Artificial intelligence algorithm

Пусть будет множество арифметических функций F и десяток примеров пар исходного значения SX и результата SY. И желаемое к расчету X из которого хотим посчитать Y тем же способом, которым посчитаны SY. Перебираем все функции из F, и смотрим, которая имеет минимальную среднюю ошибку для примеров SX->SY, и по этой функции вычисляем желаемый Y из X.

 

Замечу, что в данном примере это не алгоритм регрессионного анализа, когда на примерах вычисляется функция. В данном примере, функции уже есть, и мы только выбираем которая из них лучше соответствует примерам. Для слабо похожих функций в области примеров, достаточно трех-четырех примеров, что бы выбрать, которой функции соответствуют примеры.

 

Так же можно поступить и со множеством зависимостей, найденных в результате статистического поиска зависимостей в окружающем мире. Что такое зависимости, и как их находить, про это в других разделах сайта.

 

Задача и ее решение, являются функциональной зависимостью, так же как скажем текст на русском и он же переведенный на английский, зависят друг от друга функцией перевода:

 

   ПеревестиСРусскогоНаАнглийский(Русский текст) -> Английский текст.

 

   РешениеЛюбойЗадачи(ЗадачаНаЕстественномЯзыке) ->

                ПоследовательностьКоммандДляУстройстваРеализации

 

И дальше, пусть будет множество пар задача-решение: SX->SY. Перебираем все найденные зависимости, и смотрим, которая рассчитывает из задач SX результат наиболее похоже решению SY для множества простых примеров задача-решение. Вместо ошибки используем коэффициент подобия, который если от нуля до единицы, то используем единица минус коэффициент подобия. Выбранная наиболее удовлетворяющая функция и будет наиболее приближенной нужной зависимостью, которую после используем для более сложных задач.