
- •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.
7. Продукционная модель представления знаний. Виды продукций (3).
Если x1, x2…xn, то y1, y2…yn.
xi, yi – логические факты.
Если…то…иначе – расширенное правило.
Если следствие выполняется всегда, то такая продукция называется детерминированной, если не всегда (с некоторой вероятностью), недетерменированной. В детерминированных ядрах при актуализации ядра и при выполнимости алфа правая часть ядра выполняется обязательно; в недетерминированных ядрах бетта может выполняться и не выполнятся. Таким образом, секвенция => в детерминированных ядрах реализуется с необходимостью, а в недетерминированных – с возможностью. Интерпретация ядра в этом случае может выглядеть так: ЕСЛИ А, ТО ВОЗМОЖНО В.
Детерминированные продукции могут быть однозначными и альтернативными. Во втором случае в правой части ядра указываются альтернативные возможности выбора, которые оцениваются специальными весами выбора. В качестве таких весов могут использоваться вероятностные оценки, лингвистические оценки, экспертные оценки и т.п. (например, ЕСЛИ А, ТО ЧАЩЕ ВСЕГО НАДО ДЕЛАТЬ В1, РЕЖЕ В2). Особым типом являются прогнозирующие продукции, в которых описываются последствия, ожидаемые при актуализации А, например ЕСЛИ А, ТО С ВЕРОЯТНОСТЬЮ р МОЖНО ОЖИДАТЬ В. Поэтому, при составлении правил продукций, необходимо:
1. Использовать минимально достаточное множество условий при определении продукционного правила.
2. Избегать противоречащих продукционных правил.
4. Конструировать правила, опираясь на структуру присущую предметной области.
Правила обеспечивают формальный способ представления знаний или стратегий, накопленных за годы решения задач в предметной области.
Представление знаний в виде продукции наиболее распространено в экспертных системах.
БЗ продукционной системы содержит как множество правил, так соответствующее множество фактов.
Последовательное сопоставление правил «если» с фактами, позволяет делать заключения, которые добавляются в БЗ в виде фактов.
Примером ПС может служить любая диагностическая система.
В процессе вывода решения все правила равнозначны и самодостаточны. Т. е. все необходимое для использования правила находится в его условии. Но иногда для получения решения требуется вмешательство и для этого некоторые продукционные системы позволяют ввод метаправил.
Метаправила не принимают непосредственного участия, а определяют приоритет выполнения или исключают то или иное правило из рассуждения. Метаправила следует применять осторожно, поскольку возможны исключительные ситуации.
Работа с ПС инициализируется некоторым начальным состоянием.
Из продукционного множества правил выбираются те правила, которые пригодны для применения на очередном шаге. Эти правила создают конфликтное множество. Это множество содержит правила пригодные для использования на текущем шаге.
Для конфликтного множества используется одно из правил разрешения конфликтов.
Дальше правила правило применяется и заносится в базу фактов.
PATERN
MATENING
КОНФЛИКТНОЕ
МНОЖЕСТВО
БЗ
РАБОЧАЯ
ПАМЯТЬ
НАЧАЛЬНОЕ
СОСТОЯНИЕ
БФ
Решение задачи основано на сопоставлении с образцом, то есть текущее состояние решения сравнивается с имеющимися знаниями.
Достоинства:
Явность и наглядность интерпретации правил;
Простота механизма вывода;
Простота модификации БЗ.
Недостатки:
Неоднозначность выбора правил вывода;
Низкая эффективность и негибкость механизма вывода;
Неоднозначность учёта взаимосвязи между отдельными продукциями;
Сложность восприимчивости;
Сложность оценки целостного представления о предметной области.
Реализация этих моделей базируется на языках типа Prolog.