود مادی و زمان آن حاصل می­شود.

  [14] نسبتی که بین اجزاء شیئ با یکدیگر با درنظر گرفتن جهت حاصل می­شود.

  [15] نسبتی که بین شیئ و چیزی که بر آن احاطه دارد بدست می­آید.

  [16] نسبتی که از تاثیر تدریجی فاعل مادی در ماده منفعل حاصل می­شود.

  [17] نسبتی که از تاثر تدریجی ماده منفعل از فاعل مادی حاصل می­شود.

  [18] Clustering

  [19] Adaptive Resonance Theory-ART