9074

Министерство образования и науки Российской Федерации Федеральное государственное бюджетное образовательное учреждение высшего образования

«Нижегородский государственный архитектурно-строительный университет»

Прокопенко Н.Ю.

СИСТЕМЫ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

Учебно-методическое пособие по подготовке к лекциям, практическим занятиям

(включая рекомендации по организации самостоятельной работы)

для обучающихся по дисциплине «Системы искусственного интеллекта» по направлению подготовки 09.03.04 Программная инженерия

профиль 09.03.04 Разработка программно-информационных систем

Нижний Новгород

2018

УДК

Прокопенко Н.Ю. / Системы искусственного интеллекта [Электронный ресурс]: учеб.-метод. пос. / Н.Ю. Прокопенко; Нижегор. гос. архитектур. - строит. ун-т – Н. Новгород: ННГАСУ, 2018. – 131 с.– 1 электрон. опт. диск (CD-RW).

В настоящем учебно-методическом пособии по дисциплине «Системы 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 и в подготовке к практическим занятиям.

Учебно-методическое пособие предназначено для обучающихся в ННГАСУ по дисциплине «Системы искусственного интеллекта» по направлению подготовки 09.03.04 Программная инженерия, профиль 09.03.04 Разработка программно-информационных систем.

Учебно-методическое пособие ориентировано на обучение в соответствии с календарным учебным графиком и учебным планом по основной профессиональной образовательной программе направления 09.03.04 Программная инженерия, профиль 09.03.04 Разработка программно-информационных систем, утверждённым решением учёного совета ННГАСУ от 02.03.2018 г. (протокол № 3).

© Н.Ю. Прокопенко, 2018 © ННГАСУ, 2018

2

4.3Учебно-методическое обеспечение самостоятельной работы…………..118

4.4Задания для самостоятельной работы…………………………………….118

3

1. Общие положения

1.1 Цели изучения дисциплины и результаты обучения

Основными целями освоения учебной дисциплины «Системы искусствен-

ного интеллекта» является изучение теоретических и прикладных проблем ин-

форматизации общества, формирование знаний, умений и навыков поразработ-

ке, оценке, классификации и применению интеллектуальных информационных систем (ИИС) в различных сферах деятельности в аспекте развития организа-

ций (предприятий), в целях совершенствовании систем поддержки принятия решений.

В процессе освоения дисциплины студент должен Знать:

• основные теоретические принципы разработки ИИС, их основные компо-

ненты;

• основные модели Data mining (деревья решений, ассоциативные правила,

кластеризация; искусственные нейронные сети).

Уметь:

проводить анализ предметной области, выявлять информационные по-

требности и разрабатывать требования к ИИС; выбрать форму представления знаний и инструментальное средство разработки ИИС для конкретной пред-

метной области; создать базу знаний по требуемой предметной области; решать поставленные задачи в условиях нечеткой исходной информации; построить экспертную и интеллектуальную информационную систему средствами АП

Deductor.

Владеть:

методами и инструментальными средствами решения задач искусственно-

го интеллекта, методами обработки информации путем интеллектуального ана-

лиза данных с использованием АП Deductor.

4

1.2 Содержание дисциплины

Материал дисциплины сгруппирован по следующим разделам:

1. Теоретические основы создания систем искусственного интеллекта.

Тенденции развития ИИС. Классификация и общая характеристика ИИС.

Области применения и перспективы интеллектуальных информационных си-

стем.

2. Хранилища данных. Оперативная аналитическая обработка данных

OLAP.

Технологии сбора и хранения данных в ИИС. Многомерное представление данных On-line Analytical Processing (OLAP). Визуализация данных и манипу-

ляция с данными на основе графического изображения (диаграммы, гистограм-

мы, OLAP-кубы).

3. Представление знаний в интеллектуальных информационных системах.

Представление знаний в ИИС. Отличие знаний от данных. Декларативная и процедурная форма представления знаний. Логическая модель знаний. Се-

мантические сети. Фреймовые и продукционные модели знаний.

4. Самообучающиеся и адаптивные информационные системы. ИИС на нейронных сетях.

Классификация нейронных сетей. Архитектура нейронных сетей. Алго-

ритмы обучения нейронных сетей. Алгоритм обратного распространения ошибки. Персептрон. Многослойные нейронные сети. Нейронные сети Кохоне-

на. Самоорганизующаяся карта Кохонена.

5. Теоретические аспекты применения эволюционных методов и генетиче-

ских алгоритмов в ИИС.

Основные понятия генетических алгоритмов. Назначение и структура ге-

нетических алгоритмов. Математическая модель генетического алгоритма.

Классический генетический алгоритм: инициализация, оценивание, остановка,

селекция, скрещивание, мутация, создание популяции, выбор наилучшей хро-

мосомы.

5

1.3 Порядок освоения материала

Материал дисциплины изучается в соответствии с порядком, определён-

Порядок освоения дисциплины

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, фундаментальным вопросам изучае-

мой дисциплины.

Назначение лекции состоит в том, чтобы доходчиво изложить основные положения изучаемой дисциплины, ориентировать на наиболее важные вопро-

сы учебной дисциплины и оказать помощь в овладении необходимых знаний и применения их на практике.

Личное общение на лекции преподавателя со студентами предоставляет большие возможности для реализации образовательных и воспитательных це-

лей.

При подготовке к лекционным занятиям студенты должны ознакомиться с

6

презентаций, предлагаемой преподавателем, отметить непонятные термины и положения, подготовить вопросы с целью уточнения правильности понимания.

Рекомендуется приходить на лекцию подготовленным, так как в этом случае лекция может быть проведена в интерактивном режиме, что способствует по-

вышению эффективности лекционных занятий.

2.2Общие рекомендации при работе с конспектом лекций

Входе лекционных занятий необходимо вести конспектирование учебного материала. Конспект помогает внимательно слушать, лучше запоминать в про-

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

Полезно оставить в рабочих конспектах поля, на которых делать пометки из рекомендованной литературы, дополняющие материал прослушанной лек-

ции, а также подчеркивающие особую важность тех или иных теоретических положений.

В случае неясности по тем или иным вопросам необходимо задавать пре-

подавателю уточняющие вопросы. Следует ясно понимать, что отсутствие во-

просов без обсуждения означает в большинстве случаев неусвоенность матери-

ала дисциплины.

2.3 Краткое содержание лекций.

2.3.1. Теоретические основы создания систем искусственного интел-

лекта

Интеллектуальная информационная система (ИИС) – это информационная система, которая основана на концепции использования базы знаний для гене-

рации алгоритмов решения задач различных классов в зависимости от конкрет-

ных информационных потребностей пользователей.

Характерные признаки интеллектуальных информационных систем:

7

–развитые коммуникативные способности, которые характеризуют естественный способ взаимодействия (интерфейса) конечного пользователя с системой;

–умение решать сложные плохо формализуемые задачи, т.е. задачи, которые требуют построения оригинального алгоритма решения в зависимости от конкретной ситуации, для которой могут быть характерны неопределенность и динамичность исходных данных и знаний;

–способность к самообучению.

Условно каждому из признаков соответствует свой класс ИИС:

–Системы с интеллектуальным интерфейсом;

–Экспертные системы;

–Самообучающиеся системы.

Этапы жизненного цикла систем искусственного интеллекта

Различные подходы к построению систем ИИ.

I.Логический подход. Основой для логического подхода служат Бу-

лева алгебра и нечеткая логика. Каждый программист знаком с нею и с логиче-

скими операторами (пример – оператор IF). Свое дальнейшее развитие Булева алгебра получила в виде исчисления предикатов – в котором она расширена за счет введения предметных символов, отношений между ними, кванторов суще-

ствования и всеобщности. Практически каждая система ИИ, построенная на ло-

гическом принципе, представляет собой машину доказательства теорем. При этом исходные данные хранятся в базе данных в виде аксиом, правила логиче-

ского вывода как отношения между ними. Кроме того, каждая такая машина имеет блок генерации цели, и система вывода пытается доказать данную цель как теорему. Если цель доказана, то трассировка примененных правил позволя-

ет получить цепочку действий, необходимых для реализации поставленной це-

ли. Мощность такой системы определяется возможностями генератора целей и машиной доказательства теорем.

Нечеткая логика. Основным ее отличием является то, что правдивость вы-

сказывания может принимать в ней кроме да/нет (1/0) еще и промежуточные значения – не знаю (0.5), пациент скорее жив, чем мертв (0.75), пациент скорее мертв, чем жив (0.25). Данный подход больше похож на мышление человека,

поскольку он на вопросы редко отвечает только да или нет.

Для большинства логических методов характерна большая трудоемкость,

поскольку во время поиска доказательства возможен полный перебор вариан-

тов. Поэтому данный подход требует эффективной реализации вычислительно-

го процесса, и хорошая работа обычно гарантируется при сравнительно не-

большом размере базы данных.

II. Под структурным подходом подразумевают попытки построения ИИС путем моделирования структуры человеческого мозга. Одной из первых таких попыток был перцептрон Френка Розенблатта. Основной моделируемой струк-

турной единицей в перцептронах является нейрон.

9

Позднее возникли и другие модели, которые обычно известны под терми-

ном "нейронные сети" (НС). Эти модели различаются по строению отдельных нейронов, по топологии связей между ними и по алгоритмам обучения. Среди наиболее известных сейчас вариантов НС можно назвать НС с обратным рас-

пространением ошибки, сети Хопфилда, стохастические нейронные сети.

НС наиболее успешно применяются в задачах распознавания образов, в

том числе сильно зашумленных.

Для нейромоделей характерна высокая производительность параллельно реализованных НС. Также для таких сетей характерно одно свойство, которое очень сближает их с человеческим мозгом – нейронные сети работают даже при условии неполной информации об окружающей среде, то есть как и человек,

они на вопросы могут отвечать не только "да" и "нет" но и "не знаю точно, но скорее да".

III. Довольно большое распространение получил и эволюционный подход.

При построении систем ИИ по данному подходу основное внимание уделяется построению начальной модели, и правилам, по которым она может изменяться

(эволюционировать). Причем модель может быть составлена по самым различ-

ным методам, это может быть и НС и набор логических правил и любая другая модель. После этого мы включаем компьютер и он, на основании проверки мо-

делей отбирает самые лучшие из них, на основании которых по самым различ-

ным правилам генерируются новые модели, из которых опять выбираются са-

мые лучшие и т. д.

В принципе можно сказать, что эволюционных моделей как таковых не существует, существует только эволюционные алгоритмы обучения, но модели,

полученные при эволюционном подходе, имеют некоторые характерные осо-

бенности, что позволяет выделить их в отдельный класс.

Такими особенностями являются перенесение основной работы разработ-

чика с построения модели на алгоритм ее модификации и то, что полученные модели практически не сопутствуют извлечению новых знаний о среде, окру-

10