5299

МИНОБРНАУКИ РОССИИ

Федеральное государственное бюджетное образовательное учреждение высшего образования

«Нижегородский государственный архитектурно-строительный университет»

Прокопенко Н.Ю.

МЕТОДЫ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

Учебно-методическое пособие по подготовке к лекциям, практическим занятиям

(включая рекомендации по организации самостоятельной работы),

по выполнению расчетно-графической работы

для обучающихся по дисциплине «Методы искусственного интеллекта» по направлению подготовки 09.03.03 Прикладная информатика направленность (профиль) Прикладная информатика в экономике

Нижний Новгород

2022

УДК 004.9

Прокопенко Н.Ю. / Методы искусственного интеллекта: учебно-методическое пособие / Н.Ю. Прокопенко; Нижегородский государственный архитектурно-строительный университет – Нижний Новгород: ННГАСУ, 2022. – 18 с.– Текст: электронный.

В настоящем учебно-методическом пособии по дисциплине «Методы искусственного интеллекта» даются конкретные рекомендации учащимся для освоения как основного, так и дополнительного материала дисциплины и тем самым способствующие достижению целей, обозначенных в учебной программе дисциплины. Цель учебно-методического пособия — это помощь в усвоении лекций, в подготовке к практическим занятиям, а также в написании расчетно-графической работы.

Учебно-методическое пособие предназначено для обучающихся в ННГАСУ по дисциплине «Методы искусственного интеллекта» по направлению подготовки 09.03.03 Прикладная информатика, направленность (профиль) Прикладная информатика в экономике.

© Н.Ю. Прокопенко, 2022

© ННГАСУ, 2022

2

1. Общие положения

. 1.1 Цели изучения дисциплины и результаты обучения

Основной целью освоения учебной дисциплины «Методы искусственного интеллекта» яв-

ляется достижение результатов обучения, предусмотренных установленным в ОПОП индикатора-

ми достижения компетенций.

Целями освоения данной учебной дисциплины являются формирование четкого представле-

ния о месте и роли современной технологии обработки данных – методах искусственного интел-

лекта, изучение сложившейся в этой области терминологии, моделей и методов актуальных направлений искусственного интеллекта Data mining, овладение современным программным ин-

струментарием, позволяющим эффективно применять методы интеллектуального анализа.

В процессе освоения дисциплины студент должен Знать:

основные модели Data mining (деревья решений, ассоциативные правила, кластеризация; ис-

кусственные нейронные сети), этапы, методы и инструментальные средства обработки данных.

Уметь:

самостоятельно провести необходимую работу с данными, определить тип задачи (класси-

фикация, кластеризация, прогнозирование, поиск зависимостей и т.п.), решить ее адекватно вы-

бранным методом.

Владеть:

практическими приёмами и методами реализации различных стратегий обработки данных и объяснения полученных результатов; навыками работы с конкретной АП Deductor и АП Loginom/

. 1.2 Содержание дисциплины

1. Предмет и методы интеллектуального анализа данных. Предварительный разведочный анализ данных.

Сферы применения анализа данных. Этапы анализа данных. Методы обработки данных.

Подготовка данных для анализа: выявление пропусков, дубликатов, противоречий, аномалий; вос-

становление пропущенных значений; редактирование аномальных значений; представление их в виде, пригодном для дальнейшего анализа с помощью различных аналитических и интеллектуаль-

ных алгоритмов.

2. Оперативная аналитическая обработка данных OLAP.

Многомерное представление данных On-line Analytical Processing (OLAP). Визуализация

данных и манипуляция с данными на основе графического изображения (диаграммы, гистограм-

мы, OLAP-кубы).

3. Data Mining: классификация и регрессия. Машинное обучение. Деревья решений.

Методы кластерного анализа (метод k-средних; дискриминантный анализ: Отнесение объек-

тов к тому или иному классу с помощью функций классификации, метода эталона, метода бли-

жайшего соседа. Деревья решений. Алгоритмы построения деревьев решений. Модифицирован-

ный алгоритм построения дерева решающих правил на основе алгоритма C4.5. Упрощение дере-

вьев решений. Визуализаторы (Правила, значимость атрибутов).

4. Data Mining: ассоциативные правила.

Ассоциативные правила. Алгоритм Apriori для поиска ассоциативных правил. Иерархиче-

ские ассоциативные правила.

5. Data Mining. Искусственные нейронные сети.

Основные понятия. Структура нейронной сети. Алгоритм обратного распространения ошиб-

ки. Процесс обучения. Параметры остановки. Многослойный персептрон. Выбор оптимальной структуры многослойной сети.

. 1.3 Вспомогательная литература для изучения дисциплины

Для освоения дисциплины обучающийся может использовать печатные и электронные из-

дания и методические материалы, имеющиеся в библиотеке ННГАСУ и/или размещённые в элек-

тронных библиотечных системах (ЭБС), предоставляющих право использования изданий на осно-

вании договорных отношений с университетом, а также иные общедоступные ресурсы сети «Ин-

тернет».

Печатные и электронные издания

1. Барский, А. Б.. Логические нейронные сети : учебное пособие. / Барский, А. Б. ; А. Б. Барский. –

Москва : Интернет-Университет Информационных Технологий (ИНТУИТ), Ай Пи Ар Медиа, 2020. – 491 с. – URL: URL: http://www.iprbookshop.ru/97547.html. – ISBN ISBN 978-5-4497-0661-4.

2. Загорулько Юрий Алексеевич. Искусственный интеллект. Инженерия знаний : учебное пособие для вузов. / Загорулько Юрий Алексеевич, Загорулько Галина Борисовна ; Новосибирский госу-

дарственный университет. – Москва : Юрайт, 2020. – 94 с. – ISBN ISBN 978-5-534-07198-6.

3. Иванов Владимир Михайлович. Интеллектуальные системы : учебное пособие для вузов : для студентов, обучающихся по направлению "Прикладная математика". / Иванов Владимир Михай-

лович ; Уральский федеральный университет имени первого Президента России Б. Н. Ельцина. –

Москва : Юрайт, Екатеринбург : Издательство Уральского университета, 2020. – 92 с. – ISBN

ISBN 978-5-7996-1867-4 (УрФУ).

5

4. Тарков, М. С.. Нейрокомпьютерные системы : учебное пособие. / Тарков, М. С. ; М. С. Тарков. –

Москва : Интернет-Университет Информационных Технологий (ИНТУИТ), Ай Пи Ар Медиа,

2020. – 170 с. – URL: URL: http://www.iprbookshop.ru/97551.html. – ISBN ISBN 978-5-4497-0664-5.

5. Тюгашев, А. А.. Компьютерные средства искусственного интеллекта : учебное пособие. / Тюга-

шев, А. А. ; А. А. Тюгашев. – Самара : Самарский государственный технический университет,

ЭБС АСВ, 2020. – 270 с. – URL: URL: http://www.iprbookshop.ru/105021.html. – ISBN ISBN 978-5- 7964-2293-9.

Методические материалы по дисциплине

1. Прокопенко Наталья Юрьевна. Анализ данных: учеб.-метод. пособие по подгот. к лекциям,

практ. занятиям (включая рекомендации по организации самостоят. работы) для обучающихся по дисциплине "Анализ данных" по направлению подгот. 09.03.04 Программная инженерия, профиль

09.03.04 Разработка программно-информ. систем. / Прокопенко Наталья Юрьевна ; Нижегор. гос.

архит.-строит. ун-т. – Нижний Новгород : ННГАСУ, 2018. – 1 CD ROM. – URL: URL: http://catalog.nngasu.ru/MarcWeb2/.

2. Прокопенко Наталья Юрьевна. Машинное обучение : учеб.-метод. пособие по подгот. к лекци-

ям, практ. занятиям (включая рекомендации по организации самостоят. работы) для обучающихся по дисциплине "Машинное обучение" по направлению подгот. 09.03.04 Программная инженерия,

профиль Разработка программно-информ. систем. / Прокопенко Наталья Юрьевна ; Нижегор. гос.

архит.-строит. ун-т. – Нижний Новгород : ННГАСУ, 2018. – 1 CD ROM. – URL: URL: http://catalog.nngasu.ru/MarcWeb2/.

2. Методические указания по подготовке к лекциям

. 2.1 Общие рекомендации по работе на лекциях

Лекция является главным звеном дидактического цикла обучения. Ее цель – формирование основы для последующего усвоения учебного материала. В ходе лекции преподаватель в устной форме, а также с помощью презентаций передает обучаемым знания по основным, фундаменталь-

ным вопросам изучаемой дисциплины.

Назначение лекции состоит в том, чтобы доходчиво изложить основные положения изуча-

емой дисциплины, ориентировать на наиболее важные вопросы учебной дисциплины и оказать помощь в овладении необходимых знаний и применения их на практике.

При подготовке к лекционным занятиям студенты должны ознакомиться с презентаций,

предлагаемой преподавателем, отметить непонятные термины и положения, подготовить вопросы

6

с целью уточнения правильности понимания. Рекомендуется приходить на лекцию подготовлен-

ным, так как в этом случае лекция может быть проведена в интерактивном режиме, что способ-

ствует повышению эффективности лекционных занятий.

. 2.2 Общие рекомендации при работе с конспектом лекций

В ходе лекционных занятий необходимо вести конспектирование учебного материала. Кон-

спект помогает внимательно слушать, лучше запоминать в процессе осмысленного записывания,

обеспечивает наличие опорных материалов при подготовке к семинару, зачету, экзамену.

Полезно оставить в рабочих конспектах поля, на которых делать пометки из рекомендован-

ной литературы, дополняющие материал прослушанной лекции, а также подчеркивающие особую важность тех или иных теоретических положений.

В случае неясности по тем или иным вопросам необходимо задавать преподавателю уточ-

няющие вопросы. Следует ясно понимать, что отсутствие вопросов без обсуждения означает в большинстве случаев неусвоенность материала дисциплины.

. 2.3 Контрольные вопросы

1.Как вы понимаете термин «качество данных»?

2.Почему оценке качества данных уделяют большое внимание на всех этапах подготовки данных к анализу?

3.Каковы основные цели оценки качества данных?

4.Какие выводы о качестве данных могут быть сделаны по результатам его оценки?

5.Какие аспекты качества данных можно оценить с помощью профайлинга?

6.Какие приемы можно использовать для визуальной оценки качества данных с помощью таблиц?

7.Какие проблемы в данных можно выявить с помощью графиков и диаграмм?

8.Какие ошибки в данных являются трудноформализуемыми?

9.Зачем необходимо выполнять очистку данных?

10.Что включает в себя трансформация данных?

11.В чем отличие трансформации данных от предобработки и очистки?

12.Что понимают под факторным анализом?

13.Что такое корреляционный анализ?

14.Что понимают под выявлением дубликатов и противоречий данных?

15.Что такое выравнивание по скользящему окну?

16.Что включает в себя прогнозирование данных?

7

17.Что представляют собой дубликаты и противоречия?

18.Всегда ли дубликаты и противоречия являются следствием ошибок и их необходимо уда-

лять?

19.В каких случаях обработку дубликатов и противоречий не производят совсем?

20.Какие значения множества данных могут рассматриваться как аномальные?

21.Каково ожидаемое влияние аномальных значений на результаты анализа?

22.Как применяется визуальный анализ для выявления аномалий в одномерных и двумерных множествах данных?

23.Всегда ли аномальные значения являются нежелательными в данных?

24.Какие методы корректировки аномальных значений вам известны?

25.Что понимается в данных под пропущенным значением?

26.Почему пропущенные значения в анализируемых данных необходимо восстанавливать?

27.Каковы цели и задачи визуализации данных в аналитических технологиях?

28.Для чего используется визуализация источников данных?

29.Зачем нужен визуальный контроль данных, после их загрузки в аналитическое приложе-

ние?

30.Чем отличаются средства визуализации общего назначения от специализированных?

31.Какие средства визуализации данных относят к визуализаторам общего назначения и поче-

му?

32.В чем отличие графика от диаграммы? Какие виды диаграмм вам известны?

33.По какому принципу строится гистограмма, и какую информацию о поведении исследуе-

мой величины из нее можно извлечь?

34.Для каких целей служит визуализатор Статистика?

35.Почему визуализация многомерных данных может оказаться проблематичной c точки зре-

ния пользователя?

36.В чем заключается OLAP-анализ и каковы его цели?

37.Какова структура OLAP-куба?

38.Какие манипуляции с измерениями можно производить, чтобы сделать представление куба более информативным?

39.В чем заключаются операции транспонирования и детализации, каковы их цели?

40.Что такое кросс-диаграмма, и для каких целей она используется?

41.Дайте определения KDD и Data Mining.

42.Дайте определения задачам Data Mining (классификация, регрессия, кластеризация, ассоци-

ативные правила).

8

43.Какие существуют алгоритмы Data Mining.

44.Способы машинного обучения: обучение с учителем и без учителя. Методы формирования тестовой и обучающей выборки.

45.В чем суть модели Дерево решений.

46.Алгоритмы построения деревьев решений.

47.Описание алгоритмов ID3 и С4.5. Их достоинства и недостатки.

48.Каким свойством деревьев решений обусловлена их высокая объясняющая способность.

49.Критерии оптимизации деревьев решений (упрощение деревьев решений)

50.Что такое ассоциация?

51.Что представляет собой транзакция в теории ассоциативных правил?

52.Как определяются поддержка и достоверность, и какова их роль в процессе поиска ассоциа-

тивных правил?

53.Чем определяется значимость и полезность ассоциативных правил, и какими показателями она характеризуется?

54.Почему стратегия поиска ассоциативных правил путем проверки поддержки и достоверно-

сти всех возможных ассоциаций, полученных на основе набора транзакций, неэффективна?

55.Чем определяется частота предметного набора, и какие предметные наборы называются популярными (или частыми)?

56.Какую роль играют популярные наборы в процессе поиска ассоциативных правил с помо-

щью алгоритма a priori?

57.Какое свойство предметных наборов лежит в основе алгоритма a priori?

58.Как образуется иерархия предметов в процессе поиска ассоциативных правил? Приведите примеры.

59.Каковы преимущества и недостатки поиска ассоциативных правил при рассмотрении иерархии предметов?

60.На каких иерархических уровнях чаще встречаются предметы, ассоциации между которы-

ми имеют большую поддержку?

61.Почему, если объект встречается редко на верхних уровнях иерархии, анализировать ассо-

циации с его потомками на нижних уровнях не имеет смысла?

62.Для каких целей применяют понижение порога минимальной поддержки для нижних уров-

ней иерархии?

63.Что представляет искусственная нейронная сеть?

64.Дайте определение искусственного нейрона.

9

65.Какая операция выполняется в теле нейрона над сигналами, поступающими по входным связям?

66.Перечислите и поясните применяемые виды активационных функций.

67.В чем заключается процесс обучения нейронной сети?

68.Что называют многослойным персептроном?

69.Какое основное отличие искусственных нейронов, которые используются для построения нейронных сетей, получивших название персептронов?

70.К какому типу алгоритмов обучения относится алгоритм обратного распространения, и в чем отличительная черта этих алгоритмов.

71.Для каких целей используется визуализация выходной ошибки модели в процессе обуче-

ния?

72.Почему в процессе анализа данных требуется контроль качества используемых аналитиче-

ских моделей?

73.Для каких моделей используются таблица сопряженности и диаграмма рассеяния и как с их помощью оценить точность модели?

3.Методические указания по подготовке к практическим занятиям

. 3.1 Общие рекомендации по подготовке к практическим занятиям

В ходе подготовки к практическим занятиям необходимо изучать основную литературу, по-

знакомиться с дополнительной литературой. При этом необходимо учесть рекомендации препода-

вателя и требования учебной программы.

В соответствии с этими рекомендациями и подготовкой полезно дорабатывать свои конспек-

ты лекции, делая в нем соответствующие записи из литературы, рекомендованной преподавателем и предусмотренной учебной программой. Целесообразно также подготовить тезисы для возмож-

ных выступлений по всем учебным вопросам, выносимым на практическое занятие.

При подготовке к занятиям можно также подготовить краткие конспекты по вопросам темы.

Очень эффективным приемом является составление схем и презентаций.

Готовясь к докладу или реферативному сообщению, желательно обращаться за методической помощью к преподавателю. Составить план-конспект своего выступления. Продумать примеры с целью обеспечения тесной связи изучаемой теории с реальной жизнью. Своевременное и каче-

ственное выполнение самостоятельной работы базируется на соблюдении настоящих рекоменда-

ций и изучении рекомендованной литературы.

10