41

Лекция 10. Способы представления исходной информации в интеллектуальных системах 3

10. 1 Обучение на основе примеров 3

10.2 Типы значений признаков: 3

10.3 Ранговая или порядковая шкала значений признаков 4

10. 4 Выборка К+ 4

10.5 Выборка К- 4

10.6 Кластерный анализ 4

10.6.1 Пример процедуры кластерного анализа: . 4

10.6.2 Диаграмма рассеивания 5

10.6.3 Способы определения меры расстояния между кластерами 5

10.6.4 Работа кластерного анализа опирается на два предположения. 6

10.6.5 Рассмотрим пример. 6

10.6.6 Способы нормирования исходных данных: . 6

10.6.7 Методы кластерного анализа можно разделить на две группы: 6

10.6.7.1 Иерархические агломеративные методы (Agglomerative Nesting, AGNES) 7

10.6.7.2 Иерархические дивизимные (делимые) методы (DIvisive ANAlysis, DIANA) 7

10.6.8 Программная реализация алгоритмов кластерного анализа 7

10.6.9 Пример вертикальной дендрограммы 7

10.6.10 Методы объединения или связи 8

Метод ближнего соседа или одиночная связь. 8

Метод Варда (Ward's method). 8

Метод наиболее удаленных соседей или полная связь. 9

Метод невзвешенного попарного среднего 9

Метод взвешенного попарного среднего 9

Невзвешенный центроидный метод 9

10.7 Задача обучения «без учителя» 10

10.8 Алгоритм, основанный на понятии порогового расстояния 11

10.8.1 Пример работы алгоритма, основанного на вычислении порогового расстояния. 11

Лекция 11. Алгоритмы обучения без учителя 13

11.1 Алгоритм MAXMIN 13

11.2 Алгоритм «К средних» 16

11.2.1 Пример работы алгоритма «К средних» 17

11.2.2 Проблемы алгоритма K-средних: 19

11.3 Алгоритмы расстановки центров кластеров 19

11.4 Алгоритм, основанный на методе просеивания 19

11.5 Нечеткий алгоритм кластеризации с-means 20

11.5.1 Классический пример с-means — т.н. «бабочка» (butterfly): 20

11.5.2 Алгоритм ISODATA 20

11.6 Распознавание с использованием решающих функций 21

11.7 Построение решающих функций по критерию минимального расстояния 22

22

11.8 Разделяющие решающие функции 23

11.9 Распознавание образов 24

11.9. 1 Метод эталонных образов 25

11.9.2 Метод эталонных образов 26

11.10 Линейные решающий функции 27

11.10.1 Алгоритм построения линейной разделяющей функции 27

11.10.2 Пример работы алгоритма построения линейной разделяющей функции 28

11.11 Построение решающих функций методом потенциалов 29

30

13 лекция. Компьютерные технологии в образовании 30

13.1 Применение компьютеров в образовании 30

13.2 Программированное обучение. Автор Б.Ф. Скиннер 30

13.3 Основные формы программирования 31

13.3.1 Линейная программа 31

13.3.2 Разветвленная форма. Норман А. Кроудер 31

13.4 Автоматизация программированного обучения 32

13.5 Искусственный интеллект 32

13.6 Задача-максимум создания Искусственного Интеллекта 32

13.7 Автоматизированная обучающая система «Контакт» 33

13.8 АОС ЭВОС и АТОС 33

13.9 АОС САДКО 33

13.10 PLATO 33

13.11 В общем об обучающих системах 34

13.12 Интеллектуальные обучающие системы (ИОС) 34

13.12.1 Четыре этапа развития ИОС 34

13.12.2 Принципы организации и реализации интеллектуальных систем электронного обучения 35

13.13 Web 2.0 35

13.13. 1 Особенности Образования Web 2.0 или Образования 2.0 35

13.14 Семантический Web (Web 3.0) 36

13.14. 1 Основыне принципы Образования 3.0 36

13.15 ИОС на осве СУБЗ 36

13.16 Алгоритм муравья 36

13.17 Модель обучения в общем виде 37

13.18 Этапы создания ИОС от специалистов 38

13.19 Состав группы для разработки ИОС 39

Лекция 10. Способы представления исходной информации в интеллектуальных системах

Человек, решающий задачу выбора целесообразного поведения в той или иной ситуации, прежде всего, анализирует существенные и несущественные обстоятельства, влияющие на принимаемое решение. Процесс выделения существенных для данной задачи обстоятельств можно представить как разбиение входных ситуаций на классы, обладающие тем свойством, что все ситуации из одного класса требуют одних и тех же действий.

Оценка входной ситуации человеком происходит на основе совокупности сигналов, поступающих от его органов чувств. На основании этих сигналов мозг вырабатывает команды, которые обеспечивают реакцию человека на ситуацию. Сигналы поступают от рецепторов (зрительных, тактильных и др.). Совокупность таких сигналов формирует представление человека о ситуации.

Вычислительная машина, на которой моделируется аналогичный процесс, должна обладать возможностью получать описание входной ситуации от внешних «рецепторов» в виде различных наборов данных. Очевидно, объем информации, который получает компьютер, несоизмеримо меньше объемов информации, с которыми имеет дело человек; кроме того, такая информация будет представлена исключительно в численной форме.

Для того, чтобы эффективно оценить, относятся ли различные ситуации к одному классу, интеллектуальная система должна иметь возможность рассмотреть и оценить ряд конкретных примеров таких ситуаций, включенных в обучающее множество.

10. 1 Обучение на основе примеров

Обучение на основе примеров является типичным случаем индуктивного обучения и широко используется в интеллектуальных системах. На основе предъявленных примеров (и, возможно, контрпримеров) интеллектуальная система должна сформировать общее понятие, охватывающее примеры и исключающее контрпримеры.

Источником примеров, на которых осуществляется обучение, может быть учитель то есть лицо, которое заранее знает концепцию формируемого понятия и подбирает наиболее удачные обучающие выборки.

Источником примеров для обучения может быть внешняя среда, с которой взаимодействует интеллектуальная система. В этом случае обучающие выборки формируются случайным образом в зависимости от внешних факторов. Обучение на таких выборках существенно сложнее.

Наконец, источником примеров для обучения может стать сама интеллектуальная система. Например, в случае взаимодействия интеллектуального робота с внешней средой действия самого робота могут привести к созданию обучающей выборки, то есть образуется множество сходных ситуаций с известными результатами, которые можно затем обобщить.

Для системы машинного обучения принципиально важным является вопрос, что поступает на вход системы, в каком виде предъявляются примеры понятия, включенные в состав обучающего множества.

Все основные методы решения задач индуктивного построения понятий базируются на концепции признакового описания примера понятия, а именно: любой элемент обучающей выборки, который может быть представлен в системе, полностью определяется набором свойств, или признаков. Такое задание объекта исследования называется признаковым описанием объекта.