231000 Системы искусственного интеллекта

Цели и задачи дисциплины
Цель. Задачи дисциплины, ее место в подготовке бакалавра (с учетом квалификационных требований ФГОС)
Цели изучения дисциплины «Системы искусственного интеллекта»:
дать
общее
представление
о
прикладных
системах
искусственного
интеллекта;
сформировать базовое представление, умения и навыки по основам инженерии знании и нейроинформатики как
двум основным направлениям построения интеллектуальных систем;
дать представление о роли искусственного интеллекта и нейроинформатики в развитии информатики в целом, а
также, в научно-техническом прогрессе.
Дисциплина обеспечивает совершенствование навыков, полученных при изучении основ программирования.
Дисциплина находится на стыке программирования и математики с большей ориентацией на практическое
использование в программировании. Дисциплина формирует дополнительные знания для дисциплин, связанных с
изучением и разработкой программного обеспечения.
1.2 Требования к уровню освоения дисциплины
Обучающийся должен знать:
об основные понятия инженерии знаний, о моделях представления знаний, о методах обработки знаний и поиска
решений, о назначении, возможностях, составе, организации и особенностях функционирования экспертных систем, о
принципах и технологии приобретения знаний в экспертных системах; о технологии проектирования экспертных систем,
о принципах построения систем естественно-языкового интерфейса, об основах построения нейро-бионических
интеллектуальных систем, об основных моделях нейронных сетей и методах их обучения, об эволюционном
моделировании в искусственном интеллекте.
Обучающийся должен уметь:
создавать онтологические описания предметных областей, формализовать знания экспертов и разрабатывать базы знаний
экспертных систем на основе различных моделей представления знаний, представлять нечеткие знания и выводы,
разрабатывать экспертные системы для конкретных предметных областей с использованных заданных инструментальных
средств.
Обучающийся должен владеть:
навыками решения оптимизационных задач с помощью генетических алгоритмов, построения интеллектуальных систем
на основе нейросетевых технологий.
У обучающегося должны быть сформированы следующие компетенции:
ОК-11 - владение одним из иностранных языков на уровне не ниже разговорного;
ПК-2 - способность к формализации в своей предметной области с учетом ограничений используемых методов
исследования;
ПК-8 - способность готовить коммерческие предложения с вариантами решения;
ПК-12 - навыки моделирования, анализа и использования формальных методов конструирования программного
обеспечения;
ПК-15 - навыки использования операционных систем, сетевых технологий, средств разработки программного
интерфейса, применения языков и методов формальных спецификаций, систем управления базами данных;
ПК-17 - умение применять основные методы и инструменты разработки программного обеспечения;
ПК-24 - понимание основ групповой динамики, психологии и профессионального поведения, специфичных для
программной инженерии.
1.
1.1.
1.3 Связь с другими дисциплинами Учебного плана
Перечень действующих и предшествовавших дисциплин
Перечень последующих дисциплин, видов работ
1. Исследование операций
1. Выпускная квалификационная работа
2. Математический анализ
3. Математическая логика и теория алгоритмов
4. Методы интеллектуального анализа данных
5. Архитектура вычислительных систем
6. Управление программными проектами
7. Разработка и анализ требований
2. Содержание дисциплины, способы и методы учебной деятельности преподавателя
Методы обучения – система последовательных, взаимосвязанных действий, обеспечивающих усвоение содержания
образования, развитие способностей студентов, овладение ими средствами самообразования и самообучения;
обеспечивают цель обучения, способ усвоения и характер взаимодействия преподавателя и студента; направлены на
приобретение знаний, формирование умений, навыков, их закрепление и контроль.
Монологический (изложение теоретического материала в форме монолога)
М
Показательный (изложение материала с приемами показа)
П
Диалогический (изложение материала в форме беседы с вопросами и ответами)
Д
Эвристический (частично поисковый) (под руководством преподавателя студенты рассуждают, решают
Э
возникающие вопросы, анализируют, обобщают, делают выводы и решают поставленную задачу)
Проблемное изложение (преподаватель ставит проблему и раскрывает доказательно пути ее решения)
ПБ
Исследовательский (студенты самостоятельно добывают знания в процессе разрешения проблемы, сравнивая
И
различные варианты ее решения)
Программированный (организация аудиторной и самостоятельной работы студентов осуществляется в ПГ
индивидуальном темпе и под контролем специальных технических средств)
Другой метод, используемый преподавателем (формируется самостоятельно), при этом в п.п. 2.1.-2.4. дается его
наименование, необходимые пояснения
Приведенные в таблице сокращения обозначения педагогических методов используются составителем Рабочей
программы для заполнения п.п. 2.1., 2.2. и 2.3. в столбце «Методы».
Реализуемые компетенции
Вид занятия, тема и краткое содержание
Методы
Кол. час
Неделя
в том числе в интерактивной
форме, час.
Аудиторные занятия (лекции, лабораторные, практические, семинарские) – очная форма обучения, 4 г. 00 м.
2.1.
Лабораторные работы
1-6
12
6
Модуль 1. Экспертные системы
1
2
2
2
2
3
2
Лабораторная работа 1. РАЗРАБОТКА ЭКСПЕРТНОЙ СИСТЕМЫ
В СРЕДЕ VISUAL PROLOG
Ознакомиться с примерами прикладных систем искусственного
интеллекта. Изучить основные принципы разработки экспертных систем в
среде Visual Prolog. Создать на основе примера свою экспертную систему
применительно к выбранной предметной области.
Лабораторная работа 2. РАЗРАБОТКА ЭКСПЕРТНОЙ СИСТЕМЫ
В СРЕДЕ VISUAL PROLOG
Ознакомиться с примерами прикладных систем искусственного
интеллекта. Изучить основные принципы разработки экспертных систем в
среде Visual Prolog. Создать на основе примера свою экспертную систему
применительно к выбранной предметной области.
Лабораторная работа 3. РАЗРАБОТКА ЭКСПЕРТНОЙ СИСТЕМЫ НА
ЯЗЫКЕ CLIPS
Цель работы: ознакомиться с особенностями языка CLIPS, получить
практические навыки разработки экспертных систем, основанных на
использовании продукционной модели представления знаний.
4
2
Лабораторная работа 4. Сведение задачи к совокупности подзадач.
Поиск на графе. Полный перебор.
5
2
6
2
Лабораторная работа 5. Метод равных цен. Метод перебора в глубину.
Перебор на произвольных графах. Использование эвристической
информации.
Лабораторная работа 6. Использование оценочных функций. Алгоритм
упорядоченного поиска. Оптимальный алгоритм перебора. Выбор
эвристической функции. Критерии качества работы методов перебора.
712
12
Модуль 2. Системы естественно-языкового общения
7
2
Лабораторная работа 7. Цель работы: изучить возможности естественноязыкового интерфейса (ЕЯИ) и получить практические навыки в
реализации систем ЕЯИ. Модифицировать пример GEOBASE в
соответствии с заданной предметной областью.
8
2
Лабораторная работа 8. Простейший интерфейс на естественном языке с
использованием ключевых слов.
2
2
Э, И,
ПГ
Э, И,
ПГ
ОК-11, ПК-2,
ПК-8, ПК-15,
ПК-17, ПК-24
ОК-11, ПК-2,
ПК-8, ПК-15,
ПК-17, ПК-24
Э, И,
ПГ
ОК-11, ПК-2,
ПК-8, ПК-15,
ПК-17, ПК-24
Э, И,
ПГ
ОК-11, ПК-2,
ПК-8, ПК-15,
ПК-17, ПК-24
Э, И,
ПГ
ОК-11, ПК-2,
ПК-8, ПК-15,
ПК-17, ПК-24
ОК-11, ПК-2,
ПК-8, ПК-15,
ПК-17, ПК-24
ОК-11, ПК-2,
ПК-8, ПК-15,
ПК-17, ПК-24
ОК-11, ПК-2,
ПК-8, ПК-15,
ПК-17, ПК-24
ОК-11, ПК-2,
ПК-8, ПК-15,
ПК-17, ПК-24
Э, И,
ПГ
Э, И,
ПГ
Э, И,
ПГ
Э, И,
ПГ
Э, И,
ПГ
ОК-11, ПК-2,
ПК-8, ПК-15,
ПК-17, ПК-24
10
2
11
2
12
2
Лабораторная работа 9. Методы поиска в пространстве состояний.
Поиск на графе. Полный перебор. Метод равных цен. Метод перебора в
глубину. Перебор на произвольных графах. Использование эвристической
информации.
Использование
оценочных
функций.
Алгоритм
упорядоченного поиска. Оптимальный алгоритм перебора. Выбор
эвристической функции. Критерии качества работы методов перебора.
Лабораторная работа 10. Продукционная модель представления знаний.
Представление знаний как направление исследований по ИИ. Данные и
знания: основные определения. Отличительные особенности знаний.
Модели данных.
Лабораторная работа 11. Представление знаний на основе семантической
сети.
Табличная модель. Языки описания и манипулирования данными.
Отличительные особенности основных моделей представления знаний.
1318
12
13
2
14
2
15
2
16
2
17
2
18
2
ОК-11, ПК-2,
ПК-8, ПК-15,
ПК-17, ПК-24
Э, И,
ПГ
ОК-11, ПК-2,
ПК-8, ПК-15,
ПК-17, ПК-24
Э, И,
ПГ
ОК-11, ПК-2,
ПК-8, ПК-15,
ПК-17, ПК-24
Лабораторная работа 12. Представление знаний фреймами.
Э, И,
ПГ
Модуль 3. Нейронные сети
Э, И,
ПГ
ОК-11, ПК-2,
ПК-8, ПК-15,
ПК-17, ПК-24
ОК-11, ПК-2,
ПК-8, ПК-15,
ПК-17, ПК-24
ОК-11, ПК-2,
ПК-8, ПК-15,
ПК-17, ПК-24
Лабораторная работа 13. Изучение основного элемента нейронной сети –
нейрона, принципов построения на основе нейрона простейшей нейронной
сети - персептрона и освоение базовых приёмов моделирования
персептрона в среде MATLAB.
Лабораторная работа 14. Обучение нейронной сети выполнению
заданных операций.
Цель работы: ознакомиться с интерфейсом NNTool системы MATLAB,
создать и обучить нейронную сеть выполнению заданной операции.
Лабораторная работа 15. Моделирование нейронный сетей в MatLab.
Знакомство со средствами и методами MATLAB и пакета Simulink для
моделирования и исследования нейронных сетей.
Э, И,
ПГ
Лабораторная работа 16. Разработка программы распознавания
изображений с помощью нейронных сетей.
Цель работы: приобретение и закрепление знаний, а также получение
практических навыков работы с простейшими нейронными сетями.
Лабораторная работа 17. Разработка программы распознавания
изображений с помощью нейронных сетей.
Цель работы: приобретение и закрепление знаний, а также получение
практических навыков работы с простейшими нейронными сетями.
Лабораторная работа 18. Применение нейронных сетей для аппроксимации
функций.
Кол. час
Самостоятельная работа студента - Очная форма обучения – 4 г. 00 м.
Темы, разделы, вынесенные на самостоятельную подготовку, вопросы к
практическим и лабораторным занятиям; тематика рефератной работы; курсовые
работы и проекты, контрольные, рекомендации по использованию литературы и
ЭВМ и др.
Неделя
2.2.
Э, И,
ПГ
1-18
9
1-18
9
Самостоятельная работа, определяемая преподавателем
с учетом научных
интересов студента.
1. Автоматизация пополнения словаря словоформ для морфологического
анализа слов русского языка.
2. Автоматизация пополнения словаря основ для морфологического анализа
слов русского языка.
3. Применение методов анализа формальных понятий для автоматизации
формирования стратегий синтаксического анализа текстов.
4. Применение методов анализа формальных понятий для автоматизации
формирования тезауруса предметной области.
Подготовка к зачету по дисциплине
Э, И,
ПГ
ОК-11, ПК-2,
ПК-8, ПК-15,
ПК-17, ПК-24
Э, И,
ПГ
ОК-11, ПК-2,
ПК-8, ПК-15,
ПК-17, ПК-24
Э, И,
ПГ
ОК-11, ПК-2,
ПК-8, ПК-15,
ПК-17, ПК-24
Э, И,
ПГ
ОК-11, ПК-2,
ПК-8, ПК-15,
ПК-17, ПК-24
Э, И,
ПГ
ОК-11, ПК-2,
ПК-8, ПК-15,
ПК-17, ПК-24
Реализуемые
компетенции
2
Методы
9
И
ОК-11,
ПК-2,
ПК-8,
ПК-15,
ПК-17,
ПК-24
И
ОК-11,
ПК-2,
1-18
18
Усвоение текущего материала
ПК-8,
ПК-15,
ПК-17,
ПК-24
ОК-11,
ПК-2,
ПК-8,
ПК-15,
ПК-17,
ПК-24
И
2.3.
Интерактивные технологии и инновационные методы, используемые в образовательном процессе
Основаны на использовании современных достижений науки и информационных технологий. Направлены на повышение
качества подготовки путем развития у студентов творческих способностей и самостоятельности (методы проблемного
обучения, исследовательские методы, тренинговые формы, рейтинговые системы обучения и контроля знаний и др.).
Нацелены на активизацию творческого потенциала и самостоятельности студентов и могут реализовываться на базе
инновационных структур (научных лабораторий, центов, предприятий и организаций и др.).
№
1.
Наименование основных методов
Компьютерные симуляции
Краткое описание и примеры, использования в темах и
разделах, место проведения
Часы
При изучении дисциплины используются материалы
профессионального информационно-аналитического ресурса
MachineLearning.ru, посвященного машинному обучению,
распознаванию образов и интеллектуальному анализу
данных. Режим доступа: http://machinelearning.ru
6
3.
Средства обучения
3.1.
Информационно-методические
№ Перечень основной и дополнительной литературы, методических разработок; с указанием наличия в библиотеке, на
кафедре
Основная литература:
1.
Гаврилова Т.А. Базы знаний интеллектуальных систем [Текст] / Т.А. Гаврилова, В. Ф. 2 (кафедра ИТиЗИ)
Хорошевский. СПб.: Питер, 2000. – 384 с.
2.
Представление и использование знаний [Текст] / под ред. X.Уэно, М.Исидзука. М.: Мир, 2
1989. – 220 с.
3.
Заболеева-Зотова А.В. Лингвистическое обеспечение автоматизированных систем: учебное 2
пособие [Текст] / А.В. Заболеева-Зотова, В.А. Камаев. М.: Высш. шк., 2008. – 244 с.
4.
Ясницкий Л.Н. Введение в искусственный интеллект: учебное пособие для студентов 1
высших учебных заведений [Текст] / Л.Н. Ясницкий. М.: Издательский центр “Академия”,
2005. – 176 с.
5.
Всеволодова А.В. Компьютерная обработка лингвистических данных: учебное пособие 1
[Текст] / А.В. Всеволодова. Ярославль: МУБиНТ, 2005. – 67 с.
6.
Попов С.В. Логическое моделирование [Текст] / С.В. Попов. М.: Тровант, 2006. – 256 с.
1
7.
8.
9.
1.
2.
3.
4.
5.
6.
Михайлов Д.В. Теоретические основы построения открытых вопросно-ответных систем.
Семантическая эквивалентность текстов и модели их распознавания: монография [Текст] / Д.
В. Михайлов, Г. М. Емельянов. Великий Новгород: НовГУ им. Ярослава Мудрого, 2010. –
286 с.
Гаскаров Д.В. Интеллектуальные информационные системы: учебное пособие для вузов
[Текст] / Д.В. Гаскаров. М.: Высшая школа, 2003. – 431 с.
Чулюков В.А. Системы искусственного интеллекта. Практический курс: учебное пособие
[Текст] / [В.А. Чулюков, И.Ф. Астахова, А.С. Потапов и др.; под ред. И.Ф. Астаховой]. М.:
БИНОМ. Лаборатория знаний, 2008. – 292 с.
Дополнительная литература:
Братко И. Алгоритмы искусственного интеллекта на языке PROLOG: пер. с англ. [Текст] / И.
Братко. М.: Издательский дом "Вильямс", 2004. – 640 с.
АОТ: Автоматическая Обработка Текстов [Электронный ресурс]. Режим доступа:
http://www.aot.ru/ (дата обращения: 19.12.2010).
Белоногов Г.Г. Автоматизация процессов накопления, поиска и обобщения информации
[Текст] / Г.Г. Белоногов, А.П. Новоселов. М.: Наука, 1979. – 256 с.
Белоногов Г.Г. Автоматизированные информационные системы [Текст] / Г.Г. Белоногов,
В.И. Богатырев. М.: Сов. радио, 1973. – 328 с.
Леонтьева, Н. Н. Русский общесемантический словарь (РОСС): структура, наполнение
[Текст] / Н. Н. Леонтьева // Научно-техническая информация. М.: ВИНИТИ, 1997. № 12. Сер.
2. С. 5-20.
Mel'cuk, Igor A. Explanatory Combinatorial Dictionary of Modern Russian. Semantico-Syntactic
1
1
1
1
1
1
1
1
7.
8.
9.
10.
Studies of Russian Vocabulary [Текст] / Igor A. Mel'cuk, Alexander K. Zholkovsky. Wienna,
1984. – 992 с.
Адаменко А.Н. Логическое программирование и Visual Prolog [Текст] / А.Н. Адаменко, А.М.
Кучуков. СПб.: БХВ-Петербург, 2003. – 992 с., ил.
Удо Хан Системы автоматического реферирования [Электронный ресурс] / Удо Хан,
Индерджиет Мани // Открытые системы, 2000, № 12. Режим доступа:
http://www.olap.ru/basic/refer.asp (дата обращения: 25.12.2010).
Братко И. Алгоритмы искусственного интеллекта на языке PROLOG: пер. с англ. [Текст] / И.
Братко. М.: Издательский дом "Вильямс", 2004. – 640 с.
АОТ: Автоматическая Обработка Текстов [Электронный ресурс]. Режим доступа:
http://www.aot.ru/ (дата обращения: 19.12.2010).
3.2.
Материально-технические
№ ауд. Основное оборудование, стенды, макеты, компьютерная техника,
наглядные
пособия
и
другие
дидактические
материалы,
обеспечивающие проведение лабораторных и практических занятий,
научно-исследовательской работы студентов с указанием наличия
1
1
1
1
Основное назначение (опытное,
обучающее, контролирующее) и
краткая
характеристика
использования
при
изучении
явлений и процессов, выполнении
расчетов.
201214
Аудиторные занятия в форме лекций проводятся с использованием
персонального компьютера и
ЖК-панели для демонстрации
материала.
Обучающее
201214
При выполнении лабораторных работ используются
компиляторы языков программирования высокого уровня C++, Delphi
и Visual Prolog, имеющиеся в распоряжении кафедры.
Для выполнения лабораторных работ также может быть
использовано следующее свободно распространяемое программное
обеспечение:
1. Язык Common Lisp. Режим доступа: http://clisp.cons.org/
2. Язык newLISP. Режим доступа: http://newlisp.org
3. The
Concept
Explorer.
Режим
доступа:
http://conexp.sourceforge.net
Обучающее, контролирующее,
опытное
201214
Самостоятельная работа студента осуществляется в компьютерном
классе, в научной библиотеке РГЭУ «РИНХ».
Опытное
201214
Научная и творческая работа студента осуществляется в организациях
и научно-исследовательских коллективах в процессе выполнения
программ научно-исследовательской и производственных практик.
Опытное
4.
Текущий, промежуточный и итоговый контроль.
Вопросы текущего контроля, промежуточный контроль, вопросы для подготовки к зачету
4.1
Промежуточный контроль.
Промежуточный контроль проводится на практических занятиях в виде интерактивных тестов в компьютерном классе.
Примеры тестовых вопросов:
Тест1: Общие понятия искусственного интеллекта. (время проведения теста - 30 мин.)
Вопрос №1
Что такое экспертная система (выберите все возможные определения)? Варианты ответов:
1 Прикладная диалоговоя система, основанная на знаниях
2 Прикладная вычислительная система
3 Система управления базами данных
4 Система, основанная на знаниях
Вопрос №2
Что такое база знаний? Варианты ответов:
1 Формализованные знания о предметной области и о том, как решать задачу
2 Формализованные данные о предметной области 3 База данных о предметной области
4 Словарь предметной области
Вопрос №3
Какой метод представления знаний наиболее распространен в экспертных системах?
Варианты ответов: 1 Фреймы
2 Семантические сети
3 Правила-продукции
4 Лингвистические переменные
5 Таблицы решений
Вопрос №4
Можно ли назвать экспертной систему без средств объяснений? Варианты ответов:
1 Да
2 Нет
Вопрос №5
Можно ли назвать экспертной системой программу бухгалтерского учета ( типа "1СБухгалтерия" или "БЭСТ" )?
Варианты ответов: 1 Да
2 Нет
Вопрос №6
Можно ли назвать экспертной системой программу диагностики сердечно-сосудистых заболеваний по результатам
обследования больного?
Варианты ответов: 1 Да
2 Нет
Вопрос №7
Чемпионат мира по какому виду спорта проводятся ежегодно для роботов? Варианты ответов:
1 Футбол
Вопрос №8
Чем отличаются знания от данных? Варианты ответов:
1 Большей структурированностью
2 Большей самоинтерпретируемостью 3 Большей непонятностью
4 Большей применяемостью 5 Большей связностью
6 Субъективностью
Вопрос №9
Что из перечисленного можно назвать прикладной системой искусственного интеллекта?
Варианты ответов:
1 экспертная диагностическая система 2 система машинного перевода
3 система программирования на JAVA 4 система RAD-программирования
5 OCR-система
6 система учета товаров на складе 7 графический редактор
8 система расчета зарплаты
9 программа обнаружения на аэрофотоснимке искусственных объектов
Вопрос №10
Кто является автором идеи фреймов? Варианты ответов:
1 Дж. Маккарти 2 М. Мински
3 Н. Винер
4 Мак-Каллок
Вопрос №11
Кто является автором языка программирования LISP? Варианты ответов:
1 М. Мински
2 Н. Винер
3 Фон Нейман
4 Дж. Маккартни
5 Н. Амосов
Вопрос №12
Кто является автором идеи теста на интеллектуальность системы искусст-венного интеллекта?
Варианты ответов: 1 Н. Винер
2 Тьюринг
3 К. Шеннон
4 Фон Нейман
Вопрос №13
Какой язык программирования из нижеперечисленных является языком ло-гического программирования?
Варианты ответов: 1 Lisp
2 Prolog 3 C++
4 Pascal
Вопрос №14
Какой из нижеперечисленных языков программирования базируется на ло-гике предикатов 1-го порядка?
Варианты ответов: 1 Lisp
2 Prolog 3 Pascal
4 Smalltalk
Вопрос №15
Что лежит в основе решения задачи системой искусственного интеллекта? Варианты ответов:
1 Вычисления
2
3
4
5
Индексный поиск
Поиск данных
Поиск релевантных знаний
Трансляция
Тест 2: Методы представления знаний.
Вопрос №1
Какие языки программирования можно отнести к языкам инженерии знаний? Варианты ответов:
1 С
2
3
4
5
6
7
8
9
С++
Pascal
Prolog
Lisp
SmallTalk
Cobol
Basic
Java
Вопрос №2
Какой метод представления знаний реализован в языке программирования Prolog?
Варианты ответов: 1 Фреймы
2 Семантические сети
3
4
5
6
Логика предикатов 1-го порядка
Логика предикатов 2-го порядка
Модальная логика
Псевдофизическая логика
Вопрос №3
К какому классу методов представления знаний можно отнести правила-продукции?
Варианты ответов:
1 Логические методы
2 Эвристические методы
3 И то и другое
Вопрос №4
Какой метод представления знаний наиболее подходит для представления следующего знания, выраженного на
естественном языке "робот находится недалеко от контейнера с деталями"?
Варианты ответов:
1
2
3
4
5
Семантческие сети
Фреймы
Пространственная логика
Временная логика
Логика предикатов 1-го порядка
Вопрос №6
Какой из перечисленных методов обработки знаний не является методом решения задач в экспертных системах?
Варианты ответов:
1 Дедуктивный обратный логический вывод
2 Дедуктивный прямой логический вывод
3 Индуктивный логический вывод
Вопрос №8
Какой метод представления знаний лежит в основе языка программирования Prolog?
Варианты ответов:
1 Семантические сети
2 Логика предикатов 1-го порядка
3 Модальная логика
4 Правила-продукции
5 Логика предикатов высших порядков
Вопрос №9
Какое высказывание может представлять предикат языка Prolog parent("Иванов И. И.", "Сидоров А.С.")?
Варианты ответов:
1 "Иванов И.И. и Сидоров А.С - родственники".
2 "Иванов И.И. является родителем Сидорова А.С."
3 "Иванов И.И. является отцом Сидорова А.С."
Вопрос №10
Какой вид знаний отсутствует в явном виде в семантической сети? Варианты ответов:
1 Декларативные 2 Процедурные
Вопрос №11
Какие диапозоны значений могут использоваться для коэффициента досто-верности правила-продукции в какойлибо экспертной системе?
Варианты ответов:
1 От 0 до 1
2 От -1 до 1
3 От 0 до 100
4 От 1 до 2
5 От "минус бесконечности" до "плюс бесконечности"
Вопрос №12
Какое из ниже перечисленных правил может привести к решению задачи в системе ESWin при задании цели "Метод
представления знаний"?
1. RULE 1
EQ( Задача.Область применения; Медицина ) И EQ( Задача.Задача; Диагностика )
DO
EQ( Метод представления знаний; Правила-продукции с представлением нечетких знаний) 70
ENDR 2. RULE 2
EQ( Задача.Область применения; Управление финансами ) И EQ( Задача.Задача; Анализ данных )
DO
EQ( Метод; Регрессионный анализ) 90 ENDR
Варианты ответов: 1 1
2 2
Вопрос №13
Какой метод логического вывода лучше использовать для генерирования ги-потез?
Варианты ответов: 1 Прямой
2 Обратный
Вопрос №14
Если при решении задачи экспертной системой требуется много фактов, не известных заранее, а получаемых в
процессе диалога с пользователем, какой метод логического вывода лучше использовать?
Варианты ответов: 1 Прямой
2 Обратный
Вопрос №15
Какие предикаты обычно используются для представления свойств объек-тов?
Варианты ответов: 1 Одноместные 2 Двухместные
3 Многоместные
Тест 3: Нейронные сети (общие понятия).
Вопрос №1
Какая из перечисленных моделей нейронных сетей описывается полносвязным неориентированным графом?
Варианты ответов:
1 Многослойный перцептрон
2 Модель ART Гроссберга-Карпентера
3 Модель Хопфилда
4 Сеть Кохонена
Вопрос №2
Что такое "энергетическая функция" нейронной сети? Варианты ответов:
1 Целевая функция, оценивающая состояние нейронной сети
2 Функция оценки энергии, аккумулированной в сети и необходимой для решения задачи
3 Функция, для вычисления которой предназначена нейронная сеть
Вопрос №3
Где хранится информация в нейронной сети при рассмотрении ее с позиций коннекционизма?
Варианты ответов:
1 В порогах нейронов
2 В весах связей между нейронами
3 В памяти нейроподобных элементов
4 В памяти компьютера, связанного с нейронной сетью
Вопрос №4
Чем принципиально отличается функционирование нейронной сети как механизма хранения знаний от других
методов представления (хранения) знаний, рассматриваемых в инженерии знаний?
Варианты ответов:
1 Наличием параллелизма обработки знаний
2 Тем, что знания не надо формализовать (описывать) при их запоминании 3 Тем, что хранимые знания трудно
визуализировать
4 Тем, что знания представляются на входе сети в виде чисел
Вопрос №5
Какую из ниже перечисленных моделей нейронных сетей можно назвать самообучаемой сетью (обучаемой без
учителя)?
Варианты ответов:
1 Модель Хопфилда
2 Многослойный перцептрон с обучением обратным распространением ошибки
3 Модель Гроссберга (ART) 4 Модель Кохонена
Вопрос №6
Почему функционирование нейронной сети является решением задачи оптимизации?.
Потому что в процессе функционирования сети: Варианты ответов:
1 Минимизируется энергетическая функция
2 Минимизируюется количество активных нейронов
3 Максимизируется вероятность правильного ответа сети
Вопрос №7
Моделированию какого из нижеперечисленных понятий соответствует искусственная нейронная сеть?
Варианты ответов:
1
2
3
4
5
6
Вербальное мышление
Сознание
Образное мышление
Сверхсознание
Метазнания
Нейролингвистическое программирование
Вопрос №8
Какой главный недостаток нейронных сетей?
Варианты ответов:
1 Отсутствие логики в работе
2 Отсутсвие четкого алгоритма принятия решений
3 Отсутствие возможности объяснить принятие решений сетью
4 Неоднозначность в принятии решений сетью
Вопрос №9
Какое главное достоинство применения нейронных сетей ?
Варианты ответов:
1 Не надо формализовывать процедуры принятия решений сетью
2 Можно распараллелить процесс функционирования сети
3 Можно обрабатывать сигналы нейронной сетью
4 Возможность решения задач в условиях помех
Вопрос №10
Что является результатом обучения нейронных сетей при коннекционистском подходе?
Варианты ответов:
1
2
3
4
Изменение весов связей между нейронами
Изменение порогов нейронов
Появление новых нейронов и связей между ними
Изменение яуекций активации нейронов
Вопрос №11
Какое из перечисленных ниже применений является несвойственным для нейронных сетей (в настоящее время)?
Варианты ответов:
1
2
3
4
5
Диагностика в медицине
Решение шахматных задач
Анализ и синтез речи
Распознавание образов
Предсказание курса акций
Вопрос №12
Какая из нижеперечисленных особенностей искусственных нейронных сетей делает их потенциально
конкурентоспособными по сравнению с естественным человеческим мозгом?
Варианты ответов:
1
2
3
4
Отсутствие необходимости платить зарплату
Отсутсвие ограничений на размерность решаемой задачи
Отсутствие страха перед сложными задачами
Отсутствие апломба и претензий к работодателю
Вопрос №13
В чем выражается емкость нейронной сети? Варианты ответов:
1 В литрах
2 В кубических сантиметрах
3 В количестве нейронов
4 В количестве запомненных сетью образов
5 В количестве примеров, предъявленных сети в процессе обучения
Вопрос №14
Что является наиболее трудоемкой задачей при применении нейронных сетей?
Варианты ответов:
1 Постановка задачи и подготовка исходных данных
2 Обучение сети
3 Интерпретация ответа нейронной сети
Вопрос №15
Какая из нижеперечисленных передаточных функций (функций активации) не используется в моделях нейронных
сетей?
Варианты ответов: 1 Пороговая
2 Рациональная сигмоида
3
4
5
6
Тангенциальная сигмоида
Гиперболическая функция
Гиперболический тангенс
Экпоненциальная сигмоида
4.2 Итоговый контроль.
Вопросы к зачету:
1.
История развития систем ИИ.
2.
Основные направления исследований в ИИ.
3.
Базовые понятия ИИ (интеллект, мышление, искусственный интеллект, знания, данные, классификация знаний,
алгоритм, интеллектуальная задача)
4.
Философские аспекты проблемы систем ИИ.
5.
Различные подходы к построению систем ИИ (логический, структурный, эволюционный, имитационный).
6.
Вспомогательные системы и их место в системах ИИ.
8.
Понятие образа. Обучение распознаванию образов.
9.
Геометрический и структурный подходы к обучению распознаванию образов.
10.
Гипотеза компактности. Абстрактные образы.
11.
Обучение, и адаптация. Методы обучения распознаванию образов.
12.
Основные задачи построения систем распознавания образов.
13.
Классификация систем распознавания образов.
14.
Функциональные особенности искусственных нейронных сетей.
15.
Структура технического нейрона. Перцептрон.
16.
Искусственные нейронные сети прямого распространения.
17.
Рекуррентные искусственные нейронные сети: сети Хопфилда.
18.
Рекуррентные искусственные нейронные сети: сети Хэмминга.
19.
Рекуррентные искусственные нейронные сети: сети ДАП.
20.
Рекуррентные искусственные нейронные сети: карты Кохонена.
21.
Обучение искусственных нейронных сетей: обучение с учителем. Алгоритм обратного распространения ошибки.
22.
Обучение искусственных нейронных сетей: обучение без учителя. Сигнальный метод Хебба, алгоритм
Кохонена, обучение методом соревнования.
23.
Рекуррентные искусственные нейронные сети. НС Хопфилда и Хэмминга.
24.
Клеточные автоматы, эластичные нейронные сети.
25.
Метод потенциальных функций.
26.
Метод группового учета аргументов.
27.
Метод предельных упрощений.
28.
Коллективы решающих правил.
29.
30.
31.
32.
33.
34.
35.
36.
37.
38.
Методы и алгоритмы анализа структуры многомерных данных.
Логический подход к построению систем ИИ. Представление в компьютере неформальных процедур. Языки
логического программирования. Элементы нечеткой логики.
Методы перебора как универсальные методы поиска решений. Методы ускорения перебора.
Эволюционные методы поиска решений: МГУА, ГА.
Автоматический синтез технических решений. Поиск оптимальных структур.
Алгоритм поиска глобального экстремума.
Алгоритм конкурирующих точек как метод глобального поиска.
Алгоритм случайного поиска в подпространствах как метод поиска локального экстремума.
Экспертные системы. Базовые понятия. Методика построения.
Автоматизированный синтез физических принципов действия. Фонд физико-технических эффектов. Синтез
физических принципов действия по заданной физической операции.
Контрольные задания
для оценки знаний, умений, владений в целях контроля уровня сформированности компетенций
Знать, уметь, владеть
1
Содержание
учебного
материала
(тема, раздел,
модуль)
2
З.ПК-6
Модуль 1
У.ПК-6
Модуль 1
В.ПК-6
Модуль 1
З. ПК-12
Модуль 2
У. ПК-12
Модуль 2
Контрольные вопросы и
компетентностноориентированные
задания
3
ПК-6
1.
История развития систем
ИИ.
2.
Основные направления
исследований в ИИ.
3.
Базовые понятия ИИ
(интеллект,
мышление,
искусственный
интеллект,
знания, данные, классификация
знаний,
алгоритм,
интеллектуальная задача)
1.
Философские
аспекты
проблемы систем ИИ.
2.
Различные подходы к
построению
систем
ИИ
(логический,
структурный,
эволюционный,
имитационный).
1.
Вспомогательные
системы и их место в системах
ИИ.
2.
Понятие
образа.
Обучение
распознаванию
образов.
3.
Геометрический
и
структурный
подходы
к
обучению
распознаванию
образов.
ПК-12
1.
Гипотеза компактности.
Абстрактные образы.
2.
Обучение, и адаптация.
Методы обучения распознаванию
образов.
3.
Основные
задачи
построения
систем
распознавания образов.
1.
Классификация систем
распознавания образов.
2.
Функциональные
особенности
искусственных
нейронных сетей.
3.
Структура технического
Методы и
средства
контроля
(код)
Колво
вариантов
4
КВЗ
2
КВЗ
2
КВЗ
2
КВЗ
2
КВЗ
2
В. ПК-12
Модуль 2
З.ПК-15
Модуль 2
У.ПК-15
Модуль 2
В.ПК-15
Модуль 2
З.ПК-16
Модуль 3
У.ПК-16
Модуль 3
В.ПК-16
Модуль 3
нейрона. Перцептрон.
1.
Искусственные
нейронные
сети
прямого
распространения.
2.
Рекуррентные
искусственные нейронные сети:
сети Хопфилда.
3.
Рекуррентные
искусственные нейронные сети:
сети Хэмминга.
ПК-15
1.
Рекуррентные
искусственные нейронные сети:
сети ДАП.
2.
Рекуррентные
искусственные нейронные сети:
карты Кохонена.
3.
Обучение искусственных
нейронных сетей: обучение с
учителем. Алгоритм обратного
распространения ошибки.
1.
Обучение искусственных
нейронных сетей: обучение без
учителя.
Сигнальный
метод
Хебба, алгоритм
Кохонена,
обучение методом соревнования.
2.
Рекуррентные
искусственные нейронные сети.
НС Хопфилда и Хэмминга.
3.
Клеточные
автоматы,
эластичные нейронные сети.
1.
Метод
потенциальных
функций.
2.
Метод группового учета
аргументов.
3.
Метод
предельных
упрощений.
4.
Коллективы решающих
правил.
5.
Методы и алгоритмы
анализа структуры многомерных
данных.
ПК-16
1.
Логический подход к
построению
систем
ИИ.
Представление в компьютере
неформальных процедур. Языки
логического программирования.
Элементы нечеткой логики.
2.
Методы перебора как
универсальные методы поиска
решений. Методы ускорения
перебора.
3.
Эволюционные методы
поиска решений: МГУА, ГА.
1.
Автоматический синтез
технических решений. Поиск
оптимальных структур.
2.
Алгоритм
поиска
глобального экстремума.
3.
Алгоритм
конкурирующих точек как метод
глобального поиска.
1.
Алгоритм
случайного
поиска в подпространствах как
метод
поиска
локального
КВЗ
2
КВЗ
2
КВЗ
2
КВЗ
2
КВЗ
2
КВЗ
2
КВЗ
2
экстремума.
2.
Экспертные
системы.
Базовые
понятия.
Методика
построения.
3.
Автоматизированный
синтез физических принципов
действия.
Фонд
физикотехнических эффектов. Синтез
физических принципов действия
по
заданной
физической
операции.
Критерии оценивания:
- оценка «зачтено» выставляется, если верные ответы даны на 80% вопросов
- оценка «не зачтено» выставляется, если верные ответы даны менее, чем на 80% вопросов.
5.
Дополнения и изменения в рабочей программе на _______/_______ учебный год
Следующие записи относятся к п.п.
Автор
Зав. кафедрой
Принято УМУ__________________________________ Дата:_____________________