Это еще один пример решения на ЭВМ невычислительной задачи. Составитель таблицы отбирал и располагал числа, руководствуясь каким. Необходимо догадаться, каким принципом он руководствовался, и суметь подобрать число, которое можно было бы . Попробуйте догадаться и Вы. Проверьте себя, рассказав о том, каким принципом Вы руководствовались при поиске числа, своим товарищам. Удалось ли Вам убедить их в своей правоте сразу. Еще одна похожая задача, на наш взгляд более простая. Дана таблица, в клетках которой размещены не числа и не слова, а простые незамысловатые картинки . Облегчение работы при решении этой задачи связано с тем, что картинку, помещаемую в пустую клетку таблицы, придумывать не нужно, ее следует только выбрать из предлагаемых шести, столь же простых перенумерованных картинок. Вы, конечно, попробуете решить и эту задачу и в случае удачи сумеете . Согласитесь ли Вы с тем, что разыскиваемой будет картинка с номером . Проблема, которая возникает при решении такого рода задач, состоит в том, чтобы сформулировать условие, руководствуясь которым мы объединяем в одну . Затем, убедившись в том, что признаки деления чисел или картинок на . Рассматривая числа или картинки, предъявляемые в задаче, мы как бы обучались узнавать . Это обучение у одних людей протекает легче, другим труднее понять принцип, по которому следует . Задача распознавания — классификации предъявляемых объектов — исключительно важная в деятельности людей. Для нас важно быстро узнавать нужные фигуры, например, трапеции или ромбы, важно и хорошо распознавать животных, механизмы, узнавать слова другого языка и т. Все эти задачи мы чаще всего учимся решать, рассматривая образцы трапеций, ромбов, животных и т. Метод показа — один из важных методов, используемых при обучении распознаванию образов. Во время рассмотрения образцов мы создаем в нашем сознании модель. Ниже рассматривается один из несложных алгоритмов распознавания и программа, работая по которой ЭВМ может узнавать среди предъявляемых ей карточек . Для обучения машины искусству распознавания карточек ей предварительно показывают карточки. АЛГОРИТМ УЗНАВАНИЯ Пусть имеется набор карточек. Каждая карточка состоит из . Каждая из клеток может содержать кружок или же быть пустой. Предлагается, задумав какой. Например, можно считать карточку . Разметка других клеток Вас при этом не интересует. При таком принципе отбора среди карточек, изображенных на рис. Этап обучения распознаванию . в комплект показываемых машине карточек, включим все . Пусть это будут карточки . После этого работу будем проводить так. Машина должна занести в свою память полное описание этой карточки. Под полным описанием конкретной карточки будем понимать массив . Если в клетке есть кружок, то соответствующий элемент массива . Рассмотренную карточку будем считать эталоном . Затем все карточки из обучающей выборки . Цель сопоставления — выделить общее, присущее только . Схема алгоритма сопоставления двух карточек показана на рис. Сопоставление карточек — это по существу сопоставление двух числовых массивов . Работу алгоритма проследим на примере сопоставления карточки . Итак, в памяти ЭВМ уже содержится полное описание эталонной карточки . Вводим в память машины описание сопоставляемой карточки . Далее ЭВМ сравнивает числа . Далее сравниваются третьи клетки, т. сравниваются числа Хз и Хз. Делаем вывод о том, что в дальнейших сопоставлениях карточек клетку Хз можно из рассмотрения исключить. Переходим к сопоставлению четвертых клеток и, обнаружив, что их содержимое одинаково. Затем убеждаемся в том, что содержимое шестых и седьмых клеток одинаково, и переходим к сравнению восьмых клеток. Последними сравниваются девятые клетки — они одинаковые в каждой из сопоставляемых карточек. Для дальнейшего уточнения образа . В процессе сравнения выясняется, что из рассмотрения можно исключить клетки с номером . Предъявляем последнюю карточку . В результате сопоставления этой карточки с эталонной карточкой . Сопоставление позволило отобрать общее, что было свойственно только тем карточкам, которые входили в обучающую выборку. Это общее заключается в том, что у . Итог нашей работы можно задать в виде формулы. Эти условия мы отыскали в процессе обучения, в процессе сопоставления карточек, входивших в обучающую выборку. Однако нужно быть осторожным, так как в процессе обучения в числе признаков, по которым отбирались . Например, если отличительный признак для . Это случилось потому, что в обучающем массиве не встретились карточки с различным содержанием клеток . Ясно, что организованное таким образом обучение не позволит машине действовать при распознавании карточек абсолютно точно. Может оказаться так, что недостаточно обученная машина, т. машина, которой показали мало . Однако и это очень важно, так как ЭВМ, обученная описанным выше методом, никогда . Итак, мы научили ЭВМ . Для машины это значит, что она научилась выделять общее в двоичных словах, описывающих конкретные карточки. У некоторых читателей может сложиться впечатление, что предлагаемый . В действительности карточки в нашем примере содержали всего девять клеток и клетки . Все это так, но не следует делать вывода об ограниченности такого метода обучения в принципе. Представьте себе, что мы имеем дело не с двухцветными, а с трехцветными или многоцветными карточками. Раскраску каждой из них можно закодировать, обозначить одним единственным двоичным словом. А это значит, что обучение отысканию секрета в раскраске многоцветных карточек сводится к обучению отыскания секрета в отборе . задача становится известной, решение ее нам доступно. В заключение отметим, что ЭВМ, которую мы обучаем на основе рассмотренного алгоритма, может приобретать опыт, изменять условие, по которому она . Для этого достаточно найти еще несколько . После каждого такого урока ЭВМ будет все более уверенно отличать . Поведение машины напоминает в описанном процессе поведение человека, который, обучаясь на примерах, шаг за шагом приобретает опыт.