- •1. Определение и 2 направления развития искусственного интеллекта
- •2. Основные направления исследований в области ии
- •3)Моделирования биологических систем.
- •4. Условия для разработки и внедрения экспертных систем. Задачи, подходящие для создания экспертной системы.
- •Различие прототипов эс.
- •3. Интеллектуальные системы и признак структурированности задач.
- •Этапы проектирования эс: выбор проблемы. Коллектив разработчиков эс.
- •7. Основные программные блоки экспертной системы.
- •8. Этапы проектирования эс: оценка, стыковка и поддержка.
- •9. Различия бд и баз знаний
- •10. Продукционная модель знаний
- •11. Диагностические эс байесовского типа.
- •12. Семантические сети.
- •13. Фреймы.
- •14. Схема машины логического вывода. Особенности вывода на знаниях.
- •Стратегии получения знаний (извлечение, приобретение и формирование знаний).
- •Психологический аспект извлечения знаний.
- •Контактный слой:
- •Процедурный слой:
- •Когнитивный слой:
- •Лингвистический аспект извлечения знаний, общий код.
- •Проблема общего кода
- •Понятийная структура
- •Словарь пользователя
- •Текстологические и пассивные методы извлечения знаний.
- •Гносеологический аспект извлечения знаний, проблемы применения критериев научного знания.
- •Активные групповые методы извлечения знаний.
- •Активные индивидуальные методы извлечения знаний.
- •22. Структурирование знаний. Объектно–структурный подход и его свойства. Объектно-структурный анализ знаний о предметной области.
- •23. Алгоритм формирования поля знаний.
- •Уровни реализации моделей нейронных сетей (нс). Нейрокомпьютер. Сравнение архитектуры фон Неймана и архитектуры нейрокомпьютера.
- •Структура и свойства искусственного нейрона.
- •26. Типы нейронных сетей и типы нейронов в многослойной нс. Оценка числа нейронов в скрытых слоях.
- •27. Классы задач, решаемые нс. Примеры использования нс в различных предметных областях.
- •28. Определение и схема процесса обучения нс. От чего зависит качество обучения нс?
- •29. Алгоритм обратного распространения ошибки.
- •30. Обучение без учителя. Алгоритм Хебба.
- •Понятие самоорганизующейся нс. Настройка числа нейронов в скрытых слоях многослойной нс в процессе обучения.
- •1. Алгоритмы сокращения.
- •2. Конструктивные алгоритмы.
- •32. Нс с обратными связями (сеть Хопфилда и сеть Хемминга).
- •33. Когнитрон. Неокогнитрон.
- •34. Генетические алгоритмы. Отжиг.
- •35. Нечеткая логика. Лингвистическая переменная.
- •Основные понятия теории нечетких множеств: функция принадлежности, нечеткая переменная, нечеткое число.
1. Определение и 2 направления развития искусственного интеллекта
Искусственный интеллект— раздел информатики, изучающий возможность обеспечения разумных рассуждений и действий с помощью вычислительных систем и иных искусственных устройств. При этом в большинстве случаев заранее неизвестен алгоритм решения задачи.
2 направления ИИ:
1) Нейрокибернетика.
Нейрон – клетка человеческого мозга. В человеческом мозге 10 в 21 степени.
Искусственные нейронные сети - вычислительная структура, которая моделирует простые биологические процессы, ассоциируемые с процессами человеческого мозга.
2) Кибернетика черного ящика. Основной продукт – экспертные системы - сложный программный комплекс, аккумулирующие знания специалистов в конкретных предметных областях и тиражирующие этот эмпирический опыт для консультаций менее квалифицированных пользователей.
На ее основе в черный ящик помещается база знаний, осуществляется вывод на знаниях, получается необходимый результат.
2. Основные направления исследований в области ии
1Моделирование рассуждений подразумевает создание символьных систем, на входе которых поставлена некая задача, а на выходе требуется её решение. Как правило, предлагаемая задача уже формализована, т. е. переведена в математическую форму, но либо не имеет алгоритма решения, либо он слишком сложен, трудоёмок и т. п.
(доказательство теорем, принятие решений и теория игр, планирование и диспетчеризация, прогнозирование)
1)Обработка естественного языка, в рамках которого проводится анализ возможностей понимания, обработки и генерации текстов на «человеческом» языке. В частности, здесь ещё не решена проблема машинного перевода текстов с одного языка на другой.
2)Способность к обучению. На первый план выходит инженерия знаний, объединяющая задачи получения знаний из простой информации, их систематизации и использования.
3)Моделирования биологических систем.
Независимые направления:
Нейронные сети используются для решения нечётких и сложных проблем (разпознавание геометрических фигур или кластеризация объектов).
Генетический подход основан на идее, что некий алгоритм может стать более эффективным, если позаимствует лучшие характеристики у других алгоритмов («родителей»).
Агентный подход - создания автономной программы — агента, взаимодействующего с внешней средой.
4. Условия для разработки и внедрения экспертных систем. Задачи, подходящие для создания экспертной системы.
Экспертные системы - это достаточно сложный комплекс программ, ориентированный на тиражирование опыта высококвалифицированных специалистов для консультаций менее квалифицированных пользователей.
Задачи, подходящие для разработки ЭС:
Узкоспециализированная задача
Решение задачи не зависит в значительной степени от общечеловеческих знаний или соображений здравого смысла
Не является для эксперта не слишком лёгкой, не слишком трудной.
Какие предметные области подходят для разработки и внедрения ЭС:
Большое расхождение между решениями самых хороших и самых плохих исполнителей
Снижение производительности, т.к. рядовой специалист за отведённое время не способен принять качественное решение
Нехватка специалистов, затрачивающих значительное время для обучения других
Наличие конкурентов, которые лучше справляются с поставленной задачей