- •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
4. Архітектура ес
На рисунку статична ЕС на стадії проектування.
База знань поділяється на екстенсіальну частину (базу даних (БД), або робочу пам’ять) та інтенсіальну частину (базу знань (БЗ)).
БД призначена для зберігання вихідних та проміжних даних поточної задачі.
У БЗ зберігаються довгострокові дані, що описують ПГ, та правила перетворення даних ПГ.
Знання, якими наповнюють ЕС, поділяють на: знання першого роду (факти, явища, закономірності – істини, що визнані в даній ПГ та зафіксовані в джерелах інформації) та знання другого роду (емпіричні правила, здобуті на основі досвіду, праці та інтуїції, і факти, що описують ПГ).
Підсистема накопичення знань автоматизує процес наповнення ЕС знаннями, які спрямовує інженер знань, застерігає від помилок введеня.
Інтерфейс, або підсистема спілкування, формує сприятливі обставини для користувача та інженера знань у ході розв’язання задачі, добування знань, а також пояснення результатів роботи.
Розв’язувач на основі вхідних даних з БД і отриманих з БЗ формує таку послідовність операцій, яка призводить до розв’язання задачі.
Система пояснень служить для підвищення довіри до ЕС, крок за кроком, або зразу пояснює роботу ЕС, надає інформацію про те, які правила і факти були застосовані. (Що полегшує тестування системи)
Експерт повинен багато знати в потрібній ПГ, бути надзвичайно працьовитим та вміти структурувати свої знання. Від нього залежить повнота та правильність знань.
Інженер знань – це розробник ЕС, який займається приведенням знань, здобутих від експерта, до вигляду придатного для розміщення в БЗ.
Експерт ті інженер знань працюють з ЕС на етапі наповнення та доповнення БД та БЗ, а на етапі експлуатації замість них в архітектурі присутній кінцевий користувач. Таким чином ЕС може працювати в двох режимах: режимі добування знань та режимі розв’язування.
Динамічні ЕС (ЕС реального часу) є основним напрямком роботи по створення ЕС другого покоління. В їх архітектуру введені підсистеми моделювання зовнішнього світу, зв’язку з зовнішнім оточення, обліку часової логіки подій, що обробляються. Вони виконують роль активного помічника користувача або виконуючого механізму в автоматизованих системах управління. Крім того динамічні ЕС мають засоби самостійного вилучення знань з даних, що надходять в систему в ході її створення і експлуатації, та їх аналізу. Тобто блоки Експерт на Інженер знань замінюються / доповнюються Блоком взаємозв’язку з зовнішнім світом, Базою моделей світу і користувача, Блоком виведення знань та Аналізатором знань.
МЕТОДИ ТА ЕТАПИ ПРОЕКТУВАННЯ ЕС
Процес проектування поділяють на розробку та передпроектні роботи.
До передпроектних робот відносяться вирішення таких питань:
Чи можлива розробка ЕС?
Чи буде користь від розробки ЕС?
Чи відповідає задача, яка розглядається, методам ЕС?
Задача розробки ЕС може бути розв’язаною, якщо:
Експерт у змозі вирішити завдання за невеликій період (одна-дві доби).
Є досвідчені експерти, здатні пояснити методи, які використовують;
Є достатньо коштів.
Користь можна виразити як прибуток або проникнення обчислювальної техніки в нові галузі, де неможливо використовувати експерта, або як прискорення обробки інформації, або заміну декількох експертів.
ЕС відповідають за досить складні, але вузькі задачі, де інформація не числова, а символьна, тобто розв’язувана задача не повинна мати великих обчислень; задачі мають не алгоритмічні, а евристичні розв’язування.
Розробка є послідовністю наступних проектних стадій:
Ідентифікація – виявляють задачу та мету розробки, визначають додаткові умови розв’язуваної задачі, ресурси потрібні для розробки і категорії користувачів. Результат – вимоги до ЕС.
Концептуалізація – з допомогою експерта проводять змістовний аналіз ПГ. Результат – поняття, що будуть використовуватися, структура взаємозв’язків між ними та методи розв’язання задачі.
Формалізація – визначають способи подання та інтерпретації всіх видів знань, формалізують основні поняття. Результат – структура знань.
Виконання – організовують знання експерта для їх ефективної роботи. Результат – набір правил.
Дослідна експлуатація – визначають здатність ЕС вирішувати завдання, придатність для роботи з користувачами. Результат - ЕС класифікується як комерційна.
Тестування – перевіряють розв’язання декількох прикладів. Результат – Якщо тестування вдале, проводиться удосконалення (4) і БЗ Поповнюється даними для використання широкого набору прикладів. Якщо невдала методика розв’язання, то проводиться формалізація (3). Якщо задачі не розв’язуються, то треба знову виконати (1) або (2), або переконструювати ЕС при повернення на (3)
Особлива увага приділяється процесу добування знань при формуванні БД та БЗ. Виділяють два методи добування знань:
Метод спостереження. (Експерт розв’язує задачу вголос. Це заноситься до протоколу. Інженер знань аналізує протокол і виділяє правила, факти, зв’язки між ними. Цей метод іноді доповнюється фазою „очищення” – коментарем експерта з приводу виділених знань).
Інтуїтивний метод. (Інженер знань вивчає літературу, навчається розв’язувати задачу і виділяє правила, факти, зв’язки між ними. Після чого взаємодіє з експертом, щоб перевірити свої знання).
Прискорити створення ЕС можна через використання інструментальних засобів інженерії знань, спеціалізованих оболонок, експертних інструментальних систем та баз знань.
Контрольні запитання.
1. Нечітке виведення (НВ).
2.Формування нечіткого логічного висновку.
3. Штучні нейронні мережі (ШНМ). Нейропарадигми.
4. Процес навчання.
5. Алгоритм навчання Гебба.
6. Алгоритм навчання Когонена.
7. Алгоритм навчання процедурою зворотного поширення помилки.
8. Експертні системи основні визначення.
9. Класифікація експертних систем.
10. Архітектура ЕС.
11. Опишіть модель нейрона як пороговий елемент.
12. Що таке активаційна функція порогового елемента?
13. Сформулюйте результат Мак-Каллока і Піттса про функціональну повноту системи модельних нейронів.
14. Наведіть порогові елементи, які реалізують кон'юнкцію, диз'юнкцію та заперечення.
15. У чому полягає основний принцип навчання модельних нейронів?
16. Опишіть процедуру Уїдроу-Хопфа для навчання модельних нейронів.
17. Які функції, крім порогових, можуть використовуватися як активаційні?
18. Що таке сигмоїдальна функція? Наведіть приклад.
19. Опишіть узагальнену дельта-процедуру для сигмоїдальної активаційної функції.
20. Опишіть схему функціонування персептрона Розенблатта.
21. Для яких задач в основному використовувалися персептрони?
22. З чим пов'язана обмеженість класичного персептрона?
23. В якому випадку персептрон дозволяє знайти роздільну функцію?
24. Як потрібно змінити класичний персептрон, щоб вимога лінійної дільності перестала бути необхідною?
25. Опишіть загальну схему методу зворотного поширення помилок.
Література.
1. Глибовець М.М., Олецький О.В. Штучний інтелект. –К.: КМ Академія, 2002. –с. 322-333.
2. Ходаков В.Є., Пилипенко М.В., Соколова Н.А. Вступ до комп’ютерних наук. –К.: Центр навчальної літератури, 2005. – 496с.
3. Попов Э.В. Экспертные системы. М.: Наука, 1987.
4. Хейес-Рот Ф., Уотерман Д., Ленат Д. Построение экспертных систем. М.: Мир, 1987.
5. Стефанюк В.Л. Некоторые аспекты теории экспертных систем// Известия АН СССР. Техническая кибернетика, 1987. №2. С. 85-91.
6. Поспелов Д.А. Ситуационное управление: Теория и практика. М.: Наука, 1986.
7. Элти Дж., Кумбс Н. Экспертные системы: концепция и примеры. М.: Финансы и статистика, 1987.
8. Искусственный интеллект: Справочник. В 3-х томах. М.: Радио и связь, 1990.
Тема: Машинне навчання. Методи машинного навчання.
Мета: Ознайомлення з поняттям машинного навчання, методами машинного навчання (індуктивне навчання, навчання формування гіпотез на основі зростаючих пірамідальних мереж).
Перелік питань, що вивчаються.
1. Понятття про машинне навчання.
2. Методи машинного навчання.
2.1. Індуктивне навчання.
2.2. Навчання формування гіпотез на основі зростаючих пірамідальних мереж.
Самонавчальна система – це така інтелектуальна система, що має засоби узагальнення знань і доповнення бази знань.
Навчання – якість адаптивної системи, яка здатна удосконалювати свою поведінку (уміння справлятися з проблемами), накопичуючи досвід, наприклад досвід розв’язання аналогічних задач. Таким чином навчання – це одночасно і здатність, і дія. Будь-яка програма навчання повинна забезпечувати можливість зберігання і аналізувати отриманий досвід вирішення проблем, а також мати здатність застосовувати одержані висновки.
Навчанням називають процес вироблення в певній системі певної реакції на групи зовнішніх ідентичних сигналів шляхом багаторазового впливу на систему зовнішнього корегування. Таке корегування в навчанні називають «заохоченням» і «покаранням». Його механізм практично повністю визначає алгоритм навчання. Самонавчання відрізняється від навчання тим, що тут додаткова інформація про правильність реакції системи не повідомляється.
Навчання без учителя на описовому рівні можна сформувати в такий спосіб: системі одночасно чи послідовно пред’являються об’єкти без вказівок пор їхню приналежність до образів. Вхідний пристрій системи відображає множину об’єктів на множину зображень і, використовуючи певну закладену в нього заздалегідь властивість розподілу образів, робить самостійну класифікацію цих об’єктів. Після такого процесу самонавчання система повинна одержати здатність до розпізнавання не тільки вже знайомих об’єктів (об’єктів з навчальної послідовності), але й тих, котрі раніше не зустрічалась, а також здатність до вироблення однакових реакцій на зображення об’єктів того самого образу і різних реакцій на зображення різних образів. Роль учителя при цьому зводиться лише підказки системі певної об’єктивної властивості, яка є однаковою для всіх образів і визначає здатність до поділу множини об’єктів на образи.
Якщо невизначеність стану навколишнього світу (ентропію) взяти за U, а знання про світ, що на даний момент має система, у вигляді кількості інформації (негентропію) за J, то можна стверджувати, що поінформованість системи дорівнює , а також ввести спеціальний коефіцієнт знання про світ:
.
Коли поінформованість максимальна, то U = J і K = 0. Коли про світ нічого не відомо, J = 0 і K = 1.