- •Технологии обработки информации. Вопросы к экзамену 2025 - 2026 уч. Год
- •Часть 1
- •2. Передача данных в прологе внутри одного предложения, из одного предложения в другое. Передача данных через логическое «или». Условия передачи данных. Примеры. Обобщение.
- •3. Процедуры пролога. Главная процедура. Сопоставление. Понятие возврата при переборе. Условия возникновения возврата при переборе. Примеры. Обобщение
- •Особенности:
- •5. Алгоритм разработки нерекурсивных правил (действие и результат каждого шага). Пример на основе индивидуального задания лр 1.
- •Формирование и тестирование исходных данных
- •6. Рекурсия списков. Виды различных действий над списками при однократном рекурсивном обращении из правой части правила в левую. Примеры.
- •8. Пошаговое выполнение программы объединения двух списков в третий. Схематичное изображение. Пример.
- •9 . Передача данных при рекурсии в прямом и обратном направлении. Условия передачи данных. Схематичное изображение. Пример. Обобщение.
- •11. Виды отсечений, их назначения и свойства. Как определить цвет отсечения в программе с разными видами отсечений? Примеры.
- •15. Поиск путей в графе: как завершается формирование пути (при списке ветвей, при списке узлов)? Фрагменты примеров.
- •16. Стратегии поиска. Классификация. Параметры. Сравнение стратегий.
- •20. Поиск в ширину. Какие исходные и промежуточные данные требуются дополнительно для организации алгоритма по сравнению с поиском в глубину? Графический пример.
- •Начальная вершина
- •Целевая вершина
- •23. Поиск по критерию близости к цели. Какие исходные и промежуточные данные требуются дополнительно для организации алгоритма по сравнению с поиском в глубину? Графический пример.
- •24. Поиск по критерию цены пути. Какие исходные и промежуточные данные требуются дополнительно для организации алгоритма по сравнению с поиском близости к цели? Графический пример.
- •Часть 2
- •26. Нейронные сети (нс). Область эффективного применения. Классификации нс по виду решаем6ых задач, по виду структур, по методам обучения.
- •27. Структура искусственного нейрона. Виды структур нс. Параметры, характеризующие структуру нс.
- •28. Какие параметры структуры нс в многослойном персептроне и как определяются по виду исходных данных для обучения? На основе чего происходит уточнение остальных параметров структуры? Пример.
- •29. Режимы функционирования нс (многослойного персептрона). Назначение и задачи каждого из режимов. Переход из одного режима в другой на примере пакета нс Wizard.
- •30. Обучения нс на основе дельта-правила: назначение, область применения, алгоритм, расчетные соотношения, пример однократного расчета данных по алгоритму.
- •35. Прогнозирование на основе нс в многослойном персептроне. Примеры решаемых задач. Алгоритм подготовки исходных данных для обучения и применения. Пример фрагмента исходных данных.
- •37. Данные и знания. Основные понятия. Примеры. Как осуществляется выбор модели знаний для описания ситуации.
- •38. Семантические сети. Структура. Технология разработки. Пример формирования семантической сети и получения от нее знаний.
- •39. Фреймы. Структура. Технология разработки. Пример формирования модели на основе фреймов и получения от неё знаний.
- •42. Этапы разработки эс. Наименование и основной результат каждого этапа. Исполнители каждого этапа.
- •44. Автономные агенты. Обобщенная структура. Классификация агентов и внешней среды.
- •45. Комбинационный агент. Последовательностный агент. Отличия. Примеры.
- •46. Целенаправленный агент. Целевыбирающий агент. Отличия. Примеры.
- •47. Хранилище данных. Назначение. Дополнительные возможности хд по сравнению с субд. Структура данных в хд. Место хранения данных в хд. Формирование и заполнение хранилища.
- •48. Семантический слой. Назначение. Состав. Кто и в какой последовательности их формирует? Примеры.
- •49. Куб, "звезда" и "снежинка". Назначение. Связь с семантическим слоем. Примеры.
44. Автономные агенты. Обобщенная структура. Классификация агентов и внешней среды.
Автономные агенты - системы, способные действовать независимо в определенной среде, принимая решения на основе своих наблюдений и внутреннего состояния.
Отличия ЭС и АА
Отсутствие интерфейса пользователя и подсистемы объяснений в АА.
В ЭС сигнал обрабатывается последовательно, в АА обработка может быть параллельно.
В ЭС – выходной сигнал, а в АА – набор выходных сигналов (несколько реакций).
И когда в ЭС нет сигнала – система стопориться, а если АА – не принял сигнал, то принимает решение. Когда АА не знает что делать, то запускает экстренный механизм.
Обобщенная структура:
Внешняя среда через входные воздействия 𝑥1, 𝑥2, … , 𝑥𝑚 влияет на датчики АА.
Датчики формируют вектор восприятия агента 𝑎1, 𝑎2, … , 𝑎𝑚.
Решатель БЗ на основе вектора восприятия формирует реакцию АА. В отличии от структуры ЭС, отсутствует подсистема объяснений, т.к пользователя в АА быть не может. Решатель не обеспечивает диалог, а принимает все входн. воздействия одновременно.
На основе БЗ формируется вектор реакции 𝑧1, 𝑧2, … , 𝑧𝑛, являющийся управляющим сигналом для исполнительного механизма.
Вектор 𝑦1, 𝑦2, … , 𝑦𝑛 – выходное воздействие агента на внешнюю среду. БЗ АА содержит МЗ в виде дерева, семантической сети, продукционной модели, фреймы.
Классификация:
Агентов: комбинационный (памяти нет), последовательностный (с памятью), целенаправленный (постоянство заданной цели), целевыбирающий (нет постоянства цели).
Среды из девяткова:
Статическая, если за время, протекающее между получением агентом любого восприятия и выработкой им реакции, в среде ничего не изменяется.
Пример, поиск пути в фиксированном лабиринте.
В противном случае среда называется динамической.
Пример, автономный автомобиль, движущийся по городу, где дороги могут быть заблокированы и тд.
- Стационарная Законы изменения среды не меняются во времени, хотя сама среда может быть динамической.
Пример, Робот-пылесос в помещении с движущимися людьми
Нестационарная среда — законы изменения среды со временем меняются.
Автономный автомобиль в городе с изменяющимися правилами и условиями
Дискретные - число восприятий и реакций конечно, хотя и может быть очень велико.
Пример, шахматная доска, лабиринт, где позиции и ходы ограничены
Непрерывные - бесконечное число восприятий, реакций.
Пример, умное авто, управление судном, где параметры (скорость, угол поворота) изменяются с произвольной точностью
Детерминированные - строго 1 реакция на любое восприятие.
Пример, симуляция движения шарика по наклонной плоскости, где результат строго определяется законами физики, работа электрических цепей (изменение значения на резисторе)
Недетерминированные - вследствие каких-либо причин, например, недоступности всех необходимых восприятий, агент не в состоянии сформировать единственную реакцию.
Пример, прогнозирование, где результат зависит от множества переменных и может быть неточным, бот для общения с клиентом.
