- •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.
10. Продукционная модель знаний
Если {условие}, то действие
У словие – это некоторое предложение-образец, по которому осуществляется поиск в БЗ
Условие: Ф1 Ф2
Действие:
Промежуточные (для вывода на знания)
Терминальные (результат применённого вывода)
Пример:
Имеется набор факторов:
Ф1 – человек ведёт активный образ жизни.
Ф2 – человек любит солнце.
Ф3 – отдых летом.
Ф4 – ехать в горы.
Пр1: Если Ф2, то Ф3
Пр2: Если Ф1 и Ф3, то Ф4
Прямой выводкакой вид отдыха порекомендовать активному человеку, который любит солнце?)
Входящая информация:
Ф1 пр2 Ф4
Ф2 пр Ф3
П рямой вывод: по известным фактам отыскивается заключение, которое из этих фактов следует – это вывод управляемыми данными.
Обратный вывод: кому можно рекомендовать отдых в горах?
Ф1 выходная информация
Ф 4
пр2
Ф3 пр1 Ф2
От выдвинутой гипотезы к фактам, которые подтверждают эту гипотезу – вывод управляемой цели.
«+» продукционной модели:
Наглядность
Высокая модульность
Легкость внесения дополнений и изменений
Простота механизма логического вывода
Основным «-» продукционной модели является то, что при большом количестве правил в БЗ, невозможно отследить противоречивые правила и «зацикливания»
11. Диагностические эс байесовского типа.
Диагностические ЭС широко применяются в различных областях человеческой деятельности (медицине, технике, экономике и др). Как правило, в них используются продукционные модели знаний о предметной области. Однако, если имеется возможность использования в правилах статистических данных о понятиях и связях между ними, весьма целесообразно применить известную теорему Байеса для пересчета апостериорных вероятностей по результатам проверки наличия тех или иных симптомов.
Широкое распространение диагностических ЭС в различных областях деятельности определяется рядом обязательств:
- возможность обеспечения близости априорных и условных вероятностей, используемых в алгоритме, к «истинным» значениям. Как правило, при грамотном учёте опыта работы специалистов по устранению соответствующих неисправностей хорошие оценки названных вероятностей могут быть получены по результатам обработки статистических данных.
- сравнительной простотой обеспечения диалога пользователя с системой на языке, близком к естественному, поскольку промежуточные и итоговые заключения ЭС, основанные на формальных шагах алгоритма работы, легко интерпретируются в понятные всем рекомендации.
- возможностью выдачи пользователю (как правило, по запросу) промежуточных результатов диагностики неисправности, те пояснения рекомендаций ЭС, что в подавляющем большинстве случаев облегчает их восприятие.
- возможностью постоянного учёта текущего опыта пользователей и простотой корректировки (при необходимости) модели знаний о предметной области.
12. Семантические сети.
Семантические сети – как модель, соответствуют представлению об организации долговременной памяти человека.
Ситуация: студент Петров внимательно изучает новый план счетов перед сдачей экзамена по бухучёту.
Семантическая сеть – это ориентированный граф, вершины которого – понятия, а дуги – отношения между ними.
Понятия – это конкретные или абстрактные объекты
Отношения – это связи, которые подлежат классификации.
Типы отношений:
Часть – целое
Класс – элемент класса
Функциональные связи (производит; влияет)
Количественные связи
Пространственные связи
Временные связи
Атрибутивные связи (иметь свойство – значение)
Логические связи
«-» Сложность организации процедуры вывода на знания