- •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.
-
Механизм вероятностного вывода на основе правил Байеса и коэффициентов уверенности
Условная вероятность события d при данном s – это вероятность того, что событие d наступит при условии, что наступило событие s. Например, условной вероятностью является вероятность того, что у пациента действительно имеется заболевание d, если у него обнаружен только симптом s.
Правило Байеса:
P(d) — априорная вероятность наступления события d, а P(d|s) — апостериорная вероятность, обозначающая вероятность того, что событие d произойдет, если известно, что событие s свершилось.
Данное правило иногда называют инверсной формулой для условной вероятности, так как она позволяет вычислить вероятность P(d | s) через P(s | d).
Для систем, основанных на знаниях, правило Байеса гораздо удобнее формулы определения условной вероятности через вероятность одновременного наступления событий P(d . s).
-
Основные понятия теории нечетких множеств. Операции над нечеткими множествами. Понятия нечеткой и лингвистической переменной. Основы нечеткого логического вывода.
Основные типы функций принадлежности:
1. Треугольная ФП задается следующим выражением:
2. Трапециевидная функция принадлежности в общем виде задается следующим выражением
3. Z-образные (сплайн-функции) ФП задается следующим выражением:
4. S-образная кривая может быть задана следующим выражением:
5. П-образная ФП:
Операции над нечеткими множествами
Пересечение нечетких множеств (операция И). (C=AB)
Объединение нечетких множеств (операция ИЛИ). (D=AB)
Разность нечетких множеств.
(E=A\B)
Симметрическая разность.
AB
Дополнение нечеткого множества (отрицание).
Умножение нечеткого множества на число. B=a*A
Возведение в степень.
Операции концентрирования и растяжения.
Нечеткая и лингвистическая переменная
Связь между лингвистической и нечеткой переменными задается термами. Лингвистическая переменная принимает значения, являющиеся нечеткими переменными. Для всех нечетких переменных (терм) одной лингвистической переменной универсум один.
-
Понятие онтологии. Классификация онтологий и их применение.
Области применения онтологий
Неявное применение онтологий в качестве систем понятий в естественных науках (биология, медицина, геология и другие), где они служат своего рода фундаментом для построения теорий.
В явном виде онтологии используются как источники данных для многих компьютерных приложений позволяя более эффективно обрабатывать сложную и разнообразную информацию.