Нечеткая логика и нейронные сети

Государственное бюджетное образовательное учреждение высшего
профессионального образования Московской области
«Международный университет природы, общества и человека «Дубна»
(университет «Дубна»)
Институт системного анализа и управления
Кафедра системного анализа и управления
УТВЕРЖДАЮ
проректор по учебной работе
____________ С.В. Моржухина
«_____»___________20
ПРОГРАММА ДИСЦИПЛИНЫ
Нечеткая логика и нейронные сети
(наименование дисциплины)
Направление подготовки
080500.62 Бизнес-информатика
Профиль подготовки
Электронный бизнес
Квалификация (степень) выпускника
Бакалавр
Форма обучения
Очная
Дубна, 2013
г.
Автор программы (ученое звание, степень, ФИО полностью):
Доцент, к.ф.-м.н., Аверкин Алексей Николаевич
_______________________
(подпись)
Программа составлена в соответствии с требованиями ФГОС ВПО с учетом рекомендаций
и ПрООП ВПО по направлению подготовки 080500.62 «Бизнес-информатика» профиль
подготовки: «Электронный бизнес»
Программа рассмотрена на заседании кафедры _____САУ _________________________
(название кафедры)
Протокол заседания № _____ от «____» ________________ 20__ г.
Заведующий кафедрой,
проф. Черемисина Е.Н _/_______________ /
СОГЛАСОВАНО
Заведующий выпускающей кафедрой, профессор___________________ /Е.Н. Черемисина /
(ученое звание)
(подпись)
(фамилия, имя, отчество)
«____» _________ 20__ г.
И.о. директора института САУ, профессор_____________________ / Е.Н. Черемисина /
(ученое звание, степень)
(подпись)
«____» _________ 20__ г.
Рецензент: _________________________________________________________________
(ученая степень, ученое звание, Ф.И.О., место работы, должность)
«____» _________ 20__ г.
Руководитель библиотечной системы ___________________ / В.Г. Черепанова/
(подпись)
(ФИО)
«____» _________ 20__ г.
2
Оглавление
1.
Цели и задачи освоения дисциплины ..................................................................................4
2.
Место дисциплины в структуре ООП ВПО .......................................................................4
3.
Требования к результатам освоения содержания дисциплины ........................................5
4.
Содержание и структура дисциплины.................................................................................8
4.1 Объем дисциплины и виды учебной работы ....................................................................8
4.2 Структура дисциплины .......................................................................................................9
4.3 Содержание разделов дисциплины ....................................................................................9
4.4 Практические занятия (семинары) ...................................................................................11
4.5 Самостоятельное изучение разделов дисциплины .........................................................13
5. Образовательные технологии ............................................................................................. 14
5.1 Интерактивные образовательные технологии, используемые в аудиторных занятиях
...................................................................................................................................................14
6. Оценочные средства для текущего контроля успеваемости и промежуточной
аттестации ....................................................................................................................................14
7.
Учебно-методическое обеспечение дисциплины ............................................................. 17
7.1 Основная литература .........................................................................................................17
7.2 Дополнительная литература ............................................................................................. 17
.3 Периодические издания ......................................................................................................18
7.4 Интернет-ресурсы ..............................................................................................................18
7.5 Методические рекомендации по организации изучения дисциплины.........................18
8. Материально-техническое обеспечение дисциплины .....................................................23
3
1. Цели и задачи освоения дисциплины
Целью курса «Нечеткая логика и нейронные сети» является изучение
математических и программных основ построения систем, основанных на знаниях,
методов представления и извлечения знаний, данных и методов обучения моделей
представления знаний в рамках направления мягких вычислений (нечеткие логики,
нейронные сети и генетические алгоритмы).
Учебные задачи дисциплины:
Курс «Нечеткая логика и нейронные сети» должен обеспечить изучение и дать
практические умения и навыки основных в программных и аппаратных методах
искусственного интеллекта.
В результате освоения курса решаются следующие задачи:
 вывод в системах искусственного интеллекта,
 экспертные системы,
 методы представления и обработки нечеткой информации в
интеллектуальных системах,
 нейросетевые методы обработки информации в интеллектуальных
системах,
 эволюционные методы обработки информации в интеллектуальных
системах,
 гибридные методы обработки информации в интеллектуальных системах,
 прикладная семиотика и ситуационное управление.
 развитие методов семиотического моделирования от ситуационного
управления до прикладной семиотики и принципов построения гибридных
моделей искусственного интеллекта.
2. Место дисциплины в структуре ООП ВПО
Дисциплина «Нечеткая логика и нейронные сети» относится к обязательным
дисциплинам вариативной части профессионального цикла (Б3.В.ОД.9). Дисциплина
читается в 7 семестре.
Дисциплина «Нечеткая логика и нейронные сети» базируется на дисциплинах:
«Информатика» (1 и 2 семестры), «Методы оптимизации» (3 семестр), «Теория принятия
решений» (4 семестр), «Теория и технология программирования» (3 и 4 семестры),
«Информационные технологии» (5 семестр).
Формы работы студентов: в ходе изучения дисциплины предусмотрены
семинарские занятия.
Самостоятельная работа студентов, предусмотренная учебным планом,
выполняется в ходе семестра в форме работы на семинарах.
Отдельные
темы
теоретического
курса
прорабатываются
студентами
самостоятельно в соответствии с планом самостоятельной работы и конкретными
заданиями преподавателя с учетом индивидуальных особенностей студентов.
Виды текущего контроля – опросы.
Форма итогового контроля: экзамен.
Полученные знания могут быть использованы студентами при выполнении
исследованийв рамках выпускной квалификационной работы, а также при решении
4
научно-исследовательских
деятельности.
и
прикладных
задач
в
будущей
профессиональной
3. Требования к результатам освоения содержания дисциплины
В результате изучения дисциплины студенты должны иметь общее представление об
основных понятий дисциплины, умение применять полученные знания для решения
прикладных задач в использовании их в профессиональной деятельности. Студенты
должны освоить навыки проектирования и разработки информационных систем,
научиться работать в некоторых интеллектуальных информационных системах) и
применять современные информационные технологии ;
Компетенции обучающегося, формируемые в результате освоения дисциплины
«Нечеткая логика и нейронные сети»:
ОК-1 владеет культурой мышления, способен к обобщению, анализу, восприятию
информации, постановке цели и выбору путей ее достижения
ОК-6 способен логически верно, аргументированно и ясно строить устную и письменную
речь
ОК-8 способен находить организационно-управленческие решения и готов нести за них
ответственность
ОК-20 владеет навыками аргументации, коммуникации и передачи научного материала
ПК-15 проектировать и внедрять компоненты ИТ-инфраструктуры предприятия,
обеспечивающие достижение стратегических целей и поддержку бизнес-процессов
ПК-19
использовать
основные
методы
естественнонаучных
дисциплин
в
профессиональной деятельности для теоретического и экспериментального исследования
ПК-32 умение применять алгоритмические конструкции и реализовывать их с помощью
современных языков программирования
ПК-34 умение применять системы распределённых и параллельных вычислений
ПК-36 умение применять методы математического моделирования для анализа бизнеспроцессов
ПК-41 владение навыками принятия управленческих решений с учетом риска в условиях
неопределенности и неполноты информации
Знание:
Результат обучения
Компетенция
Образовательная
технология
Все лекции, С1-С17
Знать
проблематику ОК-1, ОК-6,
интеллектуальных
систем, перечислять
основные понятия и
определения;
5
Вид задания
Опросы,
реферат
Понимать
значение
экспертных
и
интеллектуальных
информационных
систем для экономики,
перечислять основные
компоненты СИИ
Излагать основные
типы представления
знаний в
интеллектуальных
системах
перечислять основные
типы представления
знаний в
интеллектуальных
системах
Знать различные типы
архитектур
интеллектуальных
информационных
систем
перечислять этапы
проектирования СИИ
Знать стадии процесса
интеллектуального
анализа данных
Умения:
ОК-1, ОК-6, ОК-20,
Все лекции, С1-С17
Опросы,
реферат
ОК-1, ОК-6, ОК-20,
Все лекции, С1-С17
Опросы
ОК-1, ОК-6, ОК-20,
Все лекции, С1-С17
Опросы,
реферат
Все лекции, С1-С17
Опросы,
реферат
ОК-1, ПК-19,
Все лекции, С1-С17
Опросы
ПК-15, ПК-19,
Все лекции, С1-С17
Опросы
Результат обучения
Компетенция
Уметь
пользоваться
различными
источниками
информации
и
сопоставлять их;
Уметь
пользоваться
технологическими
методами
интеллектуального
анализа данных
Уметь
пользоваться
оболочками ЭС;
Уметь
использовать
модели представления
знаний при решении
задач создания;
Уметь работать со
знаниями
в
интеллектуальных
системах;
Уметь
использовать
ОК-1, ОК-6, ОК20,
Образовательная
технология
С1-С17
Вид задания
ОК-1, ОК-20, ПК32
С1-С17
Опросы
ПК-15, ПК-19,
С1-С17
Опросы
ПК-15, ПК-32,
ПК-34
С1-С17
Опросы
ПК-15, ПК-32,
ПК-41
С1-С17
Опросы
ПК-15, ПК-36,
С1-С17
Опросы
6
Опросы,
реферат
архитектур
ПК-41
интеллектуальных
информационных
систем
для
оптимизации
структуры
Уметь
работать
с ПК-15, ПК-34,
экспертами
и ПК-36
инженерами
знаний
при разработке ЭС;
С1-С17
Опросы
Образовательная
технология
Все лекции, С1-С17
Вид задания
Применение:
Результат обучения
Компетенция
использовать
основные понятия
определения
интеллектуальных
информационных
систем;
ОК-1, ОК-6, ПКи 19
Опросы,
реферат
Применять
терминологию,
используемую
искусственном
интеллекте
и
информационных
системах
Применять навыками
решения проблем
построения
интеллектуальных
систем в соответствии
с учетом действующих
отечественных и
зарубежных ста
Уметь
применять
различные оболочки на
основе
моделей
представления знаний
в
интеллектуальных
системах;
Владение:
ОК-1, ОК-6, ОК20, ПК-19
Все лекции, С1-С17
Опросы
ОК-6, ПК-32
С1-С17
Опросы
ПК-15, ПК-36
С1-С17
Опросы
Результат обучения
Компетенция
Образовательная
технология
С1-С17
Вид задания
С1-С17
Опросы
Владеть методами
ОК-8, ПК-34, Квывода решений в
41
интеллектуальных
системах
Владеть
навыками ПК-15, ПК-34
7
Опросы
построения
интеллектуальных
информационных
систем;
Анализ:
Результат обучения
Компетенция
Анализировать
ОК-8, ПК-19, ПКосновные
34
функциональные
модули
систем,
основанных
на
знаниях;
Образовательная
технология
С1-С17
Вид задания
Образовательная
технология
С1-С17
Вид задания
Опросы
Оценка:
Результат обучения
Компетенция
Оценивать
и ОК-8, ПК-15, ПКвыбирать
методы 19
формирования
структуры и выбор
компонентов,
моделирующих
и
реализующих
различные
функции
эксперта, принципами
инженерии знаний,
Опросы
4. Содержание и структура дисциплины
4.1 Объем дисциплины и виды учебной работы
Общая трудоемкость дисциплины составляет 3,75 зачетные единицы, 135 часов, из
них 54 часа аудиторной нагрузки.
Вид занятий
Общая трудоемкость
Аудиторные занятия:
Лекции (Л)
Практические занятия (ПЗ)
Семинары (С)
Лабораторные работы (ЛР)
Самостоятельная работа:
Курсовая работа (КР)
Расчетно-графические работы (РГР)
Реферат (Р)
Самоподготовка
Всего часов
Семестр(ы)
135
54
18
36
7
135
54
18
36
36
36
10
10
8
Подготовка к экзамену:
Вид промежуточного контроля
Экзамен
45 час
Экзамен
45 час
4.2 Структура дисциплины
4.
5.
6.
7.
8.
9.
Самостоятельная
раб студ.
Лабораторные
работы
Неделя семестра
Семинары
3.
Введение
Модели и языки
представления
знаний.
Вывод в системах
искусственного
интеллекта.
Экспертные
системы.
Методы
представления
и
обработки нечеткой
информации в ИСНейросетевые
методы
обработки
информации в ИС.
Эволюционные
методы
обработки
информации в ИС.
Гибридные методы
обработки
информации в ИС
Прикладная
семиотика
и
ситуационное
управление.
Итого
Лекции
1.
2.
Виды учебной работы, включая
самостоятельную работу
студентов и трудоемкость (в
часах)
Содержание раздела
Форма текущего
контроля
№
п/
п
Опросы
Опросы
1
2-3
2
2
4
4
6
6
Опросы
4-7
4
8
12
Опросы
7-8
2
4
6
Опросы
9-10
2
4
6
Опросы
11-12
2
4
6
Опросы,
реферат
13-15
2
4
6
Опросы
16-17
2
4
6
18
36
54
4.3 Содержание разделов дисциплины
Раздел 1. Введение
Место данной дисциплины в ряду других дисциплин специальности.
Математические, программные и аппаратные методы искусственного интеллекта. Краткая
история направления искусственный интеллект. Нейро-бионическое и программно9
прагматические
направления
искусственного
интеллекта.
Использование
интеллектуальных систем в различных прикладных областях
Раздел 2. Модели и языки представления знаний.
Данные и знания. Абстрактные типы данных. Внутренняя структура знаний.
Отличие знаний от данных. Интерпретируемость, структурированность и активность
знаний.
Представление знаний. Использование логических моделей для представления
знаний. Ограниченность формальных систем. Системы продукций и их свойства.
Семантические сети. Понятие фрейма и сети фреймов
Базы, основанные на системах продукций. Различные типы баз в зависимости от
вида продукционных систем. Сетевые базы знаний. Использование каузальных сетей в
базах знаний. Смешанные базы знаний. Интеллектуальные базы данных. Знания в
искусственном интеллекте. База знаний. СУБЗ. Обработка знаний. Инженерия знаний.
Открытость баз знаний. Немонотонность процедур представления знаний. Переход от
знаний, основанных на булевой логике, к правдоподобным и нечетким знаниям.
Раздел 3. Вывод в системах искусственного интеллекта. Экспертные системы.
Классические схемы вывода на знаниях. Распространение идей дедуктивного
вывода на случай знаний. Требования к знаниям, используемым в схемах дедуктивного
типа. Язык Пролог и вывод на знаниях
Экспертные системы. Составные части экспертной системы: база знаний,
механизм вывода, механизмы приобретения и объяснения знаний, интеллектуальный
интерфейс. ЭС – основная разновидность прикладных интеллектуальных систем.
Функциональные возможности и характеристики ЭС. Необходимость человека в контуре
управления вместе с ЭС. Области применения ЭС. Статические и динамические
экспертные системы.
Раздел 4. Методы представления и обработки нечеткой информации в ИС
Типы, источники и причины возникновения неопределенной информации в ИС.
Основные понятия нечеткой математики. Нечеткие арифметические операции. Нечеткие
графы и отношения. Свойства нечетких отношений типа 2. Типы транзитивного
замыкания. Иерархическая кластеризация на основе нечетких отношений.
Нечеткие рассуждения. Специальная нечеткая логика. Многозначная и нечеткозначная логики. Основные схемы нечетких рассуждений. Модели управления
неопределенностью и анализ взаимосвязи между ними.
Системы,
основанные
на
нечетких
знаниях.
Модели
управления
неопределенностью в продукционном выводе. Использование Т-норм в нечетких
рассуждениях. Нечеткие логические регуляторы и их приложения. Извлечение нечетких
данных и знаний. Настройка моделей приближенных рассуждений на логику эксперта.
Нечеткие экспертные системы. Задачи инженерии знаний и представление знаний в
нечетких экспертных системах. Получение решений на основе модели предметной
области. Организация системы объяснений при работе нечетких экспертных систем.
Применение нечетких экспертных систем.
Раздел 5. Нейросетевые методы обработки информации в ИС.
Нейросетевая парадигма в искусственном интеллекте. Основы искусственных
нейронных сетей. Искусственный нейрон. Однослойные и многослойные искусственные
нейронные сети. Обучение искусственных нейронных сетей. Персептроны. Линейная
разделимость и преодоление ограничения линейной разделимости. Алгоритм обучения
персептрона. Процедура обратного распространения. Сети РБФ.
Сети встречного распространения и стохастические нейронные сети. Сети
Хопфильда и карты Кохонена (SOM). Нейросети на основе методов адаптивного
резонанса (ART-сети). Ассоциативная память. Нечеткие нейронные сети на примере
ANFIS (MATLAB Fuzzy Toolbox). Обучение нечетких нейронных сетей. Субсимвольные
модели на основе нейросетей.
10
Применения нейросетей в задачах распознавания, классификации, идентификации
и прогнозирования.
Раздел 6. Эволюционные методы обработки информации в ИС.
Генетическая парадигма в искусственном интеллекте. Традиционные генетические
алгоритмы. Модели вычислении на основе генетических алгоритмов. Марковские модели
традиционных генетических алгоритмов. Параллельные генетические алгоритмы.
Приложения
для
параметрической
оптимизации.
Эволюционные
стратегии.
Эволюционное программирование. Генетическое программирование и его использование
для идентификации систем, классификации, управления и распознавания образов.
Экономические модели на базе генетических алгоритмов.
Искусственная жизнь. Муравьиные алгоритмы.
Парадигма иммунных систем в искусственном интеллекте. Вычислительные
аспекты иммунной системы. Модели, основанные на принципах функционирования
иммунной системы. Приложения искусственных иммунных систем. Искусственные
иммунные системы в принятии решении. Система Jisys для разработки практических
приложений на базе искусственных иммунных систем.
Раздел 7. Гибридные методы обработки информации в ИС
Вычислительный интеллект и гибридные модели вычислений в ИИ. Мягкие вычисления и
их составляющие. Нейро-нечеткие, генетико-нечеткие и нейро-генетические системы.
Основные понятия гибридных интеллектуальных систем, их классификация и
перспективы развития. Гибридные интеллектуальные системы с замещением функций.
Гибридные интеллектуальные системы, основанные на взаимодействии. Полиморфные
гибридные интеллектуальные системы. Инструментальные средства для гибридных
интеллектуальных систем.
Методология построения гибридной модели слабо структурированной ситуации на основе
интеграции нечеткой когнитивной модели и нечеткой иерархической модели
представления слабо структурированной ситуации. Согласование шкал факторов
когнитивной модели и модели иерархии.
Раздел 8. Прикладная семиотика и ситуационное управление.
Особенности больших систем управления. Недостаточность классических моделей
управления для больших систем. Принципы семиотического моделирования в системах
управления. Описание ситуаций на объекте управления и в управляющей системе.
Системы ситуационного управления и области их применения. Примеры систем
ситуационного управления. Прикладная семиотика. Задачи прикладной семиотики. Языки
семиотического типа. Язык RХ-кодов, язык ситуационного управления. Универсальный
семантический код. Формальные семиотические системы. Нечеткие семиотические
системы управления
4.4 Практические занятия (семинары)
Семинарские занятия призваны закрепить теоретические знания студентов и
познакомить их с методами решения конкретных задач, возникающих при практическом
приложении знаний.
№
С1
С2
Тема семинарского задания
7 семестр
Основные разделы и терминология искусственного интеллекта
1
Данные и знания. Абстрактные типы данных. Внутренняя структура 2
знаний.
Отличие
знаний
от
данных.
Интерпретируемость,
структурированность и активность знаний. Использование логических
моделей для представления знаний. Ограниченность формальных
11
Неделя
С3
С4
С5
С6
С7
С8
С9
С1
0
С1
1
С1
2
С1
3
С1
4
систем.
Системы продукций и их свойства. Базы, основанные на системах
продукций. Различные типы баз в зависимости от вида продукционных
систем.
Сетевые базы знаний. Семантические сети. Понятие фрейма и сети
Использование каузальных сетей в базах знаний. Смешанные базы
знаний.
Интеллектуальные базы данных. Знания в искусственном интеллекте.
СУБЗ. Обработка знаний. Инженерия знаний. Открытость баз знаний.
Немонотонность процедур представления знаний. Переход от знаний,
основанных на булевой логике, к правдоподобным и нечетким знаниям
Классические схемы вывода на знаниях. Распространение идей
дедуктивного вывода на случай знаний. Требования к знаниям,
используемым в схемах дедуктивного типа. Язык Пролог и вывод на
знаниях
Экспертные системы. Составные части экспертной системы: база знаний,
механизм вывода, механизмы приобретения и объяснения знаний,
интеллектуальный интерфейс. Области применения ЭС. Статические и
динамические экспертные системы.
Анализ типов, источников и причин возникновения неопределенной
информации в ИС. Решение задач на нечеткие арифметические
операции. Технологии нечетких графов и отношения. Типы
транзитивного замыкания. Иерархическая кластеризация на основе
нечетких отношений.
Нечеткие рассуждения. Специальная нечеткая логика. Многозначная и
нечетко-значная логики. Основные схемы нечетких рассуждений.
Настройка моделей приближенных рассуждений на логику эксперта.
Нечеткие экспертные системы. Задачи инженерии знаний и
представление знаний в нечетких экспертных системах. Применение
нечетких экспертных систем.
Нейросетевая парадигма в искусственном интеллекте. Искусственный
нейрон. Однослойные и многослойные искусственные нейронные сети.
Персептроны. Линейная разделимость и преодоление ограничения
линейной разделимости. Алгоритм обучения персептрона. Процедура
обратного распространения. Сети РБФ.
Сети встречного распространения и стохастические нейронные сети.
Сети Хопфильда и карты Кохонена (SOM). Нейросети на основе методов
адаптивного резонанса (ART-сети). Ассоциативная память
Нечеткие нейронные сети на примере ANFIS (MATLAB Fuzzy Toolbox).
Обучение нечетких нейронных сетей. Субсимвольные модели на основе
нейросетей. Применения нейросетей в задачах распознавания,
классификации, идентификации и прогнозирования.
Генетическая парадигма в искусственном интеллекте. Традиционные
генетические алгоритмы. Модели вычислении на основе генетических
алгоритмов. Приложения для параметрической оптимизации.
Эволюционные стратегии. Эволюционное программирование.
Генетическое программирование и его использование для
идентификации систем, классификации, управления и распознавания
образов. Экономические модели на базе генетических алгоритмов.
Примеры алгоритмов искусственной жизни и муравьиных алгоритмов.
Парадигма иммунных систем в искусственном интеллекте.
12
3
4
5
6
7
8
9
10
11
12
13
14
Вычислительные аспекты иммунной системы. Модели, основанные на
принципах функционирования иммунной системы. Приложения
искусственных иммунных систем. Искусственные иммунные системы в
принятии решении. Система Jisys для разработки практических
приложений на базе искусственных иммунных систем.
С1 Вычислительный интеллект и гибридные модели вычислений в ИИ. Мягкие вычисления 15
5 и их составляющие. Нейро-нечеткие, генетико-нечеткие и нейро-генетические системы.
Основные понятия гибридных интеллектуальных систем, их классификация и
перспективы развития. Гибридные интеллектуальные системы с замещением функций.
Инструментальные средства для гибридных интеллектуальных систем.
С1
6
С1
718
Методология построения гибридной модели слабо структурированной 16
ситуации на основе интеграции нечеткой когнитивной модели и
нечеткой
иерархической
модели
представления
слабо
структурированной ситуации. Согласование шкал факторов когнитивной
модели и модели иерархии
Принципы семиотического моделирования в системах управления. 17
Системы ситуационного управления и области их применения.
Прикладная семиотика. Задачи прикладной семиотики. Нечеткие
семиотические системы управления.
4.5 Самостоятельное изучение разделов дисциплины
Организация самостоятельной работы
Самостоятельная работа студентов предполагается в виде:
• изучения отдельных вопросов тематического плана дисциплины;
• подготовка докладов, сообщений, рефератов по проблемным задачам предмета с
привлечением знаний, полученных из теоретического лекционного курса и
рекомендованной учебной литературы;
• подготовка к практическим занятиям,
•подготовка к экзамену.
Примерные темы рефератов по дисциплине «Нечеткая логика и нейронные сети»:
1. Вычислительный интеллект и гибридные модели вычислений в ИИ
2. Мягкие вычисления и их составляющие
3. Нейро-нечеткие, генетико-нечеткие и нейро-генетические системы
4. Основные понятия гибридных интеллектуальных систем, их классификация и
перспективы развития
5. Гибридные интеллектуальные системы с замещением функций
6. Гибридные интеллектуальные системы, основанные на взаимодействии
7. Полиморфные гибридные интеллектуальные системы
8. Инструментальные средства для гибридных интеллектуальных систем.
9. Методология построения гибридной модели слабо структурированной ситуации на
основе интеграции нечеткой когнитивной модели и нечеткой иерархической
модели представления слабо структурированной ситуации
10. Согласование шкал факторов когнитивной модели и модели иерархии
Примеры опросов по дисциплине «Нечеткая логика и нейронные сети»:
Тема: «Модели и языки представления знаний»
1. Чем отличаются знания от данных?
13
2.
3.
4.
5.
6.
Что такое абстрактные типы данных?
Какова внутренняя структура знаний?
В чем заключается интерпретируемость знаний?
В чем заключается структурированность знаний?
В чем заключается активность знаний?
Тема: «Методы представления и обработки нечеткой информации в ИС»
1.
2.
3.
4.
5.
6.
Каковы причины возникновения неопределенной информации в ИС?
Сформулируйте основные понятия нечеткой математики
Какие существуют основные нечеткие арифметические операции?
Что такое нечеткие графы?
Что такое нечеткие экспертные системы?
Где применяются применение нечеткие экспертные системы?
5. Образовательные технологии
В учебном процессе, помимо чтения лекций, которые составляют не более 50%
аудиторных занятий, широко используются активные и интерактивные формы
(компьютерных симуляций, деловых и ролевых игр, разбор конкретных ситуаций,
психологические и иные тренинги). В сочетании с внеаудиторной работой это
способствует формированию и развитию профессиональных навыков обучающихся.




Перечень обязательных видов работы студента :
посещение лекционных занятий;
ответы на теоретические вопросы на семинаре;
решение практических задач и заданий на семинаре;
подготовка реферата.
5.1 Интерактивные образовательные технологии, используемые в аудиторных
занятиях
Семестр
Вид
занятия
(Л, ПР,
ЛР)
Л
ПР
Используемые интерактивные
образовательные технологии
Количество
часов
Компьютерные симуляции,
18
Компьютерные симуляции, деловые и
18 часов по учебному
ролевые игры, разбор конкретных
плану
ситуаций
При изучении теоретического курса на лекциях предусматривается заложение
материала в виде презентации. Отдельные лекции излагаются по проблемной технологии.
Некоторые разделы теоретического курса изучаются с использованием
опережающей самостоятельной работы: студенты получают задания на ознакомление с
новым материалом до его изложения на лекциях.
_7__
6.
Оценочные средства для текущего контроля успеваемости и
промежуточной аттестации
Вид контроля
Форма учебной работы
____7___ семестр
14
Текущий
Опросы
Обобщающий
Реферат
Итоговый
Экзамен
Вопросы к экзамену по дисциплине «Нечеткая логика и нейронные сети»
1. Математические, программные и аппаратные методы искусственного интеллекта.
2. Краткая история направления искусственный интеллект.
3. Нейро-бионическое и программно-прагматические направления искусственного
интеллекта.
4. Использование интеллектуальных систем в прикладных областях
5. Данные и знания. Абстрактные типы данных. Внутренняя структура знаний.
Отличие знаний от данных..
6. Представление знаний. Использование логических моделей для представления
знаний.
7. Системы продукций и их свойства.
8. Семантические сети.
9. Понятие фрейма и сети фреймов
10. Базы знаний, основанные на системах продукций
11. Сетевые базы знаний.
12. Использование каузальных сетей в базах знаний.
13. СУБЗ.
14. Инженерия знаний.
15. Немонотонность процедур представления знаний.
16. Требования к знаниям, используемым в схемах дедуктивного типа.
17. Язык Пролог и вывод на знаниях
18. Экспертные системы. Составные части экспертной системы
19. Функциональные возможности и характеристики ЭС. Необходимость человека в
контуре управления вместе с ЭС.
20. Области применения ЭС.
21. Статические и динамические экспертные системы.
22. Типы, источники и причины возникновения неопределенной информации в ИС.
23. Нечеткие арифметические операции
24. Нечеткие графы и отношения.
25. Свойства нечетких отношений типа 2.
26. Типы транзитивного замыкания.
27. Иерархическая кластеризация на основе нечетких отношений.
28. Нечеткие рассуждения.
29. Специальная нечеткая логика.
30. Многозначная и нечетко-значная логики.
31. Основные схемы нечетких рассуждений.
32. Модели управления неопределенностью в продукционном выводе.
33. Использование Т-норм в нечетких рассуждениях.
34. Нечеткие логические регуляторы и их приложения.
35. Извлечение нечетких данных и знаний.
36. Настройка моделей приближенных рассуждений на логику эксперта.
37. Нечеткие экспертные системы.
38. Организация системы объяснений при работе нечетких экспертных систем.
39. Применение нечетких экспертных систем.
40. Нейросетевая парадигма в искусственном интеллекте.
41. Искусственный нейрон.
15
42. Однослойные и многослойные искусственные нейронные сети.
43. Обучение искусственных нейронных сетей.
44. Персептроны.
45. Линейная разделимость и преодоление ограничения линейной разделимости.
Алгоритм обучения персептрона.
46. Процедура обратного распространения.
47. Сети РБФ.
48. Сети встречного распространения
49. Стохастические нейронные сети.
50. Сети Хопфильда
51. Карты Кохонена (SOM).
52. Нейросети на основе методов адаптивного резонанса (ART-сети).
53. Ассоциативная память.
54. Нечеткие нейронные сети на примере ANFIS (MATLAB Fuzzy Toolbox).
55. Обучение нечетких нейронных сетей.
56. Применения нейросетей в задачах распознавания, классификации, идентификации
и прогнозирования.
57. Генетическая парадигма в искусственном интеллекте.
58. Традиционные генетические алгоритмы.
59. Параллельные генетические алгоритмы.
60. Эволюционные стратегии.
61. Эволюционное программирование.
62. Генетическое программирование
63. Экономические модели на базе генетических алгоритмов.
64. Искусственная жизнь.
65. Муравьиные алгоритмы.
66. Парадигма иммунных систем в искусственном интеллекте.
67. Приложения искусственных иммунных систем.
68. Искусственные иммунные системы в принятии решении.
69. Система Jisys для разработки практических приложений на базе искусственных
иммунных систем.
70. Вычислительный интеллект и гибридные модели вычислений в ИИ.
71. Мягкие вычисления и их составляющие.
72. Нейро-нечеткие, генетико-нечеткие и нейро-генетические системы.
73. Основные понятия гибридных интеллектуальных систем, их классификация и
перспективы развития.
74. Инструментальные средства для гибридных интеллектуальных систем.
75. Методология построения гибридной модели на основе интеграции нечеткой
когнитивной модели и нечеткой иерархической модели
76. Принципы семиотического моделирования в системах управления. Описание
ситуаций на объекте управления и в управляющей системе.
77. Системы ситуационного управления и области их применения.
78. Прикладная семиотика.
79. Формальные семиотические системы.
80. Нечеткие семиотические системы управления.
16
Пример экзаменационного билета
Государственное бюджетное образовательное учреждение высшего
профессионального образования Московской области Международный
университет природы, общества и человека «Дубна»
Направление 080500.62 — Бизнес-информатика
Дисциплина
сети
Курс IV (7-й семестр)
Нечеткая логика и нейронные
Экзаменационный билет № 1
1. Эволюционные стратегии
2. Специальная нечеткая логика
Зав. кафедрой:
Е.Н.Черемисина
«____»__________20___
7. Учебно-методическое обеспечение дисциплины
7.1 Основная литература
1. Люгер Дж.Ф. Искусственный интеллект: Стратегии и методы решения сложных
проблем / Люгер Джордж Ф.; Пер.с англ. Н.И.Галагана и др.; Под ред.
Н.Н.Куссуль. - 4-е изд. - М.: Вильямс, 2005. - 864с.: ил. - Библиогр.:с.809.Алф.указ.авторов:с.841.-Предм.указ.:с.848. - ISBN 5-8459-0437-4. ]
2. Рассел С. Искусственный интеллект: Современный подход / Рассел Стюарт,
Норвиг Питер; Пер.с англ. и ред. К.А.Птицына. - 2-е изд. - М.: Вильямс, 2006. 1408с.: ил. - Лит.:с.1302.-Предм.указ.:с.1373. - ISBN 5-8459-0887-6.
3. Гладков Л.А. Генетические алгоритмы: Учебник / Гладков Леонид Анатольевич,
Курейчик Владимир Викторович, Курейчик Виктор Михайлович; Под ред.
В.М.Курейчика. - 2-е изд.,испр.и доп. - М.: ФизМатЛит, 2010. - 368с. - Прил.:с.305.
- ISBN 978-5-9221-0510-1
4. Ярушкина Н.Г. Интеллектуальный анализ временных рядов: Учебное пособие для
вузов / Ярушкина Надежда Глебовна, Афансьева Татьяна Васильевна, Перфильева
Ирина Григорьевна. - М.: Форум: ИНФРА-М, 2012. - 160с. - (Высшее образование).
- Библиогр.список.-Глоссарий:с.155. - ISBN 978-5-8199-0496-1.
5. Интеллектуальные сенсорные системы / Хюиджисинг Йохан Х., Мейджер Джерард
К.М., Френч Пэдди Дж. и др.; Под ред. Дж.К.М.Мейджера; Пер.с англ.
Ю.А.Платонова под ред. В.А.Шубарева. - М.: Техносфера, 2011. - 464с.: ил.
7.2 Дополнительная литература
1. Аверкин А.Н. Параметрические логики в интеллектуальных системах / Аверкин
А.Н., Федосеева И.Н.; Отв.ред. С.А.Орловский; Рец. С.К.Дулин, В.Б.Тарасов; РАН.
Вычислительный центр. - М.: Вычислительный центр РАН, 2000. - 106с.: ил. Лит.:с.101. - ISBN 5-201-14742-9.
2. Толковый словарь по искусственному интеллекту / Аверкин А.Н., Гаазе-Рапопорт
М.Г., Поспелов Д.А.; Авт.-сост. А.Н.Аверкин и др. - М.: Радио и связь, 1992. 256с.: ил. - ISBN 5-256-00605-3.
3. Гаазе-Рапопорт М.Г. От амебы до робота: модели поведения / Гаазе-Рапопорт
Модест Георгиевич, Поспелов Дмитрий Александрович; Предисл. Э.В.Попова. - 217
е изд. - М.: Едиториал УРСС, 2004. - 296с. - (Науки об искусственном). Коммент.:с.275.-Список лит.:с.280.-Имен.указ.:с.287.-Предм.указ.:с.289. - ISBN 5354-00753-4. Предм.указ.:с.455. - ISBN 978-5-94836-299-1.
4. Гаскаров Д.В. Интеллектуальные информационные системы: Учебник для вузов /
Гаскаров Диляур Вагизович. - М.: Высшая школа, 2003. - 432с.: ил. - Список
лит.:с.424. - ISBN 5-06-004611-7.
5. Тарасов В.Б. От многоагентных систем к интеллектуальным организациям:
философия, психология, информатика / Тарасов Валерий Борисович; Рец.
В.М.Курейчик, И.Б.Фоминых. - М.: Эдиториал УРСС, 2002. - 352с.: ил. - (Науки об
искусственном). - Лит.:с.308.-Имен.указ.:с.333.-Предм.указ.:с.340.-Об авторе:с.349.
- ISBN 9785836003302.
6. Финн В.К. Эпистемологические принципы порождения гипотез / Финн Виктор
Костантинович // Вопросы философии. - 2014. - № 2. - С. 74 - 82. - Библиогр.: с. 95.
.3 Периодические издания
1. PC Magazine/Russian Edition / учредитель: ЗАО «СК Пресс»; гл. ред. О. Лебедев. М.: СК Пресс.
2. Информационные ресурсы России: [Электронный ресурс]: научно-практический
журнал / учредители: ФГБУ «Российское энергетическое агентство» (РЭА) Минэнерго
России; гл. ред. Ю.Ю. Ухин. - М.: РЭА.
3. Информационные технологии: теоретический и прикладной научно-технический
журнал / учредитель: Изд-во «Новые технологии»; гл. ред. И.П. Норенков. - М.: Новые
технологии.
4. Мир ПК: журнал для пользователей персональных компьютеров / учредитель:
International Data Group; гл. ред. С. Вильянов. - М.: Открытые системы.
7.4 Интернет-ресурсы
1. Электронно-библиотечная система «Znanium.com»: http://znanium.com/.
2. Электронно-библиотечная система «КнигаФонд»: http://www.knigafund.ru/.
3. Электронно-библиотечная система «Университетская библиотека онлайн»:
www.bibloclub.ru
4. Научная электронная библиотека (НЭБ): http://elibrary.ru/defaultx.asp
5. БД
российских
научных
журналов
на
Elibrary.ru
(РУНЭБ):
http://elibrary.ru/projects/subscription/rus_titles_open.asp
6. БД российских журналов East View : http://dlib.eastview.com
7. Базы данных компании EBSCO Publishing: http://search.ebscohost.com/
7.5 Методические рекомендации по организации изучения дисциплины
Методические указания для студентов
Лекционный курс
Лекция является основной формой обучения в высшем учебном заведении. В ходе
лекционного курса дисциплины «Нечеткая логика и нейронные сети» изучаются
математические и программные основы построения систем, основанных на знаниях,
методов представления и извлечения знаний, данных и методов обучения моделей
представления знаний в рамках направления мягких вычислений (нечеткие логики,
нейронные сети и генетические алгоритмы).
18
Записи лекций в конспектах должны быть избирательными, полностью следует
записывать только определения. В конспекте рекомендуется применять сокращение слов,
что ускоряет запись. Вопросы, возникающие в ходе лекции, рекомендуется записывать на
полях и после окончания лекции обратиться за разъяснением к преподавателю.
Необходимо активно работать с конспектом лекции: после окончания лекции
рекомендуется перечитать свои записи, внести поправки и дополнения на полях.
Конспекты лекций следует использовать при подготовке к семинарам, при подготовке к
экзамену.
Практические занятия
Практические занятия по курсу «Нечеткая логика и нейронные сети» имеют цель
привить практические умения и навыки основных в программных и аппаратных методах
искусственного интеллекта
Прохождение всего цикла семинарских занятий, а также написание реферата
является условием допуска студента к экзамену.
Методические рекомендации по организации самостоятельной работы студента
Самостоятельная работа студентов в рамках изучения дисциплины «Нечеткая
логика и нейронные сети» регламентируется общим графиком учебной работы,
предусматривающим посещение семинарских занятий, написание реферата.
При организации самостоятельной работы по дисциплине «Нечеткая логика и
нейронные сети» студенту следует:
1. Внимательно изучить материалы, характеризующие курс и тематику
самостоятельного изучения, что изложено в учебно-методическом комплексе по
дисциплине. Это позволит четко представить как круг изучаемых тем, так и
глубину их постижения.
2. Составить подборку литературы, достаточную для изучения предлагаемых тем. В
программе дисциплины представлены основной и дополнительный списки
литературы. Они носят рекомендательный характер, это означает, что всегда есть
литература, которая может не входить в данный список, но является необходимой
для освоения темы. При этом следует иметь в виду, что нужна литература
различных видов: учебники, учебные и учебно-методические пособия;
первоисточники, монографии, сборники научных статей, публикации в журналах,
любой эмпирический материал; справочная литература – энциклопедии, словари,
тематические, терминологические справочники, раскрывающие категориальнопонятийный аппарат.
3. Основное содержание той или иной проблемы следует уяснить, изучая учебную
литературу.
4. Абсолютное большинство проблем носит не только теоретический, умозрительный
характер, но самым непосредственным образом выходят на жизнь, они тесно
связаны с практикой социального развития, преодоления противоречий и
сложностей в обществе. Это предполагает наличие у студентов не только знания
категорий и понятий, но и умения использовать их в качестве инструмента для
анализа социальных проблем. Иными словами, студент должен совершать
собственные, интеллектуальные усилия, а не только механически заучивать
понятия и положения.
5. Соотнесение изученных закономерностей с жизнью, умение достигать
аналитического знания предполагает у студента мировоззренческой культуры.
Формулирование выводов осуществляется, прежде всего, в процессе творческой
19
дискуссии, протекающей с соблюдением методологических требований к научному
познанию.
Методические рекомендации для преподавателя
Методические рекомендации по подготовке и проведению лекций и семинаров по
дисциплине
Курс «Нечеткая логика и нейронные сети» в системе высшего профессионального
образования входит в число обязательных дисциплин вариативной части
профессионального цикла, что накладывает на преподавателя особую ответственность и
требует от него высокой научно-теоретической подготовки и методического мастерства.
Семинарские занятия дают студенту возможность сформировать детальное
представление проблем предмета Нечеткая логика и нейронные сети» и закрепить
изученный материал. Качественная подготовка к семинарскому занятию подразумевает
готовность студента к необходимости структурированного рассмотрения материала.
Подготовку к семинарскому занятию следует начинать с повторения пройденной
ранее темы. Для лучшего усвоения материала рекомендуется дать возможность
студенту самостоятельно подготовить практический материал с примерами.
Изучение курса «Нечеткая логика и нейронные сети» предусматривает
использование различных форм самостоятельной работы, выводя студентов к завершению
изучения учебной дисциплины на ее высший уровень.
Лекционный курс по дисциплине построен с целью формирования у студентов
ориентировочной основы для последующего усвоения материала методом
самостоятельной работы. Содержание дисциплины отвечает следующим дидактическим
требованиям:
– изложение материала от простого к сложному, от известного к неизвестному;
– логичность, четкость и ясность в изложении материала;
– возможность проблемного изложения, дискуссии, диалога с целью активизации
деятельности студента;
– тесная связь теоретических положений и выводов с практикой и будущей
профессиональной деятельностью студентов.
Практические занятия курса проводятся по узловым и наиболее важным темам,
разделам учебной программы. Они построены как на материале одной лекции, так и на
содержании нескольких лекций.
При подготовке к семинарам предусмотрено при необходимости проведение
консультаций для студентов. На подготовку к занятию студентам выдается несколько
дней, рекомендации о последовательности изучения литературы (учебники, учебные
пособия, конспекты лекций, статьи, справочники, информационные сборники,
статистические данные и др.) При подготовке к занятию возможно использование набора
наглядных пособий и специального оборудования.
Используемые критерии оценки ответов:
– полнота и конкретность ответа;
– последовательность и логика изложения;
– связь теоретических положений с практикой;
– обоснованность и доказательность излагаемых положений;
– наличие качественных и количественных показателей;
– наличие иллюстраций к ответам в виде рабочих тетрадей, с выполненными
таблицами и схемами;
– уровень культуры речи;
– использование наглядных пособий и т.д.
20
В конце занятия дается оценка всего практического занятия, где обращается особое
внимание на следующие аспекты:
– качество подготовки;
– результаты выполненной работы;
– степень усвоения знаний;
– активность;
– положительные стороны в работе студентов;
– ценные и конструктивные предложения;
– недостатки в работе студентов и пути их устранения.
Форма контроля работы студентов преподавателем дисциплины
Руководство работой студентов со стороны преподавателя осуществляется в
следующих формах:
– требование вести конспекты, обучение конспектированию;
– контроль за выполнением: просмотр конспектов – по ходу лекции, после лекции,
на семинарских занятиях;
– использование приемов управления вниманием: контрольные вопросы,
риторические вопросы, варьирование интонацией, другие ораторские приемы;
– использование приемов закрепления: повторение основных положений и выводов
с использованием различных формулировок, вопросы к аудитории на проверку внимания;
– проведение тестовых самостоятельных работ по вопросам предыдущих лекций,
относительно изученного раздела.
Форма проверки знаний студентов (степени овладения компетенциями) по
результатам работы на семинарах включает контроль непосредственного участия студента
в работе на семинаре (присутствие), написание реферата.
Общая картина успеваемости студента складывается из посещаемости и сдачи всех
заданий, что при полном выполнении дает право на допуск к экзамену.
Виды и формы организации самостоятельной работы студентов
Виды самостоятельной работы
1. Конспектирование
2. Участие в работе на семинарах
Руководство преподавателю
Выборочная проверка
Подготовка выступлений на семинаре,
проверка знаний
3. Практические занятия: в соответствии с Составление
алгоритма
действий,
инструкциями
и
методическими показателей
уровня
достижения
указаниями
результата
4. Реферат
Проверка выполнения
Методические указания и материалы по видам занятий
Методические указания к написанию реферата
Реферат представляет собой краткое изложение (обзор) основных научных
взглядов и концепций по определенной теме. Реферат не предполагает самостоятельного
научного исследования темы и не требует определения позиции автора или его оценки
излагаемого материала. Задача реферата – краткое изложение основных точек зрения,
существующих в науке на сегодняшний день. Реферат может быть обзором ряда наиболее
важных (известных, популярных, признанных) научных монографий или научных статей
21
по некоторой общей для всех них тематике. Он также может представлять краткое
изложение материалов дискуссий, круглых столов, конференций по той или иной теме.
Студент имеет право выбрать любую тему из предложенных преподавателем для
написания реферата.
Подбор литературы по теме реферата осуществляется студентов самостоятельно.
Преподаватель лишь помогает ему определить основные направления работы, указывает
наиболее важные научные источники, которые следует использовать при ее написании
разъясняет, где их можно найти. При подборе литературы рекомендуется использовать
фонды научных библиотек, электронных каталогов и сети Интернет.
План написания реферата составляется студентом самостоятельно, и
согласовывается с преподавателем. Содержание реферата должно соответствовать теме и
плану.
В ходе выполнения работы студент по мере необходимости может обращаться за
консультацией к преподавателю.
Работа студента по написанию реферата включает:
1. обдуманный выбор темы;
2. самостоятельный подбор списка литературы;
3. консультация у преподавателя по списку литературы и плану реферата;
4. аналитическое чтение и конспектирование основных источников;
5. составление реферата на основе сделанных конспектов;
6. оформление текста реферата.
Реферат должен включать следующие основные разделы:
Титульный лист. На титульном листе указывается название университета,
факультета (института САУ), кафедры, тема реферата, фамилия, имя, отчество и номер
группы автора работы и год выполнения.
Содержание. Включает порядок расположения основных частей с указанием
страниц, на которых соответствующий раздел начинается.
Введение. Во введении дается обоснование научной или практической значимости
избранной темы, определяются границы ее рассмотрения, дается описание
использованных источников.
Основная часть. В основной части, состоящей примерно из 3-4 подпунктов,
излагаются основные положения, идеи, взгляды, концепции, теории по существу
выбранной темы. В ходе изложения следует делать ссылки на источники (статьи, книги,
брошюры), из которых берется то или иное положение или цитата. Цитаты приводятся в
кавычках и с обязательной ссылкой на источник с указанием страницы.
Заключение (или выводы). В заключении (на 0,25-0,5 страницы) формулируются
выводы или итоги рассмотрения темы. Здесь дается информация о степени
разработанности данной темы, указываются трудные проблемы и нерешенные вопросы.
Список литературы. В списке использованной литературы перечисляются только
реально использованные источники. Список использованной литературы должен быть
оформлен по правилам библиографического описания источников.
Приложения. Приводятся используемые в работе документы, таблицы, графики,
схемы и др. (аналитические табличные и графические материалы могут быть приведены
также в основной части).
Объем реферата – 15-20 стандартных машинописных страниц или 25-30
рукописных.
Реферат сдается в срок, установленный преподавателем по данной
дисциплине. В конце реферата ставится подпись студента и дата. Реферат является
формой отчета студента по изучаемому курсу. Выполненный и оформленный реферат в
сброшюрованном виде сдается на проверку преподавателю, оценка выставляется в ходе
публичной защиты и учитывается при аттестации студента (экзамен).
22
Методические рекомендации по изучению дисциплины и организации
самостоятельной работы студентов
Рабочей программой дисциплины «Нечеткая логика и нейронные сети»
предусмотрена самостоятельная работа студентов. Самостоятельная работа проводится с
целью углубления знаний по дисциплине и предусматривает: чтение студентами
рекомендованной литературы и усвоение теоретического материала дисциплины;
подготовку к практическим занятиям, написание реферата; работу с Интернетисточниками; подготовку к сдаче экзамена.
Планирование времени на самостоятельную работу, необходимого на изучение
настоящей дисциплины, студентам лучше всего осуществлять на весь семестр,
предусматривая при этом регулярное повторение пройденного материала. Материал,
законспектированный на лекциях, необходимо регулярно дополнять сведениями из
литературных источников, представленных в рабочей программе дисциплины «Нечеткая
логика и нейронные сети». По каждой из тем для самостоятельного изучения,
приведенных в рабочей программе дисциплины следует сначала прочитать
рекомендованную литературу и при необходимости составить краткий конспект основных
положений,
терминов,
сведений,
требующих
запоминания
и
являющихся
основополагающими в этой теме и для освоения последующих разделов курса.
Для расширения знаний по дисциплине рекомендуется использовать Интернетресурсы: проводить поиск в различных системах, сайтов и обучающих программ,
рекомендованных преподавателем на лекционных занятиях.
С целью развития творческой активности студентов в ходе проведении занятий
могут предусматриваться выступления студентов на семинарских занятиях с
подготовленными ими рефератами.
Для лучшего усвоения учебного материала и подготовки к семинарским занятиям
предполагается активная внеаудиторная самостоятельная работа студентов с учебной
литературой, с нормативными, методическими и справочными материалами.
8. Материально-техническое обеспечение дисциплины
Специализированный компьютерный класс (ауд. 1-415а, 1-415б), подключенный к
сети Интернет и к локальной сети университета (директория GROUPS для обучающихся),
обеспечивающей доступ к программному обеспечению для проведения семинарских
занятий.
23