- •Многокритериальное пр. Качественный и количественный анализ. Пространственные модели.
- •Пр в условиях неопределенности. Парадигма анализа решений. Деревья решений.
- •Теория полезности. Принцип максимальной ожидаемой полезности. Методы прямого построения функции полезности
- •Теория полезности. Основные свойства функции полезности. Учет отношения к риску в функции полезности.
- •Теория полезности. Обоснование s- образности кривой полезности.
- •Теория полезности. Определение отношения к риску на основе понятия детерминированного эквивалента.
- •Определение детерминированного эквивалента. Детерминированный эквивалент для выпуклой и вогнутой функции.
- •Стратегическая эквивалентность функций полезности. Линейная функция полезности.
- •Логарифмическая функция полезности. Пример.
- •Экспоненциальная функция полезности. Пример.
- •Квадратичная функция полезности. Пример.
- •Теоремы о несклонности к риску. Надбавка за риск.
- •Теоремы о склонности к риску. Надбавка за риск.
- •Пример функции полезности для лпр несклонного к риску.
- •Пример функции полезности для лпр склонного к риску.
- •Мера несклонности к риску. Обоснование. Интерпретация функции несклонности к риску.
- •Связь между надбавкой за риск и функцией несклонности к риску.
- •Особенности и признаки интеллектуальности информационных систем.
- •Классификация иис. Системы с интеллектуальным интерфейсом
- •Экспертные системы. Архитектура экспертной системы. Назначение составных частей эс.
- •База знаний и механизм вывода на знаниях. Сравнительный анализ.
- •22 Этапы создания экспертной системы. Идентификация предметной области. Построение концептуальной модели. Типы моделей
- •Этапы проектирования экспертной системы. Формализация базы знаний. Классификация моделей представления знаний
- •Особенности знаний и их отличие от данных. Декларативные и процедурные знания. Системы, основанные на знаниях. Этапы трансформации данных и знаний. Базы данных и базы знаний
- •Самообучающиеся системы. Технологии olap и Data Mining. Определение Data Mining. Основные типы закономерностей, извлекаемых с помощью Data Mining
- •Индукция и дедукция. Алгоритм индуктивного обучения. Деревья решений
- •Искусственные нейронные сети. Обучение нейронных сетей
- •Системы, основанные на прецедентах (Case Based Reasoning)
- •Прямой логический вывод в эс на основе правила Modus Ponens.
- •Обратный логический вывод в эс на основе правила Modus Ponens
- •Семантические сети. Основные типы отношений в семантических сетях. Правила построения семантических сетей
- •Теория фреймов. Структура фрейма. Слоты и присоединенные процедуры. Механизм вывода на фреймах
- •Механизм вероятностного вывода на основе правил Байеса и коэффициентов уверенности
- •Основные понятия теории нечетких множеств. Операции над нечеткими множествами. Понятия нечеткой и лингвистической переменной. Основы нечеткого логического вывода.
- •Понятие онтологии. Классификация онтологий и их применение.
- •Редакторы онтологий, формализмы и форматы представления онтологий
- •Элементы фреймовых онтологий – классы, экземпляры, слоты (типы значений, кардинальность), отношения и т.Д.
- •Подход к формированию онтологий в редакторе Protégé. Последовательность создания онтологий
- •Язык создания экспертных систем clips: поддерживаемые парадигмы, основные структуры данных, конструкции языка для обработки данных и осуществления вывода.
-
Этапы проектирования экспертной системы. Формализация базы знаний. Классификация моделей представления знаний
При разработке ЭС, как правило, используется концепция "быстрого прототипа". Суть этой концепции состоит в том, что разработчики не пытаются сразу построить конечный продукт. На начальном этапе они создают прототип (прототипы) ЭС. Прототипы должны удовлетворять двум противоречивым требованиям: с одной стороны, они должны решать типичные задачи конкретного приложения, а с другой - время и трудоемкость их разработки должны быть весьма незначительны, чтобы можно было максимально запараллелить.
Прототип должен продемонстрировать пригодность методов инженерии знаний для данного приложения.
В ходе работ по созданию экспертных систем сложилась определенная технология их разработки, включающая шесть следующих этапов: идентификацию, концептуализацию, формализацию, выполнение, тестирование, опытную эксплуатацию.
На этапе идентификации определяются задачи, которые подлежат решению, выявляются цели разработки, определяются эксперты и типы пользователей.
- На этапе концептуализации проводится содержательный анализ проблемной области, выявляются используемые понятия и их взаимосвязи, определяются методы решения задач.
- На этапе формализации выбираются инструментальные средства и определяются способы представления всех видов знаний, формализуются основные понятия и т.д.
- На этапе выполнения осуществляется наполнение базы знаний, создание прототипа ЭС..
- В ходе этапа тестирования производится оценка выбранного способа представления знаний в ЭС в целом.
- На этапе опытной эксплуатации проверяется пригодность экспертных систем для конечного пользователя. Пригодность экспертных систем для пользователя определяется в основном удобством работы с ней и ее полезностью.
- В ходе разработки экспертных систем почти всегда осуществляется ее модификация. Выделяют следующие виды модификации системы: переформулирование понятий и требований, переконструирование представления знаний в системе и усовершенствование прототипа.
На этапе формализации базы знаний осуществляется выбор метода представления знаний.
Рассмотрим классификацию методов представления знаний (рис. 2.4).
Рис. 2.4. Классификация методов представления знаний
-
Особенности знаний и их отличие от данных. Декларативные и процедурные знания. Системы, основанные на знаниях. Этапы трансформации данных и знаний. Базы данных и базы знаний
Особенности знаний, которые отличают их от данных.
1.Интерпретируемость.
2. Наличие классифицирующих отношений.
3. Наличие ситуативных связей.
Традиционно знания классифицируются по категориям:
поверхностные – знания о видимых взаимосвязях между отдельными событиями и фактами в предметной области. (Кнопка звонка).
глубинные – абстракции, аналогии, схемы, отображающие структуру и природу процессов, протекающих в предметной области.
Помимо этой классификации, знания делят на процедурные и декларативные.
Декларативные знания - знания, которые записаны в памяти ИС так, что они непосредственно доступны для использования после обращения к соответствующему полю памяти.
Процедурные знания - знания, хранящиеся в памяти ИС в виде описаний процедур, с помощью которых их можно получить.
Системы, основанные на знаниях. Экспертные системы.
Экспертная система – это программа, которая ведет себя подобно эксперту в некоторой проблемной области. Она должна иметь способность к объяснению своих решений и тех рассуждений, на основе которых эти решения были приняты.
При разработке ЭС принято делить ее на три основных модуля:
1. База знаний содержит знания, относящиеся к конкретной прикладной области, в том числе отдельные факты, правила описывающие отношения и явления, а также методы и идеи по решению задач.
2. Машина логического вывода умеет активно использовать информацию, содержащуюся в базе знаний.
3. Интерфейс с пользователем отвечает за обмен информацией между пользователем и системой.
Системы ИИ (системы искусственного интеллекта) - демонстрируют интеллектуальное поведение.
Системы основанные на знаниях используют декларативные (явные) знания, отделенные от остальной части системы
Трансформация знаний и данных при их обработке на ЭВМ.
При обработке на ЭВМ данные трансформируются, условно проходя следующие этапы:
Д1 – данные как результат измерений и наблюдений;
Д2 – данные на материальных носителях информации (таблицы, протоколы, справочники);
Д3 – модели (структуры) данных в виде диаграмм, графиков, функций;
Д4 – данные на языке описания данных;
Д5 – базы данных на машинных носителях.
При обработке на ЭВМ знания трансформируются аналогично данным:
З1 – знания в памяти человека как результат мышления;
З2 – материальные носители знаний (учебники, методические пособия);
З3 – поле знаний (условное описание основных объектов предметной области, их атрибутов и закономерностей, их связывающих);
З4 – знания, описанные на языках представления знаний (продукционные языки, семантические сети, фреймы);
З5 – базы знаний.
Базы данных и базы знаний.
Для хранения данных используются базы данных, характеризуемые большим объемом и относительно небольшой стоимостью хранения информации, а для хранения знаний – базы знаний, характеризуемые небольшим объемом и исключительной дороговизной информационных массивов. База знаний – основа любой интеллектуальной информационной системы.
Современные интеллектуальные информационные системы в основном работают с поверхностными знаниями, что связано с отсутствием универсальных методик, позволяющих выделять глубинные структуры знаний и работать с ними.