- •1. Что такое система искусственного интеллекта. В чем состоят теоретический и практический аспекты создания систем искусственного интеллекта?
- •3. Классификация знаний. Знания глубинные и поверхностные, мягкие и жесткие. Чем обусловлена мягкость знаний. Экспертные и концептуальные знания.
- •7. Фреймы: определение, структура. Для какого типа знаний подходит фреймовое представление?
- •8 Что такое логическая модель? Понятие предиката, квантора. Сложное высказывание.
- •9. Нечеткие знания. Коэффициент уверенности. Схема объединения свидетельств (схема Шортлиффа).
- •10. Вероятностная логика Неполные знания. Немонотонная логика. Основной недостаток логических моделей.
- •12. Нечеткие отношения. Лингвистическая переменная. Нечеткая логика. Построение функций принадлежности.
- •13. Что такое экспертная система? Чем вызван интерес к экспертным системам? Какие задачи относятся к трудноформализуемым? Какими свойствами обладают неформализуемые задачи?
- •14. Структура экспертной системы. Подсистема объяснений. Режимы работы экспертной системы.
- •15. Дайте краткую характеристику языка лисп как средства разработки систем искусственного интеллекта.
- •17. Оболочки и интегрированные инструментальные среды.
- •20. Уровни разработки и принципы построения экспертных систем.
- •21. Пассивные методы приобретения знаний: метод наблюдения и анализа протоколов. Достоинства и недостатки пассивных методов приобретения знаний.
- •22. Активные индивидуальные методы приобретения знаний: анкетирование, интервьюирование, свободный диалог. Достоинства и недостатки этих методов.
- •23. Активные групповые методы приобретения знаний: «круглый стол», «мозговой штурм». Достоинства и недостатки этих методов.
- •24. Текстологические методы приобретения знаний. Структура текста.
- •Алгоритм извлечения знаний из текста
- •25. Два типа обучения: обучение «заучиванием наизусть» и когнитивное обучение.
- •26. Метод обучения "Hit-and-Near-Miss". При каких условиях этот метод сходится?
- •27. Дайте характеристику двумерных систем технического зрения.
- •28. Трехмерные системы технического зрения. Какие дополнительные возможности они имеют по сравнению с двумерными системами.
- •29. Распознавание образов как область искусственного интеллекта. Охарактеризуйте общие проблемы распознавания.
- •30. Промышленные и автономные роботы. Методы обучения робота. Чем отличается язык управления роботом от обычного языка программирования.
- •31. Основные термины, используемые в методах поиска. «Слепые» методы поиска.
- •32. Эвристические методы поиска. Множественное решение. Методы построения множественных решений.
31. Основные термины, используемые в методах поиска. «Слепые» методы поиска.
Поиск в глубину
Поиск в глубину исследует кардій возможный путь до саомго конца прежде чем перейдет к другому пути, если цель не обнаружена.Поиск в глубину может весьма слабо работать в тех. Ситуаціях, корда не обходимо исследовать осбо сложную задачу, не имеющую решения.
Метод поиска в ширину
Противоположность поиску в глубину. Поиск в ширину проверяет каждый узел на том же уровне прежде чем он перейдете следующему уроню.Недостатки поиска в ширину проявляються, когда цель располжена на нескольько уровней глубже .В этом случае поиск в ширину прилагает существенное услиие чтоб ы найти решение.Вообще програміст выбирает между поиском в ширину и глубину делая предположение относительно того где наиболее вероятно положение цели. Слепые методы поиска ищут решение полагаясь исключительно на перемещение от одного узла к другому,без использовния предположений полученных на основе обучения.
32. Эвристические методы поиска. Множественное решение. Методы построения множественных решений.
Эвристика – это правила которые позволяют сокращать поиск указывая наиболее вероятно правильное направление.
Это поисковая процедура которая учитывает предыдущий опыт, она увеличивает веротяность того что метод поиска найдет цель быстро или оптимально,НЕЛЬЗЯ сделать обобщенный эвристический поиск. Наиболее часто эвристические методы поиска основаны на максимизировании или минимизировании некоторого аспекта задачи.
Получение множественных решений.
Иногда приходиться находить несколько решений одно проблемы.
Множественные решения предоставляют выбор чтоб помочь найти лучшее решение в ситуации. Есть много методов выработки множественных решений но мы рассмотрим два – 1)удаление узла 2)удаление пути(удаление из системы найденные решения)
Метод удаления узла . Просто удаляет последний узел для текущего решения и затем пробует искать снова
Метод удаления пути . удаляет из базы все данные узлы, которые формируют текущее решение и затем пытается найти другое решение.