- •Суми 2009
- •Напрямки робіт у галузі ші
- •Когнітивні процеси
- •Загальна структура смислового простору
- •Поняття знань.
- •Схеми проблем
- •Евристичні моделі подання знань.
- •1. Продукційне подання знань
- •2. Мережна модель (мм)
- •3. Подання знань у вигляді фреймів
- •Логічні моделі(лм) подання знань
- •1. Логіка висловлювань
- •Нечітка модель (нм) подання знань
- •Штучні нейронні мережі (шнм)
- •Біологічний нейрон
- •Штучний нейрон
- •Штучна нейромережа
- •Стратегії та методи виведення знань
- •І. Виведення за аналогією (вза)
- •Іі. Індуктивне умовиведення (ів)
- •Ііі. Виведення на основі категоріальних знань (вкз)
- •1. Концептуальні умовиводи (ку)
- •2. Дедуктивне виведення
- •2. 1. Виведення в продукційних системах (пс)
- •2.2. Виведення в умовах невизначеності (вун)
- •2.3. Виведення в семантичних мережах(см)
- •2.4. Виведення в мережах фреймів (мф)
- •2.5. Виведення в логічних системах (лс)
- •2.6. Метод резолюції
- •1. Нечітке виведення (нв)
- •1.1.Формування нечіткого логічного висновку:
- •2. Штучні нейронні мережі (шнм). Нейропарадигми.
- •2. 1. Процес навчання
- •2.2. Алгоритм навчання хебба
- •2.3. Алгоритм навчання кохонена
- •2.4. Алгоритм навчання процедурою зворотного поширення помилки
- •3. Експертні системи. Основні визначення
- •3.Класифікація експертних систем (ес)
- •4. Архітектура ес
- •2. Методи машинного навчання
- •2.1. Індуктивне навчання (ін)
- •2.2. Навчання формування гіпотез на основі зростаючих пірамідальних мереж
- •1. Стан і тенденції розвитку штучного інтелекту
- •2. Успіхи систем штучного інтелекту і їхньої причини
- •3. Експертні системи реального часу - основний напрямок штучного інтелекту
- •4. Основні виробники
- •5. Архітектура експертної системи реального часу
- •6. Розширення прототипу до додатка
- •7. Тестування додатка на наявність помилок
- •8. Тестування логіки додатка й обмежень (за часом і пам'яттю)
- •9. Супровід додатка
- •2. Стисла історія розвитку систем підтримки прийняття рішень
- •2.1. Зародження і розвиток концепції сппр
- •2.2. Теорія розроблення сппр
- •2.3. Розширення рамок сппр
- •2.4. Технологічні просування
- •3. Цілі сппр та чинники,що сприяють їх досягненню
- •4. Посилення конкурентної переваги завдяки сппр
- •1. Еволюція концепції і структури сппр
- •2. Способи взаємодії особи, що приймає рішення, з сппр
- •3. Еволюція сппр
- •4. Характеристика сучасних сппр
- •5. Підсистеми програмного забезпечення сппр
- •1. Галузі застосування сппр
- •2. Приклади застосування сппр
- •3. Сппр Marketing Expert
- •4. Сппр Decision Grid
- •5. Сппр RealPlan
- •6. Сппр tax advisor
- •7. Сппр Advanced Scout
- •8. Система бізнесової інформації(Business Intelligence) FedEx
- •9. Сппр ShopKo
- •1. Архітектура систем підтримки прийняття рішень
- •2. Компоненти користувацького інтерфейсу
- •2.1. Призначення та загальні ознаки користувацького інтерфейсу
- •2.1.1. Важливість та ефективність користувацького інтерфейсу сппр
- •2.1.2. Основні теми та механізмистворення користувацького інтерфейсу
- •2.1.3. Загальні висновки щодо користувацького інтерфейсу
- •2.1.4. Компоненти мови відображень (презентацій)
- •2.1.4. Роль знань у користувацькому інтерфейсі
- •2.1.5. Питання проектування користувацького інтерфейсу
- •Тема: Класифікаційні групи та моделі систем підтримки прийняття рішень.
- •1. Класифікація на основі інструментального підходу
- •2. Класифікація за ступенем залежності опр у процесі прийняття рішень
- •3. Класифікація за часовим горизонтом
- •Характеристика інформаціїдля різних управлінських рівнів
- •4. Інституційні сппр та сппр на даний випадок
- •1. Моделі в аспекті інформаційного підходу
- •2. Модель, основана на знаннях
- •3. Модель єрархії управління
- •4. Моделі, орієнтовані на особистість опр
- •Характерні аспекти процесів оброблення інформації людиною
- •5. Моделі для планування та прогнозування
- •6. Модель для конторської діяльності
- •1. Облікові і фінансові моделі
- •1.1. Аналіз беззбитковості
- •1.2. Моделі фінансового планування
- •1.3. Орієнтовні фінансові звіти (баланси)
- •1.4. Аналіз на основі розрахунку коефіцієнтів за даними звітності
- •2. Моделі аналізу рішень
- •2.1. Аналітичний єрархічний процес (ahp)
- •2.2. Дерева рішень і моделі багатоатрибутної корисності
- •2.3. Діаграми впливу
- •2.4. Прийняття ризикованих рішень за допомогою функції вигідності
- •3. Моделі прогнозування
- •4. Сітьові і оптимізаційні моделі
- •5. Імітаційні (симуляційні) моделі
- •6. Мови моделювання і електронні таблиці
- •1. Стратегія оцінювання і вибору методів підтримки прийняття рішень у сппр
- •2. Процес прийняття рішень
- •3. Ситуації, пов’язані з прийняттям рішень
- •4. Функції і завдання прийняття рішень
- •5. Узагальнена матриця методів/ситуацій, пов’язаних з прийняттям рішень
- •1. Генетичні успадкування — концептуальна засада генетичних алгоритмів
- •2. Загальна схема генетичних алгоритмів
- •3. Доступне програмне забезпечення генетичних алгоритмів
- •1. Визначення виконавчих інформаційних систем
- •2. Призначення віс
- •3. Визначальні характеристики віс
- •Інформаційні потреби опр, реалізовані засобами віс
- •Вимоги щодо моделювання у віс
- •Вимоги щодо користувацького інтерфейсу віс
2.2. Виведення в умовах невизначеності (вун)
ВУН використовують, коли висловлювання та відношення мають вірогідність їх дії або присутності.
Надійність тверджень. Щоб надійність ВУН була гарантована, необхідно розрізняти залежні і незалежні твердження, мати інтервальні значення імовірності тверджень. При інтервальній оцінці невпевненості твердження А кажуть, що імовірність Р(А) лежить в інтервалі {Pmin(A), Pmax(A)}. Pmin(A) характеризує ступінь довіри (Р(А)≥Pmin(A)), Pmax(A) – ступінь недовіри (Р(~А)≥1-Pmax(A)), Pmin(A)-Pmax(A) – невпевненість. Якщо Pmin(A)=Pmax(A), то знання абсолютно надійні, і навпаки, якшо Pmin(A)=0 і Pmax(A)=1, то значення твердження невідоме. Чим менший інтервал, тим більша надійність твердження.
Надійність (сила) правил. Коли є правило (якщо А, то С) з умовною ймовірністю Р(С/А)=Х і Р(~С/~А)=Y, то Pmax(C)=1-Y*(1- Pmax(A)), Pmin(C)=X* Pmin(A). Числа X і Y характеризують силу правила. Якщо X і Y малі, то правило називають слабким, якщо великі – сильним. Величина X вказує на ступінь зниження лівої, а Y підвищення правої межі інтервалу для висновку порівняно з інтервалом умови.
Комбінація висновків. Коли для одержання висновків використовують декілька правил, то для підсумкової оцінки використовують наступну схему: ; .
Для двох незалежних подій:
;
Для конфлікту (Pmin(A1)>0, Pmax(A1)=1 і Pmin(A2)=0, Pmax(A1)<1):
; ;
Для правил, що мають складні твердження із різними логічними операторами:
Оператор |
Незалежні твердження |
Залежні твердження |
АБО |
|
|
І |
|
|
НЕ |
; |
Показник визначеності висновку (ПВ) складається з результуючого показника (РП) (добутку показника визначеності передумови (наймінімальніший з показників складових тверджень)і правила) і початкового показника (ПП) визначеності факту, якщо такий існував:
при РП, ПП>0;
при РП, ПП<0;
при ПП, РП<0.
2.3. Виведення в семантичних мережах(см)
На СМ в основному реалізуються функції пошуку. Для виконання інших операцій застосовують продукцій ні або логічні системи.
Пошук оформлюється у вигляді запитів двох видів:
запит на існування, коли можливі відповіді “так” чи “ні”;
запит на перелік, коли відшукуються всі можливі вкладення.
Для реалізації інших, наприклад, логічних, виведень мережа повинна мати елементи пізнавальної активності, реалізовані за допомогою віртуальних відношень, що мають правила побудови фактів.
2.4. Виведення в мережах фреймів (мф)
Фрейм – описуюча структура. Як і в СМ, на МФ в основному реалізуються функції пошуку. Для забезпечення можливості отримання виводів до фреймів приєднуються процедури, які разом з спадковими зв’язками пов’язують фрейми. Процедури включаються при активізації одного зі слотів фрейму і звертаються до іншого фрейму, пов’язаного через процедуру з першим. В них в основному реалізовані функції аналізу та пошуку серед можливих значень слотів фрейма.
Існують інтелектуальні системи, в яких використовується семантичні мережі на фреймах, де вершинам відповідають класи об’єктів-сутностей (подані у вигляді фреймів зі слотами атрибутами сутностей), а дуги – це бінарні зв’язки між сутностями. Корінь графового прототипу (виділена для деякого класу об’єктів підмножина його примірників) визначає клас. Фрагмент мережі (зв’язки кореня з іншими класами об’єктів) використовується для визначення положення класу серед інших.
Інформаційний граф - засіб формулювання задач виведення на мережі й візуалізація результатів – шляхів із заданих примірників кореня. Результати подаються у вигляді певного дерева.
Не функціональна мережа має вершини різних типів. Якщо для функціональних мереж у графовому уявленні фіксуються ролі єдиної, кореневої вершини, то наявність у виведенні (шляхах мережі) різнотипних вершин дозволяє враховувати контексти (порядок появи вершин в шляху мережі).