- •1. Определение и 2 направления развития искусственного интеллекта
- •2. Основные направления исследований в области ии
- •3)Моделирования биологических систем.
- •4. Условия для разработки и внедрения экспертных систем. Задачи, подходящие для создания экспертной системы.
- •Различие прототипов эс.
- •3. Интеллектуальные системы и признак структурированности задач.
- •Этапы проектирования эс: выбор проблемы. Коллектив разработчиков эс.
- •7. Основные программные блоки экспертной системы.
- •8. Этапы проектирования эс: оценка, стыковка и поддержка.
- •9. Различия бд и баз знаний
- •10. Продукционная модель знаний
- •11. Диагностические эс байесовского типа.
- •12. Семантические сети.
- •13. Фреймы.
- •14. Схема машины логического вывода. Особенности вывода на знаниях.
- •Стратегии получения знаний (извлечение, приобретение и формирование знаний).
- •Психологический аспект извлечения знаний.
- •Контактный слой:
- •Процедурный слой:
- •Когнитивный слой:
- •Лингвистический аспект извлечения знаний, общий код.
- •Проблема общего кода
- •Понятийная структура
- •Словарь пользователя
- •Текстологические и пассивные методы извлечения знаний.
- •Гносеологический аспект извлечения знаний, проблемы применения критериев научного знания.
- •Активные групповые методы извлечения знаний.
- •Активные индивидуальные методы извлечения знаний.
- •22. Структурирование знаний. Объектно–структурный подход и его свойства. Объектно-структурный анализ знаний о предметной области.
- •23. Алгоритм формирования поля знаний.
- •Уровни реализации моделей нейронных сетей (нс). Нейрокомпьютер. Сравнение архитектуры фон Неймана и архитектуры нейрокомпьютера.
- •Структура и свойства искусственного нейрона.
- •26. Типы нейронных сетей и типы нейронов в многослойной нс. Оценка числа нейронов в скрытых слоях.
- •27. Классы задач, решаемые нс. Примеры использования нс в различных предметных областях.
- •28. Определение и схема процесса обучения нс. От чего зависит качество обучения нс?
- •29. Алгоритм обратного распространения ошибки.
- •30. Обучение без учителя. Алгоритм Хебба.
- •Понятие самоорганизующейся нс. Настройка числа нейронов в скрытых слоях многослойной нс в процессе обучения.
- •1. Алгоритмы сокращения.
- •2. Конструктивные алгоритмы.
- •32. Нс с обратными связями (сеть Хопфилда и сеть Хемминга).
- •33. Когнитрон. Неокогнитрон.
- •34. Генетические алгоритмы. Отжиг.
- •35. Нечеткая логика. Лингвистическая переменная.
- •Основные понятия теории нечетких множеств: функция принадлежности, нечеткая переменная, нечеткое число.
Активные индивидуальные методы извлечения знаний.
Коммуникативные методы можно разделить на две группы: активные и пассивные. Пассивные и активные методы различаются по роли инженера по знаниям.
Пассивные методы подразумевают, что ведущая роль в процедуре извлечения знаний передается эксперту, в активных методах, напротив, инициатива полностью в руках инженера по знаниям.
Индивидуальные методы предназначены для одного эксперта, а групповые предполагают одновременное участие группы экспертов.
Активные индивидуальные методы извлечения знаний наиболее распространенные. К ним прибегают при разработке практически любой экспертной системы.
К основным индивидуальным методам можно отнести: анкетирование; интервью; диалог инженера и эксперта по знаниям; игры с экспертом.
В этих методах активную функцию выполняет инженер по знаниям.
Анкетирование. Инженер по знаниям заранее составляет вопросник или анкету, размножает ее и использует для опроса нескольких экспертов.
Под интервью понимают специфическую форму общения инженера по знаниям и эксперта, в которой инженер по знаниям задает эксперту серию заранее подготовленных вопросов с целью извлечения знаний о предметной области.
Свободный диалог инженера и эксперта по знаниям - это метод извлечения знаний в форме беседы инженера по знаниям и эксперта, в которой нет жестко регламентированного плана и вопросника. Это наиболее часто используемый метод.
Игры с экспертом. Проводятся в целях извлечения знаний. В этом случае с экспертом играет инженер по знаниям, который берет на себя какую-нибудь роль в моделируемой ситуации.
22. Структурирование знаний. Объектно–структурный подход и его свойства. Объектно-структурный анализ знаний о предметной области.
Структурирование знаний - разработка неформального описания знаний о предметной области в виде графа, таблицы, диаграммы или текста, которое отражает основные концепции и взаимосвязи между понятиями предметной области.
В настоящее время развивается объектно-структурный подход к структурированию знаний на основе обобщения существующих подходов (структурный подход, который основан на идее алгоритмической декомпозиции, где каждый модуль системы выполняет один из важных этапов общего процесса; объектный подход, который связан с объектной декомпозицией, при которой каждый объект рассматривается как экземпляр определенного класса).
Свойства объектно-структурного подхода:
Системность – выявление взаимосвязи между понятиями
Абстрагирование – выявление существенных характеристик объекта
Иерархия – выделяются обобщенные понятия (метапонятия), сами понятия и их детализация.
Типизация – выделение классов с частичным наследованием свойств подклассов
Модульность – разделение задачи на подзадачи
Наглядность и простота
Основная идея объектно-структурного подхода связана с проведением последовательного объектно-структурного анализа информации о рассматриваемой предметной области.
Объектно-структурный анализ знаний о предметной области.
Объекты
Анализ
Предметная область
Проблема
Задача
Подзадачи
1 2
Зачем знания
Кто знания
Что знания
Как знания
Где знания
Когда знания
Почему знания
Сколько знания
Организационный анализ: нахождение эксперта и назначение коллектива разработчиков системы.
Концептуальный анализ: выявление основных понятий ПО
Функциональный анализ: гипотезы и модели принятия решений
Пространственный анализ: окружение, оборудование, коммуникации
Временной анализ: включает оценку продолжительности этапов ЭС
Причинно-следственный анализ: формирование подсистемы объяснений
Экономический анализ: ресурсы, затраты, прибыль окупаемость.