- •В чем заключается отличие интеллектуальной системы от классической неинтеллектуальной сау (состоящей из п, и-регуляторов и пр.)? [вверх]
- •Являются ли инфузория-туфелька интеллектуальной системой? Поясните свое решение. [вверх]
- •Назовите несколько императивных и декларативных языков программирования. [вверх]
- •Дайте определение понятию «Знание» в контексте сии. [вверх]
- •Назовите 4 составных элемента логической модели представления знаний. [вверх]
- •Охарактеризуйте суть сетевой модели представления знаний. [вверх]
- •Как выглядит предложение-продукция в продукционной модели знаний? [вверх]
- •Дайте определение понятию «фрейм» в рамках фреймовой мпз. [вверх]
- •Представьте графически с помощью сетевой мпз область знаний «Подразделения сф ОмГту». [вверх]
- •Дайте определение понятию «предикат». [вверх]
- •Дайте определение понятию «факт» с точки зрения логики. [вверх]
- •Какие правила и методы используются в логической мпз для получения истинного высказывания. [вверх]
- •Дайте определение понятию «силлогизм». [вверх]
- •В чем заключается правило резолюций. [вверх]
- •Какие методы ии можно отнести к направлению биологического моделирования. [вверх]
- •Назовите и дайте определение двум основным подобластям направления в ии, связанного с накоплением и использованием знаний. [вверх]
- •В чем состоит задача классификации? [вверх]
- •Назовите и раскройте суть двух основных этапов формулирования задачи для решения её методами ии. [вверх]
- •Назовите причины возникновения и развития теории нечетких множеств и нечеткой логики. [вверх]
- •Укажите отличия нечеткого подмножества от четкого. [вверх]
- •Раскройте понятие функции принадлежности (характеристической функции). [вверх]
- •Дайте определению нейрону с математической точки зрение и опишите его в виде уравнения (укажите смысл используемых переменных). [вверх]
- •Для чего используется дополнительный вход нейрона обозначаемый как w0x0 (или t). [вверх]
- •Перечислите модификации линейной передаточной функции и охарактеризуйте их. [вверх]
- •Охарактеризуйте пороговую передаточную функцию и изобразите её график. [вверх]
- •Назовите 2 преимущества сигмоидальной передаточной функции и функции гиперболического тангенса над линейной и пороговой передаточными функциями. [вверх]
- •Изобразите нейрон реализующий операцию дизъюнкции. [вверх]
- •Перечислите 4-ре категории инс характеризующие способ взаимосвязи нейронов. [вверх]
- •На какие два основных класса разделяют инс. Опишите эти классы. [вверх]
- •В каком случае многослойная нс эквивалентна однослойной. [вверх]
- •В чем заключается цель обучения инс? [вверх]
- •Перечислите 3 парадигмы обучения инс и кратко их охарактеризуйте. [вверх]
- •Перечислите типы элементов составляющих перцептрон и опишите порядок их взаимодействия. [вверх]
- •Дайте общее определение алгоритма обучения инс (системы подкрепления). [вверх]
- •Запишите правило Хебба об обучении инс. [вверх]
- •О чем говорит теорема сходимости перцептрона, описанная и доказанная ф. Розенблаттом? [вверх]
- •Какие задачи решают с помощью самоорганизующихся карт Кохонена. [вверх]
- •Запишите базовое рекуррентное уравнение, вычисляющее текущие веса синапсов n-го слоя инс. [вверх]
- •На чём основывается способность нейронной сети к прогнозированию и сжатию данных. [вверх]
- •Какими характеристиками обладает инс в отличие от вм фон Неймана. [вверх]
- •Какая теорема лежит в основе генетических алгоритмов, и что она доказывает? [вверх]
- •Дайте определение понятию «эволюционные алгоритмы». [вверх]
- •Дайте определение понятию «генетические алгоритмы». [вверх]
- •Опишите шаги работы генетического алгоритма. [вверх]
- •Что определение «функции приспособленности» и укажите какую роль она играет в га. [вверх]
- •Назовите и опишите генетические операции, с помощью которых происходит получение новых решений в га. [вверх]
- •Перечислите критерии остановки генетического алгоритма. [вверх]
- •Назовите несколько областей применения генетических алгоритмов. [вверх]
- •Дайте определение понятию «экспертные системы». [вверх]
- •Изобразите структуру типичной экспертной системы. [вверх]
- •Что является ядром и самым важным компонентом экспертной системы? [вверх]
- •Зачем нужен инженер по знаниям при создании экспертной системы? [вверх]
- •В каких режимах может работать экспертная система, кратко охарактеризуйте их. [вверх]
- •Перечислите этапы разработки экспертная система и кратко охарактеризуйте их. [вверх]
Какими характеристиками обладает инс в отличие от вм фон Неймана. [вверх]
Отличия ИНС от машин с архитектурой фон Неймана
Вычислительные системы, основанные на искусственных нейронных сетях, обладают рядом качеств, которые отсутствуют в машинах с архитектурой фон Неймана (но присущи мозгу человека):
Массовый параллелизм;
Распределённое представление информации и вычисления;
Способность к обучению и обобщению;
Адаптивность;
Свойство контекстуальной обработки информации;
Толерантность к ошибкам;
Низкое энергопотребление.
Какая теорема лежит в основе генетических алгоритмов, и что она доказывает? [вверх]
«Отцом-основателем» генетических алгоритмов считается Джон Холланд, книга которого «Адаптация в естественных и искусственных системах» (1975) является основополагающим трудом в этой области исследований. Ему же принадлежит доказательство теоремы схем (Теорема схем, или теорема шаблонов — основная теорема теории генетических алгоритмов, дающая обоснование их эффективности.)
Генетический алгоритм
Пусть дана некоторая сложная функция (целевая функция), зависящая от нескольких переменных, и требуется найти такие значения переменных, при которых значение функции максимально(минимально). Задачи такого рода называются задачами оптимизации и встречаются на практике очень часто.
J(x)→min(max), где вектор x = (x1, x2, …, xm)
Генетический алгоритм (англ. genetic algorithm) — это эвристический алгоритм поиска, используемый для решения задач оптимизации и моделирования путём случайного подбора, комбинирования и вариации искомых параметров с использованием механизмов, напоминающих биологическую эволюцию.
Отличительной особенностью генетического алгоритма является акцент на использование оператора «скрещивания», который производит операцию рекомбинации решений-кандидатов, роль которой аналогична роли скрещивания в живой природе.
Описание генетического алгоритмам
Задача формализуется таким образом, чтобы её решение могло быть закодировано в виде вектора («генотипа») генов. Где каждый ген может быть битом, числом или неким другим объектом. В классических реализациях ГА предполагается, что генотип имеет фиксированную длину. Однако существуют вариации ГА, свободные от этого ограничения.
Некоторым, обычно случайным, образом создаётся множество генотипов начальной популяции. Они оцениваются с использованием «функции приспособленности», в результате чего с каждым генотипом ассоциируется определённое значение («приспособленность»), которое определяет насколько хорошо фенотип им описываемый решает поставленную задачу.
Из полученного множества решений («поколения») с учётом значения «приспособленности» выбираются решения (обычно лучшие особи имеют большую вероятность быть выбранными), к которым применяются «генетические операторы» (в большинстве случаев «скрещивание» — crossover и «мутация» — mutation), результатом чего является получение новых решений. Для них также вычисляется значение приспособленности, и затем производится отбор («селекция») лучших решений в следующее поколение.
Дайте определение понятию «эволюционные алгоритмы». [вверх]
Эволюционные алгоритмы
Эволюционные алгоритмы — направление в искусственном интеллекте, которое использует и моделирует биологическую эволюцию.
Различают различные алгоритмы: генетические алгоритмы, эволюционное программирование, эволюционные стратегии, системы классификаторов, генетическое программирование.
Все они моделируют базовые положения в теории биологической эволюции — процессы отбора, мутации и воспроизводства. Поведение агентов определяется окружающей средой. Множество агентов принято называть популяцией. Такая популяция эволюционируют в соответствии с правилами отбора в соответствии с целевой функцией, задаваемой окружающей средой. Таким образом, каждому агенту (индивидууму) популяции назначается значение его пригодности в окружающей среде. Размножаются только наиболее пригодные виды. Рекомбинация и мутация позволяют изменяться агентам и приспособляться к среде. Такие алгоритмы относятся к адаптивным поисковым механизмам.
Классификация эволюционных алгоритмов
Моделирование эволюции можно разделить на две категории:
Системы, которые используют только эволюционные принципы. Они успешно использовались для задач типа функциональной оптимизации и могут легко быть описаны на математическом языке. К ним относятся эволюционные алгоритмы, такие как Эволюционное программирование, Генетические алгоритмы, Эволюционные стратегии.
Системы, которые являются биологически более реалистичными. Они больше похожи на биологические системы и менее направлены на решение технических задач. В основе своей не оказались полезными в прикладном смысле. Они обладают сложным и интересным поведением, и, видимо, вскоре все же получат практическое применение. К этим системам относят так называемую искусственную жизнь.