- •Автоматизированные системы управления производством
- •Арифметико-логическое устройство (алу): назначение, основные характеристики, обобщенная структурная схема.
- •Базы данных (бд). Их структура. Проектирование бд. Основные этапы. Логическая модель реляционной базы данных.
- •Взаимодействие блоков алу при выполнении различных арифметических и логических операций
- •Роль алгоритмов при создании программ. Компьютерная программа. Описание реализации программы на эвм.
- •Структура базового микропроцессора (мп) современных моделей для imb-совместимых пэвм, взаимодействие его узлов и блоков.
- •Искусственный интеллект и ис. Операционные системы и среды для ис
- •Вычислительная техника сетей
- •2. Наборы команд:
- •3. Регистры:
- •1. Архитектура процессора:
- •4. Структура данных:
- •Автоматические и автоматизированные ис.
- •Исполнительные блоки процессора (для обработки целых чисел и разрядность.
- •Рабочая тактовая частота; размер кэш-памяти.
- •Искусственный интеллект и информационное общество. Представление знаний в системах искусственного интеллекта. Направление исследований и разработок в области искусственного интеллекта.
- •Псевдо-уатс, телефонный телекоммуникационный сервер
- •Адресное пространство как максимальное количество ячеек основной памяти, которое может быть непосредственно адресовано микропроцессором.
- •Логические, семантические и фреймовые модели.
- •Рабочая тактовая частота мп, производительность не менее mips (миллионов операций с плавающей точкой в секунду)Флопс
- •Моделирование рассуждений. Предикаты и термы.
- •Понятие о теории распознавания образов.
- •Какие объекты содержит база данных в ms Access? Расширение файла базы данных в ms Access. Обмен данными бд в ms Access с другими приложениями.
- •Базы знаний (бз) как система глубоко структурированной информации. Подсистемы общения и решатели. Интеллектуальный интерфейс бз.
- •Основные функции субд. Основные требования к субд.
- •СуперЭвм виде высокопараллельных многопроцессорных вычислительных систем
- •Российские супер эвм и основные направления использования супер эвм
- •Интеллектуальные системы в управлении предприятием и производством асу, асуп. Асутп, сапр.
- •Современные технологии и правила защиты информации на эвм. Компьютерные вирусы
- •Искусственные нейронные сети. Основные положения нейросетевого подхода. Классификация искусственных нейронных сетей и их свойства. Правила функционирования сети. Персептрон. Нейрон. Вес связи.
- •Обучение нейронных сетей. Обучение на основе памяти. Обучение Хебба. Конкурентное обучение.
- •Обучение с учителем, алгоритм обратного распространения ошибки. Обучение без учителя, самоорганизующиеся карты Кохонена. Обучение с подкреплением.
- •Кодирование информации. Кодирование числовых, логических данных. Кодирование текстовой информации
- •Представление графической информации. Растровое представление. Цвет. Векторная графика. Фрактальная графика. Звуковая информация.
- •Когнитивное моделирование. Генетические алгоритмы и моделирование эволюции.
- •Семантические сети. Неопределенность в экспертных системах. Байесовские сети доверия. Количественное представление бсд.
- •Интеллектуальные системы извлечения знаний, генетические алгоритмы. Эволюционные системы. Эволюционное программирование. Эволюционная стратегия.
- •Днк компьютеры. Квантовые и молекулярные компьютеры
- •Современные сотовые телефоны как эвм. Виды сенсорных экранов и их принципы работы.
Обучение с учителем, алгоритм обратного распространения ошибки. Обучение без учителя, самоорганизующиеся карты Кохонена. Обучение с подкреплением.
Существует три основных типа обучения нейронных сетей: обучение с учителем, обучение без учителя и обучение с подкреплением. Рассмотрим каждый из них подробнее.
1. Обучение с учителем (Supervised Learning):
В обучении с учителем сеть обучается на наборе данных, содержащем пары "вход-выход". Сеть получает входной сигнал и генерирует выходной сигнал, который сравнивается с желаемым (целевым) выходным сигналом. Разница между генерируемым и целевым выходными сигналами (ошибка) используется для корректировки весов сети. Этот процесс повторяется многократно до тех пор, пока ошибка не станет достаточно малой.
Алгоритм обратного распространения ошибки (Backpropagation):
Наиболее распространенный алгоритм обучения с учителем для многослойных персептронов (MLP). Он основан на вычислении градиента функции ошибки относительно весов сети и использовании этого градиента для корректировки весов. Процесс включает следующие шаги:
1. Прямое распространение: Входной сигнал подается на входной слой, и сигнал распространяется через сеть до выходного слоя.
2. Вычисление ошибки: Ошибка вычисляется как разница между целевым и фактическим выходными сигналами.
3. Обратное распространение ошибки: Ошибка распространяется обратно через сеть, начиная с выходного слоя. На каждом слое вычисляется градиент функции ошибки относительно весов этого слоя.
4. Коррекция весов: Веса корректируются пропорционально вычисленному градиенту. Используется правило градиентного спуска:
w<sub>ij</sub>(t+1) = w<sub>ij</sub>(t) - η ∂E/∂w<sub>ij</sub>
где:
* w<sub>ij</sub>(t) - вес связи между нейроном i и нейроном j на шаге t;
* η - скорость обучения;
* ∂E/∂w<sub>ij</sub> - частная производная функции ошибки по весу w<sub>ij</sub>.
5. Повторение: Шаги 1-4 повторяются многократно для всего обучающего набора данных (эпохи) до достижения желаемой точности.
2. Обучение без учителя (Unsupervised Learning):
В обучении без учителя сеть обучается на наборе данных без указания целевых выходных сигналов. Цель обучения – обнаружить скрытые структуры и закономерности в данных.
Самоорганизующиеся карты Кохонена (Self-Organizing Maps - SOM):
Один из самых известных алгоритмов обучения без учителя. SOM создает карту, которая отображает высокоразмерное пространство входных данных на низкоразмерное пространство (часто двухмерное), сохраняя топологию исходного пространства. Нейроны в SOM организованы в решетку, и каждый нейрон имеет вектор весов. Обучение происходит итеративно:
1. Представление входного сигнала: Входной сигнал подается на сеть.
2. Поиск ближайшего нейрона (Best Matching Unit - BMU): Определяется нейрон с вектором весов, наиболее близким к входному сигналу (обычно используется евклидово расстояние).
3. Коррекция весов: Веса BMU и его соседей корректируются, чтобы приблизиться к входному сигналу. Радиус соседства постепенно уменьшается в процессе обучения.
4. Повторение: Шаги 1-3 повторяются многократно для всего обучающего набора данных.
Результат обучения – карта, где похожие входные сигналы отображаются на близко расположенные нейроны.
3. Обучение с подкреплением (Reinforcement Learning):
В обучении с подкреплением сеть обучается путем взаимодействия с окружающей средой. Сеть получает награды за правильные действия и наказания за неправильные действия. Цель обучения – максимизировать общую награду. В этом типе обучения сеть не получает явных целевых выходных сигналов, а учится на основе обратной связи от среды. Примеры: алгоритмы Q-learning, SARSA.
Краткое сравнение:
| Тип обучения | Наличие целевых значений | Цель обучения | Примеры |
|---|---|---|---|
| С учителем | Да | Предсказание выходных значений на основе входных | Классификация, регрессия |
| Без учителя | Нет | Обнаружение скрытых структур в данных | Кластеризация, снижение размерности |
| С подкреплением | Нет (только награды/наказания) | Максимизация накопленной награды |
