نوشته های Ali Nazarizadeh

آموزش رایگان ریاضی گسسته

Ali Nazarizadeh — Thu, 15 Jul 2021 06:07:29 +0430

در لینک آپارات زیر می تونید آموزش رایگان ریاضی گسسته را دانلود کنید. ریاضی گسسته یکی از مهم ترنی دروس رشته مهندسی کامپیوتر می باشد که در درس های دیگری مانند ساختمان داده، طراحی الگوریتم، هوش مصنوعی و ... کاربرد دارد.در این بخش 38 ویدیو رایگان شامل 38 ساعت درسنامه و حل تست ریاضی گسسته وجود دارد که می تواند منبع بسیار خوبی برای یادگیری این درس باشد.لینک ویدیوهای ریاضی گسستهhttps://www.aparat.com/v/dqU8y?playlist=1029663

ریاضی گسسته فصل پنجم رابطه و خواص روابط

Ali Nazarizadeh — Tue, 22 Jun 2021 22:32:49 +0430

ریاضی گسسته فصل پنجم رابطه و خواص روابط. در لینک زیر ویدیوهای فصل پنجم ریاضی گسسته به علاوه حل تست های قرار داده شده اند.آموزش رایگان ریاضی گسستهلینک ویدیوها در آپارات:https://www.aparat.com/v/emCnh

ریاضی گسسته فصل چهارم روابط بازگشتی و تابع مولد

Ali Nazarizadeh — Sat, 12 Jun 2021 20:10:01 +0430

ریاضی گسسته فصل چهارم روابط بازگشتی و تابع مولد را در لینک آپارات زیر می توانید به صورت رایگان مشاهده کنید. فصل روابط بازگشتی و تابع مولد با دروس دیگری مانند ساختمان داده و طراحی الگوریتم مشترک می باشند که توصیه می شود حتما این فصل را خوب یاد بگرید. در لینک مربوطه ویدیوهای این فصل به همراه حل تست های آن قرار داده شده است.لینک ویدیوهای فصل چهارم ریاضی گسسته + حل تست:https://www.aparat.com/v/Z0BIV?playlist=1029663

ریاضی گسسته فصل سوم و حل تست

Ali Nazarizadeh — Wed, 09 Jun 2021 11:47:45 +0430

آموزش رایگان ریاضی گسسته فصل سوم "مجموعه - شمول - طرد" به علاوه حل تست های آن در لینک زیر موجود هستند. شما می توانید ویدیوهای درس ریاضی گسسته و حل تست های آن را به صورت رایگان در کانال آپارات مشاهده کنید و به دوستانتان نیز معرفی کنید.لینک آموزش ها در آپارات:https://www.aparat.com/v/16rCt?playlist=1029663

حل تست ریاضی گسسته فصل دوم شمارش

Ali Nazarizadeh — Mon, 07 Jun 2021 18:53:29 +0430

حل تست ریاضی گسسته فصل دوم یعنی "شمارش" در لینک زیر قرار داد که می توانید به صورت رایگان آن را مشاهده کنید. ریاضی گسسته دارای اهمیت بسیار بالایی می باشد و پایه اصلی سایر دروس رشته کامپیوتر می باشد که دانشجویان این رشته باید حتما این درس را به خوبی یاد بگیرند. در این ویدیو نیز بالای 60 تست از فصل دوم ریاضی گسسته یعنی شمارش حل شده است تا به تسلط کافی در این درس برسید. لطفا این ویدیوها را برای دوستان و افرادی که تمایل به یادگیر این درس دارند به صورت رایگان بفرستید.لینک ویدیوهای حل تست ریاضی گسسته فصل دوم: https://www.aparat.com/v/TRYkg?playlist=1029663

ریاضی گسسته فصل دوم شمارش

Ali Nazarizadeh — Sun, 06 Jun 2021 10:13:50 +0430

ریاضی گسسته فصل دوم شمارش. در این بخش قرار است که ویدیوهای درس ریاضی گسسته فصل دوم یعنی "شمارش" را برای شما دوستان قرار دهیم. این ویدوها تمام سرفصل ها را پوشش می دهند و تمام مطالب ریاضی گسسته را شامل می شوند که برای تسلط کامل بر هر فصل می توانید ویدیوهای حل تست آن را نیز ببینید. این ویدیوها بر ای داوطلبان کنکور ارشد و افرادی که تمایل به درک عمیقی از درس ریاضی گسسته دارند بسیار مفید می باشد. این ویدیوها و سایر ویدیوهای درس ریاضی گسسته را که در کانال آپارات وجود دارند را به صورت رایگان برای دوستان خود بفرستید و در نشر آن همکاری کنید.لینک ویدیوهای درس ریاضی گسسته فصل دوم "شمارش" :https://www.aparat.com/v/Z9T3t?playlist=1029663

حل تست ریاضی گسسته فصل اول منطق

Ali Nazarizadeh — Fri, 04 Jun 2021 10:03:45 +0430

آموزش رایگان حل تست ریاضی گسسته فصل اول یعنی "منطق" در لینک زیر موجود می باشند. این مجموعه آموزش ها کاملا رایگان می باشد و می توانید از آموزش کامل ریاضی گسسته همراه با حل تست های آن جهت کنکور ارشد یا یاد گرفتن عمقی این درس استفاده کنید. درس ریاضی گسسته جزو مهم ترین دورس پایه ای و ریاضی درس رشته کامپیوتر می باشد که مباحث این درس مانند منطق، روابط بازگشتی، گراف، درخت و ... در سایر دروس رشته کامپیوتر نیز وجود دارد.لینک آموزش رایگان حل تست فصل اول ریاضی گسسته:https://www.aparat.com/v/Z3tJT?playlist=1029663

آموزش ریاضی گسسته کنکور ارشد کامپیوتر

Ali Nazarizadeh — Wed, 02 Jun 2021 12:06:26 +0430

ویدیوهای درس ریاضی گسسته فصل اول در لینک زیر موجود می باشند و می توانید به صورت رایگان آن ها را مشاهده کنید. فصل های بعدی و همچنین حل تست های درس ریاضی گسسته نیز در همین چند روز آینده در آپارات قرار داده خواهند شد.لینک ویدیوهای درس ریاضی گسسته فصل اول در آپارت:https://www.aparat.com/v/nC4r7?playlist=1029663

آنتولوژی-هستان شناسی

Ali Nazarizadeh — Wed, 07 Apr 2021 21:38:57 +0430

در این جا تعداد زیادی مقاله معتبر در زمینه آنتولوژی یا هستان شناسی را بررسی و کاربردهای آن در زمینه های مختلف را نوشته ایم تا اگر خواندن مقالات برایتان سخت است یا وقت کافی نداردید، بتوانید خلاصه آن ها را اینجا مطالعه کنید.مقالات آنتولوژی و کاربردهای آن:در مقاله ای که حسینی بهشتی و همکاران انجام داده اند، اصطلاح نامه هايي راکه در پژوهشگاه علوم و فنآوري اطلاعات ايران در حوزه هاي مختلف شيمي، فيزيك، زيست شناسي، زمين شناسي و رياضي تدوين شده بودند، را گردآوری و یک هستان شناسی جامع را برای آنها تدوین کردند. براي اين منظور، ابتدا مغايرت ها و هم پوشاني هاي مفاهيم مشترك حوزه هاي مختلف علوم پايه در اصطلاح نامه هاي مختلف را برطرف ساختند تا بتوان از آنها در يك هستي شناسي واحد بهره برد. پس از آن كليه اصطلاح نامه ها با يكديگر تلفيق و اصطلاح نامة جامع توليد شد .سپس طراحي مفهومي هستان شناسی با استفاده از روش "مت آنتولوژی" براساس مفاهيم و روابط موجود در اصطلاح نامه جامع صورت گرفت. در نهايت هستي شناسي علوم پايه بر اساس طراحی صورت گرفته پياده سازی شد تا به عنوان ابزاري استاندارد جهت ذخيره و بازيابي اطلاعات بکار گرفته شود.هدف از کاربرد هستان شناسی، کاهش ابهام مفهومی در حوزهای خاص است. در این مقاله از یک اصطلاح نامه به عنوان منبعی برای ساخت هستان شناسی استفاده شده است. اصطلاح نامه یک منبع دانش سازماندهی شده توسط متخصصان موضوعی است که حاوی اصطلاحات یک حوزه و روابط معنایی بین این اصطلاحات است. در زیر گام های اصلی مدلسازی مفهومی بر طبق "مت آنتولوژی" را بررسی میکنیم:در گام اول، واژه نامه اصطلاحات بايد ساخته شود. اين واژه نامه، مجموعه ای از اصطلاحاتی را كه هستی شناسی دربرميگيرد، مشخص ميكند. علاوه بر اين، تعريف هر اصطلاح به زبان طبيعي و همچنين مترادف ها و متضادهاي هر واژه در واژه نامه وجود دارد. در گام دوم، رده بندي مفهومي براي طبقه بندي مفاهيم ساخته ميشود. خروجي این گام ميتواند يك يا چند رده بندي باشد كه در آنها مفاهيم دسته بندی شده اند. گام سوم، مربوط به ساخت نمودارهاي روابط دودويي بين مفاهيم برای مشخص کردن روابط بین مفاهيم در هستي شناسي است .گام چهارم، ساختن فرهنگ نامه مفاهیم است که شامل نمونه هاي هر مفهوم، ویژگی های نمونه ها و کلاس ها و روابط بین آنها است. وقتي فرهنگ نامة مفاهيم ساخته شد، هستي شناس بايد در گام هاي پنجم تا هشتم جزئيات هر يك از روابط دودويی، ويژگي هاي نمونه ها و مشخصه های کلاس ها و نیز ثابت های اصلي دامنه را در فرهنگ نامة مفاهيم به تفصيل شرح دهد .در گامهاي نهم و دهم اصول صوري و قواعدي كه براي بررسي محدوديت و استنباط ارزش مشخصه ها به كار میرود، توضيح داده ميشود. در نهايت، هستي شناس ميتواند به صورت اختياري اطلاعات بيشتري درباره نمونهها اضافه کند[1].در مقاله Antoni Olive یک چشم انداز هستان شناسی جهانی مورد بررسی قرار داده شده است که شامل چهار سطح میباشد. منظور از هستان شناسی جهانی (UO) مشخصات رسمی است از تمام مفاهیمی که ما استفاده میکنیم و به اشتراک میگذاریم. در این روش مشکلاتی نیز وجود دارد مانند: مشکل ادغام معنایی اطلاعات در زمینه های سیستم های اطلاعاتی و پایگاه داده ها. این مشکل زمانی به جود می آید که دو یا چند سیستم که طرحواره های مفهومی آنها به طور مستقل توسعه یافته است، نیاز به تبادل پیام دارند یا بخواهند اطلاعات را به اشتراک بگذارند. این مسئله برخی از مشکلات را در سطح فیزیکی و نحوی ایجاد می کند، اما دشوارترین آنها در سطح معنایی است که در آنها باید در مورد معنای پیام ها و داده ها توافق کنند. مشکل دیگر جدیدتر است و مربوط به وبم عنایی است. گاهی این مسئله "برج بابل" نامیده شده است. چشم انداز هستی شناسی یا UO در این پژوهش شامل چهار سطح میباشد.The Conceptual Model Level : این سطح شامل موجودیت ها، انواع موجودیت ها و روابط بینشان میباشد. هر مدل مفهومی یا هستان شناسی مانند آر-دی-اف-اس، یو-ام-ال، اٌ-دبلیو-ال و ... همگی در این سطح قرار دارند و تعداد مفاهیم در این سطح بسیارکم است.The Foundational Level : این سطح شامل مفاهیم انتزاعی است که در هستان شناسی بنیادی استفاده شده اند و از مفاهیم موجود در این سطح نمی توان مستقیما برای انتشار حقایق نمونه سازی کرد از این رو وجود این سطح زیاد ضروری نیست.The General Level : مفاهیم در این سطح، شامل انواع فرعی یا نمونه های از مفاهیم در سطح مدل مفهومی و احتمالاً مفاهیمی در سطح بنیادی هستند. هستان شناسی های مختلفی ازجمله WordNet در این سطح قرار دارند. WordNet مجموع های شامل بیش از 80.000 مجموعه اسم(مفاهیم)، 13.000 مجموعه افعال و 18.000 مجموعه صفت است. با این پیکره میتوان تقریبا هر مدل مفهومی یا هستی شناسی را طراحی کرد.The Domain Level : مفاهیم موجود در سطح دامنه، انواع فرعی یا نمونه مفاهیم در سطح عمومی و احتمالاً مفاهیم در سطح پایه هستند.در این سطح دو نگاشت مطرح است، نگاشت عمودی و افقی. نگاشت های عمودی مطابقت بین هستان شناسی و مفاهیم را در سطح عمومی تعریف میکنند. نگاشت افقی مطابقت بین هستی شناسی و سایر هستان شناسی های دیگر را در سطح دامنه تعریف میکندLocal Concepts : این بخش،یک بخش اصلی از UO نیست و این مفاهیم محلی ممکن است با گذشت زمان تکامل یابند و جز اصلی UO شوند [2].در مقاله Danilo Cavaliere و همکاران یک الگوی طراحی هستان شناسی برای تجزیه و تحلیل محتوای ویدئویی که ازطریق پهباد ضبط میشود، طراحی کرده اند. برای این منظور، در این پژوهش با تولید یک توصیف صحنه با سطح بالا و جامع که با استدلال معنایی و پرسوجو بدست آمده، یک مدل هستان شناسی سیستماتیک برای پشتیبانی و بهبود تجزیه و تحلیل محتوای ویدئویی ارائه داده شده است. الگوریتم های ردیابی و طبقه بندی کار تشخیص و طبقه بندی در ویدیو را انجام میدهند، سپس در این مقاله تفسیر بالاتری را فراهم کرده اند و انتزاع را در سطح بالاتری توسط آنتولوژی برای درک محیط توسعه داده اند. در این مقاله ابتدا اشخاص، جاده، وسایل نقلیه و اشیا تشخیص داده شده است سپس نیاز به درک حرکات و فعل و انفعالات آنها برای تشخیص وقایع یا اقدامات وجود دارد. برای این کار یک طرح استخراج دانش چند لایه ای افزایشی در مقاله مرجع نشان داده شده است. پایین ترین سطح یا Raw Sensor data layer شامل داده های ردیابی مانند ابعاد جسم، موقعیتها، عرض و ارتفاع جعبه های محدود کننده و غیره را تشکیل میدهد. سطح بالاتر یا Object layer از همه اهداف شناسایی شده ازجمله، فعالیت های شناسایی و طبقه بندی هدف تشکیل شده است. به عنوان مثال اهداف مشخص شده در فریم های ویدیویی طبقه بندی شده و به عنوان Person برچسب یا تعیین میشوند. لایه بالاتر یا Activity layer روابط بین اشیا ظاهر شده در صحنه را توصیف میکند: اشیا در حال حرکت می توانند با اشیا دیگر (متحرک یا ثابت) تعامل داشته باشند، که شامل اعمال، حرکات یا هر تغییر صحنه میشود. در نهایت بالاترین لایه، Situation layer حرکات جسم را در محیط انتزاع میکند تا به یک تفسیر نهایی شبیه انسان از صحنه دست یابد. هدف این است که به منظور افزایش اثربخشی در تجزیه وتحلیل محتوای ویدئویی، یک پشتیبانی معنایی مبتنی بر هستان شناسی به رویکردها و روشهای شناخته شده برای تجزیه و تحلیل ویدئو اضافه شود. دانش تولید شده توسط هر لایه، به عنوان مفاهیم هستان شناسی مربوط به بازیگران صحنه اصلی و روابط آنها به منزله ایجاد حرکات، رویداد، فعالیت ها و در نهایت موقعیت های موجود در صحنه ، مدلسازی می شود[3].در مقاله Lawrence Bunnell و همکاران یک هستان شناسی اهداف مالی مصرف کننده، به عنوان یک پایگاه دانش طراحی و برای ارائه پشتیبانی تصمیم، در حوزه برنامه ریزی مالی مورد استفاده قرار دادند. در حوزه برنامه ریزی مالی مصرفکننده، هیچ مدل مفهومی رسمی یا طبقه بندی دانش اهداف مالی وجود ندارد که بتواند به عنوان یک پایگاه دانش برای برنامه هایی مانند سیستم پیشنهادی فینتک مورد استفاده قرار گیرد. روش کسب هستان شناسی شامل چهار مرحله میباشد:1- برنامه ریزی: در این مرحله، دامنه، کاربردها، کاربران و الزامات هستان شناسی مشخص میشود. و همچنین ایجاد یک پایگاه دانش نیز شامل این مرحله میباشد. 2- مفهوم سازی: در این مرحله تجزیه و تحلیل موضوعی ادبیات انجام میشود و سپس به طراحی کلمات کلیدی در این حوزه می پردازند. ادبیات، اصطلاحات کدگذاری که در طی فرآیند کدگذاری کشف شده اند، ازنظر ارتباط معنایی بررسی شده و در نهایت به دسته های مفهومی معنی دار تقسیم میشوند. از این دسته ها، مضامین مشتق شده و گره ها برای تفکیک کدها در مضامین و زیر مضامین، جمع میشوند. با استفاده از یک فرآیند تکراری، بیش از 400 مفهوم کدگذاری مرتبط با توانایی مالی بدست آمده. 3- پیاده سازی : با استفاده از نرم ا فزار نقشه برداری Bubbl.us ، این طرح توسعه داده شده است و مفهوم، اهداف مالی مصرف کننده در یک شکل به تصویر کشیده شده است.در این مدل هستان شناسی، فعالیت هایی وجود دارند که آنها را در قالب چندیدن کلاس مدل کرده اند. یک فعالیت هدف، از خصوصیات زیر تشکیل شده است: 1- نام فعالیت (به عنوان مثال "مدیریت بدهی"). 2- شرح فعالیت. 3- پولی برای نشان دادن قصد جلوگیری یا مشارکت در آن فعالیت (به عنوان مثال، "ورشکستگی" به طور معمول فعالیتی است که باید برای هدف "انجام پایان کار" اجتناب شود. 4- اولویت یا اهمیت نسبی برای کاربر فعالیت در رابطه با سایر فعالیت هایی با همان هدف. 5- هرگونه پیش شرط برای شرکت در فعالیت (به عنوان مثال وجود بدهی. 6- شرایط پس زمینه فعالیت (به عنوان مثال، کدام موارد مرتبط با فعالیت تکمیل شده است). 7- حالت اولیه (به عنوان مثال مقدار بدهی کاربر در ابتدای فعالیت. 8- وضعیت فعلی (به عنوان مثال بدهی جاری کاربران. 9- یک حالت مطلوب یا هدف، برای نشان دادن فعالیت انجام شده.در داخل هر فعالیت، ویژگی های زمانی وجود دارد که بیشتر ابعاد فعالیت را در اقدامات تعیین شده به شرح زیر توصیف می کند: 1- تاریخ شروع فعالیت.2- تاریخ پایان فعالیت. 3-تاریخ تعلیق اختیاری. 4- مدت زمان فعالیت. 5- مقدار بررسی چرخه برای به روزرسانی فعالیت. به عنوان آخرین مرحله، در مرحله پیاده سازی با استفاده از نرم افزار پروتژ و زبان OWL سیستم توسعه داده شده[4].در پژوهشی که Amnna Bernasconi انجام داده است، یک مدل مفهومی ویروسی ارائه داده است که متمرکز بر ویروس است و از چهار منظر توصیف شده است: بیولوژیکی (نوع ویروس و میزبان / نمونه)، تحلیلی (حاشیه نویسی و انواع)، سازمانی (پروژه توالی) و فنی (فناوری تجربی). برای توسعه مدل، از فرهنگ لغت مربوط به ویروس covid-19 استفاده شده است. در این مقاله با تمرکز بر ویروس SARS-CoV2 نشان میدهد که چگونه میتوان مدل مفهومی ویروسی را به طور موثری با یک پایگاه داده فنوتیپ با اطلاعات مربوط به بیماران آلوده به COVID-19 مرتبط کرد. این تحقیق در تلاش برای تولید یک فرهنگ لغت داده، برای تولید فنوتیپ هست که شامل اطلاعات فنوتیپ بیمار است که در هنگام بستری و در طی بستری شدن در بیمارستان جمع آوری شده است. هر بیمار میتواند به یک توالی ویروس متصل شود. با این حال، این قالب ساده امکان نگاشت آسان فرهنگ لغت به پرسش نامه ها را فراهم میکند. زمانی که مدل مفهومی توسعه داده شد، حال میتوان سوالات و Queryهایی از آن استنتاج کرد. (به عنوان مثال بازیابی تمام ویروسها با ویژگیهای داده شده). به یک Query که در زیر آمده است توجه فرمایید:Query 2 : بیماران COVID-19 مبتلا به ویروس SARS-CoV2 در اروپا که یک نوع خاص از ژن ORF1ab داشته باشند، میتوانند انتخاب شوند که با استفاده از سه تایی نشان داده میشود[5].در پژوهشی دیگر، یک زبان مدل سازی مفهومی چند سطحی طراحی شده است. ML2 یک زبان مدل سازی متنی برای مدلهای مفهومی چند سطح است که مفاهیم و قوانینMLT* را منعکس میکند. در این تحقیق، یک سینتکس متنی برای ML2 پیشنهاد شده است که توسط ویرایشگر Xtext در محیط Eclipse نوشته شده است. در مقاله ادعا شده است که ML2 بیان چندین سناریوی مدلسازی چند سطح را امکانپذیر میکند که در حال حاضر نمیتوانند در زبانهای مدلسازی چند سطح موجود بیان شوند. ML2 ویژگیها را به منابع و ویژگیها متمایز میکند. یک ویژگی دارای یک نوع است که در مورد منابع یک کلاس یا در مورد ویژگیها یک نوع داده است. انواع داده ها، کلاس های مرتبه اول هستند که به عنوان نمونه، مقادیر خاصی دارند. به عنوان مثال، نوع داده String یک کلاس مرتبه یک است که به عنوان نمونه از توالی های کاراکترها به خوبی شکل گرفته است. ML2 از هر دو نوع داده ایجاد شده توسط کاربر و مجموع های از انواع ابتدایی، ازجمله String ، Number و Boolean پشتیبانی میکند[6].در مقاله Sha Zhi-ren وهمکاران، یک مدل جاده یکپارچه، شامل سه سطح انتزاع توپولوژی برای کاربردهای حمل و نقل در مقیاس بزرگ توضیح داده اند و شامل سه سطح میباشد. سطح اول: بدست آوردن یک مدل مرسوم برای یافتن سریع ترین مسیر. سطح دوم: تمام بخش خطی را که برای حرکت وسایل نقلیه طراحی شده است را توصیف میکند. سطح سوم: در این سطح، جزییات جریان ترافیکی بیان میشود.. برای مثال، ابتدا یک شبکه پیچیده با اتصالات در آن توصیف شده است. سپس یک توپولوژی از جاده ها و خطوط ساخته شده است و در مرحله سوم، بیانی از وضعیت شبکه برای حفظ وقایع پویا صورت گرفته است.سطح اول، بیانگر ساختار توپولوژیکی راه به صورت کل میباشد. سطح دوم، تمام ویژگیهای خطی در شبکه راه را توصیف میکند ازجمله، گذرگاه، تونل ها و سطح شیبدار و رابطه توپولوژیکی بین جاده ها را برقرار میکند تا به رانندگان اجازه دهد هنگام عبور از یک صرافی، راه خاصی را انتخاب کنند. سطح سوم از یک خط به عنوان یک ویژگی استفاده میکند و رابطه بین خطوط و جاده ها و همچنین روابط توپولوژیک بین خطوط را برای توصیف وضعیت جریان ترافیک در تقاطع ها و در خطوط دقیق ایجاد میکند[7].در مقاله D Venkataraman و همکاران، یک مدل هستان شناسی برای مدل سازی امتحانات دانشگاه ارائه داده اند. هدف اصلی از ایجاد این آنتولوژی، کمک به دانشجویان و همچنین اساتید، برای کنار آمدن با سیستم جدید نمره دهی است و ارزیابی عملکرد هر دانشجو با توجه به نمره آنها به راحتی امکان پذیر است. به طور خلاصه ایدهای درمورد چارچوب وبم عنایی برای هستان شناسی امتحان دانشگاه مبتنی بر دانش ارائه داده شده است. در ابتدا این هستان شناسی، بر جمع آوری و مدلسازی تمام دانش موجود تمرکز دارد. (به صورت گراف هستان شناسی). در این هستان شناسی یک ابرکلاس به اسم Amirta_exam وجود دارد که کلاس Department زیرمجموعه آن میباشد و Department ویژگی های خود را از این ابرکلاس که بخشی از کل دانشگاه است را به ارث میبرد. خود کلاس Department دارای چندین زیر کلاس به نامهای CEو CSEو ECEو ME میباشد.یکی از این زیرکلاس ها مثلا CE خود دارای سه زیرکلاس Student و Faculty و Subject میباشد و مثلا Subject دارای زیرکلاس های CGPA و Arrear میباشد. و بدین صورت هستان شناسی در این سطوح مختلف تعریف و طبق نیاز دانشگاه پیاده سازی شده است. این هستان شناسی به سادگی نمایانگر روال کاری دانشگاه و امتحانت میباشد. این سیستم با نرما فزار پروتژ پیاده سازی شده است که یکی از قویترین نر مافزارهای طراحی هستان شناسی میباشد. همچنین از از فرهنگ لغت Dbpedia استفاده شده است که یک فرهنگ لغت برای زبانهای هستان شناسی وب میباشد و مربوط به نسخه وبمعنایی ویکی پدیا است[8].در پژوهشی که Tehreem Qamar و همکاران انجام دادند، یک هستان شناسی خدمات شهر هوشمند، توسعه داده اند که میتواند به عنوان یک چارچوب یکپارچه برای همه برنامه های شهر هوشمند عمل کند. توسعه هستان شناسی باعث ایجاد یک مدل دامنه دانش شده که این امر اشتراک و انتقال داده در این شهر هوشنمد را تسهل میکند. در این مقاله اهداف زیر دنبال شده:1- یک مدل متمرکز برای کاربردهای شهر هوشنمد. 2- بهبود سازمان یافته دیتا با استفاده از تلفیق دانش معنایی. 3- یک هستان شناسی که چینش داده های برنامه های شهر هوشمند را تنظیم میکند. 4- نمایش چگونگی نگاشت برنامه های خدمات شهری هوشمند در هستان شناسی. گردش کار و فعالیت اصلی در این شهر هوشمند، شامل چندین کلاس است که توضیح میدهیم: کلاس Authority به عنوان یک نهاد بزرگ حاکمیت خدمت می کند و شامل طبقات مربوط به ساختار دولت محلی و شهرداری است. نمونه های این کلاس و زیرکلاسهای آن، سیاست گذاران شهر هوشمند هستند. کلاس Policy که زیر کلاس Authority است، سیاست ها را تعیین میکند. کلاس Citizens که زیرکلاس Policy است، شامل مشخصات رسمی کلیه مفاهیم مربوط به کارها و وظایف شهری میباشد. در این مقاله چهار کاربرد از شهر هوشمند مورد مطالعه قرار گرفته است که عبارت اند از: پارکینگ هوشمند، کنترل زباله هوشمند، چراغ خیابان هوشمند و مدیریت شکایت هوشمند.پارکینگ هوشمند: این سیستم در نظر گرفته شده تا چندین مکان پارک را برای شهروندان شهر هوشمند فراهم کند و اطلاعات زمان واقعی را در مورد مکان های پارکینگ موجود و رزرو شده به کاربر منتقل می کند.سیستم برق هوشمند: این سیستم مصرف بیرویه برق شهرهای هوشمند را کنترل می کند. این سیستم ممکن است شامل سنسورهای نور و نظارت بر زمان واقعی چراغ ها، برای کنترل آنها باشد به گونهای که چراغها فقط در زمان نیاز روشن شوند.سیستم سطل زباله هوشمند: هدف اصلی سیستم هوشمند تشخیص سطح زباله، شناسایی سطح زباله در سطل های زباله و اطلاع دادن به فرد مربوطه برای تخلیه آن است. اگر فرد مربوطه در مدت زمان مشخص پاسخ نداد ، آن را به طور خودکار در مورد سهلانگاری به مقام بالاتر اطلاع میدهد.سیستم مدیریت شکایات: این بخش به شهروندان امکان میدهد مسائل مربوط به شهرداری را مستقیماً به بخش مربوطه گزارش دهند. همچنین دولت را قادر می سازد تا زمان حل و فصل آن را برنامه ریزی و منظم کند[9].در مقاله Ahmed ABATAL ، یک سیستم مبتنی بر مراقبت های بهداشتی بهم پیوسته هوشمند معنایی، توسعه داده شده است که وب معنایی را با رایانش ابری ترکیب میکند تا امکان تجسم، انتقال و اشتراک سوابق و گزارش های پزشکی را از طریق ابر و جمع آوری داده ها و مدلسازی در زمان واقعی از طریق هستان شناسی فراهم کند. در این مقاله یک سیستم مراقبت بهداشتی و هوشمندتر ساخته شده است. اهداف کار عبارتاند از:1-ساخت یک معماری که سهم سوابق پزشکی بیماران را به منظور بهره برداری توسط سازمان ها و کارشناسان مختلف بهداشت فراهم کند. 2-مدل سازی داده های Real Time و نمایش دانش از طریق هستان شناسی. 3-پیشنهاد الگوریتمی برای توصیف مطالعه موردی فرآیند ارتباط بین مولفه های معماری. 4-گسترش سطح امنیت دسترسی به اطلاعات با درخواست تأیید بیمار. 5-اجرای معماری پیشنهادی.معماری مدل پیشنهادی: در این مدل دو کاربر پزشک و بیمار با سیستم تعامل دارند. یک کلاس بیمار شامل تمامی اطلاعات مربوط به بیمار مانند نام، جنسیت، تلفن و غیره است. هر بیمار دارای یک یا چند پوشه تخصص است. این پوشه ها حاوی ارجاعات به یک یا چند اسناد است که سوابق بیمار و یا گزارشات بیمار را نشان می دهد. سرانجام ، کلاس دستیار مراقبت های بهداشتی، اطلاعات مربوط به متخصص مراقبت های بهداشتی (به عنوان مثال پزشک) را نشان میدهد و هر دستیار دارای یک تخصص است. مدیر تعامل، هسته اصلی معماری ما است. این ارتباط بین اجزای مختلف را امکان پذیر میکند. مدیر تعامل از دو ماژول تشکیل شده است. مدیر هستان شناسی که هستان شناسی را با داده های خام جمع آوری شده از حسگرهای مختلف تغذیه میکند و در صورت لزوم اطلاعات مربوط به هستان شناسی را فراهم میکند و انتخابگر سرویس که برای ارائه خدمات مناسب با مخزن سرویس ارتباط برقرار میكند[10].در پژوهشی دیگر که توسط Faten El Outa و همکاران انجام شده است، یک مدل مفهومی از روایت داده برای تجزیه و تحلیل داده های اکتشافی ارائه داده اند که شامل 4 لایه است. واقعی ،عمدی ،ساختاری و ارائه ای. این مدل با هدف پشتیبانی از کل چرخه زندگی ساخت یک روایت داده، از یک هدف عمدی شروع میشود: واکشی و کاوش داده ها، بیرون آوردن موارد برجسته، استخراج پیام های مهم، ساختار طرح روایت داده و ارائه آن به روشی بصری. روایت داده یک ترکیب ساختار یافته از پیام است که شامل: (الف) یافته ها را بر روی داده ها منتقل میکند، و (ب) معمولاً از طریق روش بصری ارائه میشود تا پذیرش آنها توسط مخاطبان مورد نظر تسهیل شود. در واقع روایت داده استفاده از تکنیک هایی برای انتقال یک داستان به مخاطب است. وظیفه لایه واقعی، شامل اطلاعاتی براساس حقایق و مدلهای جمع آوری شده از داده ها است و لایه عمدی شامل نهادهایی برای پیامهای حاصل از رشته ها است. لایه واقعی را میتوان به عنوان لایه "عینی" در نظر گرفت که کار پیرامون اکتشاف داده ها و ساخت مدل را توصیف میکند، در حالی که لایه عمدی کار ویرایشگر "ذهنی" یافته های پیش پردازش را منعکس میکند تا آنها را به پیام تبدیل کند. لایه ساختاری شامل نهادهایی است که آرایش پیامها را به ترکیبی ساختاری از عناصر گفتاری قابل ارائه مدل میکند و لایه ارائه ای شامل نهادهایی برای اختصاص یک مجموعه رسانه ای قابل ارائه به هر یک از ساختارهای گفتاری رویت داده است. در این مقاله به کمک مدل ارائه شده، یک روایت داده درمورد زنان و سکته های مغزی بین آنها مثال زده شده است که هدف آن خطر ابتلا زنان به سکته مغزی را نشان میدهد و شامل چهار سطح میباشد که به صورت زیر میباشد.Factual Layer : لایه واقعی مربوط به فرآیندهای جستجوی داده ها در مجموع های از منابع داده و تجزیه و تحلیل آنها است. داده ها از طریق مجموعه ای از جمع کننده ها جمع آوری میشوند که میتوانند پرسش هایی در یک زبان پرسش یا رابط پشتیبانی شده توسط منابع داده، یا به طور کل ، انواع برنامه هایی باشند که قادر به تعامل و بازیابی داده ها از منابع هستند.International Layer : لایه عمدی، محتوای داستان را مدلسازی میکند، پیامها، شخصیت ها و معیارهایی را که نویسنده قصد دارد با آنها ارتباط برقرار کند، شناسایی میکند و نحوه دستیابی آنها به سوالات تحلیلی را باتوجه به یک هدف تحلیل میکند.Structural Layer : این لایه مربوط به شکل بیان رویت داده است. در حالی که لایه های قبلی به محتوای "روایت" میپردازند. این لایه بر گفتمان آن تمرکز دارد. ایده این است که پس از تصمیم گیری برای دستیابی به هدفی از طریق سوالات تحلیلی و کاوش داده ها، تجزیه و تحلیل منجر به مجموعه ای از پیامها برای انتقال به مخاطب شده است.Persentational layer : وظیفه این بخش ارائه یک روایت تصویری است که از طریق مصنوعات بصری (داشبورد و اجزای داشبورد) به خواننده منتقل میشود[11].در مقاله XIN LI یک روش توسعه هستان شناسی فازی برای توسعه هستان شناسی های فازی ارائه داده است.عناصری که در هستان شناسی های فازی وجود دارد، شامل موارد زیر میباشد:1-Fuzzy Concepts : این بخش به مفاهیمی اشاره میکنند که مرزهای مشخصی ندارند و نمایانگر مجموعه های مبهم افراد هستند. بنابراین میتوان فردی را با درجه خاصی به مفهومی مبهم نسبت داد. 2- Fuzzy roles : نقش های فازی روابط دوتایی فازی بین مفاهیم یا افراد را توصیف میکنند. آنها میتوانند موارد مختلف مفهومی مرتبط با درجات خاص را به هم پیوند دهند.3- Fuzzy data type : از انواع داده های فازی برای فازی کردن مقادیر صفات مانند دامنه خصوصیات داده استفاده میشود.کل روش مطرح شده در یازده فاز تعریف شده است که به قرار زیر میباشد:1- PHASE 1 : Ontology Purposed And Scope : در این بخش انگیزه ایجاد یک هستان شناسی فازی شرح داده شده است و باید به سوالاتی نیز جواب دهیم، مثلا آیا حتما لازم است که از آنتولوژی فازی استفاده کنیم.2- PHASE 2 : Identify The Need Fuzziness : در این بخش باید ببینیم اصلا نیازی به وجود فازی هست یا نه. و در صورت مثبت بودن جواب، نوع هستان شناسی را مشخص کنیم.3- PHASE 3 : Determine Fuzzy Related Information : اگر در مرحله 2 مشخص شد که به یک هستان شناسی فازی نیاز داریم، حال در این مرحله تمرکز بر روی اطلاعات اصلی فازی است. دانش در این قسمت به دو بخش اطلاعات دقیق و فازی تقسیم میشوند. اطلاعاتی که دارای مفاهیم مبهم و به نظر فازی میایند، شناسایی میشوند و توسط این سیستم فازی میشوند.4- PHASE 4 : Consider Reusing Existing Ontology : وظایف اصلی انجام شده در این مرحله شامل بررسی هستان شناسی های موجود مرتبط با دامنه مورد نظر و تعیین قابلیت استفاده مجدد آنها میباشد.5- PHASE 5 : Reuse Fuzzy Ontology Elements : اگر یک یا چند هستان شناسی موجود برای مفید بودن در طرح هستان شناسی مورد تجزیه و تحلیل قرار گیرد، باید یک بررسی دقیق از آنها انجام شود.اینکه ایا عناصر هستان شناسی انتخاب شده فازی هستند یا خیر.6- PHASE 6 : Correct Fuzzy Ontology Elements : با فعالیتهای انجام شده در این مرحله، میتوان عناصر هستان شناسی فازی موجود را اصلاح کرد تا از تقریب دقیق اطلاعاتی که معنای مبهمی در دامنه مورد نظر دارد، اطمینان حاصل شود.7- PHASE 7 : Define Fuzzy Ontology Elements : خروجی فاز 3 که درک جامعی از تمایز بین اطلاعات مربوط به فازی و اطلاعات منطق کریسپ است، می تواند به عنوان یک ورودی ارزشمند در این مرحله در نظر گرفته شود. هدف از این مرحله، یافتن عناصر مختلف هستان شناسی فازی برای ارائه تقریبهای صحیح با ماهیت اطلاعات مبهم و غیر دقیق است.8- PHASE 8 : Define Crisp Ontology Elements : برشمردن اصطلاحات مهم و سازماندهی آنها به روش سلسله مراتبی میتواند اولین قدم در این مرحله باشد. تا این مرحله تمام عناصری که هستان شناسی فازی را تشکیل میدهند، توصیف شده است.9- FHAZE 9 : Formalization : برای رسمیت بخشیدن به هستان شناسی طراحی شده به قالبی قابل خواندن توسط ماشین، باید زبان خاصی انتخاب شود. زبانهای هستان شناسی کلاسیک ممکن است برای بیان مبهم بودن و عدم دقت در هستان شناسی های فازی مناسب نباشند. از این رو، زبانهای فرم گرایی متفاوتی برای پشتیبانی از بازنمایی هستان شناسی های فازی توسعه یافته است.10- PHASE 10 : Validation : در این مرحله نیز برای بررسی اعتبارسنجی مدل هستان شناسی فازی، باید باتوجه به شرایط زیر ارزیابی شود: Correctness, Consistency, Completeness, Rationality, Understandability, Conciseness [12].در پژوهشی که Alberto Garcia S. و همکاران انجام داده اند، روی چگونگی طراحی یک مدل مفهومی از ژنوم انسان متمرکز شده اند که میتواند به عنوان عامل اصلی برای به اشتراک گذاری، تلفیق و درک انواع مختلف مجموعه داده های مورد استفاده در حوزه ژنومی مورد استفاده قرار گیرد. در این پژوهش یک تصویر مفهومی کامل از داده های مربوطه در ژنومیک و چگونگی تأثیر یکپارچه سازی داده های معنایی با یکپارچه سازی مفهومی داده های موجود ارائه داده شده است. همچنین چگونه استفاده از نسخه های اولیه مدل مفهومی در عمل به ما این امکان را داده است که با دستیابی به یک روند بهبود مستمر، ویژگی های جدیدی را برای ترکیب در مدل شناسایی کنیم. در این مقاله پنج هستان شناسی مورد بررسی قرار داده شده که عبارتند از: Human Phenotype Ontology (HPO), Gene Ontology (GO), Sequence Ontology (SO), Protein Ontology (PO), Variation Ontology (VO)Human Phenotype Ontology (HPO) -1 : این هستان شناسی بر خواص فنوتیپ متمرکز است. هدف آن ارائه مجموعهای استاندارد از اصطلاحات برای توصیف فنوتیپ های موجود در انسان است. این بر اساس ادبیات پزشکی است و شامل بیش از سیزده هزار اصطلاح میباشد.Gene Ontology (GO) -2 : این هستان شناسی بر خصوصیات ژنی متمرکز است. عملکرد ژنها با ارائه یک واژگان استاندارد مورد مطالعه قرار میگیرد. بیش از 40،000 اصطلاح تعریف شده در 4500 گونه مختلف تعریف شده است. GO اطلاعات خود را به سه حوزه تقسیم میکند: فعالیتهای سطح مولکولی که توسط محصولات ژنی انجام میشود، محل داخل سلول که محصول ژنی در آن عملکردی انجام میدهد و فرآیندهای بیولوژیکی که از چندین فعالیت سطح مولکولی تشکیل شده اند.Sequence Ontology (SO) -3 : این هستان شناسی توالی ژنوم را تجزیه و تحلیل میکند. این یک لغت ساختار یافته و کنترل شده را برای تشخیص توالیهای مختلف ژنوم که به موقعیت آنها بستگی دارد، فراهم میکند. به عنوان مثال، یک محل اتصال به عنوان منطقه ای تعریف میشود که با مولکول های دیگر تعامل گزینشی و غیر کووالانسی دارد.Protein Ontology (PRO) -4 : هستان شناسی PRO مشخصات مربوط به پروتئین و روابط بین آنها است. PRO از یک سیستم طبقه بندی به نام "سطوح تمایز" استفاده میکند. چهار سطح تمایز وجود دارد: سطح خانواده : به محصولات پروتئینی تولید شده توسط ژن هایی با یک جد مشترک اشاره دارد. سطح ژن : محصول پروتئین را توسط ژن جدا میکند. سطح توالی : برای تمایز محصولات پروتئینی تولید شده از یک ژن اما با دنباله آلل های مختلف استفاده می شود. سطح اصلاح شده : محصولات پروتئینی ژنی را که به دلیل تجزیه یا تغییرات شیمیایی در یک یا چند بقایای اسید آمینه متفاوت هستند را جدا می کند.Variation Ontology (VO) -5 : این هستان شناسی، توصیف استانداردی از اثرات، عواقب و مکانیزم تغییرات را ارائه میدهد. هدف، حذف تفاوت های بدون ابهام در مورد تغییراتی است که در سطح DNA ، RNA یا پروتئین توصیف شده است[13].درباره نویسنده:دانشجو ارشد هوش مصنوعی و علاقه من به زمینه یادگیری ماشین.فعال در زمینه فضاهای اکوسیستم استارتاپی.نویسنده و تولید محتوا.مراجع:[1] حسینی بهشتی، ملوک السادات، اژه ای، فاطمه، طراحی و پیاده سازی هستی شناسی علوم پایه بر اساس مفاهیم و روابط موجود در اصطلاح نامه های فارسی، پژوهشگاه علوم و فناوری اطلاعات ایران، 1393.[2] Antoni Olive, Metadata of the chapter that will be visualized in SpringerLink, Springer, 2018.[3] DANILO CAVALIERE1, VINCENZO LOIA2 (Senior Member, IEEE), and SABRINA SENATORE1(Member, IEEE), Towards an ontology design pattern for UAV video content analysis, IEEE, 2017.[4] Lawrence Bunnell, Kweku-Muata Osei-Bryson, Victoria Y. Yoon, Development of a consumer financial goals ontology for use with FinTech applications for improving financial capability, Elsevier, 2021[5] Anna Bernasconi, Arif Cankoglu, Pietro Pinoli, Stefano Ceri, Empowering Virus Sequences Research through Conceptual Modeling, bioRxiv, 2020[6] Claudenir M. Fonseca, João Paulo A. Almeida, Giancarlo Guizzardi1, and Victorio A. Carvalho, Multi-Level Conceptual Modeling: From a Formal Theory to a Well-Founded Language, Springer, 2018.[7] Sha Zhi-ren, Huang Min, Wu Hai-bin, A Conceptual Multi-level Data Model for Road Networks, 2012 Fifth International Conference on Intelligent Computation Technology and Automation, IEEE, 2012.[8] D Venkataraman, Haritha K C, 2017 International Conference on Advanced Computing and Communication Systems (ICACCS -2017), Jan. 06 – 07, 2017, Coimbatore, INDIA, IEEE, 2017.[9] Tehreem Qamar, Narmeen Zakaria Bawany, Sadia Javed, Saima Amber, Smart City Services Ontology (SCSO): Semantic Modeling of Smart City Applications, IEEE, 2019.[10] Ahmed ABATAL, Hajar KHALLOUKI and Mohamed BAHAJ, A Semantic Smart Interconnected Healthcare System using Ontology and Cloud Computing, IEEE, 2018.[11] Faten El Outa, Matteo Francia, Patrick Marcel, Veronika Peralta,and Panos Vassiliadis, Towards a conceptual model for data narratives, Springer, 2020.[12] XIN LI, JOSÉ-FERNÁN MARTÍNEZ, AND GREGORIO RUBIO, A New Fuzzy Ontology Development Methodology (FODM) Proposal, IEEE, 2016.[13] ALBERTO GARCÍA S., ANA LEÓN PALACIO, JOSE FABIÁN REYES ROMÁN, JUAN CARLOS CASAMAYOR, AND OSCAR PASTOR, Towards the Understanding of the Human Genome: A Holistic Conceptual Modeling Approach, IEEE, 2020.

جزوه برنامه سازی پیشرفته علی نظری زاده

Ali Nazarizadeh — Mon, 05 Apr 2021 22:27:15 +0430

برنامه سازی پیشرفته یکی از دروس مهم رشته کامپیوتر می باشد که دانشجویان کامپیوتر آن را ترم دوم می خوانند. در این درس شما با اصول پیشرفته برنامه نویسی از جمله کلاس ها، شی گرایی، ارث بری، سربار گذاری عملگرها و ... آشنا می شوید که این مباحث در تمامی زبان های برنامه نویسی قدرتمند وجود دارد. دانلود جزوه برنامه سازی پیشرفته علی نظری زادهبرای دانلود جزوه برنامه سازی پیشرفته می توانید به آدرس زیر مراجعه کنید: https://jozveban.ir/%D8%AC%D8%B2%D9%88%D9%87-%D8%A8%D8%B1%D9%86%D8%A7%D9%85%D9%87-%D8%B3%D8%A7%D8%B2%DB%8C-%D9%BE%DB%8C%D8%B4%D8%B1%D9%81%D8%AA%D9%87/

هستان شناسی(آنتولوژی)

Ali Nazarizadeh — Fri, 30 Oct 2020 13:36:22 +0330

1- مقدمه ای بر هستان شناسی یا آنتولوژی :درک معنای Ontology موضوع پیچیده ای در صنعت کامپیوتر بوده است. تعریف Ontology موضوعی بوده است که بحثهای زیادی بر سر آن همواره وجود داشته است است که عموما در حوزه هوش مصنوعی بوده است . Ontology تاریخچه بلندی در حوزه فلسفه دارد که در رابطه با موجودیت اشیا و مفاهیم در جهان صحبت می کند. همچنین غالباً کاربرد این مفهوم در حوزه معرفت شناسی که در رابطه با دانش و دانستن است مطرح است. کلمه آنتولوژی از دو واژه یونانی سرچشمه گرفته است.اجازه بدهید با تعریف انتولوژی در حوزه فلسفه موضوع را آغاز کنیمتعریف فلسفی آنتولوژی:به طور کلی Ontology یعنی مطالعه در رابطه با موجودیت اشیا در جهان و ارتباطاتی که آنها با یکدیگر دارند. همچنین شامل جزئیات ساختار سلسله مراتبی این اشیا می شود. همین طور در رابطه با دسته بندی اشیا با توجه به شباهت و تفاوت های آنها نسبت به یکدیگر صحبت می کند . موجودیت به چیزی می گویم که وجود دارد، حالا این موجودیت می تواند انتزاعی باشد یا واقعی باشد، فیزیکی باشد یا غیر فیزیکی باشد. این مفاهیم در واقع تفاوت را ببین موجودیت و کیفیت آنها برقرار می کند. موجودیت می تواند یک موجودیت مشخص یا یک مفهوم انتزاعی باشد که وجود آن شی را توضیح می دهد و نه کیفیت های مرتبط با آن را. موجودیت ها بلوکهای ساختمانی اصلی در ساختار آنتولوژی محسوب می شود که فرهنگ لغات یا مجموعه لغات یک آنتولوژی را تعریف می کند مانند کفش، معلم، آموزش، مطالعه )در واقع این مفاهیم میتواند فیزیکی یا غیر فیزیکی باشد (در فلسفه ontology یعنی مطالعه آنچه وجود دارد. فیلسوف ها از مفهوم آنتولوژی برای مطرح کردن پرسش های چالش برانگیز در رابطه با ارائه تئوری ها و مدل ها و همچنین درک بهتر هستی شناسانه جهان استفاده می کنند. سوالاتی از قبیل : اجزای زیربنایی و اساسی جهان چه هستند؟این اجزا چگونه به یکدیگر مرتبط هستند؟برای مثال کفش یک شیء مادی است. قدم زدن یک مفهوم غیر مادی است. آیا اشیای فیزیکی مانند کفش واقعی تر از مفاهیمی مانند قدم زدن هستند؟ رابطه بین کفش و قدم زدن چیست؟آنتولوژی فلسفی دوشاخه مهم دارد : هستی شناسی یا انتولوژی مادی گرایانه : باور به اینکه موادی نظیر ذرات و انرژی واقعی تر از مفاهیم ذهنی هستند .باور به اینکه هستی صرف نظر از از مشاهدات انسانی وجود دارد .هستی شناسی یا انتولوژی غیر مادی و ذهنی : باور به اینکه پدیده های غیر مادی نظیر ذهن انسان و آگاهی واقعی تر از از چیزهای مادی هستند. باور به اینکه حقیقت و هستی در ذهن ناظر ساخته و پرداخته می شود .تعریف Ontology در علوم کامپیوتر : در علوم کامپیوتر Ontology در واقع یک مدل داده است که دانش را به عنوان مجموعه ای از مفاهیم در یک حوزه نمایش می دهد، و ارتباطات بین این مفاهیم را معرفی می کند .وقتی یک آنتولوژی را توصیف می کنیم غالباً در رابطه با یک حوزه (Domain) مشخص صحبت میکنیم. درک و ساختن آنتولوژی برای کل جهان هستی کاری بی‌معنی و بی پایان است.نظر به تعریف فیلسوفانه، آنتولوژی در واقع عبارت از یک تعریف و نامگذاری معین و رسمی است از نوع و ویژگی های یک موجودیت که در یک حوزه وجود دارد. بنابراین این توضیح به کاربرد عملی آنتولوژی با تعریف فلسفی البته با توجه به دسته بندی یا کلاس بندی کردن موجودیت ها اشاره می کند .اینجا یک آنتولوژی یعنی توضیح چیزهایی که در یک حوزه مشخص وجود دارد، برخلاف توضیحات فلاسفه که در بالا ذکر شد. محققان اساساً علاقه مند به بحث کردن در رابطه با این که این موجودیت ها یا مفاهیم اجزا اساسی یا ذاتی یک سیستم هستند ندارند. آنها همچنین در رابطه با این که این مفاهیم واقعی و فیزیکی یا غیر واقعی و غیر مادی هستند نیز صحبتی ندارند. بلکه هدف در توضیح ساختار زیربنایی است که بر اشیا و گروه ها تاثیر می‌گذارد. بنابراین محققان در این رابطه بیشتر متمرکز بر نامگذاری اجزا و فرآیندها و دسته بندی کردن مفاهیم مشابه در دسته بندی های مربوطه می باشند.مانند: اگر یک کلاس درس(سیستم) را در نظر بگیریم، در ان یک معلم ، یک هدف (بخشی از اجزای سیستم ) و تدریس کردن (فرایند سیستم) وجود دارد.چرا از آنتولوژی ها استفاده می کنند ؟ امروزه مردم به داده‌های فراوان از منابع مختلف که هر کدام مربوط به دامنه ها یا سیستم‌های اطلاعاتی متفاوت می باشد استفاده می کنند. در واقع در مقایسه با دهه های گذشته حجم اطلاعات در هر لحظه به طرز قابل توجهی در حال افزایش است. برای مثال اگر یک سازمان را در نظر بگیریم، منابع داده آنها می‌تواند به فرم ها و حالت های مختلف نظیر فایلهای اکسل، پایگاه‌های داده (دیتابیس)،تصاویر، اسناد، دیاگرام هاو غیره باشد .از آنجایی که این اطلاعات با فرمت های کاملا متفاوتی به دست آمده اند، پیدا کردن روابط بین داده ها بسیار مشکل است. در شرایطی مانند این بسیار سخت است که بفهمیم مثلا تصمیماتی که در قالب اسناد word ثبت شده‌اند چگونه به فرآیندهای کاری که در ساختار مدلها و دیاگرام ها ترسیم شده اند مرتبط هستند و همچنین اینکه چگونه این فرآیندهای کاری به داده های ثبت شده در پایگاه داده مرتبط هستند و غیره . بنابراین لازم است که بتوانیم داده ها را با وجود فرمت های مختلف، تحت شرایطی که بدانیم و تشخیص دهیم که این داده ها چه روابطی با هم دارند نمایش دهیم. آنتولوژی ها امکان برقراری چنین روابطی را برای داده ها فراهم می کنند. آنتولوژی در واقع فرمی از مدیریت دانش است. آنتولوژی دانش موجود در یک حوزه ( سازمان یا سیستم اطلاعاتی) را به صورت یک مدل (دیتامدل) دریافت می‌کند. این مدل سپس می تواند توسط کاربران مورد پرسش (کوئری) قرار گیرد تا انتولوژی به سوالات پیچیده پاسخ دهد و ارتباطات درون آن حوزه را نمایش دهد. بر طبق گفته Tom Gruber که یک متخصص هوش مصنوعی در دانشگاه استنفورد می باشد، ” آنتولوژی در واقع بیان مشخصات یک مفهوم سازی می باشد که به برنامه‌ها و انسانها کمک می‌کند تا اطلاعات خود را به اشتراک بگذارند و این یعنی آنتولوژی مجموعه‌ای از مفاهیم (چیزها) ، رویدادها و روابط می‌باشد که توسط زبان طبیعی ایجاد شده اند، تا یک مرجع و فرهنگ لغت مشترک برای تبادل اطلاعات را بسازد .مفهوم سازی – تفکیک اجزای جهان به مفاهیم تحت عنوان موجودیتبیان مشخصات- نمایش این مفهوم سازی در یک حالت معین و مشهودساختار اساسی یک آنتولوژی: دو ساختار اساسی که در دنیای آنتولوژی ها مطرح هستند RDF و OWL می باشد. بر طبق این استاندارد ها یک آنتولوژی از کلاس ها و روابط تشکیل شده استاجزای اصلی یک آنتولوژی: چهار جز اصلی یک آنتولوژی عبارت اند از:مفاهیمروابطاعضااصل ها یا قاعده هامفاهیم : یک مفهوم مجموعه‌ یا کلاسی از موجودیتها یا چیزهایی که درون یک حوزه وجود دارد می باشد. برای مثال “قانون عرفی” می تواند به عنوان یک مفهوم در حوزه حقوق و قانون محسوب شود .دو نوع مفهوم داریم:مفاهیم اولیه :اینها مفاهیمی هستند که فقط شرایط لازم را ( بر مبنای ویژگی‌هایشان) برای عضویت در آن کلاس، دارا هستند. به عنوان مثال برای آنکه یک پزشک بتواند جراحی کند لازم است که مدرک یا گواهی طبابت را داشته باشد .مفاهیم تعریف شده: این ها مفاهیمی هستند که توصیف کافی و لازم را برای آنکه چیزی عضوی از آن کلاس باشد دارند.برای مثال برای آنکه یک پزشک بتواند جراحی کند باید هم گواهی طبابت و هم مدرک جراحی عمومی داشته باشد(یعنی مدرک دیگری لازم نیست و همین دو، شرایط لازم و کافی را تامین می کند).ارتباطات : ارتباطات در واقع به بیان تعاملات بین مفاهیم و یا معین کردن ویژگی های یک مفهوم می پردازد .دو نوع از ارتباطات داریم :طبقه بندی (Taxonomy) – قرار دادن یا سازماندهی کردن مفاهیم در یک ساختار سلسله مراتبی برمبنای ابر کلاس و زیر کلاسپیوندی (Associative) – ارتباطاتی که مفاهیم تعریف شده در ساختار درختی انتولوژی را به یکدیگر مرتبط می‌کنداعضا : اعضا همان چیزهایی هستند که توسط یک مفهوم معرفی می شوند. مثلاً در یک سیستم کلاس درسی ، آقای دکتر احسانی عضوی از مفهوم معلم است. یک Ontology هیچ عضوی ندارد. در واقع یک Ontology صرفاً عبارت است از طراحی یک مفهوم سازی یا تصویرسازی از یک حوزه .ترکیب Ontology با اعضا چیزی است که به آن پایگاه دانش می گوییم.اصل ها یا قاعده ها : قاعده ها برای مقید کردن مقادیر برای کلاس ها یا اعضا مورد استفاده قرار می گیرد. مثلاً می‌توان گفت سن یک انسان باید بیشتر از 0 و کمتر از ۱۲۰ باشدچگونه از یک آنتولوژی استفاده کنیم ؟ یک آنتولوژی می تواند توسط کاربران مورد پرس و جو (کوئری گرفتن) قرار گیرد تا به پرسش های پیچیده پاسخ دهد و ارتباطات موجود در در آن حوزه را نمایش دهد. توسط آنتولوژی می‌توانیم برای تعریف روابط واقعی و جاری که بین افراد یا موجودیت های مختلف برقرار است استفاده کنیم. بگذارید این موضوع را با یک مثال روشن تر کنیم:Peter- عضوی از کلاس PersonMicrosoft-عضوی از کلاس Organizationیک آنتولوژی می تواند ارتباطات بین این دو را بگیرد و بر مبنای این مثال می‌توانیم ویژگی ای تحت عنوان “Has employer” داشته باشیم .که آن را به این صورت می خوانیم:“Peter has employer Microsoft”همانطور که در بالا توضیح داده شد ترکیب کلاس ها و ارتباطات تحت عنوان “سه گانه ها” شناخته می شود .یک سه‌گانه از از موضوع (Subject)، گزاره (Predicate) و هدف (Object) تشکیل شده است. این مفاهیم هسته اساسی آنتولوژی ها را تشکیل می دهد .با استفاده از این سه گانه ها می توان ترکیبات مختلفی از آنها را به روش‌های گوناگونی ایجاد کنیم تا یک جلوه یا تصویر کاملی از از دنیای واقع توسط یک آنتولوژی نمایش دهیم.هرچقدر تعداد سه گانه های ما در یک آنتولوژی بیشتر باشد آنتولوژی جامع تر و غنی تر می گرددحوزه های کاربردی برای آنتولوژی ها :هوش مصنوعیوب معناییمهندسی سیستم ها- این حوزه در رابطه با مدیریت مهندسی و عمدتاً متمرکز بر چگونگی طراحی سیستم های پیچیده با توجه به چرخه زمانی آنها می باشدمهندسی نرم افزارسیستم های انفورماتیک پزشکیعلم کتابداری - حوزه ای که در رابطه با مجموعه اقدامات، ابزارها و روش‌های مرتبط با کتابداری می باشدمعماری اطلاعات2- هستان شناسی یا آنتولوژی چیست ؟هستان شناسی در واقع عبارت است از یک توصیف رسمی از دانش به عنوان مجموعه ای از مفاهیم در یک دامنه مشخص و بیان ارتباطات بین این مفاهیم درون این دامنه.قبل از خواندن مقاله توجه داشته باشید سه مفهوم “هستان شناسی”، “هستی شناسی” و “آنتولوژی” در واقع اشاره به یک معنا و مفهوم دارند.برای طراحی یک هستی شناسی لازم است اجزا آن نظیر اعضا( که به آن نمونه یا اشیا نیز می گوییم)، کلاس ها، خواص، ارتباطات، قیدها،قوانین و قواعد مشخص شوند. به طور کلی می توان گفت هستان شناسی نه فقط ساختار یک دانش را اشتراک گذاری کرده و قابل استفاده مجدد می کنند، بلکه همچنین می تواند دانش جدیدی را در رابطه با حوزه مورد نظر ارائه دهد . البته روش های دیگری برای نمایش ساختار دانش مانند فرهنگ لغات ،دسته بندی ها، نقشه های موضوعی و مدلهای منطقی وجود دارد. هر چند بر خلاف دسته بندی های سنتی یا پایگاه داده های رابطه ای، هستان شناسی ها به ما اجازه می دهد ارتباطات را به اشکال مختلف و پیچیده ترین حالت ممکن بین مفاهیم و اجزا و عناصر تعیین کنیم .به عنوان یکی از از واحدهای سازنده تکنولوژی های معنایی، هستان شناسی ها بخشی از استانداردW3C وب معنایی می باشد. هستان شناسی ها ساختار اساسی و زیربنایی برای برقراری ارتباط بین اجزاء مختلف اطلاعات در فضای وب را به منظور فراهم کردن داده های پیوندی ایجاد می کند. به دلیل آنکه از هستی شناسی برای ایجاد یک ساختار مدل شده مشترک از داده برای پایگاه داده ها و سیستم های عامل توزیع شده و ناهمگن استفاده می شود، هستان شناسی ها قابلیت تعامل بین پایگاه های داده، جستجوی بین پایگاه های داده و مدیریت منسجم داده را فراهم می کند.هستان شناسی ها راهکاری برای مدیریت بهتر داده ها :برخی از مهم‌ترین ویژگی‌های هستان شناسی ها این است که می تواند یک درک مشترک از اطلاعات را فراهم کند و پیش فرض های مشخصی را در رابطه با حوزه هدف ارائه دهند. درنتیجه، قابلیت همکاری متقابل و برقراری ارتباطات متعدد بین عناصر یک مدل هستان شناسی، آن را به عنوان یک راهکار بسیار ارزشمند برای حل مشکلات مربوط به دسترسی و بازیابی داده ها در سازمان ها و ساختارهای بزرگ مطرح کرده است.همچنین هستان شناسی ها با توسعه و بهبود دادن کاربرد فراداده ها (metadata) که در نتیجه به سازمان ها این امکان را می دهد که معنای بهتر و دقیق تری از داده‌های خود ارائه دهند،کیفیت داده ها را افزایش داده است.استاندارد owl و مدل سازی هستان شناسی :در سال های اخیر حرکتی به سوی استفاده از زبان‌های هستان شناسی نظیر OWL ایجاد شده است. OWL یک زبان محاسباتی مبتنی بر منطق برای وب معنایی می باشد، که برای نمایش دانش پیچیده در رابطه با اشیا و ارتباطات بین آنها طراحی شده است. این زبان هم چنین تفاوتهای موجود بین کلاس ها، ویژگی ها و ارتباطات را به نحو بسیار دقیق و معناداری ایجاد می کند.با مشخص کردن کلاس ها و مشخصه های ارتباطات بین آنها و همچنین ساختار سلسله مراتبی آن ها ، OWL مدل سازی هستان شناسی را در پایگاه داده های معنایی (که تحت عنوان سه گانه هایRDF شناخته می شوند) فراهم می کند.OWL به همراه یک یک موتور استنتاج OWL مورد استفاده قرار می گیرد تا پایداری و سازگاری ساختارهای RDF را بررسی کنند .همچنین OWL مجهز به قابلیتی است که می تواند برای کلاس ها، اعضا و ویژگی ها قابلیت معادل بودن و متفاوت بودن نسبت به سایر کلاس اعضا و ویژگی ها را معین کند.ارتباطات به کاربران کمک می کند به نحو موثرتری بتوانند مفاهیم یکسان را پیدا کند حتی اگر منابع داده مختلف، آن مفاهیم را تا حدودی متفاوت بیان کرده باشد .همچنین باعث رفع ابهام بین اعضایی می شود که توصیفات یا اسامی یکسان دارند.مزایای استفاده از هستی شناسی :یکی از ویژگی های اصلی هستان شناسی ها این است که با داشتن روابط اصلی بین مفاهیم می توان استنتاج خودکار درباره داده ها ایجاد کرد. پیاده سازی کردن چنین استنتاج هایی در پایگاه داده های گراف معنایی که از هستان شناسی به عنوان شماتیک معنایی خود استفاده می کنند به سهولت صورت می گیرد.علاوه بر این هستان شناسی ها مشابه یک مغز عمل می کنند.هستان شناسی ها درکی مشابه درک یک انسان از مفاهیم و ارتباطات را دارند و می توانند همانند مغز انسان استنتاج کنند. علاوه بر ویژگی استنتاج، انتولوژی ها ،به کاربر اجازه می دهد به نحوی منسجم و ساده بتواند از یک مفهوم به مفهوم دیگری درون هستی شناسی مسیریابی کند.ویژگی ارزشمند دیگر این است که هستان شناسی ها به سادگی قابل توسعه هستند. در نتیجه هستی شناسی ها با افزایش داده ها غنی تر می شوند و رشد بهتری پیدا می کند بدون آنکه در صورت وجود خطا یا نیاز به تغییر در هستان شناسی اثر نامطلوبی بر روی فرایند یا سیستم استفاده کننده بگذارد.همچنین هستان شناسی ها بستر مناسبی را برای نمایش دادن هر نوع فرمت داده فراهم می کند نظیر داده های ساخت یافته و نیمه ساخت یافته یا کاملا ساخت یافته .همچنین امکان یکپارچه سازی و جمع آوری بهتر داده ها، امکان متن کاوی آسان تر و تحلیل های مبتنی بر داده را فراهم می کند .محدودیت های هستی شناسی :در حالی که هستان شناسی ها یک مجموعه از ابزارها برای مدل سازی داده ها فراهم می کنند، اما از سوی دیگر با محدودیت های نیز روبرو هستند.یکی از این محدودیت ها وضعیت ساختار ویژگی ها می باشد .برای مثال هنگامی که ساختار کلاس های پیچیده را طراحی می کنیم جدیدترین نسخه هستان شناسی یعنیOWL با برخی محدودیت ها در رابطه با ساختارهای ویژگی ها روبرو است. محدودیت بعدی در رابطه با نحوه کاربرد قیدها توسطOWL می باشد. از این قید ها استفاده می‌کنیم تا تعیین کنیم که داده ها چگونه باید ساختار پیدا کنند و از اضافه شدن داده های ناسازگار توسط این قیدها پیشگیری می شود. اما این موضوع همیشه سودمند نیست. غالبا داده های وارد شده از یک منبع داده جدید به ساختار های سه گانه RDF به طور ساختاری با قیدهای تعیین شده توسط OWL ناسازگار خواهند بود. در نتیجه داده های جدید باید قبل از این که با داده های موجود در پایگاه داده RDF ترکیب شوند اصلاح گردد. یک راهکار جایگزین جدید برای استفاده از هستی شناسی ها به منظور مدل سازی داده ها، استفاده از زبان مقیدSHApes یا همان SHACL برای ارزیابی گرافهای RDF در برابر مجموعه‌ای از قیدها می باشد .یک قالب SHApes در واقع فراداده هایی را در رابطه با نوع یک منبع ایجاد می کند که اطلاعاتی شامل:چگونه قبلا این منبع مورد استفاده قرار می گرفته؟چگونه می تواند مورد استفاده قرار گیرد؟چگونه الزاماً باید مورد استفاده قرار گیرد؟به این نحو، SHACL مشابه با OWL می تواند به منظور ارزیابی داده ها اعمال گردد.هرچند SHACL برخلاف OWL می‌تواند به داده هایی که قبلا درون پایگاه داده RDF موجود هستند اعمال گردد. به بیانی دیگر SHACL به داده های ناسازگار اجازه بارگذاری در پایگاه داده را می دهد.نمونه مورد استفاده از آنتولوژی ها :از آنجایی که هستی شناسی ها اصطلاحاتی را که برای توصیف نمایش حوزه ای از دانش مورد استفاده قرار می گیرند را تعریف می کند، در برنامه ها و کاربردهای متعددی برای ثبت ارتباطات و سرعت بخشیدن به مدیریت دانش مورد استفاده قرار می گیرد. تطبیق هستان شناسی ها در حوزه پزشکی به منظور پیدا کردن علت بیماری ها با دسته بندی ارتباطات این علائم و بیماری های مختلف صورت می گیرد همچنین از هستان شناسی ها برای وب کاوی معنایی، پردازش اطلاعات بیماران، تشخیص کلاهبرداری و غیره استفاده می شود. به طور خلاصه از هستی شناسی ها برای بیان ساختارهایی برای نمایش دانش در یک حوزه معین به صورتی که قابلیت استفاده مجدد و اشتراک گذاری داشته باشد استفاده می شود. قابلیت آنها برای بیان ارتباطات و توانمندی بسیار بالای آن ها در بیان ارتباطات تودرتو، آنها را به عنوان یک زیربنا برای مدل سازی با کیفیت، پیوندی و منسجم داده ها مطرح می کند.3- آموزش هستان شناسی :در سال‌های اخیر توسعه و ساخت هستان شناسی ها( بیان مشخص و واضح ویژگی ها و مشخصات اعضا و موجودیت ها در یک حوزه و ارتباطات بین آنها) از قلمرو آزمایشگاه های هوش مصنوعی به حوزه متخصصان زمینه های مختلف وارد شده.هستی شناسی ها به یک امر رایج در در حوزه وب تبدیل شده اند. انتولوژی ها در حوزه ها و زمینه های گوناگون نظیر دسته بندی موضوعی وب سایت ها تا دسته بندی محصولات برای فروش و دسته بندی ویژگی های آن ها( مانند آنچه در سایت آمازون می باشد) به کار رفته اند.کنسرسیوم w3c چارچوب توصیف منبع یا همان rdf را که یک زبان برای بیان کردن دانش در صفحات وب می باشد ایجاد کرده است تا داده ها را برای سرورهایی که عملیات جستجوی اطلاعات را انجام می دهند قابل فهم کند.کنسرسیوم w3c در حال ساخت زبان DAML می باشد که در واقع زبانی بر مبنای توسعه زبان RDF با ساختارهای توصیفی بیشتر است که با هدف تسهیل تعامل بین ابزار های تحت وب می باشد.سازمان ها و نهادهای مختلف آنتولوژی های استانداردسازی شده ای را تولید کرده اند که متخصصین حوزه های مربوطه می‌توانند برای استفاده و به اشتراک گذاری اطلاعات در آن حوزه ها از آن ها استفاده کنند.برای مثال در حوزه پزشکی آنتولوژی و فرهنگ اصطلاحاتی نظیر SNOMED و همچنین اشبکه ای معنایی از سیستم زبانی یکپارچه پزشکی طراحی شده است.همچنین انتولوژی های چند منظوره و بزرگی نیز در حال ظهور و طراحی هستند.برای مثال سازمان توسعه برنامه ایالات متحده و شرکتهای Dun & Bradstreet با همکاری یکدیگر آنتولوژی ای تحت عنوان UNSPSC طراحی کردند که اطلاعات جامعی را در رابطه با اصطلاحات مرتبط با محصولات و خدمات آنها ارائه می کنند (www.unspsc.org).یک آنتولوژی در واقع یک فرهنگ لغت مشترک برای محققین مهیا می کند تا بتوانند اطلاعات خود در یک حوزه واحد را برای یکدیگر به اشتراک گذاری کنند.آنتولوژی باید شامل مفاهیم پایه و ارتباطات بین انها در حوزه موردنظر باشد به نحوی که این تعاریف برای کامپیوتر قابل تفسیر و فهم باشد. اکنون سوال این است که چرا باید یک آنتولوژی طراحی کنیم؟ بخشی از دلایل شامل موارد زیر می باشد :برای به اشتراک گذاری یک درک مشترک از ساختار اطلاعات موردنظر بین مردم یا سیستم های نرم افزاریبرای فراهم کردن امکان استفاده مجدد از دانش حوزه موردنظربرای بیان واضح و شفاف پیش‌فرض‌های موجود در حوزه مورد نظربرای جداسازی دانش حوزه مورد نظر از دانش عملیاتیبرای تحلیل دانش حوزه مورد نظراشتراک گذاری یک درک مشترک از ساختار اطلاعات در رابطه با نرم افزارها یا مردم یکی از اهداف رایج در توسعه آنتولوژی ها می باشد. برای مثال فرض کنید چند وب سایت متفاوت شامل اطلاعات پزشکی باشند یا خدمات پزشکی را ارائه دهند. اگر این وبسایت ها از یک آنتولوژی مشترک به عنوان زیربنای ساختار اصطلاحات استفاده شده بهره ببرم آنگاه کامپیوترها می توانند اطلاعات را از سایتهای مختلف به دست آورند و یکپارچه سازی کنند آنگاه کامپیوتر ها می توانند از اطلاعات به دست آمده برای پاسخگویی به درخواست های کاربر یا به عنوان داده های ورودی برای سایر برنامه ها استفاده کنند .فراهم کردن قابلیت استفاده مجدد از دانش حوزه یکی از موضوعات مهم در تحقیقات مختلف انتولوژی ها در سال های اخیر بوده است .برای مثال مدل هایی برای حوزه های مختلف لازم است که مفهوم زمان را نمایش دهند.این نمایش شامل مفاهیم وقفه های زمانی نقاط مشخص زمانی اندازه گیری های نسبی زمان و غیره می باشد. اگر یک گروه از محققان آنتولوژی را با جزئیات طراحی کنند سایرین می‌توانند به سادگی از آن برای حوزه‌های مدنظر خود استفاده کنند. اگر نیازمند ساختن یک آنتولوژی بزرگ باشیم می توانیم از چندین آنتولوژی کوچک که هر کدام بخشی از آن حوزه بزرگ را توضیح می‌دهند استفاده کرده و آنها را تجمیع و یکپارچه سازی کنیم.همچنین می توانیم از یک انتولوژی عمومی نظیر UNSPSC استفاده کنیم و آن را برای توصیف حوزه مورد نظر خود را توسعه دهیم.با طراحی یک حوزه شامل پیش فرض های صریح چنانچه در آینده پیش فرضهای ما تغییر کند می توانیم به سادگی دانش خود را در رابطه با ان حوزه را تغییر دهیم.ثبت پیش فرض ها در فضای برنامه نویسی نه تنها باعث می شود که درک و پیدا کردن پیش فرض ها دشوار شود بلکه تغییر دادن آنها را هم سخت می کند ،به خصوص برای کسی که تجربه برنامه نویسی ندارد .علاوه بر این مشخصات صریح دانش حوزه برای کاربران جدید که لازم است بدانند چه اصطلاحاتی در آن حوزه چه معانی دارند مفید می باشد.جدا کردن دانش دامنه از دانش عملیاتی یکی دیگر از کاربرد های رایج آنتولوژی ها می باشد .ما میتوانیم یک وظیفه را به صورت پیکربندی کردن یک محصول از اجزای آن به یک مشخصات خواسته شده توصیف کنیم و یک برنامه را پیاده سازی کنیم که این پیکربندی را مستقل از محصولات و اجزای آن ها انجام می دهد.آن گاه میتوانیم یک آنتولوژی از اجزای کامپیوتر و ویژگی های آنها طراحی کنیم و یک الگوریتم را برای کامپیوترهای سفارشی (کاستومایز شده) پیکربندی کنیم.همچنین همزمان می توانیم از همان الگوریتم برای پیکربندی آسانسورها استفاده کنیم در صورتی که آنتولوژی اجزای یک آسانسور را به آن بدهیم. تحلیل دانش دامنه زمانی امکان‌پذیر است که ویژگی های توصیفی اصطلاحات موجود باشد.تحلیل رسمی اصطلاحات هنگامی که تلاش برای استفاده مجدد از آنتولوژی ها و توسعه آن ها صورت می‌گیرد بسیار ارزشمند است.غالبا داشتن یک آنکولوژی از یک حوزه به خودی خود هدف محسوب نمی شود.توسعه یک انتولوژی به تعریف مجموعه ای از داده ها و ساختار آن‌ها برای سایر برنامه ها به منظور استفاده کردن وابسته است .روش های حل مسئله، برنامه های مستقل از دامنه و عامل های نرم افزاری از آنتولوژی ها و پایگاه های دانش ( که از آنتولوژی ها به عنوان داده ساخته شده اند) استفاده می کنند .برای مثال در این مقاله ما یک انتولوژی از نوشیدنی و غذاها و ترکیبات متناسب نوشیدنی را توسعه می‌دهیم.این آنتولوژی می‌تواند سپس به عنوان یک پایه برای برخی برنامه ها در مجموعه از ابزارهای مدیریت رستوران مورد استفاده قرار گیرد :یک برنامه می تواند پیشنهادات نوشیدنی برای منوی روز را ارائه دهد یا به درخواست ها و سوالات پیش خدمت ها و مشتری ها پاسخ دهد.برنامه دیگر می تواند لیستی از نوشیدنی ها را تحلیل کند و پیشنهاد دهد که کدام دسته از نوشیدنی ها را افزایش دهیم و مشخصا کدام نوشیدنی ها را برای منوهای روزهای آتی خریداری کنیم .4- تفاوت آنتولوژی با گراف دانش :از آنجایی که برنامه های معنایی به سرعت در حال تبدیل به موضوعات مهم در صنعت می شوند، سوالاتی غالباً در رابطه با آنتولوژی ها و گراف های معنایی پیش می آید به خصوص در رابطه با تفاوت این دو. آیا آنتولوژی ها و گراف های دانش یکسان هستند؟ اگر نیستند تفاوتشان چیست؟ ارتباط بین این دو چیست؟در این مطلب می خواهم به هر دو بحث بپردازم و برای شما توضیح دهم که تفاوت این دو چیست و چگونه با یکدیگر کار می کنند تا حجم زیادی از اطلاعات را سازماندهی کنند .آنتولوژی چیست ؟آنتولوژی ها مدل‌های داده معنایی هستند که نوع اشیایی که در حوزه مورد نظر ما وجود دارند و ویژگی هایی که می‌توانند برای توصیف آنها مورد استفاده قرار بگیرند را تعریف می کنند. در واقع می‌توان گفت آنتولوژی ها مدل‌های داده عمومی یا کلی هستند. به این معنی که آنتولوژی ها فقط به توصیف کلی یا عمومی چیزهایی که ویژگیهای معینی دارند می‌پردازد، اما به اطلاعات مشخص در رابطه با اعضا و موجودیت‌های حاضر در آن حوزه نمی پردازد.برای مثال به جای توصیف یک سگ و همه مشخصات آن سگ موردنظر، یک آنتولوژی باید بر روی مفاهیم عمومی سگ‌ها متمرکز شود. یعنی سعی کند ویژگی های را مطرح کند که اکثر سگ ها دارند. این کار به ما اجازه استفاده مجدد از آنتولوژی برای توصیف سایر سگ ها در آینده را می دهد. آنتولوژی از سه بخش اصلی تشکیل شده است که به صورت زیر توصیف می‌شود:کلاس ها: یعنی انواعی از چیزها که دارای مشخصات معین و منحصربه فرد هستند که در داده های ما وجود داردارتباطات: ویژگی هایی که دو کلاس را به یکدیگر مرتبط می کنندخصیصه‌ها: ویژگی هایی که کلاس یک عضو را مشخص می کنندبرای مثال در نظر بگیرید ما اطلاعات زیر را در رابطه با کتاب ها نویسندگان و منتشر کنندگان داریم :در ابتدا ما میخواهیم کلاس های مان را مشخص کنیم( یعنی انواع یکتا از چیزهایی که در داده‌های ما وجود دارند) این داده ها اطلاعات را در رابطه با کتاب ها ارائه می دهد، بنابراین کتاب گزینه مناسبی برای کلاس می باشد. به طور مشخص داده های نمونه ما، انواع مشخصی از چیزها در رابطه با کتاب در بردارند، نظیر نویسندگان و انتشارات. اگر کمی دقیق تر شویم متوجه می شویم که این داده ها همچنین اطلاعاتی را در رابطه با انتشارات و نویسندگان نیز دارد، نظیر موقعیت مکانی آنها بنابراین در نهایت با چهار کلاس زیر طرف هستیم:کتاب هانویسندگانانتشاراتموقعیت های مکانیدر مرحله بعدی لازم است که ارتباطات و مشخصه های ویژگی ها را تعیین کنیم( برای سادگی ما ارتباطات و مشخصه ها را به عنوان ویژگی در نظر می گیریم). با استفاده از کلاس هایی که ما قبلا مطرح کردیم می توانیم به داده ها نگاه کنیم و ویژگی هایی را که برای هر کلاس می بینیم لیست کنیم. برای مثال با نگاه به کلاس کتاب ویژگی هایی مانند موارد زیر مطرح می‌شود:کتاب‌ها نویسندگانی دارندکتابها انتشاراتی دارندکتاب ها در یک تاریخی منتشر می‌شوندکتاب ها توسط کتاب‌های دیگری مورد ارجاع قرار می گیرندبرخی از این ویژگی ها ارتباطی هستند که دو کلاس را به همدیگر متصل می کنند. برای مثال ویژگی “کتاب ها نویسندگانی دارند”، ارتباطی است که کتاب را به نویسنده متصل می‌کند و سایر ویژگی ها نظیر “متصل می کنند.. لازم است که مد نظر داشته باشید که این ویژگی ها می تواند به هر کلاسی نسبت داده شود اما الزاماً قرار نیست که به هر کتابی نسبت داده شود. برای مثال خیلی از کتاب ها به سایر کتابها ارجاع نداده اند. ما هیچ مشکلی نداریم و این امری طبیعی است، چرا که ما فقط می خواهم اطمینان حاصل کنیم که ویژگی های ممکن که ممکن است به بسیاری از کتاب ها و الزاما نه همه آنها اعمال شود را در آنتولوژی مطرح کرده ایم. همچنان که ویژگی های بالا به راحتی قابل درک و خواندن می باشد می توانیم آنها را به شیوه شهودی تری که کلاس ها و ویژگی ها از هم مجزا باشند نمایش دهیم. برای مثال “کتابها نویسندگانی دارند” می تواند به صورت زیر نوشته شودBook → has author → Authorاگر چه خیلی ویژگی های دیگری هم هستند که می‌توانید در انتولوژی لحاظ کنید که البته این موضوع به نیاز مندی های شما و مورد کاربردی شما بستگی دارد. در این آموزش صرفاً به بیان ویژگی‌های زیر بسنده می کنم:Book → has author → AuthorBook → has publisher→ PublisherBook → published on → Publication dateBook → is followed by → BookAuthor → works with → PublisherPublisher → located in → LocationLocation → located in → Locationبه خاطر داشته باشید که آنتولوژی ما یک مدل داده کلی می باشد به این معنی که ما قصد نداریم اطلاعاتی را در رابطه با کتاب های مشخصی در آن توجه خود قرار دهیم، به جای آن می‌خواهیم یک چارچوب با قابلیت استفاده مجدد ایجاد کنیم که از آن بتوانیم برای توصیف سایر کتاب ها در آینده نیز استفاده کنیم وقتی ما کلاس ها و ارتباط آن را با یکدیگر ترکیب می کنیم .می توانیم آنتولوژی را به شکل یک گراف مانند تصویر زیر تصور کنیم:گراف دانش چیست ؟با در نظر گرفتن استفاده از آنتولوژی به عنوان یک چارچوب می توانیم داده های واقعی را در رابطه با کتاب های مشخص، نویسندگان، انتشارات و موقعیت مکانی آنها ایجاد کنیم تا یک گراف دانش را تولید کنیم. با توجه به اطلاعاتی که در جدول بالا داشتیم همچنین با در نظر گرفتن آنتولوژی می توانیم نمونه های مشخصی از هر کدام از ارتباطات هستی شناسانه خود را ایجاد کنیم. برای مثال ما ارتباطی به صورت Book → hasauthor → Author در آنتولوژی خود داریم یک نمونه از این ارتباط به صورت شکل زیر می باشد :اگر ما همه اطلاعات موردی را در رابطه با یکی از کتابهای داریم ایجاد کنیم گراف دانشی مشابه تصویر زیر خواهیم داشت:گر این کار را با تمام داده های خود انجام دهیم در نهایت با گرافی روبرو می شویم که تمام داده های آن بر مبنای آنتولوژی شکل گرفته است. با استفاده از این گراف دانش میتوانیم داده های خود را به صورت شبکه ای از ارتباطات ببینیم به جای آن که آنها را به صورت جداول جداگانه داشته باشیم. با استفاده از زبانSPARQL می توانیم از این داده هاquery بگیریم و با استفاده از استنتاج، گراف دانش ما تباطاتی را برای ما ایجاد می‌کند که قبلاً تعریف نشده بودند.بنابراین تفاوت آنتولوژی با گراف دانش چیست ؟همانطور که در مثال بالا ملاحظه کردید یک گراف دانش هنگامی ایجاد می شود که شما یک آنتولوژی ( همان دیتا مدل ما) را به یک دیتاست از داده های معین (داده های مربوط به کتاب، نویسنده و انتشارات) اعمال کنید. به بیان دیگر می توان گفت :ontology + data = knowledge graph5- آنتولوژی و وب معنایی :برای کسانی که علاقه مند هستند به تحولاتی که در حوزه وب صورت گرفته است و همچنین مشخصا برای کسانی که علاقه مند به حوزه وب معنای می باشند آنتولوژی ها موضوع جذابی است. اما هرچند آنتولوژی ها موضوع مهمی در زمان کنونی است، سوالاتی در این رابطه وجود دارد که آنتولوژی ها چه هستند و نقش آنها در حوزه وب معنایی چیست .انتولوژی ها عمدتاً برای اهداف دسته بندی ساختارهای سلسله مراتبی، طراحی فرهنگ لغات، اصطلاح‌شناسی ها و دیکشنری ها مورد استفاده قرار می گیرد.کلمه آنتولوژی در واقع شاخه‌ای از فلسفه می باشد که در رابطه با ماهیت موجودات و ساختار جهان صحبت می کند. اما تعریف بهتری هم برای درک عملکرد آنتولوژی ها در حوزه وب معنای وجود دارد. در واقع می توان گفت آنتولوژی دسته بندی کردن موجودیت هایی که وجود دارند یا ممکن است وجود داشته باشند و بیان ارتباطات بین آنها در یک حوزه یا دامنه مشخص است.واژه آنتولوژی غالباً برای بیان درک معنایی، یعنی بیان چارچوب مفهومی دانش بین اعضایی که در یک حوزه مشخص وجود دارند به کار می رود .در حوزه وب معنایی آنتولوژی ساختاری است که معانی و مفاهیم آن حوزه را مشخص می کند. یعنی یک چارچوب مفهومی به زبانی که برای ماشین قابل فهم باشد.رایج ترین تعریف برای آنتولوژی تعریفی است که Tom Gruber ارائه کرده است. او آنتولوژی ها را به عنوان “ساختاری برای بیان ویژگی های دقیق و مشخص از یک مفهوم ” تعریف کرده است .این تعریف کوتاه و زیباست اما تعریفی ناقص است چرا که از بیرون حوزه به ان نگاه شده است .در واقع می توان انتولوژی ها را به صورت یک ساختار مفهوم سازی شده ساده از جهان موجود نامید که به صورت رسمی و قابل درک برای ماشین و کامپیوتر ایجاد شده است.چرا به آنتولوژی نیاز داریم ؟به دلیل آنکه در حال حاضر وب به نحوی طراحی شده است که به مردم یا همان انسان ها سرویس دهی کند ، بنابراین تگ های متا دیتا برای سیستم های کامپیوتری نامفهوم است است. در حال حاضر زبان xml به سرعت در حال رشد است تا جای زبان html را به عنوان زبان وب بگیرد. اما زبان xml اساساً با ساختار فیزیکی صفحات وب سر و کار دارد و اسامی تگ های XML برای ماشین ها و کامپیوتر ها قابل درک نیست. اگر هدف وب معنایی را فراهم کردن بستر و شرایطی برای ایجاد درک ماشینی از از صفحات بدانیم، بنابراین این کامپیوتر ها باید بتوانند معانی منبع یا صفحه را یا موجودیت را درک کنند. بنابراین صرفاً نشان دادن محتویات صفحات وب کافی نیست، بلکه نیاز به عملیات استنتاج و کشف دانش از محتویات صفحات وب را داریم.در فضای وب معنایی انتولوژی را می‌توان مفهوم سازی از یک حوزه دانش دانست که توسط مجموعه ای از کاربران ایجاد شده است است و به نحوی با یک دیگر تعامل دارند و برای درک توسط کامپیوتر ها طراحی شده است. آنتولوژی مفاهیم معنایی و دقیقی در رابطه با منابع ارائه می دهد .انتولوژی می‌تواند مفاهیم حوزه های مرتبط را نیز مشخص کند، همچنین ویژگی ها، محدوده مقادیر یا مجموعه مشخص از موارد مرتبط با ویژگی ها را و همین طور ارتباطات ممکن که می توان بین مفاهیم برقرار کرد را تعیین می کند. به دلیل آنکه یک آنتولوژی مفاهیم مرتبط را تعریف می کند و این یعنی بیان موجودیت ها و ویژگی های آنها و ارتباطات معنایی که بین این مفاهیم به دست می آید، بنابراین آنتولوژی امکان پردازش کردن منابع را مبتنی بر تفسیری معنادار از محتویات، به جای صرفا نمایش یا بیان ساختار فیزیکی منابع امکان پذیر می سازد.نمونه ای از یک آنتولوژی :آنتولوژی ها در حوزه وب مفهوم جدیدی نیست در واقع می توان گفت هر متادیتایی در واقع یک آنتولوژی هست که یک ویژگی مفهومی از منابعی که در حوزه مشخصی تعریف شده است را بیان می کند. بنابراین برای مثال مجموعه عناصری که در یک حوزه مشخص انتخاب و تعریف شده اند ، خودشان در واقع یک آنتولوژی هستند.نقش RDF/RDFS :اگرچه ساختار سلسله مراتبی به عنوان یک ویژگی مشخص و منحصر به فرد در آنتولوژی ها محسوب نمی شود اما این قابلیت به عنوان موضوع اصلی در ساختارهای RDF و RDFS به حساب می آید .این دو زبان توسط بنیاد W3C به وجود آمدند تا به عنوان یک ابزار کلی برای نمایش دانش مورد استفاده قرار گیرد، که در واقع روشی است برای توصیف موجودیت ها یا تعریف یک آنتولوژی یا متادیتا .RDF/RDFS در رابطه با محتوا هیچ پیش فرضی ندارد همچنین مفاهیم و معانی هیچ حوزه به خصوصی را مد نظر قرار نمی دهد و به مقادیر هیچ مجموعه از پیش تعیین شده ای وابسته نیست.اگرچه استفاده مجدد عناصر یا موجودیت ها در یک آنتولوژی یا ساختار متادیتا را پشتیبانی می کند. RDF یک مدل را تعریف می‌کند یعنی مجموعه ای از عناصر برای توصیف منابع با استفاده از ویژگی های معین و مقادیری که به انها تعلق می گیرد. از این مهمتر اینکه این زبان ساختاری به وجود می آورد که این امکان را می دهد تا بتوانیم یک شماتیک یا ساختار معینی را از یک حوزه به خصوص ایجاد کنیم. از این زبان می توان برای کد کردن اطلاعات به نحوی که برای کامپیوترها قابل درک باشد استفاده کنیم تا بتوانیم داده ها را بین برنامه های مختلف تبادل کنیم تا امکان پردازش اطلاعات معنایی فراهم شود .RDFS به منظور توسعه RDF ایجاد شده است که یک زبان توصیفی و قابل پردازش برای ماشین می باشد. از این زبان می توانیم استفاده کنیم برای توصیف رسمی یک آنتولوژی یا ساختار متادیتا، به عنوان مجموعه ای از کلاس ها و ویژگی های آنها، تا مفاهیم بین کلاس ها و ویژگی ها را تعیین کنیم و همچنین ارتباطات بین کلاس ها را مشخص کنیم. همچنین ارتباطات بین ویژگی ها و بین کلاسها و همچنین امکان اعمال قید بر روی ویژگی ها را به ما می دهد. RDF و RDFS با همدیگر یک مدل معنایی قابل فهم توسط ماشین ایجاد می کند که امکان هماهنگی، ایجاد ارتباط بین ساختارهای ناهمگن در حوزه‌های مختلف را به وجود می آورد.تعریف RDFS :برای اینکه به طور واضح تر ساختار و عملیات آنتولوژی ها را درک کنید بهتر است که نگاه دقیق تری به ساختار RDFS داشته باشیم .درحالی که یک ساختار XML قیدهای معین بر روی ساختار یک سند XML تعیین می کند، می توان گفت یک ساختار RDFS در واقع اطلاعات ضروری را برای یک سیستم کامپیوتری فراهم می‌کند تا بتوانند عبارات بیان شده به زبان کلاس ها، ویژگی ها و مقادیر تعبیه شده در ساختار را درک کند. یکی از مکانیسم های مهم در RDFS ایجاد یک ساختار استنتاج معنایی می باشد که در واقع منجر به یک وب متشکل از دانش می گردد که در مقایسه با ساختار های قدیمی می تواند نسبت موجودیت ها در مقایسه با یکدیگر و ارتباطات بین آنها را درک کند.ساخت ارتباطات از طریق ساختارهای تو در تو قابلیت مهمی است، به این صورت که یک زیر کلاس یا زیر ویژگی، تعاریف ویژگی ها و قیدهای والد خود را به ارث می برد .باید گفت یک آنتولوژی RDFS از یک ساختار با قابلیت صرفاً دسته بندی متفاوت است.هر عنصر در آن نوعی کلاس یا ویژگی است. علاوه بر این ارتباطات بین ویژگی ها یا کلاس ها چند سلسله مراتبی(polyhierarchical) است.بنابراین برای مثال می توان گفت یک کلاس می تواند زیر کلاس یک دو سه یا تعداد بیشتری از سوپر کلاس باشد.یک سیستم دسته بندی یا کلاس بندی سنتی از حداقل ویژگی ها استفاده می کند و یک ساختار سلسله مراتبی ایجاد می کند. در مقابل آنتولوژی RDFS به نحوی موجودیت ها و عناصر را ایجاد می‌کند که آنها توسط مفاهیم و ویژگیها شناخته شوند و برخلاف یک دسته بندی سنتی انتولوژی ها می‌توانند از مجموعه‌ای از قواعد استنتاج استفاده کنند که به سیستم کامپیوتری امکان استنتاج در رابطه با دانش ارائه شده را می دهد تا بتواند ارتباطات بین موجودیت ها را کشف کرده و به دانش جدیدی دسترسی پیدا کند.در یک آنتولوژی RDFS ارتباطات بین کلاس ها و ویژگی ها با تعیین کردن دامنه یک ویژگی تعیین می شود که این کار با مقید کردن کلاس یا مجموعه‌ای از کلاس ها که ویژگی با آنها اعمال می شود صورت می گیرد .همچنین می‌توان مجموعه یا کلاس هایی را به عنوان RANGE انتخاب کرد که مقادیر ویژگی ها باید از درون آنها انتخاب شود .بنابراین RANGE معین می‌کند که مقادیر ویژگی نمونه‌ای است از یک کلاس یا موجودیت مشخص باشد آنتولوژی را نمیتوان صرفاً یک دسته بندی و یک دیکشنری از لغات دانست در واقع آنتولوژی روش های دسته بندی سنتی را توسعه داده است و از قابلیت های ساختارهای سلسله مراتبی و ساختار واژگان کنترل شده تشکیل شده است. ساختار معنایی، زیربنایی را برای شماتیک های متادیتا فراهم می کند و امکان برقراری ارتباط بین سیستم های مختلف را ایجاد می کند که این کار با استفاده از تعریف یک مدل مفهومی استاندارد برای یک مجموعه از کاربران ایجاد می شود. بنابراین می توان گفت آنتولوژی ها یک ساختار زیربنایی مفهومی ایجاد می کنند که بدون آن دستیابی به هدف وب معنایی غیر ممکن خواهد بود.مسیرهای پیش رو در آینده :هنوز کارهای زیادی باید صورت بگیرد تا قابلیت و اثرگذاری انتولوژی های کنونی توسعه پیدا کند. در حالی که تلاش هایی برای بهینه کردن مدل های RDF/RDFS در حال انجام است از سوی دیگر ساختارهای نظیر DAML+OIL و OWL در حال توسعه هستند تا بر روی چهارچوب و بنایی که توسط RDF و RDFS پایه گذاری شده است خود را توسعه دهند.6- پردازش زبان طبیعی NLP توسط آنتولوژی :وظیفه آنتولوژی فراهم آوردن محتوای معنایی می باشد. شناسایی موجودیت ها در متن ساخت نیافته تمام کاری که باید انجام دهیم نیست .مدل‌های آنتولوژی با نمایش این که چگونه موجودیت ها به سایر موجودیت ها (چه در همان متن و چه در یک حوزه کلی ) مرتبط می شوند ساختار را تکمیل می کنند.همانطور که در تصویر بالا مشاهده می کنید این عبارت علامت گذاری شده است و کمان هایی به رنگ قرمز در تصویر مشخص می باشد. ما فقط دو کلمه را در این متن علامت گذاری کرده ایم. ویلیام شکسپیر به عنوان یک نمایشنامه نویس و هملت به عنوان یک نمایش نامه.اما به عمق دانشی که در این متن داریم توجه کنید.در این تصویر ما یک مدل را رسم کرده ایم .طبق تصویر مشخص است که ۶ عدد علامت گذاری توسط کمان ها صورت گرفته است .این علامت گذاری ها توسط موتورNLP صورت گرفته است و مدل سازی شده است.این مدل سازی درون یک آنتولوژی انجام شده است. در واقع ما توسط هستان شناسی می‌فهمیم که چگونه یک کتاب(Book) با یک تاریخ(Date) یا یک زبان (Language) و همچنین یک زبان با یک کشور(Country) و آن هم با یک نویسنده(Author) و غیره مرتبط است .هر کدام از علامت گذاری ها توسط یک دیکشنری پشتیبانی می شود داده های این دیکشنری در خارج از حیطه آنتولوژی مربوطه ساخته شده است.آنتولوژی فقط ارتباطات بین علامت گذاری ها با یکدیگر را نمایش می دهد .علامت گذاری ویلیام شکسپیر به عنوان یک نویسنده یک ساختار سه تایی ضمنی محسوب می شود: ویلیام شکسپیر یک نویسنده است.گذار به داده های ساخت یافته (استخراج سه تایی ها) :هم اکنون ما در ابتدای مرحله انتقال از حالت ساخت نیافته به قلمرو داده‌های ساخت‌یافته می باشیم اگر بدانیم که ویلیام شکسپیر یک نویسنده است همچنین می دانیم که هر نویسنده در کشوری زندگی می کند و همچنین نویسنده ها کتاب هایی را می نویسند که در تاریخ های مشخصی منتشر می شود و به زبان مشخصی هم نوشته شده است و غیره. یک زنجیره معنایی کامل از اطلاعات داریم که می‌توانند از این عبارت استخراج شود و نکته اصلی همین جاست .علاوه بر این هستی شناسی به ما کمک می‌کند تا بفهمیم چه داده هایی را نداریم .اگر موتور NLP بتواند نویسنده و عنوان را تشخیص دهد چه چیزی را تشخیص نداده است؟به نظر می رسد که همه کتاب ها در در یک تاریخ معینی انتشار می یابند بنابراین به دنبال این تاریخ بگردیم همچنین به نظر می رسد که در موضوع نوشتن کتاب یک زبان هم مطرح است بنابراین می‌توانیم آن را هم بیابیم .به طور خلاصه آنتولوژی ارتباطاتی را که بین موجودیت ها یا علامت گذاری ها وجود دارد را به ما میدهد .آنتولوژی به ما کمک می‌کند که هر علامت گذاری را در یک حوزه وسیع تر ( حوزه زنجیره معنایی و شبکه معنایی) داشته باشیم. همچنین کمک می کند تا بدانیم چه اطلاعاتی را نداریم و باید دنبال کدام اطلاعات در متن بگردیم.7- مقدمه ای بر وب معنایی :وب معنایی در واقع نسخه توسعه یافته ای از وب کنونی محسوب می شود ، که می تواند از داده هایی که برای کامپیوتر قابل درک و تفسیر می باشد،کاربردها و قابلیت های خاصی را ارائه دهد. به بیان دیگر ما یک سری داده های اضافی به محتوا یا داده های موجود در وب سایت ها اضافه می کنیم.در نتیجه کامپیوتر ها می توانند از این داده های اضافی استفاده کنند و معانی دقیق تری را از جملات استنباط کنند. مثل حالتی که ما انسان ها از اطلاعات مختلف استفاده می‌کنیم تا موضوعی را درک کنیم.به مثال زیر دقت کنید: Paul Schuster was born in Dresden به کلمات property=name و property=birthPlaceتوجه کنید . یک سیستم کامپیوتری از این مشخصه ها می فهمد کهPaul Schuster نام فرد است و Dresden محل تولد اوست.هدف نهایی وب معنایی درک بهتر اطلاعات توسط کامپیوتر ها می باشد.کلمه “معنایی” یا“semantic” اشاره به داده هایی دارد که یک کامپیوتر توان پردازش و درک آن را دارد، و کلمه “وب” یا “web” اشاره به یک فضایی دارد که منابع(وب سایت) مختلف از طریق آدرس ها یا همان URI به هم متصل شده اند.آینده پیش روی وب معنایی :سه موضوع یا هدف به عنوان مساعل اصلی در حوزه وب معنایی مطرح بوده است :بازیابی خودکار اطلاعاتاینترنت اشیافراهم آوردن سیستم مشاوره یا دستیار شخصیبه مرور زمان این موضوعات تبدیل به دو عنوان جدید شد :داده باز پیوندی یا Linked Open Dataفراداده های معنایی Semantic Metadataداده های باز پیوندی : مسیری به سوی ساختارهای پیچیده داده ها :برای آن که وب معنایی کاربرد داشته باشد،کامپیوتر ها باید به مجموعه های ساخت یافته اطلاعات و همچنین مجموعه های قوانین استنتاجی که می تواند نتایج استنتاج شده خودکار را فراهم کند دسترسی داشته باشند.داده های باز پیوندی در واقع داده های ساخت یافته هستند که به صورت یک گراف مدل سازی شده اند به نحوی که امکان برقراری ارتباطات داخلی بین سرور های مختلف را فراهم می آورند.4 قانون داده های باز پیوندی عبارت اند از :از URI به عنوان نام اشیا استفاده شوداز HTTP URI ها استفاده شود تا افراد بتوانند به آن ادرس ها مراجعه کنندهنگامی که یک نفر به یک URI مراجعه می‌کند، با استفاده از استانداردهای موجود (RDF*, SPARQL) ، اطلاعات مفیدی را به دست آوردشامل لینک هایی به سایر URIها باشد.بنابراین افراد می توانند اطلاعات بیشتری به دست آورند.داده های باز پیوندی به انسان ها و کامپیوترها امکان می دهد از طریق سرور های مختلف به داده ها دسترسی پیدا کنند و معانی آنها را بهتر درک کنند.در نتیجه وب معنایی باعث تغییر از فضایی متشکل از اسناد پیوندی به فضایی متشکل از اطلاعات پیوندی می شود.که به نوبه خود باعث ساخته شدن یک شبکه قدرتمند از معانی قابل درک برای کامپیوترها می گردد.داده های باز پیوندی شامل موارد زیر می گردد :داده های بدیهی در رابطه با موجودیت ها و مفاهیم مشخص (مثلاً در رابطه با تئوری گرم شدن اب و هوای جهان )آنتولوژی یا هستان شناسی ها- که شامل موارد زیر می باشد :کلاس هایی از اشیا (برای نمونه اشخاص، سازمان ها، مکان ها و اسناد )نوع روابط (برای مثال : “تاثیر-دارد-بر” یا “اثر-درمانی-دارد-بر”)ویژگی ها (مانند تاریخ تولد یک شخص یا جمعیت یک منطقه جغرافیایی )8- کاربرد آنتولوژی و وب معنایی در پزشکی :پیچیدگی و تنوع دانش و اصطلاحات پزشکی یکی از معضلات مطالعات حوزه های تحقیقاتی و دانشگاهی می باشد. پیدا کردن و انتخاب داده های ارزشمند اغلب به خاطر فرمت های گوناگون و معانی متعددی که دارند دشوار است . در این مقاله می خواهیم بگوییم که آنتولوژی ها و تکنولوژی های وب معنایی نظیرOWL,RDF و SPARQL می‌توانند ساختارهای ضروری برای حوزه ه‌های مختلف پزشکی را فراهم کند و همچنین به عنوان ابزاری برای ارائه راهکارهایی برای معضلات پیش رو به کار رود ..یکی از مسائل مهم در در زمینه سلامت، اطمینان از تعامل بین سیستم های سلامت و مراقبت می باشد .آنتولوژی یا همان هستی شناسی قابلیت تعامل در سیستم‌های مبتنی بر سلامت را بهبود می بخشد. در این حوزه ها تعامل بین سیستم ها نسبت به سایر حوزه ها مانند حوزه اقتصاد با دشواری بیشتری روبرو است و به همین دلیل استفاده از هستان شناسی گزینه بهتر می باشد.هستان شناسی کمک می کند سیستم های اطلاعات قوی تر و با تعامل پذیری بیشتری ساخته شود .اینگونه سیستم ها می توانند نیازمندی های مختلف نظیر پردازش های مبتنی بر سلامت برای استفاده مجدد ،انتقال و اشتراک داده‌های شخصی بیماران و موارد متعدد دیگری را پشتیبانی کنند.استفاده از این تکنولوژی در پزشکی غالبا بر روی نمایش و سازماندهی و همچنین سازماندهی مجدد اصطلاحات علمی پزشکی متمرکز شده است .در واقع در حال حاضر هستان شناسی یک بخش اصلی و اساسی برای ارائه هرگونه راهکار مرتبط با اصطلاحات علمی پزشکی می باشد .این مقاله قصد دارد به بررسی نقش هستان شناسی و شبکه های معنایی در حوزه پزشکی بپردازد.به نقش تکنولوژی اطلاعات در این حوزه و خصوصیات و ویژگی هایی که برای راهکارهای مبتنی بر تکنولوژی مورد نیاز است می پردازیم.به طور مشخص در این مطالعه اطلاعات پزشکی تعدادی بیمار مورد بررسی قرار گرفته است.هستان شناسی که اینجا مطرح شده است تنها بخش کوچکی از آن چیزی است که می تواند برای داده های پزشکی صورت پذیرد.مشخصه های وب معنایی :در حال حاضر وب به بخش جدایی ناپذیر از زندگی ما تبدیل شده است و حجم اطلاعات آنلاین به طور مداوم رو به رشد می باشد. علاوه بر متن ساده که وب را پر کرده است سایر اطلاعات نظیر تصاویر و ویدیو بخش رایج در این حوزه شده اند.اینجا سوال این است که چگونه در میان این حجم عظیم است اطلاعات،بتوانیم اطلاعات مفید و مورد نظر خود را پیدا کنیم؟این به این معنی است که چیزی که مورد نیاز مان هست را بدون جستجوی زیاد پیدا کنیم در حالی که اطلاعات بی شماری در رابطه با موضوع مورد نظر وجود دارد.موتور های جستجوی سنتی هنگامی که قرار است مفاهیم متون را درک کنند با مشکل و محدودیت روبرو می شوند. اینجاست که وب معنایی به کمک ما می آید. “تیم برنرزلی” دو هدف برای وب که باید تامین شود را تعریف کرده است : اولین هدف امکان دادن به مردم برای کار کردن و تعامل با همدیگر به وسیله فراهم کردن شرایطی به منظور اشتراک دانش بین آنها استهدف دوم فراهم کردن ابزار هایی که بتواند به مردم برای تحلیل و مدیریت کردن اطلاعاتی که به اشتراک می گذارند به نحوی معنی دار کمک کند. این رویکرد به عنوان وب معنایی شناخته شد(SW). پس در ابتدا اصطلاح وب معنایی توسط “تیم برنرزلی” مطرح شد که البته از مطالعات فراوانی که در این حوزه صورت پذیرفت الهام گرفته است . از زمان مطرح شدن این موضوع، توسعه تکنولوژی های وب معنایی به شکل فزاینده‌ای در حوزه مرتبط با وب (WWW) مطرح شد. ,وب معنایی در واقع یک نسخه توسعه یافته از وب سنتی می باشد، به این معنی که اطلاعاتی که در متون معمولی وجود دارد توسط معانی مبتنی بر ساختارهای دانش تکمیل می شود .وب معنایی همچنین به عنوان یک بسط یا توسعه از وب(WWW) می باشد که به کامپیوترها اجازه جستجو، ترکیب کردن و پردازش هوشمندانه محتوا به را مبتنی بر مفهوم و درکی که انسان ها از این متون دارند ارائه می دهد.در غیاب هوش مصنوعی در سطح درک انسان، این نتیجه فقط در صورتی به دست می آید که منابع به طور واضح به فرمی که برای کامپیوتر ها قابل پردازش باشد تعریف شده باشد.در واقع برای رسیدن به این نتیجه صرفاً ذخیره کردن داده ها در یک ساختار قابل خواندن برای ماشین کافی نیست بلکه لازم است که این داده ها با معانی و مفاهیمی که به طور واضح نتایجی که باید از اطلاعات در دسترس به دست آید را ارائه دهد .غالباً برای مردم پذیرش اعتبار و صحت محتوای یک سند دشوار است و به همین نسبت، فرموله کردن آن سند برای آن که برای کامپیوتر قابل درک باشد به مراتب دشوارتر است.بنابراین این یک تلاش غیر ممکن است.هدف وب معنایی توانمند کردن ماشین هاست تا نسبت به گذشته که به زمان و توجه انسان ها نیاز بوده است، اطلاعات بیشتری داشته باشند.به عنوان یک نتیجه گیری معانی و مفاهیم وب مربوط به بسط و توسعه مشخصی از www نمی شود بلکه به عنوان یک هدف ایده آل در رابطه با رشد روز افزون فضای شبکه مطرح است .ضمنا هر پیشرفتی در این حوزه می تواند همچنین نیز در کاربردهایی که الزاما مربوط به وب نیست، نیز مفید باشد.دورنمای وب معنایی شامل اضافه کردن یک ساختار، به صورتی که منابع به صورت ساده تری توسط نرم افزار ها و کامپیوتر ها قابل درک و فهم باشد می باشد.همانطور که قبلا اشاره شد وب معنایی یک دور نما از آینده وب می باشد که اطلاعات، معانی واضحی دارند و در نتیجه پردازش آنها برای ماشین ها ساده تر می شود و امکان تجمیع و ترکیب اطلاعات در فضای وب به صورت خودکار فراهم می شود.در واقع برای درک بهتر وب معنایی ،معماری طراحی شده توسط “تیم برنرزلی”، که “پشته وب معنایی” یا “کیک لایه وب معنایی” نامیده می شود،مفید به نظر می رسد.چرا معناشناسی برای ما مهم است :زبان طبیعی شگفت انگیز است، پیدا کردن یک واسط بهتر از این، دور از تصور است.بدون تلاش زیاد ،می توانیم از یک خارجی مکانی را که به دنبال آن هستیم سوال کنیم،می توانیم دانش خود در رابطه با موضوعات مختلف را در جمع دوستان مطرح کرده و به اشتراک بگذار یم،می توانیم به یک کتابخانه برویم یک کتاب را برداریم و از نویسنده ای که صدها سال قبل از ما می زیسته است بیاموزیم.معنی شناسی فرآیند برقراری ارتباط معنادار به منظور رسیدن به نتیجه برای انجام یک کار می باشد.مجموعه ای از نمادها می‌تواند برای رساندن مفهوم مورد استفاده قرار گیرد و این ارتباط می تواند بر نحوه رفتار تاثیر بگذارد.برای مثال هنگامی که این اسناد را می خوانیم کاری که انجام می دهیم این است که نظراتی که در این عبارات بیان شده است را با هر آنچه که از قبل می دانستیم یکپارچه سازی می کنیم.اگر مفاهیم نوشته شده در مقاله واضح باشد به خواننده کمک می‌کند تا ایده‌ای و تصوری در رابطه با آنتولوژی و معناشناسی وب پیدا کند تا به عنوان نقطه شروعی برای سایر هدف ها و فعالیت ها به کار رود.اگر به هدف معناشناسی نرسیم، خواننده اطلاعات مفید زیادی از این مطالعه به دست نمی آورد.بنابراین معناشناسی موضوع بسیار مهمی است و موضوع محوری در رابطه با هرکاری می باشد. اساس تکنولوژی های وب معنایی ساختارهای داده ه ای هستند که می‌توانند برای کد کردن دانش به منظور پردازش کامپیوتری مورد استفاده قرار گیر، .اگر چه تمرکز بر روی شکل های مختلف دانش می باشد .اکنون سه موضوع کلیدی که ساختار مفهومی برای وب معنایی فراهم می کند را به اختصار بیان می کنیم: ساخت مدل، یعنی تلاش برای تشریح یا توصیف جهان به نحوی انتزاعی، تا امکان درک آسان تر یک موضوع واقعیت پیچیده را امکان پذیر سازد. محاسبات مبتنی بر دانش، تلاش برای ساختن ماشین ها و کامپیوترهای استنتاجی که می توانند نتایج با معنی از دانش نامفهوم به دست آورند. تبادل اطلاعات، ارسال منبع پیچیده اطلاعات بین کامپیوتر ها و فراهم کردن این امکان که بتوانیم دانش را در یک مقیاس جهانی انتشار و پیونددهی کنیم.محدوده وب معنایی :تکنولوژی های وب معنایی و معناشناسی راه جدیدی را برای مدیریت اطلاعات و پردازش آنها که قاعده اصلی تولید و استفاده از فراداده های معنایی می باشد، پیش روی پای ما می گذارد.قرار دادن مجموعه ای از داده ها می باشد که اطلاعاتی را در رابطه با سایر داده ها ارائه می کند. فراداده در دو سطح وجود دارد. از یک سو فراداده ها می توانند یک سند را تشریح کنند، برای مثال یک وبسایت، یا بخشی از یک سند مثلاً یک پاراگراف. از سوی دیگر فراداده ها می توانند موضوعاتی یا چیزهایی را در یک سند تشریح کنند، برای مثال یک شخص،کشور یا شرکت.در هر دو مورد مسئله مهم این است که فرا داده موجودیتی معنا دار است.بنابراین می تواند در رابطه با محتوای یک سند و پیوند آن با سایر اسناد یا حتی در رابطه با یک موجودیت درون آن سند مطالبی را به ما بگوید.این مساله با چیزی که در حال حاضر در رابطه با وب سایت ها به کار می‌رود در تضاد است، چرا که در ساختار وب سایت ها از فراداه ها صرفا برای چگونگی نمایش داده ها استفاده می شودبرای مثال با استفاده از HTML از فراداده استفاده می‌کنیم تا بگوییم که مثلا یک عبارت باید به صورت برجسته با رنگ قرمز نمایش داده شود اما نمی‌توانیم بگوییم که آن عبارت در واقع معرف قیمت آن محصول یا نام آن و سایر می باشد .برخی خدمات و کاربردهای دیگری هستند که فرا داده می تواند از عهده آن برآید.در ابتدا با توجه به معنای اطلاعات می توانیم نه تنها متن که اطلاعات را دسته بندی و پیدا کنیم.سیستم ها با استفاده از معناشناسی می تواند تعیین کنند در چه موقعیت هایی کلمات و عبارت با یکدیگر معادل هستند.هنگامی که ما به جستجوی “George W Bush” می پردازیم، می توانیم سندی به دست آوریم که ما را ارجاع می دهد به سندی در رابطه با رئیس جمهوری ایالات متحده . به طور معکوس سیستم ها تشخیص متفاوتی می دهند در زمانی که همین کلمه با معانی متفاوتی استفاده می شود.اگر به دنبال مراجعی برای کلمه “پلنگ خال دار” در متن یا محتوای صنعت موتور جستجو کنیم،سیستم ممکن است ارجاعاتی که به گربه های بزرگ یا سیستم های عملیاتی با این نوع اسم وجود دارد را از نتایج خود حذف کند و در نظر نگیرد.روشی که اطلاعات نمایش داده می شود می تواند با استفاده از معناشناسی بهبود یابد.به جای یک جستجو که یک لیست خطی از نتایج را برمی گرداند، نتایج می تواند بر مبنای معانی جمع آوری شود. بنابراین یک جستجو برای پلنگ خالدار می تواند اسنادی را برگرداند که مربوط به نوعی ماشین، گربه های بزرگ، سیستم های عملیاتی و سایر موارد باشد که همگی آنها را به صورت یک جا بر می گرداند. اگر چه ما می توانیم با استفاده از روش معنی شناسی جلوتر رویم، که این کار به صورت ترکیب اطلاعات از همه اسناد مرتبط،حذف موارد زائد و جمع آوری داده های متناسب صورت گیرد.ارتباط بین موجودیت های اصلی در اسناد می تواند به صورت گرافیکی نمایش داده شود.تمامی این کارها به این خاطر است که بتوانیم از دانش موجود، دانش جدیدی را ایجاد کنیم.کاربرد فراداده معنایی برای یکسان سازی اطلاعات از منابع ناهمگن که درون یک سازمان یا بین سازمان های متفاوت وجود دارد ضروری است. شماتیک های متعددی برای توصیف و دسته بندی کردن اطلاعات استفاده می شود، و همچنین اصلاح علمی متعددی به همراه اطلاعات استفاده می شود. با ایجاد شماهای مختلف، امکان ایجاد یک نمای یکسان،و برقراری تعامل بین پردازش هایی که از اطلاعات استفاده می کنند فراهم می شود. توصیفات معناشناسی همچنین می‌تواند به فرایند هایی که در سرویس ها و خدمات وب وجود دارد اعمال گردد. زمانی که عملیات یک سرویس اینترنتی به صورت معنایی توصیف شود، وب سرویس مربوطه بسیار ساده تر پیدا خواهد شد.هنگامی که سرویس‌های موجود توسط فراداد هایی که عملیات و محتوای آن ها را توصیف می کنند فراهم شده باشند، آن گاه سرویس های جدید می توانند به صورت خودکار از ترکیب سرویس های موجود ایجاد شوند.هستان شناسی :تکنولوژی معنا شناسی پتانسیل فراهم کردن راهکارهایی برای بسیاری از محدودیت ها را دارد، نظیر فراهم کردن دسترسی پیشرفته به دانش با اتکا به فراداده های پردازش شده توسط کامپیوتر ها.با استفاده از معناشناسی می توانیم روش یا نحوه ای که اطلاعات نمایش داده می شوند را بهبود بخشیم. اساساً در همه برنامه های مبتنی بر وب معناشناسی، صحبت در مورد چگونگی استفاده از آنتولوژی می باشد.هستی شناسی ها اشتراک گذاری و استفاده مجدد از دانش رابین مصرف کننده های مختلف تسهیل می کنند، این مصرف کننده می تواند انسان یا کامپیوتر باشد.کلمه هستی شناسی در واقع علم شناخت موجودیت ها می باشد.در علوم کامپیوتر هستی شناسی نمایش رسمی دانش از مفاهیم متنوع درون یک حوزه و روابط بین این مفاهیم می باشد.فراگیرترین تعریف مربوط به Gruber می باشد.Gruber هستی شناسی را به عنوان “ذکر واضح مشخصات یک مفهوم سازی ” نامید.از ابتدا در رابطه با این تعریف مطرح بوده و تصور بر این بوده است که این تعریف کامل نیست. بنابراین نویسنده های دیگر در طول سالیان سعی کردند این تعریف را را تکمیل کنند در سال ۱۹۹۷، Borst هستی شناسی را ” ذکر مشخصات رسمی از یک مفهوم سازی مشترک نامید”.چندین سال بعد Studer این تعریف را با معرفی یک تعریف کامل تر توسعه داد:” هستی شناسی ذکر مشخصات واضح و رسمی از یک مفهوم سازی مجزا می باشد” .این توصیف به مطرح کردن موضوع خوانا بودن هستی‌شناسی برای کامپیوتر پرداخت.واضح بودن یعنی نوع مفاهیم استفاده شده و محدودیت ها آنها به طور واضح تعریف شده‌اند بنابراین ابهام را از بین می برد.درواقع مفهوم سازی یک انتزاع می باشد، یعنی در واقع یک تصویر ساده شده از جهانی که می خواهیم معرفی کنیم.مفهوم سازی دانش را در یک حوزه توصیف می کند.آنتولوژی باید شامل دانش به دست آورده شده است از گروه‌های مختلف به جای صرفاً یک شخص باشد.

نظریه محاسباتی ذهن (computational theory of mind)

Ali Nazarizadeh — Tue, 28 Jul 2020 14:36:30 +0430

1- مقدمهنظریه‌های مختلفی برای تبیین عملکرد مغز و رفتار شناختی انسان‌ها معرفی شده است که یکی از این نظریه‌ها، نظریه محاسباتی ذهن نام دارد.نظریه محاسباتی یا همان مدل پردازش اطلاعات، اولین مدل نظری است که پس از پدید آمدن علوم شناختی، برای توصیف ذهن استفاده شد. نظریه محاسباتی ذهن و یا مدل پردازش اطلاعات با تکیه بر دو مفهوم بنیادی محاسبه و بازنمایی و نیز با در نظر گرفتن نقش علّی اطلاعات در فرآیند تنظیم و کنترل رفتار، پا به عرصه علوم گذاشت.2- تعریف:به بیان کلی می‌توان گفت در رویکرد محاسباتی، ذهن به عنوان سیستم پیچیده‌ای در نظر گرفته می‌شود که اطلاعات را دریافت، ذخیره، بازیابی، تبدیل و سپس منتقل می‌کند. فعالیت‌ها یا اعمالی که روی اطلاعات انجام می‌شود، محاسبه یا پردازش اطلاعات نام دارد و محاسباتی نامیده شدن آن نیز از این جهت است.نکته قابل توجه دیگر در مدل‌های محاسباتی ذهن این است که در این مدل‌ها، سیستم شناختی انسان همانند نوعی رایانه تصور می‌شود که قادر است، محاسبات بسیار پیچیده‌ای انجام می‌شود. رایانه دستگاهی است که از شیوه‌ای سیستماتیک برای پردازش اطلاعات استفاده می‌کند. ابتدا اطلاعات و داده‌ها به صورت کد، وارد رایانه می‌گردد و سپس با انجام فرآیندهای محاسباتی، اطلاعات داده شده تجزیه و تحلیل گردیده و بالاخره خروجی مشخص می‌شود.رویکرد محاسباتی ذهن3- دو مفهوم کلیدی:به همین شکل، نظریه محاسباتی ذهن پیشنهاد می‌کند که می‌توان سیستم عصبی انسان را نیز به مثابه سیستمی در نظر گرفت که به صورت محاسباتی عمل می‌کند. همچنان که رایانه‌ها مجموعه‌ای از بیت‌ها را پردازش می‌کنند، ذهن انسان نیز همین کار را با بازنمایی‌های ذهنی انجام می‌دهد.نظریه محاسباتی ذهن دارای چند ویژگی مهم است که در ادامه در مورد آن‌ها توضیح می‌دهیم. محاسبه و بازنمایی دو مفهمو کلیدی در علوم شناختی هستند.شناخت حاصل نوعی محاسبه یا پردازش اطلاعات است. به بیان دیگر، فعالیت شناختی، امری جز دستکاری نمادها یا بازنمایی‌های ذهنی بر اساس قواعد صوری یا محاسباتی نیست.این عملیات محاسباتی بر روی نمادهایی انجام می‌شود که علاوه بر آنکه با نظام پردازشی سیستم همخوانی دارند، از صفات بازنمایی نیز برخوردار هستند. هنگامی که ما درباره‌ی اشیا و پدیده‌ها و آنچه که در دنیای بیرون ذهن مان قرار دارد فکر می‌کنیم، کاری که در ذهن انجام می‌دهیم پردازش خود اشیا نیست. بلکه پردازش نمادهایی است که بازنمایاننده دنیا هستند و اطلاعات محیط و اجزای دنیا را در خود دارند. هنگامی که به صورت کلامی یا تصویری چیزی را در ذهن مجسم می‌کنیم، مستقیما از اجزای محیط استفاده نمی‌کنیم. بلکه از کلمات یا نمادهایی استفاده می‌کنیم که به آن اجزا اشاره دارد. نمادهایی که در ذهن انسان ابزار انتقال اطلاعات هستند، بازنمایی‌های ذهنی نامیده می‌شوند.نحوه فکر کردن و تجسم اشیا4- توصیف صوری و الگوریتمیک:توصیف صوری و الگوریتمیک یکی دیگر از ویژگی‌های مهم نظریه محاسباتی ذهن می‌باشد. الگوریتم روشی صوری است که شیوه قدم به قدم محاسبه را تعیین می‌کند. نکته بسیار مهم در پردازش الگوریتمیک، این است که تنها بر اساس خصوصیات شکلی و نحوه‌ی بازنمودها یا رمزهای ذهنی عمل می‌کند و در آن پردازش معنایی دارای اهمیت نیست. معمولا نمادها دارای دو دسته ویژگی‌های صوری و ویژگی‌های معنایی می‌باشند.در محاسبات رایانه، اینکه درخواست شما به چه چیزی در عالم خارج دلالت دارد، اهمیتی ندارد. برای همین به این نوع پردازش، پردازش صوری یا نحوی گفته می‌شود که در برابر پردازش معنایی قرار می‌گیرد.مطابق نظریه محاسباتی ذهن، شناخت حاصل همین نوع پردازش صوری یا نحوی است. اما نتیجه این پردازش به گونه‌ای است که به نیازهای معنایی ما نیز پاسخ می‌دهد. یک رایانه برای اینکه رفتار هوشمندانه داشته باشد، نیازی به چیزی به جز همین پردازش صوری ندارد و اگر خوب طراحی شده باشد، می‌تواند پاسخ درخواست‌هایی که محیط از او دارد را بدون آنکه کسی متوجه عدم توجه آن به ابعاد معنایی شود، بدهد. داعیه نظریه محاسباتی ذهن این است که ذهن انسان نیز از همین شیوه پردازشی استفاده می‌کند. آنچه ما تفکر می‌نامیم چیزی جز محاسبه و انجام عملیات محاسباتی روی علایم ذهنی نیست و ذهن برای آنکه بتواند از عهده این کار برآید، باید واجد بخش‌های مستقل باشد. این بخش‌های مستقل عبارت‌اند از یک پردازش‌گر مرکزی، الگوریتم‌هایی برای رمزگردانی و رمزگشایی و سیستم‌های ورودی و خروجی.5- پیمانه ای بودن ذهن:یکی از ویژگی‌های مهم دیگر نظریه محاسباتی ذهن، پیمانه‌ای بودن آن است. به طور کلی بر اساس نظریه پیمانه‌ای بودن ذهن، ذهن یک سیستم پردازش واحد و یکنواخت نیست. بلکه مرکب از سیستم‌های کوچک‌تری می‌باشد که دارای اهداف مشخص بوده و کم و بیش مستقل از یکدیگر عمل می‌کنند. اگر ذهن دارای همچین ساختاری باشد، قاعدتا فهم فعالیت‌های آن باید از طریق فهم فعالیت‌های زیر سیستم‌های آن و ارتباط کارکردی آن‌ها با یکدیگر صورت بگیرد. برخی از محققان از شواهد بدست آمده از مطالعات اعصاب شناختی، برای تایید این فرضیه استفاده می‌کنند. برای مثال کسی که مبتلا به ادراک پریشی چهره(Prosopagnosia) است، به رغم سالم بودن سایر توانایی‌های ذهنی، نمی‌تواند چهره اشخاص یا حتی چهره خود را تشخیص دهد. چنین اختلالی می‌تواند بیانگر این باشد که توانایی تشخیص چهره یک پیمانه است.6- آزمایش اتاق چینی:نظریه محاسباتی ذهن هنوز هم یکی از بانفوذترین مدل‌ها در حوزه‌ی علوم شناختی به حساب می‌آید اما با این حال مخالفان جدی نیز دارد. جان سرل(John Searle) در بین منتقدان نظریه محاسباتی ذهن یکی از مشهورترین‌ها است. سرل آزمایش فکری مشهوری دارد که جزو آزمایش‌های کلاسیک در حوزه‌ی علوم شناختی محسوب می‌شود. این آزمایش اتاق چینی نامیده می‌شود و در مقابل بازی تقلید تورینگ قرار می‌گیرد. در آزمایش فرضی، فردی انگلیسی زبان داخل اتاقی است که اتاق چینی نام دارد. در این اتاق تنها چیزی که وجود دارد یک کتاب راهنمای بزرگ می‌باشد که در آن دستورالعمل‌های لازم برای پیدا کردن معادل برای عبارت‌های چینی آمده است.به این معنا که اگر یک عبارت چینی به فرد داده شود، او می‌تواند بر اساس دستورالعمل‌های کتاب مشخص کند که جواب مورد نظر به زبان چینی چه خواهد بود. در بیرون اتاق آزمایشگری قرار دارد و سوالاتی را به زبان چینی به داخل اتاق ارسال می‌کند و از فرد داخل اتاق می‌خواهد که پاسخ سوال را به زبان چینی بدهد. فرد انگلیسی زبان داخل اتاق می‌تواند با کمک کتاب راهنمایی که در اختیار دارد، جواب سوال‌های پرسشگر را بدهد. از نظر کسانی که در بیرون اتاق نظاره‌گر این اتفاق هستند، فرد داخل اتاق موفق به پاسخ‌دادن به آزمون شده است. به عبارت دیگر اگر مانند تورینگ ملاک هوشمندی ما ملاک رفتاری باشد، آزمودنی ما از عهده این کار برآمده است و هوشمند می‌باشد.اما سرل این سوال را مطرح می‌کند که آیا کسی که داخل اتاق چینی است از عهده آزمون رفتاری برآمده است؟ آیا واقها چیزی از زبان چینی فهمیده است؟ پاسخ او منفی است. از نظر سرل توانایی پردازش صوری و الگوریتمیک به معنای تفکر آنگونه که در انسان وجود دارد نیست. تفکر در انسان مستلزم بررسی محتوا و معنای علایم یا چیزی که به آن اشاره می‌کند می‌باشد. به این ویژگی در ادبیات فلسفه ذهن حیث التفاتی گفته می‌شود. بنابراین ما وقتی نمادها را در ذهن مرور می‌کنیم دانستن اینکه این نمادها به چه چیزی در دنیای خارج اشاره می‌کنند نیز، حایز اهمیت است.گفتنی است که نقدهای مطرح شده به این نظریه به این معنا نیست که رویکرد محاسباتی ذهن منسوخ شده است. این نظریه محاسباتی همچنان فعال است و حجم قابل توجهی از پژوهش‌هایی که در حیطه علوم شناختی انجام می‌گیرد از این نظریه برای سازمان‌دهی مدل‌هایشان استفاده می‌کنند.تز مربوط به استدلال کردن، که تبیین محاسباتی استدلال کردن (Computational Account of Reasoning) (CAR) خوانده می شود، در اصل بر این ادعای مقدم مبتنی است که حالات التفاتی بازنمایی های نمادین را شامل می شوند. برطبق CAR ، این بازنمایی ها هم ویژگی های معناشناختی دارند و هم نحوی (syntactic)، و فرآیند استدلال کردن به شیوه هایی انجام می گیرد که تنها به نحو نمادها حساسند و نه معنا- نوعی فرآیند که تعریف فنی «محاسبه» را ارضا می کند و به عنوان دستکاری صوری نمادها (formal symbol manipulation) شناخته می شود؛ یعنی، دستکاری صوری نمادها بر طبق فنون (تکنیک های) صرفا صوری و نه معنایی. این مفاهیم «دستکاری صوری نمادها»، مفاهیمی فنی هستند و در اصل از مباحثات در ریاضیات اواخر قرن نوزدهم و اوایل قرن بیستم مشتق شده اند.دانشمندان علوم شناختی بر این باورند که دانش در ذهن از بازنمایی های ذهنی (mental representations) تشکیل شده است. انواع بازنمایی ها عبارتند از قاعده ها، مفاهیم، تصاویر و تمتیل ها. علوم شناختی بر این باور است که انسانها دارای روال هایی (procedures )ذهنی هستند که بر بازنمایی ها عمل می کند و تفکر،اعمال ما را می سازند. انواع مختلف بازنمایی های ذهنی، انواع متفاوتی از روال های ذهنی را می پرورند.رای نمونه، روشهای مختلف بازنمایی اعداد را در نظر بگیرید. اغلب افراد با بازنمایی هندی،عربی اعداد (1، 2، 3، ...) و روال های معیار جمع، کسر، ضرب و تقسیم آشنایی دارند. از اعداد رومی نیز می توان برای بازنمایی اعداد استفاده کرد (I ، II ، X ، C) اما انجام عملیات محاسباتی با اعداد رومی نیازمند روال های متفاوتی است. سعی کنید CIV (104) را بر XXVI (26) تقسیم کنید.مثالی دیگر، به دو جمله زیر توجه کنید:هرگاه باران ببارد، آنگاه زمین خیس می شود.زمین خیس نیست. از فرض صدق دو جمله 1 و 2 به این نتیجه می رسیم که باران نباریده است. ممکن است تصور کنیم که از معنای جمله ها به این نتیجه رسیده ایم در حالیکه بر مبنای ویژگی های صوری، این نتیجه به دست آمده است. در واقع عملیاتی که ذهن اینجا انجام داده است همان قانون رفع تالی در منطق است:p → (¬p & (P → Q))¬در جمله های فوق بازنمایی های ذهنی به شکل گزاره ها است و عملیات ذهنی (محاسبات)، عملیات صوری منطقی است. البته همانطور که اشاره شد ذهن فقط یک گونه بازنمایی ندارد؛ بازنمایی های مختلف هر کدام روال های عملیاتی (computations )متفاوت و مجزایی دارد. برنامه پژوهشی نظریه بازنمایی ذهن، مطالعه اشکال متفاوت بازنمایی های ذهنی، شناسایی و مطالعه محاسباتی است که بر آنها صورت می گیرد.7- نظر اساتید:سرل سوالات بیشتری را دربارهٔ آنچه که ما به منزله محاسبه در نظر می‌گیریم مطرح می‌کند: دیوار پشت سر من همین الان در حال اجرای برنامه ورد استار (Wordstar)چون برخی از الگوهای جنبش مولکولی همریخت با ساختار الگوریتم ورد استار است. اما اگر دیوار ورد استار را پیاده‌سازی کرده بود، پس یک دیوار به اندازه کافی برای اجرای هر برنامه از جمله برنامه‌های اجرا شده در مغز نیز پیچیده‌تر می‌شد. هیلاری پاتنم به‌طور مشابه ادعا می‌کند: هر سیستم معمولی بازی یک اوتوماتای نامتناهی محض متناظر است.دنیل دنت فرضیه پیش نویس های چند گانه( Multiple Drafts ) را پیشنهاد می‌کند، که در آن آگاهی مفهومی است که در ارتباط با فضا و زمان در مغز است ولی این ارتباط واقعاً روشن و واضح نیست. آگاهی چیز دیگری جز محاسبه نیست یا به بیان دیگر هیچ تعاتر دکارتی وجود ندارد که شما در آن از محاسبات آگاه باشید. جری فدر بیان می‌کند که وضعیت‌های ذهنی، مانند باورها و آرزوها، پل ارتباطی است بین پدیده‌های دنیای واقعی با مفهیم انتزاعی ذهنی. او مدعی می‌شود که این پدیده‌ها می‌توانند به وسیلهٔ عناصر زبان تفکر(LOT) توصیف شوند. علاوه بر این، این زبان نه تنها یک توصیف‌کننده افکار است بلکه به خودی خود شکل دهندهٔ آن‌ها در مغز نیز هست. فُدُر به نوعی کارکردگرایی پایبند است و مدعی است که تفکر و دیگر فرایندهای ذهنی شامل یک سری محاسبه بر روی پدیده‌هایی است که تبدیل به زبان تفکر شده‌اند.دیوید مر بیان می‌کند که فرایندهای شناختی در سه سطح توصیف می‌شوند: سطح محاسباتی (که مسائل محاسباتی را توصیف می‌کند )به عنوان مثال تطبیق ورودی به خروجی( که توسط فرایند شناختی محاسبه می‌شوند)؛ سطح الگوریتمی (که الگوریتمی برای حل مسئله در سطح محاسباتی ارائه می‌دهد) و سطح اجرایی (که اجرای فیزیکی الگوریتم‌ها را از طریق سطح الگوریتمی در بسطر بیولوژیکی توصیف می‌کند، به عنوان مثال خود مغز). اورلیک نیسر اصطلاح «روانشناسی شناختی» را در کتاب خود که در سال ۱۹۶۷ منتشر کرد (روانشناسی شناختی) به کار برد، نیسر انسان‌ها را به عنوان یک سیستم پویای پردازش اطلاعات که فعالیت‌های ذهنی آن ممکن است توسط محاسبات ایجاد شود، توصیف کرده‌است.استیون پینر «زبان غریزه» را به عنوان یک تکامل در انسان که به صورت یک ظرفیت پیش فرض برای سخن گفتن است در نظر گرفت (در حالی که برای نوشتن این گونه نیست). هیلاری پانتم کارکردگرایی (در فلسفه ذهن) را برای توصیف آگاهی پیشنهاد کرده‌است، این ایده بیانگر آن است که آگاهی معادل یک سری محاسبات است، بدون توجه به این که این محاسبات در مغز، کامپیوتر یا یک مغزِ در آزمایشگاه صورت گرفته باشد.مراجع:1. Horst, Steven, (2005) "The Computational Theory of Mind" in The Stanford Encyclopedia of Philosophy2. Pinker, Steven. The Blank Slate. New York: Penguin. 20023. Gallistel, C. R. (1990) The organization of learning. Cambridge, MA: Bradford Books/MIT Press4. Searle, J.R.. The rediscovery of the mind. 1992.5. Putnam, H.. Representation and reality. 1988.6. Chalmers, D.J.. Does a rock implement every finite-state automaton?. . Synthese108, no. 3 (1996): 309-333. Retrieved on 2009-05-27.7. Edelman, ‎Shimon. On the Nature of Minds, or: Truth and Consequences(PDF). . Journal of Experimental and Theoretical AI 20 (2008): 181-196. Retrieved on 2009-06-12.8. Roger Penrose Mathematical intelligence. In Jean Khalfa, editor, What is Intelligence?, chapter 5, pages 107-136. Cambridge University Press, ambridge, United Kingdom, 1994.9. ویکی‌پدیای انگلیسی Multiple Drafts10. ویکی‌پدیای انگلیسی تئاتر دکارتی 11. Bruno Marchalargues that physical supervenienceis not compatible with computational theory