- •1. Знания как основа принятия решений
- •2. Понятие «система»
- •4. Формализованные знания. Сущность и сферы использования. Примеры.
- •5. Неформализованные знания и задачи
- •6. Слабоструктурированные задачи. Источники неопределенности при принятии решений.
- •7. Основные виды неопределенности и способы ее уменьшения
- •8. Понятие «искусственный интеллект». Задачи ии. Основные этапы развития ии
- •9. Особенности человеческого мышления. Принципы построения систем ии
- •10. Особенности и признаки интеллектуальных информационных систем.
- •11. Двойственная природа знаний, используемых в интеллектуальных системах
- •12. Понятие «экспертная система». Основные модели представления знаний в экспертных системах.
- •13. Логические модели представления знаний. Модель, основанная на логике высказываний
- •14. Логические модели представления знаний. Модель, использующая исчисление предикатов (э-существует y-любой!!!!!!)
- •15. Продукционная модель представления знаний. Структура экспертных систем продукционного типа.
- •16) Механизм логического вывода в продукционных системах. Примеры логического вывода
- •17 Управляющий компонент продукционной экспертной системы
- •27. Способы дефазификации результатов нечеткого вывода.
- •18. Общая хар-ка матем-го аппарата теории нечетких множеств.
- •19. Основные идеи теории нечетких множеств. Сравнение обычных и нечетких множеств.
- •21. Алгебраические операции над нечеткими множествами.
- •20. Операции над нечеткими множествами (кроме алгебраических).
- •22. Нечеткая и лингвистическая переменные.
- •23. Нечеткие отношения.
- •24. Операции композиции нечетких отношений и нечеткой импликации, их значение для нечеткого логического вывода.
- •26. Особенности нечеткого логического вывода по Мамдани и Ларсену
- •28. Нечеткие аппроксиматоры.
- •29. Основные проблемы, решаемые при помощи искусственных нейронных сетей.
- •30. Биологический нейрон.
- •Биологический нейрон 2
- •31. Понятие коннекционизма
- •32 Схема формального нейрона
- •33. Функции активации формального нейрона, их смысл и основные виды
- •34. Сравнение ветвей компьютерной эволюции.
- •35 Архитектуры нейронных сетей
- •36. Обучение нейросетей.
- •Цель обучения
- •37. Обучение нейронных сетей как задача оптимизации
- •38. Сравнение ветвей компьютерной эволюции.
- •39. Генетические алгоритмы. Основные понятия, принципы и особенности построения.
- •40. Обучение нейронных сетей методом статистических испытаний.
- •Знания как основа принятия решений
- •Понятие «система»
1. Знания как основа принятия решений
Принятие решений – генерация возможных альтернативных решений, оценка этих альтернатив и выбор наилучшего решения.
Поддержка ПР – информация (книги, опыт др. людей).
Задача ИИ – поддержка управленческих решений.
Принять решение – выбрать такую альтернативу из числа возможных, которая с учетом всех разнообразных и противоречивых требований будет максимально способствовать достижению поставленной цели (оптимизация). Множество альтернатив человек формирует сам.
Неотъемлемой частью ПР является неопределенность в выборе альтернатив. Для снятия неопределенности нужна объективная оценка ситуации, основанная на знании. Знания основываются на инфе относительно состояния проблемной области, которой располагает ЛПР.
Инфа – это то, что позволяет принять решение или осознанный выбор. Инф-ые ед-цы – это элементы инфы.
Свойства знаний:
внутренняя интерпретируемость (каждая структурная единица должна иметь уникальное имя и однозначно определяться)
структурируемость – м\у инф-ыми ед-цами д.б. установлены определенные отношения (отношение типа «часть-целое», «род - вид» и т.д.)
Знания должны определяться как система (некоторое множество элементов, позволяющее получить новые свойства). Знания должны представлять собой систему. Управлять можно только при наличии систематических знаний. Системы ИИ – это системы, в основе которых лежат знания.
2. Понятие «система»
Система – некоторое множество элементов, позволяющее получить новые свойства.
Система – это перечисление ее свойств.
Свойства:
Система д.б. разделима на подсистемы, к-ые тоже м.б.разделены и т.д., вплоть до элементов. Элемент – это такая часть системы, внутрь которой описание не проникает. Понятие «элемент» зависит от поставленной задачи (от глубины описания).
Наличие сильных и устойчивых связей м\у эл-ми, сила к-ых значительно превосходит силу связей эл-ов с окружающей средой.
Наличие структуры (организации) – наличие упорядоченных в пр-ве и во времени эл-ов, подсистем и связей м\у ними.
Наличие системного эффекта – это свойство, присущее только системе в целом и отсутствующее у каждого из ее элементов. Надежная система м.б. построена из ненадежных элементов (при определенной организации).
Наличие цели функционирования. Цель биологического объекта – жить и продолжать род. Цель интеллектуальной системы закладывается при проектировании.
Наличие окружающей среды (любая система способна функционировать только в окружающей среде; обмениваясь при этом инфой, энергией, материей одновременно)
3. Понятия «данные», «инфа», «знания» и связь м\у ними
Инфа основывается на данных, т.е. на элементах описания предметной области.
Данные + Процедуры обработки = Инфа
Инфа + Процедуры обработки = Знания
Пример: Read Only Memory – символьные данные.
читать только память (интеллектуальный переводчик) или память только для чтения - альтернативы. Данные сопоставляем со словарем и получаем инфу (понятные данные). Нужны дополнительные внешние знания о правилах перевода, они не содержаться в данной фразе. Применяя внешние знания о правилах перевода к переведенным словам, получаем знания.
Формула Вирта: Программа = Алгоритм обработки + Исходные данные.
Данные будут поняты только тогда, когда к ним будет применен алгоритм обработки.
Данные (декларативные) – это характеристика проблемной области.
Процедурные знания в алгоритме – это как обработать данные, атрибуты, способ их обработки.
Пример: Часы показывают 12.15. В мозг передается сигнал, в мозге формируется изображение; данные соотносятся со шкалой времени и => получили инфу. Человек подключил внешние знания и сравнивает с к.-л. событием (расписание занятий) => знания: опаздывает.
Знания не содержатся в исходных данных. Знания возникают в результате сопоставления элементов инфы (о времени и о расписании). И затем принимается решение.