- •Классификация ит.
- •2. Инфологическое проектирование базы данных предметной области.
- •3. Определение Web-дизайна.
- •Геоинформационные системы.
- •2. Этапы проектирования бд.
- •3. Общие характеристики пользователей и особенности программирования сайтов в зависимости от этих характеристик.
- •1.Принцип "открытости" информационной системы. Семиуровневая модель взаимодействия информационных систем. Технологии открытых систем.
- •2. Основы реляционной алгебры.
- •3. Проектирование сайтов.
- •Распределенные системы обработки данных; технологии «клиент- сервер». Понятия «толстый» и «тонкий» клиенты.
- •2. Основные категории языка манипулирования данными sql.
- •3. Структура сайта.
- •Информационные подсистемы tps, mis, oas, kws и kms, их место в системе управления организацией, основные пользователи этих подсистем.
- •2. Понятие бизнес-логики. Хранимые процедуры, триггеры, представления.
- •3. Теория навигации.
- •Этапы моделирования систем.
- •2. Основные блоки эвм.
- •3. Понятие и структура электронного учебника, принципы разработки.
- •Статистическое моделирование систем на эвм.
- •2. Системная плата персонального компьютера.
- •3. Управление коммуникативной деятельностью в дистанционном образовании.
- •Программы, среды и системы моделирования.
- •2. Виды и структура основной памяти.
- •3. Особенности работы в системе Moodle.
- •Основные понятия планирования экспериментов.
- •3. Педагогические особенности проведения образовательного процесса в дистанционном образовании.
- •Основные элементы языка gpss.
- •3. Основные принципы и модели дистанционного образования.
- •1. Данные, информация и знания. Приобретение, создание, описание и кодификация, хранение/востребование, передача и использование знаний в организации.
- •2. Назначение и основные функции операционных систем.
- •3. На какие группы можно разделить всю информацию по видам восприятия, которые возможны при работе с компьютерной и коммуникационной техникой.
- •1. Семантические сети, их классификация и принципы построения. Типы объектов и отношений в семантических сетях.
- •2. Управление процессами и потоками.
- •3. Укажите известные вам форматы аудио, видео, графики укажите их преимущества и недостатки, области применения.
- •Классификация инструментальных средств для работы со знаниями. Языки, использующиеся при представлении и обработке знаний.
- •Функции операционных систем по управлению памятью.
- •Нейронные сети и их применение в ис. Биологический прототип и искусственный нейрон.
- •2. Характеристики файловых систем операционной системы Windows.
- •3. Библиотеки в Macromedia Flash.
- •1. Персептроны и зарождение искусственных нейронных сетей. Персептронная представляемость. Обучение персептрона. Алгоритм обучения персептрона.
- •2. Функции операционных систем по защите данных; политики безопасности.
- •2.1. Принципы проектирования защищенных систем
- •2.2. Понятие защищенной операционной системы
- •2.3. Подходы к созданию защищенных операционных систем
- •2.4. Административные меры защиты
- •2.5. Адекватная политика безопасности
- •3. Структура проекта в Macromedia Flash - кадры, слои, сцены.
- •Топологии компьютерных сетей.
- •2. Система внутренних коммуникаций компании: вертикальные и горизонтальные каналы распространения знаний.
- •3. Структура информационно-логической модели информационных систем в образовании.
- •Эталонная модель взаимодействия открытых систем (модель osi).
- •Основные операции над семантическими сетями. Агрегация и обобщение. Управление выводом в сетевых моделях.
- •Проектирование и разработка пользовательского интерфейса информационных систем в образовании.
- •Стандарты Ethernet и Fast Ethernet.
- •3. Архитектура информационных систем в образовании.
- •5.1.2. Централизованная архитектура
- •5.1.3. Архитектура "файл-сервер"
- •5.1.4. Архитектура "клиент-сервер"
- •5.1.5. Многоуровневый "клиент-сервер"
- •5.1.6. Архитектура распределенных систем
- •Адресация в сетях tcp/ip.
- •Общие сведения о языках инженерии знаний. Понятие о функциональном и логическом программировании. Особенности языков Лисп, Пролог и Смолток.
- •3. Инструментальные средства проектирования информационных систем в образовании.
- •Безопасность информационных сетей.
- •Типы онтологий: верхнего уровня, предметных областей, прикладных онтологий. Лексические онтологии.
- •3. Модели жизненного цикла программного обеспечения информационных систем в образовании.
- •Классификация современных операционных систем.
- •2. Роль и место банков данных в информационных системах.
- •3.Тэги, фреймы, создание документа в html.
- •Планирование процессов и потоков.
- •Сетевая модель данных
- •Реляционная модель данных
- •3. Формы в html документах.
- •Тупики, методы устранения тупиков.
- •2. Ограничения и целостность данных в базе.
- •3. Формы, функции, мультимедиа.
- •Методы реализации виртуальной памяти.
- •2. Понятие транзакции. Управление транзакциями.
- •3. Типы ссылок, глобальная структура документа, метаданные, стили, списки.
- •1. Структура и функции файловой системы.
- •2. Управление пользователями и их правами доступа к данным в базе.
- •3. Вызов cgi программ.
- •Основные классы современных эвм.
- •Структура информационной сети.
- •3. Заголовки запросов и ответов.
- •Физическая и функциональная структура микропроцессора.
- •Классификация компьютерных сетей.
- •3. Модели объектов javascript и свойств объектов.
- •Типы, назначение и параметры шин.
- •Основные способы доступа к среде передачи в информационных сетях.
- •3. Фреймы, наследование кода скриптов различными страницами.
- •Периферийные устройства.
- •Методы коммутации в информационных сетях.
- •3. Возможные способы создания Web-страниц.
- •Сети эвм.
- •Этапы моделирования в системе gpss World.
- •Баннеры: принципы создания.
Нейронные сети и их применение в ис. Биологический прототип и искусственный нейрон.
Иску́сственные нейро́нные се́ти (ИНС) — математические модели, а также их программные или аппаратные реализации, построенные по принципу организации и функционирования биологических нейронных сетей — сетей нервных клеток живого организма. Это понятие возникло при изучении процессов, протекающих в мозге, и при попытке смоделировать эти процессы. Первой такой попыткой были нейронные сети Маккалока и Питтса[1]. Впоследствии, после разработки алгоритмов обучения, получаемые модели стали использовать в практических целях: в задачах прогнозирования, для распознавания образов, в задачах управления и др.
ИНС представляют собой систему соединённых и взаимодействующих между собой простых процессоров (искусственных нейронов). Такие процессоры обычно довольно просты, особенно в сравнении с процессорами, используемыми в персональных компьютерах. Каждый процессор подобной сети имеет дело только с сигналами, которые он периодически получает, и сигналами, которые он периодически посылает другим процессорам. И тем не менее, будучи соединёнными в достаточно большую сеть с управляемым взаимодействием, такие локально простые процессоры вместе способны выполнять довольно сложные задачи.
С точки зрения машинного обучения, нейронная сеть представляет собой частный случай методов распознавания образов, дискриминантного анализа, методов кластеризации и т. п. С математической точки зрения, обучение нейронных сетей — это многопараметрическая задача нелинейной оптимизации. С точки зрения кибернетики, нейронная сеть используется в задачах адаптивного управления и как алгоритмы для робототехники. С точки зрения развития вычислительной техники и программирования, нейронная сеть — способ решения проблемы эффективного параллелизма[2]. А с точки зрения искусственного интеллекта, ИНС является основой философского течения коннективизма и основным направлением в структурном подходе по изучению возможности построения (моделирования) естественного интеллекта с помощью компьютерных алгоритмов.
Нейронные сети не программируются в привычном смысле этого слова, они обучаются. Возможность обучения — одно из главных преимуществ нейронных сетей перед традиционными алгоритмами. Технически обучение заключается в нахождении коэффициентов связей между нейронами. В процессе обучения нейронная сеть способна выявлять сложные зависимости между входными данными и выходными, а также выполнять обобщение. Это значит, что в случае успешного обучения сеть сможет вернуть верный результат на основании данных, которые отсутствовали в обучающей выборке, а также неполных и/или «зашумленных», частично искаженных данных.
Иску́сственный нейро́н (Математический нейрон Маккалока — Питтса, Формальный нейрон[1]) — узел искусственной нейронной сети, являющийся упрощённой моделью естественного нейрона. Математически, искусственный нейрон обычно представляют как некоторую нелинейную функцию от единственного аргумента — линейной комбинации всех входных сигналов. Данную функцию называют функцией активации[2] или функцией срабатывания, передаточной функцией. Полученный результат посылается на единственный выход. Такие искусственные нейроны объединяют в сети — соединяют выходы одних нейронов с входами других. Искусственные нейроны и сети являются основными элементами идеального нейрокомпьютера.[3]
Биологический нейрон состоит из тела диаметром от 3 до 100 мкм, содержащего ядро (с большим количеством ядерных пор) и другие органеллы (в том числе сильно развитый шероховатый ЭПР с активными рибосомами, аппарат Гольджи), и отростков. Выделяют два вида отростков. Аксон — обычно длинный отросток, приспособленный для проведения возбуждения от тела нейрона. Дендриты — как правило, короткие и сильно разветвлённые отростки, служащие главным местом образования влияющих на нейрон возбуждающих и тормозных синапсов (разные нейроны имеют различное соотношение длины аксона и дендритов). Нейрон может иметь несколько дендритов и обычно только один аксон. Один нейрон может иметь связи с 20-ю тысячами других нейронов. Кора головного мозга человека содержит 10—20 миллиардов нейронов.