- •1. Определение ии. Определение слабоформализуемых задач и их примеры. Определение сложных систем.[1/1]
- •2. История развития исследований в области ии.[1/1]
- •3. Основные свойства естественного интеллекта (еи).[1/1]
- •4. Основные направления исследований в области ии. Две точки зрения на развитие сии. [1/1]
- •5. Нечеткая логика. Краткие исторические сведения. Аспекты неполноты информации [1/1]
- •6. Определения четких и нечетких множеств. Определение нечеткого множества. Функция принадлежности. Примеры нечетких дискретных и непрерывных множеств. [1/2]
- •7. Основные свойства нечетких множеств. Нечеткое число и нечеткий интервал.[1/3]
- •*7. Основные свойства нечетких множеств. Нечеткое число и нечеткий интервал.[2/3]
- •*7. Основные свойства нечетких множеств. Нечеткое число и нечеткий интервал.[3/3]
- •8. Понятия фаззификации, дефаззификации, лингвистической переменной. Пример. [1/1]
- •9. Операции с нечеткими множествами (эквивалентность, включение, нечеткая операция «и», «или», «не»). [1/2]
- •10.Обобщение операций пересечения и объединения в классе т-норм и s-конорм[1/2].
- •11. Нечеткие отношения. Композиционные правила (max-min) и (max-prod). Примеры. [1/1]
- •12. Нечеткие алгоритмы. Обобщенная схема процедуры нечеткого логического вывода. [1/2]
- •13. Нечеткие алгоритмы. Метод максимума-минимума (метод Мамдани) как метод нечеткого логического вывода (изложение необходимо сопроводить примером). [1/2]
- •14. Нечеткие алгоритмы. Метод максимума-произведения (метод Ларсена) как метод нечеткого логического вывода (изложение необходимо сопроводить примером)[1/1].
- •15.Методы дефаззификации[1/1].
- •16.Процедура (схема) нечеткого логического вывода. Пример нечеткого логического вывода для выполнения нескольких правил. Достоинства и недостатки систем, основанных на нечеткой логике[1/2].
- •17.Искусственные нейронные сети. Особенности биологического нейрона. Модель искусственного нейрона [1/2].
- •18.Определение искусственной нейронной сети (инс). Однослойный и многослойный персептроны [1/1].
- •19. Классификация инс. Задачи, решаемые с помощью нейронных сетей [1/2].
- •20.Основные этапы нейросетевого анализа. Классификация известных нейросетевых структур по типу связей и типу обучения и их применение [1/1].
- •21. Алгоритм обучения с учителем для многослойного персептрона [1/1]
- •22. Алгоритмы обучения нейронных сетей. Алгоритм обратного распространения ошибки [1/1]
- •23. Проблемы обучения нс[1/1].
- •24. Сети Кохонена. Постановка задачи кластеризации. Алгоритм кластеризации[1/1].
- •25. Преобразование алгоритма кластеризации с целью реализации в нейросетевом базисе. Структура сети Кохонена [1/1]
- •26. Алгоритм обучения без учителя для сетей Кохонена. Обобщенная процедура [1/1]
- •27. Алгоритм обучения без учителя для сетей Кохонена. Метод выпуклой комбинации. Графическая интерпретация [1/1]
- •28. Самоорганизующиеся карты (сок) Кохонена. Особенности обучения сок. Построение карт [1/1]
- •29. Проблемы обучения инс [1/1]
- •30. Генетические алгоритмы. Определение. Назначение. Сущность естественного отбора в природе [1/1]
- •31. Основные понятия генетических алгоритмов [1/1]
- •32. Блок-схема классического генетического алгоритма. Особенности инициализации. Пример. [1/1]
- •33. Блок-схема классического генетического алгоритма. Селекция хромосом. Метод рулетки. Пример.[1/2]
- •33. Блок-схема классического генетического алгоритма. Селекция хромосом. Метод рулетки. Пример.[2/2]
- •34. Блок-схема классического генетического алгоритма. Применение генетических операторов. Пример.[1/1]
- •35. Блок-схема классического генетического алгоритма. Проверка условия остановки га.[1/1]
- •36. Достоинства генетических алгоритмов.[1/1]
- •37. Гибридные сии и их виды.[1/2]
- •38. Структура мягкой экспертной системы.[1/1]
- •39.Методология разработки интеллектуальных систем. Виды прототипов экспертных систем.[1/1]
- •40.Обобщенная структура основных этапов разработки экспертных систем.[1/2]
- •1. Идентификация.
- •2. Концептуализация.
- •3. Формализация
- •4. Программирование.
- •5. Тестирование на полноту и целостность
1. Определение ии. Определение слабоформализуемых задач и их примеры. Определение сложных систем.[1/1]
Искусственный интеллект (ИИ) (с лат. «intellectus» - познание) – раздел информатики, изучающий методы, способы моделирования и воспроизведения с помощью ЭВМ различной деятельности человека, связанной с решением слабоформализуемых задач.
Цель ИИ – смоделировать разумную деятельность человека, автоматизировать мышление.
Область применения – применяется для решения слабоформализуемых задач.
Слабоформализуемые задачи – это задачи, которые обладают следующими свойствами:
1. Большое количество информации, которая имеет символьную природу.
2. Не существует математической постановки задачи и формального алгоритмического решения, а если и существует, то пространства поиска решения очень велико и найти его за допустимое время и с имеющимися ресурсами практически невозможно.
3. Для решения задач требуются эвристики – утверждения, основанные на экспериментальных данных, интуиции. Цель их применения – найти более рациональное решение, а не точное математическое, путем исключения заранее непригодных решений.
Данные и знания этой области характеризуются НЕ-факторами:
- не полнота;
- ненадежность;
- неточность;
- неоднозначные.
Пример: К ним относятся – множество задач управления, проектирования в сложных системах.
Сложная система – система, которая характеризуются большим количеством параметров, иерархичностью структуры, разнородностью элементов.
Пример: Любая социально-экономическая система.
Управление = Планирование + Прогнозирование + Учет + Контроль + Анализ + Принятие решений.
Автоматизированная информационная система (АИС) - это слабоформализованная задача + сложная система.
2. История развития исследований в области ии.[1/1]
I период: 1943 г. – первая работа по нейронным сетям, авторы: Мак Коллонс, Питс – «Искусственные нейронные сети».
1950 г. – Тьюринг, работа «Вычислительная машина и интеллект».
Шеннон – «Программирование компьютера для шахматной игры»
1956 г. – ИИ официально признан самостоятельным научным направлением.
II период: Начало работ по ЭС (экспертным системам). Ньюэл, Саймон.
1961 г. – Начата работа по создания GPS (General Problem Solver).
III период: 1965 г. – Работа по нечеткой логике – «Нечеткие множества»
1969 г. – «Нечеткие алгоритмы»
IV период: Создаются системы
DENDRAL – интеллектуальная обработка результатов в области физики.
MYCIN – диагностика инфекционных заболеваний в области медицины.
HEARSAL – в области лингвистики.
V период: Создаются промышленные ЭС. DEC – система управления газопроводом. XCON – выявление неисправностей оборудования нефтехимической промышленности.
1982 г. – Сети Хопфильда, Кохонена. Возобновились работы по НС.
VI период: Аккуратисты – ученые, которые обосновывают работу со строго математическим обоснованием.
Неформалы – выдвигают различные идеи, программируя их на компьютере.
//--------- То, что ниже к данному вопросу не совсем относится ---------
В рамках ИИ сформировались 2 основных подхода к формированию ИИ:
1) нейробиологический. Основан на методе серого ящика. Цель: сформировать структуры и процессы биологического прототипа – человеческого мозга. На этом процессе основаны нейронные сети (НС) и генетические алгоритмы (ГА).
2) информационный (кибернетический подход) основан на методе черного ящика. Цель: воспроизводить результат только деятельности мозга. На этом процессе основаны системы, основанные на знаниях (СОЗ) и нечеткая логика (НЛ).
Проблема: существование разрыва между 2-мя подходами, а в естественном интеллекте не существует отдельных слоев, все они работают согласованно.
Перспективы решения проблемы: развитие мягких вычислений (soft computing).
Мягкие вычисления = НЛ + НС + ГА + вероятностные вычисления (сети Байеса).