
- •Лекция 10. Способы представления исходной информации в интеллектуальных системах
- •10. 1 Обучение на основе примеров
- •10.2 Типы значений признаков:
- •10.3 Ранговая или порядковая шкала значений признаков
- •10.5 Выборка к-
- •10.6 Кластерный анализ
- •10.6.1 Пример процедуры кластерного анализа: .
- •10.6.2 Диаграмма рассеивания
- •10.6.3 Способы определения меры расстояния между кластерами
- •10.6.4 Работа кластерного анализа опирается на два предположения.
- •10.6.5 Рассмотрим пример.
- •10.6.6 Способы нормирования исходных данных: .
- •10.6.9 Пример вертикальной дендрограммы
- •10.6.10 Методы объединения или связи
- •Метод ближнего соседа или одиночная связь.
- •Метод Варда (Ward's method).
- •Метод наиболее удаленных соседей или полная связь.
- •Метод невзвешенного попарного среднего
- •Метод взвешенного попарного среднего
- •Невзвешенный центроидный метод
- •10.7 Задача обучения «без учителя»
- •10.8 Алгоритм, основанный на понятии порогового расстояния
- •10.8.1 Пример работы алгоритма, основанного на вычислении порогового расстояния.
- •Лекция 11. Алгоритмы обучения без учителя
- •11.1 Алгоритм maxmin
- •11.2 Алгоритм «к средних»
- •11.2.1 Пример работы алгоритма «к средних»
- •11.2.2 Проблемы алгоритма k-средних:
- •11.9. 1 Метод эталонных образов
- •11.9.2 Метод эталонных образов
- •13.2 Программированное обучение. Автор б.Ф. Скиннер
- •13.3 Основные формы программирования
- •13.3.1 Линейная программа
- •13.3.2 Разветвленная форма. Норман а. Кроудер
- •13.4 Автоматизация программированного обучения
- •13.5 Искусственный интеллект
- •13.6 Задача-максимум создания Искусственного Интеллекта
- •13.7 Автоматизированная обучающая система «Контакт»
- •13.8 Аос эвос и атос
- •13.9 Аос садко
- •13.10 Plato
- •13.11 В общем об обучающих системах
- •13.12 Интеллектуальные обучающие системы (иос)
- •13.12.1 Четыре этапа развития иос
- •13.12.2 Принципы организации и реализации интеллектуальных систем электронного обучения
- •13.13. 1 Особенности Образования Web 2.0 или Образования 2.0
- •13.14 Семантический Web (Web 3.0)
- •13.14. 1 Основыне принципы Образования 3.0
- •13.15 Иос на осве субз
- •13.16 Алгоритм муравья
- •13.17 Модель обучения в общем виде
- •13.18 Этапы создания иос от специалистов
- •13.19 Состав группы для разработки иос
11.9. 1 Метод эталонных образов
Метод эталонных образов – это один из эвристических методов построения решающих правил. В основу этого метода положена идея, которая заключается в том, что некоторая совокупность объектов, объединенных в отдельный класс, может быть представлена одним или несколькими эталонными объектами.
Эти эталонные объекты являются наиболее типичными представителями класса. Типичность эталонного объекта означает, что он в среднем максимально похож на все объекты класса.
Поскольку сходство двух объектов может трактоваться как величина, противоположная расстоянию между ними в пространстве описаний (образов), то эталон – это объект, для которого минимально среднее расстояние до других объектов.
Классы, однако, могут обладать разными свойствами. Простейшим свойством является характерный размер класса, который может быть оценен как
11.9.2 Метод эталонных образов
В соответствии с данным решающим правилом просматривается вся обучающая выборка, в ней находится образ, расположенный наиболее близко к данному и устанавливается, к какому классу он принадлежит (это известно, поскольку он находится в обучающей выборке). Этот класс и приписывается новому образу.
Метод ближайшего соседа весьма чувствителен к выбросам, то есть тем образам обучающей выборки, для которых указаны ошибочные классы. В методе k-ближайших соседей выбирается k образов обучающей выборки, наиболее близко расположенных к классифицируемому образу, и определяется, к какому классу относится больше всего из них. Поскольку выбросов, как правило, значительно меньше, чем правильных примеров, можно надеяться, что среди k ближайших соседей выбросов будет мало, и они не окажут влияния на результат классификации.
11.10 Линейные решающий функции
11.10.1 Алгоритм построения линейной разделяющей функции
11.10.2 Пример работы алгоритма построения линейной разделяющей функции
11.11 Построение решающих функций методом потенциалов
13 лекция. Компьютерные технологии в образовании
13.1 Применение компьютеров в образовании
Возможность автоматизации любого вида деятельности появляется в том случае, когда выполняемые человеком функции могут быть в достаточной степени формализуемы и адекватно воспроизведены с помощью технических средств, при условии выполнения требований по качеству достигаемого результата. Для процесса передачи знаний эта возможность появилась вместе с появлением вычислительной техники – в середине прошлого века.
Первые эксперименты по применению компьютеров в образовании относятся к концу 50-х годов. Несмотря на то, что техническая база ЭВМ и программное обеспечение того времени явно не соответствовали успешному решению поставленной проблемы в целом, исследования в этой области начались во всех развитых странах. Выделим наиболее значимые этапы развития работ в этой области и проследим за изменением целей и задач, которые ставили перед собой исследователи и разработчики.