- •Часть 1
- •Оглавление
- •Часть 1
- •Лекция 1 введение
- •1. Цели и задачи дисциплины. Ее место в учебном процессе.
- •2. История развития систем ии
- •3. Философские аспекты систем ии
- •Лекция 2 искуственный интеллект как научное направление
- •1. Человеко-машинные системы с искусственным интеллектом
- •2. Проблема искусственного интеллекта
- •3. Основные направления исследований в системах с искусственным интеллектом
- •Лекция 3 знания и данные
- •1. Знания - необходимая компонента ии
- •2. Макрознания и макроидеи
- •3. Данные и знания. Классификация знаний
- •4. Проблемы представления знаний
- •Лекция 4 представление знаний и рассуждений
- •Лекция 5 логические модели представления знаний
- •1. Предварительные замечания
- •2. Логическая модель представления знаний
- •Лекция 6 псевдофизичесие логики
- •1.Нечеткость в представлении знаний
- •2.Нечеткие множества.
- •3. Нечеткие отношения
- •2.Нечеткие выводы
- •3.Построение Функций принадлежности.
- •Лекция 7 псевдофизические логики
- •Нечеткaя логика
- •1. Нечеткая и лингвистическая переменные.
- •2. Нечеткая и лингвистическая логика
- •Лекция 8 псевдофизические логики
- •Нечеткие высказывания. Нечеткие алгоритмы
- •1. Нечеткие высказывания
- •2. Свойства высказываний.
- •3. Правила преобразования высказываний.
- •4. Понятие нечеткого оператора и алгоритма
- •5. Выполнение нечетких алгоритмов.
- •Лекция 9 продукционные модели представления знаний
- •3. Классификация ядер продукции.
- •4. Методы поиска решений
- •5. Методы логического вывода. Дедуктивный вывод
- •3. Повышение эффективности поиска
- •Лекция 10 методы представления и обработки нечетких знаний в продукционных системах
- •1. Представление экспертной информации
- •2. Представление экспертной информации в виде
- •Лекция 11 методы представления и обработки нечетких знаний в продукционных системах
- •1. Нечеткий вывод на основе дедуктивного логического вывода
- •2. Нечеткий вывод на основе индуктивного логического вывода
- •Лекция 12 сетевые семантические модели представления знаний
- •1. Основные понятия семантических сетей
- •Лекция 13 сетевые семантические модели представления знаний
- •4. Модели семантических сетей. Активные семантические сети (м-сети).
- •Лекция 14 фреймы и объекты
- •Лекция 15 сценарии
- •1. Основные определения
- •3. Каузальные сценарии
- •Лекция 16 модели обучения
- •1. Неформальные модели
- •2. Формальные модели
- •3. Обучение по примерам
- •Лекции 17 обучение по примерам
- •1. Итеративные алгоритмы обучения
- •2. Спецификация задач обучения по примерам
- •Библиографический список
3. Обучение по примерам
Типы задач
Система (человек или машина) может получать новые знания многими способами. Можно, например, вывести нужную информацию как логическое следствие имеющихся знаний, получить ее модификацией имеющихся знаний, рассчитывая на «аналогичность» ситуаций, попытаться вывести общий закон из имеющихся примеров. Можно выделить некоторые задачи, традиционно относимые к задачам обучения по примерам (ОП).
1. Прогнозирование. Дана последовательность чисел: 3, 5, 7 ... Чему равен следующий член этой последовательности?
2. Идентификация (синтез) функций. Имеется некоторый «черный ящик», относительно устройства которого можно судить по его поведению, подавая на вход сигналы и получая в ответ выходные. Требуется по этой информации сформулировать описание работы анализируемого устройства. Главное отличие этой задачи от предыдущей состоит в синтезировании общего закона, а не в прогнозировании его частного проявления. К задачам идентификации относятся, например, расшифровка структуры конечных автоматов [Трахтенброт и др., 1970], индуктивный синтез программ на языке ЛИСП [Biermann, 1978].
3. Расшифровка языков. Поиск правил синтеза текстов некоторого языка на основе анализа конкретных текстов на этом языке (расшифровки кодов, систем письменности и т. д.). Задачей такого же типа является обучение распознаванию образов.
Близкие по духу задачи рассматриваются в теории грамматического вывода [Biermann et al., 1972a].
4. Индуктивный вывод. В широком смысле в это направление вписываются все рассмотренные выше задачи. В узком смысле индуктивный вывод почти совпадает с проблемой расшифровки языков.
5. Синтез с дополнительной информацией. В качестве дополнительной информации может использоваться структура примеров, их родовидовая принадлежность и т.д. К дополнительной информации относят также контрпримеры. Контрпримеры часто помогают в решении задачи (например, в алгоритме Уинстона, решающем задачу об арках [Уинстон, 1978]). Дополнительная информация используется в других задачах синтеза. Например, возможность синтеза программ по парам вход—выход существенно расширяется, если с каждой парой вход—выход задается «траектория» ее вычисления (последовательность состояний программы без учета их тождественности) [Summers, 1977].
Все рассмотренные задачи в зависимости от предмета исследования (множество или отображение) относятся к одной из двух категорий: синтезу языков или синтезу функций. Отметим два свойства задач ОП (общие для функционального и языкового синтеза):
1) все они являются задачами нахождения описаний;
2) задаваемая в виде примеров входная информация (обучающая выборка) является недостаточной для однозначного формирования требуемого описания.
В этом смысле задачи обучения некорректны. Например, при идентификации вычислимой функции по входным-выходным данным (x1, y1), (x2, y2), ..., (xn, yn) существует бесконечное число вычислимых функций, графики которых содержат точки (xi, yi), и нет логических оснований предпочесть одну из них другой.