- •Методическое руководство по организации самостоятельной работы студентов очной формы обучения
- •Специальные главы математики
- •Оглавление
- •Раздел 1. Методические указания по подготовке к лабораторным занятиям
- •1.1. Организация самостоятельной работы студентов по подготовке к лабораторным занятиям
- •1.2. Содержание лабораторных занятий
- •Раздел 1. Основы теории инженерии знаний
- •Тема 1.1. Основные свойства нечеткой математики как теоретической основы инженерии знаний
- •Тема 1.2. Основы теории нечеткой логики, приближенных рассуждений и
- •Тема 1.3. Разработка экспертной системы поддержки принятия решений
- •Тема 1.4. Теория принятия решений
- •Тема 1.5. Анализ решений
- •Тема 1.6. Теория чувствительности и оценивания полезности решений
- •Тема 1.7. Байесовское оценивание в принятии решений
- •Раздел 2. Разработка экспертной системы поддержки принятия решений
- •Тема 2.1. Системы продукций и сети графов
- •Тема 2.2. Нечеткие логические операции. Теория нечетких чисел
- •Раздел 3. Теория неопределенности решений
- •Тема 3.1. Оптимальные решения многокритериальных задач
- •Тема 3.2. Семантическая сеть с применением клаузальной логики
- •Тема 3.3. Введение в прикладную теорию игр
- •Тема 3.4. Нечеткое моделирование, оптимизация и управление
- •1.3. Библиографические обязательные источники для подготовки к лабораторным занятиям
- •Раздел 2. Методические указания по выполнению запланированных видов самостоятельной работы студентов
- •Задания для выполнения расчетно-графической работы
- •Порядок выбора вариантов расчетно-графических работ
- •Указания на сроки выполнения и защиты расчетно-графических работ
- •Требования к структуре, содержанию и форме представления результатов расчетно-графических работ
- •2.5. Критерии оценки расчетно-графической работы
- •Раздел 3. Методические указания по подготовке к промежуточной аттестации
- •3.1. Список вопросов для подготовки к экзамену
- •3.2. Общие положения проведения экзамена и/или зачета
- •Вариант 1
- •Приложение 2
- •Расчетно-графическая работа
- •Приложение 3
Тема 1.4. Теория принятия решений
нормы и конормы.
Параметрические классы норм иконорм.
Обобщенные операции конъюнкции и дизъюнкции.
Примеры параметрических классов обобщенных конъюнкций.
Пример нечеткого моделирования с обобщенными параметрическими операциями.
Среда CLIPS и представление знаний и решений
Тема 1.5. Анализ решений
Системы и средства представления онтологических знаний
Тема 1.6. Теория чувствительности и оценивания полезности решений
1. Среда CLIPS и представление знаний (продолжение)
2. Представление знаний фреймами (на примерах).
Тема 1.7. Байесовское оценивание в принятии решений
1.Байесовский нейронный классификатор
2.Создание, ведение и использование баз данных и баз знаний при создании индивидуальных проектов.
Вопросы и задания для самостоятельной работы:
Подготовить ответы на контрольные вопросы по темам: 1.4., 1.5., 1.6. и 1.7.
Какие основные операции над нечеткими множествами?
Какие основные операции над нечеткими числами?
Какой вид эволюционных вычислений называют генетическими алгоритмами?
Как выполняется оператор мутации? Какую роль он играет в генетической оптимизации?
1.5. Что называют эволюционной стратегией?
1.6. Как работает оператор пропорционального отбора?
1.7. Как определяются нормы иконормы?
1.8. Для чего введены понятия нормы иконормы?
1.9. Какова функциональность среды CLIPS?
1.10. В чем суть байесовской теории решений?
2. Тестовые задания для самостоятельного контроля уровня подготовки студентами вопросов темы:
Эвристики - это
хорошо известные обстоятельства
знания, основанные на опыте экспертов
множество утверждений, не зависимо от того, где применяются
алгоритмы в виде процедур обработки фактов
Формальные логические модели представления знаний используют
логику предикатов для управления анализом декларативных предложений
полный перебор возможных решений задач
статистическую обработку фактов и правил
доказательство истинности цели на основе доказательства истинности всех входящих в него предикатов
В формальных логических моделях представления знаний
антецеденты это предикаты, входящие в состав правила, истинность которых можно проверить
консеквент - это цель, которую нужно доказать
консеквенты это предикаты, входящие в состав правила, истинность которых можно проверить
антецедент - это цель, которую нужно доказать
На этапе концептуализации при создании экспертной системы определяются
определяются понятия, отношения и механизмы управления необходимые для описания решения задач
формируется иерархия понятий предметной области, изучаются их взаимосвязи
определяются цели и задачи создания экспертной системы
Выбор модели представления знаний в базе знаний экспертной системы определяется на этапе
концептуализации
формализации
идентификации
реализации
Создание прототипа экспертной системы осуществляется на этапе
формализации знаний
реализации экспертной системы
извлечения знаний
концептуализации знаний
Процесс обучения нейронной сети сводится
к определению весов связей нейронов
к разработке правил продукций
к определению связей между слоями нейронов
к формализации знаний, извлеченных их эксперта
Последовательность проектирования экспертной системы
концептуализация, формализация, идентификация, реализация, тестирование
идентификация, концептуализация, формализация, реализация, тестирование
идентификация, формализация, концептуализация, реализация, тестирование
формализация, идентификация, концептуализация, реализация, тестирование
Представление знаний в виде правил ЕСЛИ А, ТО В - это
предикатная модель знаний
фреймовая модель знаний
продукционная модель знаний
Понятия "антецедент" и "консеквент" правила используются в
предикатной модели знаний
фреймовой модели знаний
продукционной модели знаний