Unit 13:Artificial Intelligence

Gyanodhan

1 week ago

INTRODUCTION TO Al AND PRODUCTION SYSTEMS: Introduction to AI-Problem formulation, Problem Definition -Production systems, Control strategies, Search strategies. Problem characteristics, Production system characteristics – Specialized productions system- Problem solving methods –
Problem graphs, Matching, Indexing and Heuristic functions -Hill Climbing Depth first and Breath first, Constraints satisfaction – Related algorithms, Measure of performance and analysis of search algorithms.

🧠 1. AI (Artificial Intelligence) का परिचय

➤ AI क्या है?

Artificial Intelligence वह तकनीक है जिसमें कंप्यूटर या मशीनें इंसानों की तरह सोचने, सीखने, निर्णय लेने, और समस्याएँ हल करने की क्षमता रखती हैं।

🎯 AI के उद्देश्य:

बुद्धिमत्ता से कार्य करना
निर्णय लेना
समस्याओं का समाधान करना
व्यवहार में अनुकूलन (Adapt)

📌 2. Problem Formulation और Definition

➤ Problem Formulation

किसी समस्या को इस तरह से परिभाषित करना कि उसे एक AI एजेंट हल कर सके।

एक समस्या को परिभाषित करने के लिए जरूरी चीज़ें:

Initial state (प्रारंभिक स्थिति)
Goal state (लक्ष्य स्थिति)
Operators (क्रियाएँ जो states को बदलती हैं)
Path cost (कुल लागत)

⚙️ 3. Production System (उत्पादन प्रणाली)

➤ Production System क्या है?

AI में, Production System एक नियम-आधारित सिस्टम है, जो “IF…THEN…” नियमों के आधार पर काम करता है।

📐 Structure:

Rules (उत्पादन नियम):
जैसे:
IF temperature > 40 THEN turn on AC
Working Memory (वर्किंग मेमोरी):
वर्तमान स्थितियों की जानकारी
Control Strategy:
कौन-सा नियम कब लागू हो, यह तय करने की रणनीति

🔄 4. Control Strategies (नियंत्रण रणनीतियाँ)

AI एजेंट यह तय करता है कि किस नियम को पहले लागू करना चाहिए।

🎯 दो प्रमुख प्रकार:

Deterministic Strategy: हमेशा एक ही नियम लागू होगा
Heuristic Strategy: अनुमान/अनुभव के आधार पर नियमों का चयन

🔍 5. Search Strategies (खोज विधियाँ)

किसी समाधान तक पहुँचने के लिए state space में खोज करना।

🔸 सामान्य Strategies:

Hill Climbing (लोकल सर्च)
Depth First Search (DFS) – गहराई में पहले जाए
Breadth First Search (BFS) – चौड़ाई में पहले जाए

🧩 6. Problem Characteristics (समस्याओं की विशेषताएँ)

विशेषता	विवरण
पूरी तरह परिभाषित (Well-defined)	सभी states और actions ज्ञात हैं
आंशिक जानकारी (Partially Observable)	सबकुछ स्पष्ट नहीं है
निश्चित/अनिश्चित (Deterministic / Non-Deterministic)	कार्यों का परिणाम तय है या नहीं
स्थैतिक/गतिशील (Static / Dynamic)	समस्या की स्थिति बदलती है या नहीं

🏗️ 7. Production System Characteristics

गुण	विवरण
Modular	नियम अलग-अलग होते हैं और जोड़ना आसान होता है
Flexible	आसानी से संशोधित किया जा सकता है
Transparent	स्पष्ट रूप से समझा जा सकता है
Efficient	सीमित संसाधनों में कार्य करता है

🔧 8. Specialized Production Systems

कुछ विशेष प्रकार के प्रोडक्शन सिस्टम:

Commutative: एक ही परिणाम के लिए कई नियम
Monotonic: एक बार जो सही था, वह आगे भी सही रहेगा
Non-monotonic: पूर्व निर्णय बदल सकते हैं

💡 9. Problem Solving Methods

Problem Graphs: states को nodes और actions को edges से दर्शाते हैं
Matching: current state को नियम से मिलाना
Indexing: नियमों को तेजी से खोजने के लिए डेटा संरचना
Heuristic Functions: अनुमानित लागत जो लक्ष्य तक पहुँचने में मदद करे

🧗 10. Common Search Algorithms

🔹 Hill Climbing:

केवल बेहतर स्थिति की ओर बढ़ता है
लोकल मैक्सिमा/मिनिमा की समस्या

🔹 Depth First Search (DFS):

पहले गहराई में जाता है
स्टैक आधारित
memory efficient, लेकिन infinite loop का खतरा

🔹 Breadth First Search (BFS):

सभी नोड्स को लेवल वाइज़ खोजता है
complete और optimal (if cost is same)

🔐 11. Constraint Satisfaction Problems (CSP)

➤ क्या हैं CSPs?

ऐसी समस्याएँ जिनमें कुछ शर्तों (constraints) को संतुष्ट करना होता है।

उदाहरण:

Sudoku
8-Queens problem
Time Table Scheduling

🧮 संबंधित Algorithms:

Backtracking
Forward Checking
Arc Consistency

📏 12. Measure of Performance and Search Analysis

एक AI search algorithm को कैसे जाँचे?

मापदंड	विवरण
Completeness	क्या यह हमेशा समाधान देगा?
Optimality	क्या यह सबसे अच्छा समाधान देगा?
Time Complexity	समाधान में कितना समय लगेगा?
Space Complexity	कितनी memory लगेगी?

📝 संक्षेप सारांश (Quick Recap)

टॉपिक	सारांश
AI परिचय	मशीनों को सोचने/समझने योग्य बनाना
Problem Formulation	समस्या को मशीन की समझ में लाना
Production System	नियम आधारित निर्णय प्रणाली
Control & Search Strategies	नियमों और समाधानों का चुनाव कैसे हो
DFS / BFS / Hill Climbing	खोज तकनीकें
Constraints Satisfaction	शर्तों को पूरा करके समाधान
Performance Metrics	एल्गोरिदम की जाँच कैसे करें

REPRESENTATION OF KNOWLEDGE: Game playing – Knowledge
representation, Knowledge representation using Predicate logic, Introduction to predicate calculus, Resolution, Use of predicate calculus, Knowledge representation using other logic-Structured representation of knowledge.

🧠 1. Knowledge Representation (ज्ञान का निरूपण)

➤ यह क्या है?

AI में Knowledge Representation का मतलब है –
ऐसे तरीके से ज्ञान को संग्रह और संरचित करना कि एक मशीन या प्रोग्राम उसका उपयोग करके निर्णय ले सके या समस्या हल कर सके।

🎮 2. Game Playing में Knowledge Representation

AI में जब हम Game Playing (जैसे Chess, Tic-Tac-Toe) करते हैं, तब:

AI को यह जानना होता है कि वर्तमान स्थिति क्या है।
उसे यह तय करना होता है कि अगली चाल क्या होनी चाहिए।

इसके लिए वह:

गेम की हर स्थिति को स्टेट (State) की तरह represent करता है।
हर चाल को एक एक्शन (Action) मानता है।
और एक गेम ट्री (Game Tree) बनाता है।

🔍 3. Predicate Logic से Knowledge Representation

➤ Predicate Logic क्या है?

यह एक प्रकार का Mathematical Logic है जिसमें:

Objects (वस्तुएँ) होते हैं
उनके बारे में Properties (गुण) होते हैं
और Relations (संबंध) होते हैं

🔹 उदाहरण:

“Ravi is a student” को हम लिख सकते हैं:
Student(Ravi)
“Ravi likes Python” → Likes(Ravi, Python)

इस तरीके से मशीन facts को समझ पाती है।

📚 4. Introduction to Predicate Calculus

➤ यह क्या है?

Predicate Calculus, Predicate Logic का formal mathematical रूप है, जिसमें हम:

Quantifiers का उपयोग करते हैं:
- ∀ (for all) → Universal Quantifier
- ∃ (there exists) → Existential Quantifier

🔹 उदाहरण:

“सभी छात्रों को पढ़ना पसंद है”
⇒ ∀x (Student(x) → Likes(x, Reading))

यह representation मशीन को complex statements समझने में सक्षम बनाता है।

🧮 5. Resolution (समाधान तकनीक)

➤ क्या है Resolution?

Resolution एक inference technique है जिसका उपयोग AI में किसी निष्कर्ष (Conclusion) तक पहुँचने के लिए किया जाता है।

उदाहरण:

Man(Socrates)
∀x (Man(x) → Mortal(x))
⇒ Conclusion: Mortal(Socrates)

Resolution इन नियमों को logical तरीके से जोड़कर निष्कर्ष निकालता है।

🧠 6. Use of Predicate Calculus in AI

उपयोग:

प्रश्नों के उत्तर देना (Question Answering)
नये निष्कर्ष निकालना (Inference)
Expert Systems बनाना
प्राकृतिक भाषा को समझना

🧱 7. Knowledge Representation using Other Logics

Predicate logic के अलावा भी कई और logic systems हैं:

Logic प्रकार	उपयोग
Propositional Logic	Basic true/false facts को represent करता है
Modal Logic	Possibility और Necessity जैसी चीजें दिखाता है
Fuzzy Logic	जब जानकारी पूरी तरह निश्चित न हो (e.g. “थोड़ा गर्म”)
Non-monotonic Logic	जब facts बदल सकते हैं

🧩 8. Structured Representation of Knowledge

➤ क्या होता है?

Structured Representation का मतलब है कि जानकारी को संगठित (Organized) रूप में store किया जाए।

उदाहरण:

Semantic Networks:
Node और edges से ज्ञान दर्शाया जाता है
Dog → isA → Animal
Frames:
एक object (जैसे Car) के बारे में सभी जानकारी एक structure में
Ontologies:
विषयों और उनके आपसी संबंधों का hierarchy

📝 संक्षेप सारांश (Quick Recap)

टॉपिक	सारांश
Knowledge Representation	AI में ज्ञान को प्रस्तुत करने की तकनीक
Game Playing	स्टेट्स और एक्शन्स से गेम ट्री बनाना
Predicate Logic	वस्तुओं और उनके संबंधों को logical रूप में दिखाना
Predicate Calculus	Formal नियमों द्वारा तर्क करना
Resolution	निष्कर्ष निकालने की तकनीक
Other Logics	Fuzzy, Modal, Propositional etc.
Structured Representation	Semantic Networks, Frames, Ontologies

KNOWLEDGE INFERENCE: Knowledge representation -Production based system, Frame based system. Inference – Backward chaining, Forward chaining, Rule value approach, Fuzzy reasoning – Certainty factors, Bayesian Theory, Bayesian Network-Dempster – Shafer theory.

📘 1. Knowledge Inference (ज्ञान से निष्कर्ष निकालना)

➤ Inference क्या होता है?

Inference का मतलब है — मौजूद ज्ञान (facts + rules) का उपयोग करके नए निष्कर्ष (new conclusions) निकालना।

यह AI का मस्तिष्क (brain) है – जहाँ लॉजिक लगाकर मशीन निर्णय लेती है।

🧠 2. Knowledge Representation Techniques

AI में ज्ञान को represent करने के कई तरीके होते हैं। मुख्यतः दो प्रकार:

🔹 a) Production Based System

नियमों के रूप में ज्ञान लिखा जाता है:
IF condition THEN action

उदाहरण:
IF तापमान > 40 THEN AC चालू करो

इसका उपयोग rule-based expert systems में होता है।

🔹 b) Frame Based System

एक Frame एक object के बारे में सारी जानकारी का संरचना होता है।

उदाहरण:

Frame: CAR  
  - Type: Vehicle  
  - Wheels: 4  
  - Fuel: Petrol/Diesel

यह तरीका structured और organized representation के लिए उपयोग होता है।

🔄 3. Inference Mechanisms (तर्क की विधियाँ)

🔸 a) Forward Chaining (आगे की ओर तर्क)

यह डेटा से शुरुआत करता है और नियमों को लागू करता है जब तक कि लक्ष्य (Goal) तक नहीं पहुँच जाता।

उदाहरण:
यदि हमें प्रारंभिक तथ्य पता हैं, तो हम उन्हें नियमों में डालते हैं और धीरे-धीरे निष्कर्ष तक पहुँचते हैं।

यह Data-Driven होता है।

🔸 b) Backward Chaining (पीछे से तर्क)

यह लक्ष्य से शुरुआत करता है, और देखता है कि उस लक्ष्य को पूरा करने के लिए कौन-कौन से नियम लागू हो सकते हैं।

उदाहरण:
क्या राम इंजीनियर है?
→ क्या उसके पास डिग्री है?
→ क्या उसने इंजीनियरिंग कॉलेज से पढ़ाई की?

यह Goal-Driven होता है।

🔸 c) Rule Value Approach

हर नियम को एक महत्त्व (value) या weight दिया जाता है, जो बताता है कि वह कितना विश्वसनीय या महत्वपूर्ण है।

उदाहरण:
Rule A → 0.8 (80% विश्वास)
Rule B → 0.4 (40% विश्वास)

इसका उपयोग अस्पष्ट या अधूरे डेटा के साथ निर्णय लेने में होता है।

🌫️ 4. Fuzzy Reasoning (धुँधली तर्क प्रणाली)

जब जानकारी स्पष्ट नहीं होती, जैसे “कम तापमान”, “थोड़ा तेज”, तब Fuzzy Logic काम आता है।

उदाहरण:

IF तापमान “थोड़ा अधिक” THEN पंखा चालू

Fuzzy सिस्टम में 0 और 1 के बीच की वैल्यू होती है (जैसे 0.3, 0.8)।

इसका उपयोग वॉशिंग मशीन, एसी, और अन्य स्मार्ट उपकरणों में होता है।

📉 5. Certainty Factors (विश्वास का कारक)

किसी निष्कर्ष में कितना विश्वास है, यह बताने के लिए हम certainty factor (CF) का प्रयोग करते हैं।

उदाहरण:
“राम को बुखार है” → CF = 0.9 (90% यकीन)

इसका उपयोग तब होता है जब निष्कर्ष 100% निश्चित नहीं होते।

📊 6. Bayesian Theory (बेसियन सिद्धांत)

➤ यह क्या है?

यह Probability (संभाव्यता) के आधार पर Inference करता है।

बेसियन नियम:

जहाँ:

H = Hypothesis (जैसे बीमारी है)
E = Evidence (जैसे लक्षण)

उदाहरण:

अगर बुखार और खांसी हैं, तो COVID होने की संभावना कितनी है?

यह Medical Diagnosis, Spam Detection आदि में बहुत उपयोगी है।

🔗 7. Bayesian Network (बेसियन नेटवर्क)

यह एक ग्राफ़िकल मॉडल है जिसमें:
- Nodes = Variables (जैसे लक्षण)
- Edges = Dependency (एक पर दूसरे का असर)

उदाहरण:

Fever → COVID
Cough → COVID
COVID → Hospitalization

यह complex uncertain relationships को सरलता से दिखाता है।

⚖️ 8. Dempster–Shafer Theory

➤ यह क्या है?

यह भी एक प्रकार की Uncertainty Handling Technique है, लेकिन यह Bayesian से अलग है।

यह belief (विश्वास) और plausibility (संभाव्यता) के बीच अंतर करता है।
यह मानती है कि कुछ जानकारी अज्ञात (unknown) भी हो सकती है।

उदाहरण:
“राम बीमार हो सकता है, लेकिन हमारे पास पूरा डेटा नहीं है”
→ Dempster–Shafer belief = 0.6, plausibility = 0.9

यह incomplete knowledge के लिए उपयुक्त है।

📝 संक्षेप सारांश (Quick Recap)

टॉपिक	विवरण
Production System	IF-THEN rule आधारित ज्ञान
Frame Based System	structured objects representation
Forward Chaining	Data से Goal की ओर तर्क
Backward Chaining	Goal से Data की ओर तर्क
Rule Value Approach	हर नियम को weight देना
Fuzzy Reasoning	अस्पष्ट जानकारी के साथ काम करना
Certainty Factors	किसी निष्कर्ष में कितना विश्वास है
Bayesian Theory	Probability के आधार पर निर्णय
Bayesian Network	ग्राफ द्वारा uncertain relationships
Dempster–Shafer Theory	belief + plausibility से निष्कर्ष निकालना

PLANNING AND MACHINE LEARNING: Basic plan generation systems – Strips -Advanced plan generation systems – K strips – Strategic explanations – Why, Why not and how explanations. Learning- Machine learning, adaptive Learning.

🧠 1. Planning (योजना बनाना)

➤ Planning क्या है?

AI में Planning का मतलब है –
लक्ष्य (goal) को प्राप्त करने के लिए क्रमबद्ध कार्यों (ordered actions) की एक सूची तैयार करना।

जैसे: अगर लक्ष्य है “कमरे की सफाई”, तो योजना हो सकती है:

झाड़ू लगाओ
पोछा लगाओ
कचरा बाहर फेंको

⚙️ 2. Basic Plan Generation System – STRIPS

🔹 STRIPS (Stanford Research Institute Problem Solver)

यह एक प्रसिद्ध प्लानिंग सिस्टम है।
यह किसी समस्या को Initial State, Goal State, और Actions के रूप में दिखाता है।

✅ एक Action में तीन चीज़ें होती हैं:

Preconditions: क्या शर्तें पूरी होनी चाहिए इस action से पहले
Add List: यह action क्या नया state जोड़ेगा
Delete List: यह action कौन-से पुराने state हटाएगा

🔸 उदाहरण:

Action: पंखा चालू करना

Preconditions: Switch off है
Add: पंखा चालू है
Delete: पंखा बंद है

STRIPS का उपयोग छोटे, स्पष्ट समस्याओं की योजना में होता है।

🚀 3. Advanced Plan Generation – K-STRIPS

यह STRIPS का उन्नत रूप है।
यह uncertain environment, multiple goals, और complex plans को संभाल सकता है।

K-STRIPS में:

अलग-अलग agents की plan शामिल हो सकती है
समय और resources भी ध्यान में रखे जाते हैं
यह dynamic और real-time planning में उपयोगी है

🧭 4. Strategic Explanations in AI

AI सिस्टम से हम सवाल पूछ सकते हैं:

🔹 Why Explanation (क्यों?)

यह निर्णय क्यों लिया गया?
AI का reasoning क्या था?

🔹 Why Not Explanation (क्यों नहीं?)

किसी विकल्प को क्यों नहीं चुना गया?

🔹 How Explanation (कैसे?)

लक्ष्य तक कैसे पहुँचा गया?
Step-by-step planning process क्या था?

यह explanations इंसानों को AI पर विश्वास करने में मदद करते हैं, खासकर Decision Support Systems में।

🤖 5. Learning in AI

➤ Learning का अर्थ है:

AI सिस्टम का अपने अनुभव से सीखना और भविष्य में बेहतर निर्णय लेना।

🧠 6. Machine Learning (मशीन लर्निंग)

➤ क्या है?

Machine Learning वह तकनीक है जिसमें मशीनें बिना स्पष्ट रूप से प्रोग्राम किए डेटा से पैटर्न सीखती हैं।

🔸 मुख्य प्रकार:

प्रकार	कार्य
Supervised Learning	इनपुट + आउटपुट देकर मशीन को सिखाना
Unsupervised Learning	केवल इनपुट से क्लस्टर बनाना
Reinforcement Learning	ट्रायल और एरर से सीखना (इनाम और सज़ा के आधार पर)

उदाहरण:

ईमेल स्पैम डिटेक्शन (Supervised)
ग्राहक सेगमेंटेशन (Unsupervised)
गेम खेलना (Reinforcement)

🔁 7. Adaptive Learning (अनुकूली शिक्षण)

➤ यह क्या है?

Adaptive Learning में मशीन अपने प्रदर्शन का विश्लेषण करती है और अपनी रणनीतियाँ बदलती है।

यह सीखने का एक डायनामिक और फ्लेक्सिबल तरीका है।
शिक्षा, हेल्थकेयर, और रोबोटिक्स में उपयोग होता है।

उदाहरण:
अगर एक एजुकेशन ऐप देखे कि छात्र मैथ्स में कमजोर है, तो वह उसके लिए आसान समस्याएँ देना शुरू करता है।

📝 संक्षेप सारांश (Quick Recap)

टॉपिक	विवरण
Planning	लक्ष्य तक पहुँचने के लिए क्रियाओं का क्रम
STRIPS	AI में basic plan generator (precondition, add, delete)
K-STRIPS	Advanced system for complex planning
Why / Why Not / How	Strategic explanations जो AI के निर्णय को स्पष्ट करते हैं
Machine Learning	डेटा से सीखने की तकनीक
Adaptive Learning	सिस्टम खुद को बदलता है पिछले अनुभवों के आधार पर

EXPERT SYSTEMS: Expert systems – Architecture of expert systems, Roles of expert systems – Knowledge Acquisition – Meta knowledge, Heuristics.
Typical expert systems – MYCIN, DART, XOON, Expert systems shells.

🧠 1. Expert System (विशेषज्ञ प्रणाली) क्या है?

Expert System एक ऐसा कंप्यूटर प्रोग्राम है जो किसी मानव विशेषज्ञ (human expert) की तरह निर्णय लेता है या सलाह देता है।

इसका उद्देश्य विशेषज्ञों का ज्ञान कंप्यूटर में डालना और उस ज्ञान के आधार पर समस्याओं को हल करना है।

🏛️ 2. Architecture of Expert System (एक्सपर्ट सिस्टम की संरचना)

एक एक्सपर्ट सिस्टम के मुख्य घटक निम्नलिखित हैं:

🔹 1. Knowledge Base (ज्ञान आधार):

विशेषज्ञ का ज्ञान इसमें संग्रहित होता है। इसमें फैक्ट्स और नियम होते हैं।
जैसे:

IF बुखार AND खांसी THEN संभवतः फ्लू

🔹 2. Inference Engine (तर्क प्रणाली):

यह logic apply करके Knowledge Base से निष्कर्ष निकालता है।
– Forward chaining / Backward chaining techniques का उपयोग करता है।

🔹 3. User Interface (उपयोगकर्ता इंटरफेस):

यूज़र के साथ संवाद करने का माध्यम (questions पूछना, जवाब देना)।

🔹 4. Explanation Facility (व्याख्या सुविधा):

यूज़र को बताता है कि क्यों कोई निर्णय लिया गया।

🔹 5. Knowledge Acquisition Facility (ज्ञान अधिग्रहण सुविधा):

नए knowledge को system में जोड़ने की प्रक्रिया।

👤 3. Roles of Expert Systems (एक्सपर्ट सिस्टम की भूमिकाएँ)

भूमिका	विवरण
सलाह देना (Advising)	यूज़र को किसी समस्या का समाधान या सुझाव देना
निर्णय लेना (Decision Making)	वैकल्पिक समाधानों में से एक का चयन करना
शिक्षा देना (Learning/Teaching)	यूज़र को किसी विषय में सिखाना
विश्लेषण (Analysis)	समस्या का गहराई से मूल्यांकन करना

📚 4. Knowledge Acquisition (ज्ञान अधिग्रहण)

यह प्रक्रिया है जिसमें किसी मानव विशेषज्ञ से ज्ञान लिया जाता है और सिस्टम में डाला जाता है।

इसके लिए जरूरी हैं:

Domain Expert (जो ज्ञान देता है)
Knowledge Engineer (जो ज्ञान को encode करता है)

💡 5. Meta-Knowledge (मेटा ज्ञान)

Meta Knowledge मतलब:
“Knowledge about knowledge”
→ सिस्टम यह भी जानता है कि कैसे ज्ञान का उपयोग किया जाए।

उदाहरण:

कब कौन-सा नियम लगाना है
किस जानकारी की प्राथमिकता है

🧠 6. Heuristics (अनुभवजन्य नियम)

Heuristic वे नियम होते हैं जो पूरी तरह सही नहीं, लेकिन प्रैक्टिकल अनुभव पर आधारित होते हैं।

उदाहरण:
“अगर इंजन स्टार्ट नहीं हो रहा, तो बैटरी चेक करो।”

ये नियम इंसान की तरह “अनुमान” के आधार पर काम करते हैं।

⭐ 7. Typical Expert Systems (प्रसिद्ध एक्सपर्ट सिस्टम्स)

🔸 1. MYCIN:

मेडिकल क्षेत्र में उपयोग
बैक्टीरियल इंफेक्शन का निदान करता है
Antibiotics की सलाह देता है

🔸 2. DART (Dynamic Analysis and Replanning Tool):

अमेरिका की आर्मी द्वारा उपयोग
मिलिट्री ऑपरेशन्स की प्लानिंग करता है

🔸 3. XOON:

छोटा लेकिन प्रभावशाली एक्सपर्ट सिस्टम
सिविल इंजीनियरिंग, इलेक्ट्रिकल डिजाइन आदि में प्रयोग

💻 8. Expert System Shells (एक्सपर्ट सिस्टम शेल)

Shell एक ऐसा सॉफ़्टवेयर होता है जिसमें एक्सपर्ट सिस्टम बनाने के लिए केवल knowledge डालना होता है, बाकी इंजन पहले से बना होता है।

उदाहरण: CLIPS, EXPERT S, Prolog-based shells

📌 संक्षेप सारांश (Quick Recap)

टॉपिक	विवरण
Expert System	मानव विशेषज्ञ की तरह निर्णय लेने वाला सॉफ्टवेयर
Architecture	Knowledge base, Inference engine, User Interface
Roles	सलाह, निर्णय, विश्लेषण
Knowledge Acquisition	विशेषज्ञ से ज्ञान लेना
Meta Knowledge	ज्ञान के प्रयोग की जानकारी
Heuristics	अनुभवजन्य नियम
MYCIN, DART, XOON	विभिन्न क्षेत्रों में उपयोग होने वाले प्रसिद्ध सिस्टम
Shells	ऐसे टूल जिनसे अपना एक्सपर्ट सिस्टम बनाया जा सकता है

🧠 1. AI (Artificial Intelligence) का परिचय

➤ AI क्या है?

🎯 AI के उद्देश्य:

📌 2. Problem Formulation और Definition

➤ Problem Formulation

⚙️ 3. Production System (उत्पादन प्रणाली)

➤ Production System क्या है?

📐 Structure:

🔄 4. Control Strategies (नियंत्रण रणनीतियाँ)

🎯 दो प्रमुख प्रकार:

🔍 5. Search Strategies (खोज विधियाँ)

🔸 सामान्य Strategies:

🧩 6. Problem Characteristics (समस्याओं की विशेषताएँ)

🏗️ 7. Production System Characteristics

🔧 8. Specialized Production Systems

💡 9. Problem Solving Methods

🧗 10. Common Search Algorithms

🔹 Hill Climbing:

🔹 Depth First Search (DFS):

🔹 Breadth First Search (BFS):

🔐 11. Constraint Satisfaction Problems (CSP)

➤ क्या हैं CSPs?

उदाहरण:

🧮 संबंधित Algorithms:

📏 12. Measure of Performance and Search Analysis

एक AI search algorithm को कैसे जाँचे?

📝 संक्षेप सारांश (Quick Recap)

REPRESENTATION OF KNOWLEDGE: Game playing – Knowledgerepresentation, Knowledge representation using Predicate logic, Introduction to predicate calculus, Resolution, Use of predicate calculus, Knowledge representation using other logic-Structured representation of knowledge.

🧠 1. Knowledge Representation (ज्ञान का निरूपण)

➤ यह क्या है?

🎮 2. Game Playing में Knowledge Representation

🔍 3. Predicate Logic से Knowledge Representation

➤ Predicate Logic क्या है?

🔹 उदाहरण:

📚 4. Introduction to Predicate Calculus

➤ यह क्या है?

🔹 उदाहरण:

🧮 5. Resolution (समाधान तकनीक)

➤ क्या है Resolution?

उदाहरण:

🧠 6. Use of Predicate Calculus in AI

उपयोग:

🧱 7. Knowledge Representation using Other Logics

🧩 8. Structured Representation of Knowledge

➤ क्या होता है?

उदाहरण:

📝 संक्षेप सारांश (Quick Recap)

KNOWLEDGE INFERENCE: Knowledge representation -Production based system, Frame based system. Inference – Backward chaining, Forward chaining, Rule value approach, Fuzzy reasoning – Certainty factors, Bayesian Theory, Bayesian Network-Dempster – Shafer theory.

📘 1. Knowledge Inference (ज्ञान से निष्कर्ष निकालना)

➤ Inference क्या होता है?

🧠 2. Knowledge Representation Techniques

🔹 a) Production Based System

🔹 b) Frame Based System

🔄 3. Inference Mechanisms (तर्क की विधियाँ)

🔸 a) Forward Chaining (आगे की ओर तर्क)

🔸 b) Backward Chaining (पीछे से तर्क)

🔸 c) Rule Value Approach

🌫️ 4. Fuzzy Reasoning (धुँधली तर्क प्रणाली)

📉 5. Certainty Factors (विश्वास का कारक)

📊 6. Bayesian Theory (बेसियन सिद्धांत)

➤ यह क्या है?

🔗 7. Bayesian Network (बेसियन नेटवर्क)

⚖️ 8. Dempster–Shafer Theory

➤ यह क्या है?

📝 संक्षेप सारांश (Quick Recap)

PLANNING AND MACHINE LEARNING: Basic plan generation systems – Strips -Advanced plan generation systems – K strips – Strategic explanations – Why, Why not and how explanations. Learning- Machine learning, adaptive Learning.

🧠 1. Planning (योजना बनाना)

➤ Planning क्या है?

⚙️ 2. Basic Plan Generation System – STRIPS

🔹 STRIPS (Stanford Research Institute Problem Solver)

✅ एक Action में तीन चीज़ें होती हैं:

🔸 उदाहरण:

🚀 3. Advanced Plan Generation – K-STRIPS

K-STRIPS में:

🧭 4. Strategic Explanations in AI

🔹 Why Explanation (क्यों?)

🔹 Why Not Explanation (क्यों नहीं?)

🔹 How Explanation (कैसे?)

🤖 5. Learning in AI

➤ Learning का अर्थ है:

REPRESENTATION OF KNOWLEDGE: Game playing – Knowledge
representation, Knowledge representation using Predicate logic, Introduction to predicate calculus, Resolution, Use of predicate calculus, Knowledge representation using other logic-Structured representation of knowledge.

EXPERT SYSTEMS: Expert systems – Architecture of expert systems, Roles of expert systems – Knowledge Acquisition – Meta knowledge, Heuristics.
Typical expert systems – MYCIN, DART, XOON, Expert systems shells.