- •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.
5. Алгоритм разработки нерекурсивных правил (действие и результат каждого шага). Пример на основе индивидуального задания лр 1.
Интерпретация задачи - определяем, какие данные потребуются для решения задачи.
Цель разбить задачу на отдельные части, чтобы понять что вообще нам нужно получить и понять что сделать чтобы этого достичь. В моём ИЗ я сказала, что в задаче используются стандартные правила шашек. В игре ходит дамка. Ходит только по диагонали вверх. Ход дамки – без взятия фигуры.
Формирование и тестирование исходных данных
Здесь говорим о том, что для начала определим исходные данные, чтобы сразу знать об ограничениях разработки. ВСЕ ДАННЫЕ ПОКАЗЫВАЕТЕ НА РИСУНКЕ. Таким образом получили:
Размерность поля 8 на 8, задаем его буквами и цифрами – показываем поле.
Расположение фигур – показываем дамку и допустим фигуру, блокирующую ход.
Он спросил как я реализовала ограничение поля, и ответила по своей реализации, что, т.к. это разработка нерекурсивных правил, то списки использовать не можем, указала соседство букв для хода, он спросил а можем ли прибавлять 1 к букве – да, если используем код символов. Но т.к. я не ебу как, я ему сказала, что в моей проге всё ломалось и я не смогла это починить, так что решила идти альтернативным путём.
Разработку и тестирование варианта программы с безусловными утверждениями (фактами).
Целесообразно проводить разработку правил, продвигаясь от простого понятия (правила) к более сложному. Мы формируем факты, которые на конкретном примере показывают ход. Причём не один, а все, т.е. по рисунку ход из b2 в a2 ,c3, d4, e5. В результате получаем набор фактов для решения конкретной задачи.
Разработку и тестирование варианта с частными правилами (правила с константами).
Дальше переходим к разработке частных правил. Он спросил зачем, я ответила, что-то типо: «Для того чтобы сформировать логику движения и подвязать ограничение исходных данных к движению фигуры». И потом показала, что из ограничений у нас есть – граница поля, т.е. дальше буквы a мы пройти не можем. Есть граница хода в виде фигуры (показала прям фигуру).
Разработку и тестирование варианта с универсальными правилами (правила с переменными).
Переход к универсальным правилам проявляется в замене конкретных значений переменными. Он спросил, а откуда тогда наступает конкретизация: Я ответила, что мы либо через запрос передаем конкретизацию, например для проверки конкретного хода, либо через сопоставление с фактами, например при поиске всех фигур на поле.
После проверка правила на избыточность решений. Устранение избыточности.
Суть в том, что при переходе от частных к универсальным правилам мы же изначально смотрим на конкретный пример и затачиваем всё под него, а значит есть вероятность появления избыточных условий. На этом этапе мы берем огромное множество разнообразных вариантов, тестируем и ищем те факты, правила, которые будут избыточными при поиске решения. Примера он благо не потребовал, но это то что он сам ответил.
