Реферат: Исскуственный интелект - текст реферата. Скачать бесплатно.
Банк рефератов, курсовых и дипломных работ. Много и бесплатно. # | Правила оформления работ | Добавить в избранное
 
 
   
Меню Меню Меню Меню Меню
   
Napishem.com Napishem.com Napishem.com

Реферат

Исскуственный интелект

Банк рефератов / Программирование

Рубрики  Рубрики реферат банка

закрыть
Категория: Реферат
Язык реферата: Русский
Дата добавления:   
 
Скачать
Архив Zip, 38 kb, скачать бесплатно
Заказать
Узнать стоимость написания уникального реферата

Узнайте стоимость написания уникальной работы

15 ВВЕДЕНИЕ Искусс твенным интеллектом, или ИИ ( Artificial Intelligence - А l ), называют процесс создания машин, которые способны действовать таким образом, что будут восприниматься человек ом как разумные. Это может быть повторение поведения человека или выполнение более простых задач, например, в ыживание в ди намически меняющейся обстановке. Для некоторы х исследователей результат данного процесса состоит в том, чтобы на учиться лучше понимать нас самих. Для других это база, на основе кото рой можно научить искусственные системы вести себя разумно . В любом случае ИИ обладает таким потенциалом для изменения мира, которо го нет ни у одной другой технологии. В период становления ИИ его разработчики обещали достичь очень многого, но добились несравненно меньшего. В то время создание раз умных систем казалос ь о чень простой задачей, которая так и не была решена. В наше время цели созда ния ИИ стали намного практичнее. ИИ был разделен на несколько частей, имеющих различные цели и средства их достижения. Проблем а ИИ заключается в том, что технологии, которые исследуются в его рамках, становятся обычными сразу после их внедрения. Нап ример, построение машины, которая смогла бы различать челов еческую речь, когда-то считалось частью разработки ИИ. Теперь такие технологии, как нейронные сети и скрытые модели Маркова, у же никого не удивляют и не рассматриваются как разработка И И. Родни Брукс описывает этот феном ен как «эффект ИИ». П осле того как технология И И находит применение, она перестает быть техноло гией ИИ, после своего создания эта техноло гия пере стает быть чудом и используется повсеместно. Так как иску сственный интеллект по-разному понимается разными людьми, было принято решение использовать другую классификацию. Сильный ИИ представляет с обой программное обеспечение, благодаря которому компью теры смогут думать так же, как люди. Помимо возможности думат ь, компьютер обретет и сознание разумного существ а. Слабый ИИ представляет собой широкий диапазон технологий ИИ. Эти функции могут добавляться в существующие с истемы и придавать им раз личные «разумные» свойс тва. В данной контрольной работе описаны некоторые технологии Слабого И И, которые по мнению автора контрольной работы являются интересными и ак туальными, так как объем контрольной работы не позволяет вместить все н аиболее распространенные и известные алгоритмы и технологии ИИ. 1. Ал горитмы кластеризации Алгоритм класте ризации - это метод, благодаря которо му данные разделя ются и объединяются в небольшие группы (кластеры) по прин ципу аналогии. П о тому же принципу осуществляется отделение несхожих данных, поэтому гл авной задачей при разбивке данных на кластеры является классифика ция. Хотя классификация используется во многих случаях, ее основное предназ на чение - изучение данных в кластерах для выявления различий между ними. Более специфическое использование кластеров будет рассмотрено далее. 1.2 Биологическая мотивация Алгоритмы кластеризации имеют биологическое происхожде ние, поскольку предоставляют возможность обучения посредством классиф икации. Человечес кий мозг изучает новые понятия, сравнивая их с уже существующими знаниями. Мы классифици руем новое, пытаясь объединить его в одном кластере с чем-то, что нам уже и звестно (это является основой для понимания нового). Если новое понятие н ельзя связать с тем, что мы уже знаем, нам приходится создавать новую стру ктуру, чтобы понять явление, которое выходит за рамки существующей струк туры. Впоследствии эта новая модель может стать основой для усвоения дру гой информации. Объединяя новые п онятия в кластеры с уже существующими знаниями, а так же создавая новые к ластеры для усвоения абсолютно новой информации мы ре шаем проблему, ко торую Гроссберг назвал «дилеммой стабильности-гибкости». Вопрос состо ит в том, как классифицировать новые данные и при этом не унич тожать уже изученные. Алгоритм А R Т1 вклю чает все необходимые элементы, позволяющие не тол ько создавать новые кластеры при обнаружении новой ин формации, но и рео рганизовывать с ее учетом уже существующие кластеры. 1.3 Алгоритм А R Т1 Алгоритм А R Т1 работает с объектами, которые наз ываются векторами признаков. Векто р признаков является группой значений в двоичном коде, которые представ ляют определенный тип информации. Примером вектора признаков может слу жить выбор покупок. Каждый объект вектора при знаков показывает, приобр ел ли покупатель товар (если да, то значение равно 1, если нет - 0). Покупатель к упил молоток и гаечный ключ. Этот вектор признаков описывает покупательную способ ность путем иденти фикации приобретенных покупателем предметов (о кото рых мы имеем информа цию). Собираются векторы признаков покупателя, к кот орым затем применяется алгоритм А R Т1, чтобы разделить данные на кластеры. Идея состоит в том, что груп па схожих данных о покупателе (содержащаяся в кластере) будет сообщать и нтересную информацию о схожих параметрах для группы покупателей. 1.4 А R Т1 в деталях Мы начнем с группы векторов признаков (назовем эти примеры Е 1… K ) и группы иници ализированных векторов-прототипов (Р 1…. N ). Вектор-прото тип является центром кластера. Количество векторо в-прототипов, равное N. Являет ся максимальным количеством кластеров, кот орое может поддерживаться. Параметр d показывает длину вектора. Мы инициализируе м параметр внимательности (р или rho ), равный небольшому значени ю между 0 и 1,0, а также бета-параметр (В), равный небольшому положительному це лому числу. Эти параметры будут рассмотрены бо лее подробно. V w – побитовый И вектор || v || - Значимо сть v (ко личество значимых элементов вектора) N - Количество векторов-прототипов P – Параметр внимательности (0 < р <= 1) P – Вектор-прототип E – Вектор признаков d – Размер векторов(длина) B – Бета-параметр Изначально не существует ни одного вектора-прототипа, поэтому при выпол нении алгоритма создается первый вектор-прототип из п ервого вектора признаков Затем проверяются на схожесть все последующи е векторы признаков с вектором-прототипом. Цель проверки – выяснить, на сколько схож вектор признаков и текущий вектор-прототип. Р 0 =Е 0 (1.1) Бета-параметр (Р), который используется в уравнении про верки на схо жесть (уравнение 1.2), - это параметр «разрушения связи». Он выби рает прото типы, в которых больше значений 1, при условии, что все значения 1 в векторе-прототипе также присутствуют в тестируемом векторе признако в. ||P i E|| / (B+ ||P i || )> ||E|| / (B + d) (1.2) Если тест на схожесть прошел успешно, выполняется след ующий тест, чтобы проверить вектор признаков и вектор-прототип против па раметра внимательнос ти (уравнение 1.3). Задачей данного параметра являетс я определение размера класса. Если значение параметра велико, образуютс я более крупные классы (кла стеры с большим количеством данных). При умень шении значения создаются кластеры с меньшим количеством данных. Если па раметр внимательности задан Достаточно низким (< 0,1), для допуска векторы п ризнаков должны соответство вать вектору-прототипу. ||P i E|| / ||E|| < p (1.3) Наконец, если про йден тест на внимательность, алгоритм добавляет текущий вектор признак ов в текущий вектор-прототип (уравнение 1.4). Этот процесс пред ставляет соб ой простое слияние вектора признаков и вектора-прототипа c помощью операции И. Если тест на внимат ельность (или тест на схожесть) не был пройден , проверяется следующий век тор-прототип. Если все векторы прототипы были проверены и при этом векто р признаков не был помещен в кластер, создается новый вектор-прототип из вектора признаков. Это приводит к форми рованию нового кластера, так как рассматриваемый вектор признаков не соответ ствует ни одному существу ющему кластеру. Р i = Р i Е (1.4) Теперь алгоритм проходит через все векторы признаков и сравнивает их со всеми векторами-прототипами. Создат ь начальный Выражение 1.1 Вектор-про тотип Продолжить д ля Каждого вектора признаков Выражение 3.2 Выр ажение 3.3 похож ли вектор признаков да на вектор пр ототип нет нет прох одит тест на внимательность? Да да Еще прототипы ? нет Поместить ве ктор Призна ков в текущий Выражение 3.4 Вектор-прототип Хотя все векторы уже размещены по кластерам, проверка необходима. Она по зволяет убедиться в том, что векторы расположены в нужных кластерах. Дел о в том, чт0 последующие тесты векторов признаков могли создать новые кла стеры, поэтом необходимо выполнить дополнительную проверку и удостове риться, что вектор! Не нужно перемещать в другие кластеры. После проверки вс ех векторов признаков, которая не потребовала дополнительных изменени й, процесс формирования кластеров можно считать завершенным. Чтобы избе жать перемещения вектора признаков между двумя векторами прототипами, алгоритм выполняет несколько итераций, чтобы объединит кластеры. Колич ество итераций должно быть достаточно большим, чтобы избежать преждевр еменного слияния. 1. 5 Другие области применения Алгоритм А R Т1 предоставляет возможность класс ификации данных в отдель ные сегменты (кластеры). Классификация может бы ть полезна как средство иссле дования классов (типов) кластеров. Кроме то го, как видно по алгоритму персонализации, изучение членов отдельного кл астера позволяет получить интересную информацию. Данный алгоритм можн о использовать в следующих областях: · статистике; · распознавании обр азов; · уменьшении диапаз она поиска; · биологии; · поиске в сети internet ; · добыче данных . 1.6 Итоги В данной главе ра ссматривался простой алгоритм, который группирует дан ные в кластеры дл я системы выдачи рекомендаций. Изначально он создавался как инструмент, который может использоваться для обработки данных. Высокая эф фективно сть алгоритма проявляется при обработке данных в сети internet в ком мерческих целях. Пример алгоритма, представленный в этой главе, очень прост и работает с не большим объемом данных. При персонализации в internet данные могут вклю чать не только отображение содержания Web -страницы, но и время, которое было п отрачено на ее просмотр. Тип и отображение данных зависят от алгоритма, к ото рый выполняет персонализацию. При правильной кодировке в векторах п ризна ков алгоритм А R Т1 может работать с широким диапазоном данных, отображаю щим многие аспекты пове дения покупателя в сети internet . Несмотря на то, что существует и опасная сторона применения алгоритмов персонализации, он и могут быть очень эффективными инструментами при сборе самой разнообр азной информации. 2. Алгоритм муравья В этой главе рассм атривается интересный алгоритм, основанный на применении нескольких а гентов, с помощью которого можно решать самые разнообразные за дачи. Алг оритмы муравья , или оптимизация по принципу мура вьиной колонии (это наз вание было придумано изобретателем алгоритма, Марко Дориго ), обладают с пецифическими свойствами, присущими му равьям, и используют их для орие нтации в физическом пространстве. Природа предлагает различные методи ки для оптимизации некоторых процессов. Алгоритмы муравья особенно инт ересны потому, что их можно использовать для решения не только статичных , но и динамических проблем, например, проблем маршрутизации в меняющихс я сетях. 2.1 Естественная мо тивация Хотя муравьи и сле пы, они умеют перемещаться по сложной местности, нахо дить пищу на большо м расстоянии от муравейника и успешно возвращаться до мой. Выделяя ферм енты во время перемещения, муравьи изменяют окружающую среду, обеспечив ают коммуникацию, а также отыскивают обратный путь в мура вейник. Самое удивительное в данном процессе - это то, что мурав ьи умеют находить самый оптимальный путь между муравейником и внешними точками. Чем боль ше муравьев используют один и тот же путь, тем выше конц ентрация ферментов на этом пути. Чем ближе внешняя точка к муравейнику, т ем больше раз к ней пе ремещались муравьи. Что касается более удаленной т очки, то ее муравьи достига ют реже, поэтому по дороге к ней они применяют более сильные ферменты. Чем выше концентрация ферментов на пути, тем пре дпочтительнее он для муравьев по сравнению с другими доступными. Так мур авьиная «логика» позволяет выби рать более короткий путь между конечны ми точками. Алгоритмы муравь я интересны, поскольку отражают ряд специфических свойств, присущих сам им муравьям. Муравьи легко вступают в сотрудниче ство и работают вместе для достижения общей цели. Алгоритмы муравья работают так же, как муравь и. Это выражается в том, что смоделированные му равьи совместно решают пр облему и помогают другим муравьям в дальнейшей оптимизации решения. Рассмотрим пример . Два муравья из муравейни ка должны добраться до пищи, которая находится за препятствием. Во время пе ремещения каждый муравей выделяет немного фермента, используя его в каче стве маркера. При прочих равных каждый муравей выберет свой путь. Пер вый муравей вы бирает первый путь, а второй – второй путь. Так как второй путь в два раза короче первого, второй муравей достигнет цели за время Т 1 . Первый муравей в этот мо мент пройд ет только половину пути. Когда один муравей достигает пищи, он берет один из объ ектов и возвраща ется к муравейнику по тому же пути. За время Т 2 второй муравей вернулся в му равейник с пищей, а первый муравей достиг пищи. Вспомните, что при перемещении каждого муравья на пути остается немного фермента. Для первого муравья за время Т 0 -Т 2 путь бы л покрыт ферментом только один раз. В то же самое время второй муравей пок рыл путь ферментом дважды. За время Т 4 первый муравей вернулся в муравейник, а второй муравей уже успел еще раз сходить к еде и вернуться. При этом концентрация фермента на втор ом пути будет в два раза выше, чем на первом. Поэтому первый муравей в след ующий раз выберет второй путь, поскольку там концентрация фермента выше. В этом и состоит базовая идея алгоритма муравья - оптимизация путем не прямой связи между автономными аг ентами. 2.2 Алгоритм муравь я Подробно рассмотр им алгоритм муравья, чтобы понять, как он работает при Решении конкретно й проблемы. Предположим, что окружающая среда для муравьев представляет собой за крытую двумерную с еть. Вспомните, что сеть - это группа узлов, соединенных по средством гран ей. Каждая грань имеет вес, который мы обозначим как расстоя ние между дву мя узлами, соединенными ею. Граф двунаправленный, поэтому муравей может путешествовать по грани в любом направлении. 2 1 3 4 Граф с вершинами V = 1,2,3,4 Грани Е = 1,2 , 1,4 , 1,3 , 2,3), 2.4), 3.4 2.3 Муравей Муравей - это программный агент, который является членом большой коло нии и используется для решения какой-либо проблемы. Муравей снабжается на бором простых правил, которые позволяют ему выбирать путь в графе. Он под держивает список табу, то есть список уз лов, которые он уже посетил. Таким образом, муравей должен проходить чере з каждый узел только один раз. Путь между двумя узлами графа, по которому м уравей посетил каждый узел толь ко один раз, называется путем Гамильтон а, по имени матема тика сэра Уильяма Гамильтона. Узлы в списке «текущего путешествия» располагаются в том порядке, в кото ром муравей посещал их. Позже список используется для определения протяжен ности пути между узлами. Настоящий муравей во время перемещения по пути будет о ставлять за собой фермент. В алгоритме муравья агент оставляет фермент н а гранях сети после за вершения путешествия. 2.4 Начальная попул яция После создания поп уляция муравьев поровну распределяется по узлам сети. Необходимо равно е разделение муравьев между узлами, чтобы все узлы имели одинаковые шанс ы стать отправной точкой. Если все муравьи начнут движение из одной точк и, это будет означать, что данная точка является оптимальной для старта, а на самом деле мы этого не знаем. 2.5 Движение муравь я Движение муравья о сновывается на одном и очень простом вероятностном уравнении. Если мура вей еще не закончил путь, то есть не посетил все узлы сети, для определения следующей грани пути используется уравнение : (2.1) Здесь - интенсивность фермент а на грани между узлами r и u , -Функция, которая предст авляет измерение обратного расстояния для грани, a -вес фермента, а - коэффициент эврис тики. Параметры a и определяют отн о сительную значимость двух параметров, а также их влияние на уравнение. Вспом ните, что муравей путешествует только по узлам, которые еще не были посещены (как указано списком табу). Поэтому вероятность рассчитывается только для граней, которые ведут к еще не посещенным узлам. Переменная k представляет гра ни, котор ые еще не были посещены. 2.6 Путешествие муравья Пройденный мурав ьем путь отображается, когда муравей посетит все узлы диа граммы. Обрати те внимание, что циклы запрещены, поскольку в алгоритм включен список та бу. После завершения длина пути может быть подсчитана - она равна сумме вс ех граней, по которым путешествовал муравей. Уравнение показывает колич ество фермента, который был оставлен на каждой грани пути для муравья k . Переменная Q , является константой. (2.2) Результат уравнения является средством измерения пут и, - короткий путь характеризуется высокой концентрацией фермента, а бол ее длинный путь - более низкой. Затем полученный результат используется в уравнении 2.3, чтобы увеличить количество фермента вдоль каждой грани пр ойденного муравьем пути. (2.3) Обратите внимание, что данное уравнение применяется ко всему пути, при э том каждая грань помечается ферментом пропорционально длине пути. Поэт ому следует дождаться, пока муравей закончит путешествие и только потом обновить уровни фермента, в противном случае истинная длина пути остане тся неизвест ной. Константа р - значе ние между 0 и 1. 2.7 Испарение ферме нта В начале пути у каж дой грани есть шанс быть выбранной. Чтобы постепенно удалить грани, кото рые входят в худшие пути в сети, ко всем граням применяется процедура исп арения фермента. Используя константу р из уравнения 2.3, мы получаем уравне ние 2.4. (2.4) Поэтому для испаре ния фермента используется обратный коэффициент об новления пути. 2.8 Повторный запус к После того как пут ь муравья завершен, грани обновлены в соответствии с дли ной пути и произ ошло испарение фермента на всех гранях, алгоритм запускается повторно. С писок табу очищается, и длина пути обнуляется. Муравьям разреша ется пер емещаться по сети, основывая выбор грани на уравнении 2.1 Этот процесс может выполняться для постоянного колич ества путей или до момента, когда на протяжении нескольких запусков не б ыло отмечено повторных изменений. Затем определяется лучший путь, котор ый и является решением. 2.9 Области применения Алгоритм муравья м ожет применяться для решения многих задач, таких как распределение ресу рсов и работы. При решении задачи распределения ресурсов необходим о задать группу ресурсов n дл я ряда адресатов m и при этом м инимизировать расходы на перераспределение (то есть функция должна най ти наилучший способ распределения ресурсов). Обнаружено, что алгоритм му равья дает решения такого же качества, как и другие, более стандартные сп о собы. Намного сложнее проблема распределения работы. В этой задаче группа машин М и заданий J (состоящих из после довательности действий, осуществляемых на м ашинах) должны быть распреде лены таким образом, чтобы все задания выпол нялись за минимальное время. Хотя решения, найденные с помощью алгоритма муравья, не являются оптимальными, применение алгоритма для данной проб лемы показывает, что с его помощью мож но решать аналогичные задачи. Алгоритм муравья применяется для решения других зада ч, например, про кладки маршрутов для автомобилей, расчета цветов для гра фиков и маршрутиза ции в сетях. Более подробно способы использования ал горитма муравья описыва ются в книге Марко Дориго «Алгоритмы муравья дл я абстрактной оптимизации» 2.10 Итоги В этой главе описы вался метод оптимизации поиска путей, позаимствован ный у природы. Алго ритм муравья моделирует поведение муравьев в их природ ной среде, чтобы определить оптимальный путь в пространстве (по графу или сети). Данная те хнология рассматривалась как средство для решения задачи ком мивояжер а. ЗАКЛЮЧЕНИЕ Искусст венный интеллект является классическим примером технологии, которая и значально казалась простой, но при более внимательном ис следовании выя снилось, насколько она сложна. Ранние предсказания дальнейшей судьбы ИИ оказались ошибочными, что делает любые прогнозы будущего ИИ, как минимум , недостоверными. Методы получения искусственного разума могут быть разделены на дв е кате гории: ведение исследования сверху вниз и снизу вверх. Категория « сверху вниз» является синонимом традиционного подхода к ИИ, когда во гла ву угла ставилась задача создания ИИ и мало внимания придавалось деталя м, позволяющим до биться этой цели. Категория «снизу вверх» схожа с модел ью нейронной сети: она почти полностью повторяет структуру человеческо го мозга. С данной точки зре ния познавательная способность разума зави сит от работы огромного количества простых элементов. В этом подходе так же используются эволюционные алгорит мы и искусственная жизнь. Представим человеческий мозг. Нам еще предстоит понять, какие стр уктуры мозга отвечают за то, что мы называем разумом или сознанием. Проце сс работы миллионов нейронов каким-то образом создает разум на глобальн ом уровне. Про стой процесс действия нейрона на микро уровне способству ет формированию го раздо более сложного процесса на макро уровне. ИИ начинал свое развитие на уровне «сверху вниз», приче м разработки в об ласти его связей были минимальны. После того как Марвин Мински и Сеймур Паперт опубликовали книгу «Перцептроны», исследования в области нейронных сетей были почти полностью прекращены. Однако разра ботчики быстро поняли, что проблемы, описанные в данной книге, легко подд аются решению. Как счита ют сегодня, методика «снизу вверх» связана с буд ущим ИИ. Главный вопрос в области ИИ формулируется так: можем ли мы создат ь ИИ, который будет ко пировать человеческий разум, или мы опишем наши зад ачи и позволим ИИ на основе их решения обрести разум. Результаты изучения в этих сферах показыва ют, что нам сле дует руководствоваться методом «снизу вверх». Алан Тьюринг первым предложил идею «Машины-ребенка», п ринцип кото рой состоит в том, что разумная машина не станет разумной в од но мгновение, а будет постепенно учиться, как это делают дети. Стремление к обучению будет запрограммировано, но знания машины будут улучшаться с течением времени. Другие исследователи предположили, что верный подход к проблеме - это изучение и построение искусственных животных. Сможем ли мы, к примеру, со здать искусственное насекомое, которое сможет повторят ь поведение настоящего насекомого и учиться так же, как оно? Эта задача, ра зумеется, намного проще, чем создан ие разума, подобного человеческому, но, очевидно, ее решение поможет нам п ри построении искусственного разума. Свое логическое ра звитие идея создания искусственных насекомых, живот-ных и людей нашла пр и построении роботов. Эта задача требует инноваций в сфере развития и пр оектирования микродатчиков и приводов, а также программных структур, сп особствующих неограниченному обучению системы. ИСПОЛЬЗУЕМАЯ ЛИТЕРАТУРА 1. Джонс М.Т. Программировани е искусственного интеллекта в приложениях / Пер . с англ. Осипов А.И. - Москва 2004 2. Журнал «Мир ПК».- №3.- 2002.
1Архитектура и строительство
2Астрономия, авиация, космонавтика
 
3Безопасность жизнедеятельности
4Биология
 
5Военная кафедра, гражданская оборона
 
6География, экономическая география
7Геология и геодезия
8Государственное регулирование и налоги
 
9Естествознание
 
10Журналистика
 
11Законодательство и право
12Адвокатура
13Административное право
14Арбитражное процессуальное право
15Банковское право
16Государство и право
17Гражданское право и процесс
18Жилищное право
19Законодательство зарубежных стран
20Земельное право
21Конституционное право
22Конституционное право зарубежных стран
23Международное право
24Муниципальное право
25Налоговое право
26Римское право
27Семейное право
28Таможенное право
29Трудовое право
30Уголовное право и процесс
31Финансовое право
32Хозяйственное право
33Экологическое право
34Юриспруденция
 
35Иностранные языки
36Информатика, информационные технологии
37Базы данных
38Компьютерные сети
39Программирование
40Искусство и культура
41Краеведение
42Культурология
43Музыка
44История
45Биографии
46Историческая личность
47Литература
 
48Маркетинг и реклама
49Математика
50Медицина и здоровье
51Менеджмент
52Антикризисное управление
53Делопроизводство и документооборот
54Логистика
 
55Педагогика
56Политология
57Правоохранительные органы
58Криминалистика и криминология
59Прочее
60Психология
61Юридическая психология
 
62Радиоэлектроника
63Религия
 
64Сельское хозяйство и землепользование
65Социология
66Страхование
 
67Технологии
68Материаловедение
69Машиностроение
70Металлургия
71Транспорт
72Туризм
 
73Физика
74Физкультура и спорт
75Философия
 
76Химия
 
77Экология, охрана природы
78Экономика и финансы
79Анализ хозяйственной деятельности
80Банковское дело и кредитование
81Биржевое дело
82Бухгалтерский учет и аудит
83История экономических учений
84Международные отношения
85Предпринимательство, бизнес, микроэкономика
86Финансы
87Ценные бумаги и фондовый рынок
88Экономика предприятия
89Экономико-математическое моделирование
90Экономическая теория

 Анекдоты - это почти как рефераты, только короткие и смешные Следующий
На светофоре.
- Извините, а при перестроении указатель поворота включить вам сексуальная ориентация не позволяет?
- Что, простите?
- ПОВОРОТНИКИ ВКЛЮЧАЙ, П**АРЮГА!
Anekdot.ru

Узнайте стоимость курсовой, диплома, реферата на заказ.

Обратите внимание, реферат по программированию "Исскуственный интелект", также как и все другие рефераты, курсовые, дипломные и другие работы вы можете скачать бесплатно.

Смотрите также:


Банк рефератов - РефератБанк.ру
© РефератБанк, 2002 - 2016
Рейтинг@Mail.ru