- •1. Информатика как наука, ее структура и мето в системе других наук.
- •2. Кодирование информации.Постановка задачи.
- •3. Формальные языки и граматики. Их классификация.
- •5.Компьютерное моделирование.
- •6Моделирование в биологии. Модели популяции, клеточные автоматы.
- •8,Задача линейного програмит-я. Методы её решения.
- •10. Динамические структуры. Линейная структура - стек. Предст в памяти пк.
- •11, Компьютерная сеть. Способы организ-ии вычисл. Основные функ-ые Эл-ты кс. Одноранговые сети на основе сервера.
- •4. Одноранговые сети и на основе сервера.
- •12. Носители для передачи инф-ии в ком. Сети.
- •13. Правила сетевого взаимодействия. Протоколы. Модель osi
- •Физический уровень
- •14.Определение искусственного интеллекта
- •15. Пролог - programming in logic
- •17. Нейронные сети.
- •18 Генетические алгоритмы. Определение. Схема классического генетического алгоритма. Области применения классических генетических алгоритмов.
- •19, Информационные системы.
- •20. Базы данных. Модели данных. Реляционная модель данных.
- •22. Целостность реляционных данных. Потенциальные, первичные и альтернативные ключи. Правило целостности объектов. Внешние ключи. Правило ссылочной целостности. Правила внешних ключей.
- •23, Реляционная алгебра. Основные операции реляционной алгебры. Язык sql.
- •24. Предмет изуч-я теор алг-мов. Алг-тм, его св-ва, необходим уточ-я пон-я алг-ма. Универсаль-е алг-ие модели.
- •25,Характеристики сложности вычисления. Временная и емкостная сложность алгоритма. Верхние и нижние оценки, асимптотические обозначения. Порядок роста.
- •26 История развития ком тех эвм, поколение эвм и классиф. Современные тенденции разв архит эвм.
- •4Е поколение: 1972-1984
- •5Е поколение: втор полов 80-х
- •6Е и последующие поколения эвм
- •27. Микропроцессор и память компа. Основной алг. Работы проца. Система прерываний.
- •29. Решение системы n линейных уравнений с n неизвестными методом Гаусса. Алгоритм решения системы для реализации на эвм.
- •30, Интерполирование: постановка задачи, геометрическая интерпретация. Интерполяционный член Ньютона Алгоритм для реализации на эвм выбранного многочлена.
- •31. Вычисл-е определ-го интеграла по одной из фор-л. Алг-м реализ-ии на эвм выбранной формулы.
15. Пролог - programming in logic
Логическая программа – набор спецификаций в рамках формальной логики. Prolog – язык логич-го программир-я осн-ный. на исч предик и исп-ет мет резолюции. В отлич от исчисления высказ-й, где имеет место только узкий круг утверждений – высказ-й, в исчислении предикатов вместо высказ-й исп-ся предикаты – символьные выр-я, начинающ-ся со строчной буквы и указывающие на отношения м-у неск-ми объектами likes(masha,flowers). Аргументами предикатов м.б. и функции. Пролог созд в 1973 г. во Франции поддерж деклар стиль прогр-я, т.е. опис предм обл в виде фактов и правил. В отл от него процед-й стиль предп-ет напис пр-мы в виде инструкц по вып-ю алг. В логическом прогр-и компьютеру сообщается, что есть истина, а не как это сделать.
Описание языка: Операц: коньюн (,) дезьюн (;) отриц (not) имплик (:-). Программы на прологе сост из предложений. Сущ-ет 2 типа предл-й - факты и правила: факты опис отн-я м/у обьект. likes(masha,flowers) – Маше нравятся цветы; и отражают св-ва green(tree) – дерево зеленое. Правила позв вывод 1 факт из друг-го. Для представл-я правил исп-ся Хорновские клозы- формулы вида АВ1^B2^…^Bn , где А и В это предикаты без отрицаний. А- заголовок, а конъюнкция – тело выражения. Любое логическое выр-е м-но привести к виду Хорн. Клоза. likes(masha,X):-green(X) – маша любит все зеленое; likes(sasha,X):-likes(masha,X)- Саша любит все то что любит маша.
Запросы и цели: дав прологу факты и правила можно задавать запрос или цель . likes(masha,flowers)- нравятся ли маше цветы (yes); likes(sasha,X) – что любит Саша (X=flowers, X=tree)
Переменные: позволяют описывать факты и правила, относящ-ся к классам объектов, начинаются с заглавн буквы или подчеркивания. Константы запис-ся с маленькой буквы или исп-ся кавычки. Константы определ конкретн объекты (sasha,”Sasha”). Анонимные перем (обозн. знаком подчерк-я _) пр. parent(dima,kostya). parent (sasha,nina). Требуется узнать какие люди явл родител без инф о детях. Запрос: parent (X,_).
Осн. разделы: доменов (domains) – тип аргументов предикатов; предикатов (predicates) – объявл все использ предик (просто выписыв) и домены их аргументов. Предикаты задают факты и правила. Имя предикатаначин со строчн или заглавной буквы., м-т исп-ся цифры и знак подчеркивания; предложений (clauses) – располагаются все факты и правила; цели (goal) – описыв запрос. Пример: записать на прологе «все люди смертны, Сократ человек, следовательно Сократ смертен»
Domains – описание типа
X=symbol Х-переменная
Predicates-объяляются все испол-мые предикаты
person (X) человек
mortal(X)смертн
clauses раздел предложений
person (socrates). факт
mortal(X):-person(X). правило
goal раздел целей
mortal(socrates). Запрос смертен ли Сократ
16.Эксп сист – это пр-ма, кот замен эксперта в конкр предм обл. Возможности:1)рассуждают эвристически,исп-уя для получ. реш-ия несоверш-ые знания.2)отслеживают свои процессы рассуж-ия,выводя промежуточные рез-ты и отвечая на вопросы о процессе решения.3)позв-ют модифицировать базу знаний.
Задачи реш-ые с пом ЭС: интерпретац данных (описан ситуац по инф-ии поступ от датчиков PROSPECTOR- рудоносность районов), диагностика (выявл причины неисправного функц-я систем MYCIN-диагн бакт инф), Мониторинг (сравнение рез-тов набл-я с ожидаемыми RECTOR-набл за ат реакт), проектирование ( XCON-выб оптимальной конфигур комп), прогноз (WILLARD –прогноз погоды), обучение (дигнос-ие и подсказ. прав. решение GUIDON-обуч студ медиков), поддержка принят-я реш (обесп лицо приним-ее реш необх инф). Структура ЭС (рис):
БЗ-база знаний, центральная часть ЭС, содерж правила, методы и знания для реш зад в даннн предм обл. часто делится на БЗ и БД, где хранятся факты.
МЛВ-маш лог вывода, позвол исп БЗ так, чтобы м было получ разумные заключ.
МО- модуль объяснен- сопров реш-е комментар.
МПЗ-мод приобр знаний, изменяет содерж БЗ и БД. Знания о предметной области обеспечивает эксперт. Наиб проблему при разработке ЭС предст проц получ знаний у эксперта. Больш часть знан ост личн собст эксп, т.к. нигде не докум, а эксп знает больше чем осознает. Поэтому сущ-ет проф-я – инженер по знаниям.
Этапы разработки ЭС: 1. идент пр-мы - Уточняется задача, планируется ход разработки ЭС, происходит знакомство и обучение членов коллектива разработчиков, а также создание неформальной формулировки проблемы. (эксп, инженер, польз-ль) 2. извл зн-й - получение инженером по знаниям наиболее полного представления о предметной области и способах принятия решений в ней (инж, экс) 3. структур-е зн. - разработка неформального описания знаний о предметной области в виде графа, таблицы, диаграммы или текста, которое отражает основные концепции и взаимосвязи между понятиями предметной области (инж) 4. формализ-я знаний - разработка базы знаний на языке представления знаний (продукционные модели, семантические сети, фреймы, объектно-ориентированные языки) (инж, програмист) 5. реализация - разработка программного комплекса, демонстрирующего жизнеспособность подхода в целом (прогр-т) 6. тестиро-е - проверяется работа программ ЭС с целью приведения в соответствие с реальными запросами пользователей (э,польз,инж,прогр-т).
Средства разработки экспертных систем
Различают следующие типы средств разработки ЭС: 1) языки программирования; 2) языки представления знаний (языки инженерии знаний); 3) средства автоматизации разработки (проектирования); 4) оболочки ЭС.
При разработке реальных экспертных систем в большинстве случаев используются так называемые языки искусственного интеллекта типа Лисп и Пролог. Однако в последнее время наметился переход к использованию языков традиционного программирования (С, C++ и т.п