
- •1. Базы знаний. Основные определения и назначение дисциплины.
- •2. Знания и данные.
- •3. Модели представления знаний. Формальные логические модели. Продукционные модели.
- •4. Модели представления знаний. Семантические сети. Фреймы.
- •5. Формальные логические модели представления знаний.
- •6. Метод резолюций.
- •7. Продукционная модель представления знаний. Виды продукций (3).
- •8. Процесс разработки продукционной модели знаний. И-Или граф.
- •9. Экспертные системы. Методология разработки экспертных систем. Стратегии разрешения конфликтов.
- •10. Деревья решений. Определение, назначение.
- •11. Алгоритмы обучения деревьев решений. Алгоритм id3. Критерии разбиений.
- •12. Алгоритм c4.5
- •13. Алгоритм cart. Построение дерева классификации и регрессии.
- •14. Ансамбли деревьев решений. Алгоритм Random Forest.
- •15. Алгоритм cart. Метод Cost complexity tree pruning.
- •16. Алгоритм сart. Выбор итогового дерева решений. Метод V-fold cross-validation.
- •17. Модель представления знаний на основе семантических сетей.
- •18. Ассоциативные сети.
- •19. Концептуальные графы.
- •20. Фреймовая модель представления знаний. Описание модели.
- •21. Применение фреймовых моделей.
- •22. Ооп как модель представления знаний.
- •24. Семантические технологии Web (Semantic Web). Определение и общее назначение технологии. Преимущества семантических сетей для интернета.
- •25. Технологии Semantic Web. Архитектура Semantic Web. Описание стека технологий и как они приведут к реализации Semantic Web.
- •26. Технологии Semantic Web. Xml. XmlSchema.
- •27. Технологии Semantic Web. Rdf.
- •29. Особенности поисковых систем. Структура организации и алгоритм работы.
- •30. Язык запросов поисковых систем.
- •31. Семантическая поисковая система.
- •34. Процесс разработки онтологий.
- •35. Технологии Semantic Web. Owl.
- •36. Компоненты онтологического языка Web на основе owl.
- •37. Применение онтологий. Значение онтологий для бизнеса.
- •38. Система разработки онтологий Protйgй. Назначение. Модель
- •39. Data Mining. Определение, назначение и решаемые задачи.
- •40. Data Mining. Классификация.
- •41. Data Mining. Кластеризация.
- •42. Date Mining. Прогнозирование.
5. Формальные логические модели представления знаний.
Формальные логические модели – это модели, основанные на формальных исчислениях, в качестве таких исчислений используются различные математ.-логические модели-языки, которые позволяют делать логический вывод на основе имеющихся правил и аксиом.
В логических моделях знания представляются в виде совокупности правильно построенных формул какой-либо формальной системы, которая задается четверкой (T,P,A,R):
Т – множество базовых элементов;
Р – множество синтаксических правил;
А – множество аксиом ФС, которые в рамках данной ФС априорно считаются истинными;
R – конечное множество правил вывода.
В логических моделях синтаксис задается набором правил поcтроения правильных синтаксических выражений, а семантика -набором правил преобразования выражений и разрешающей процедурой, позволяющей однозначным образом и за конечное число шагов определить, является ли данное выражение семантически правильным.
В основе ФЛМ лежит понятие высказывание – это атомарное предложение на этом формальном языке.
В качестве таких моделей могут использоваться:
пропозициональная логика (простые высказывания +¬|&→↔)
логика 1ого порядка (добавляются кванторы общности и существования, предикаты, логические функции)
БЗ в таком случае представляет собой множество высказываний. Для получения знаний используются правила логического вывода на основе имеющихся в знаниях высказываниях.
Логический вывод – это шаблоны или операции, позволяющие из одних высказываний выводить другие с сохранением истинности и непротиворечивости.
Получение знаний может быть разделено на два вида:
в БЗ сообщается новое высказывание, и алгоритм вывода выводит все возможные заключения для этого высказывания.
при сообщении высказывания в БЗ ей нужно доказать истинность/ложность этого утверждения.
Был разработан наиб. эфф. алгоритм вывода – метод резолюций.
Преимущества данной модели:
краткость, БЗ может быть записана в нескольких универсальных законах
вычислительная эффективность
несложность конструирования
мощные правила вывода
Недостатки данной модели:
представление знаний в таких моделях не наглядно.
не эффективно обозначить свойства и отношения однотипными логическими функциями.
описание знаний в виде лог. формул не позволяет проявится преим. которые имеют автоматические системы обработки структур данных.
Этапы создания БЗ ФЛМ:
1. Идентификация задания. Определение того, что должна решать ваша БЗ (доказательство, вывод).
2. Определение релевантных знаний.
3. Определение словаря предикатов функций и конструкций, на этом этапе происходит преобразование релевантных данных предметной области в формальные понятия. Результатом этого этапа является – онтология предметной области. Она определяет какие объекты существуют, но не определяют их конкретную взаимосвязь и свойства.
4. регистрация общих знаний о предметной области:
определение аксиом
написание атомарных выражений
полное высказывание по БЗ
5. Передача (организация) запросов к процедуре логического вывода и получение ответов.
6. отладка БЗ
проверка алгоритма вывода
наличие тестового набора запросов
проверка аксиом (ее истинность/ложность может быть проверена независимо от основной БЗ)
проверка конкретных выражений