Cистемы искусственного интеллекта



Скачать 71.76 Kb.
Дата22.05.2016
Размер71.76 Kb.
ТипСамостоятельная работа






Cистемы искусственного интеллекта

(Название дисциплины; индекс(ы) дисциплины в учебном(ых) плане(ах) для которых читается дисциплина.


Для УМКД, предназначенных одновременно для нескольких направлений или специальностей указываются все их коды.)

Кафедра ЭИУ-2


(сокращенное название обеспечивающей кафедры)

Профессор, д.т.н., Комарцова Людмила Георгиевна, тел. 58-04-60

Зав. кафедрой ЭИУ2-КФ, доцент, к.т.н. Максимов А.В.


(Должность, ученая степень, Ф.И.О. разработчиков УМК, контактные телефоны, адрес электронной почты разработчика - при ее наличии)

Виды и объем занятий по дисциплине


Виды занятий

Объём занятий, час

Всего

8 семестр




Лекции

34

34

-

Семинары

-

-

-

Лабораторные работы

17

17




Самостоятельная работа

17

17

-

Итого:

68







Проверка знаний:




Экзамен



(Общая трудоемкость дисциплины в часах по семестрам, с перечислением всех видов занятий и соответствующего количества часов по учебному плану направления или специальности; форма отчетности по семестрам - экзамен, зачет, дифф. зачет)




Цель – планируемые результаты изучения дисциплины:

Студент должен знать:

  • методы формализации предметной области и создания онтологий;

  • способы представления знаний;

  • типы экспертных систем;

  • дедуктивные и индуктивные способы вывода новых знаний;

  • методы инженерии знаний для построения экспертных систем в заданной предметной области;

  • классические и эвристические методы поиска решений в информационных средах;

  • методы интеллектуального анализа и извлечения информации из данных;

  • методы создания программного инструментария для поддержки функционирования человеко-машинных систем;

  • принципы, методы и средства системного анализа и принятия решений;

  • основные методы классификации и кластеризации;

  • методы и инструментальные средства исследования, моделирования и проектирования интеллектуальных систем;

  • основы построения и использования нечетких систем;

  • методы эволюционного моделирования;

  • методы и стратегии эвристического поиска.

Студент должен уметь:

  • формулировать проблемы актуализации процессов поддержки принятия решений в проектировании, моделировании, управленческой деятельности;

  • создавать и анализировать модели, идентифицирующие конкретную решаемую проблему на языке логического или функционального программирования;

  • разрабатывать методы и программные модели отдельных логических модулей при решении задач классификации и распознавания;

  • создавать базу знаний заданной предметной области;

  • разрабатывать экспертные системы для решения конкретной прикладной задачи;

  • использовать метод резолюций для получения новых знаний;

  • разрабатывать комбинированные модели на основе логических, эволюционных и нечетких информационных технологий в рамках единой системы поддержки принятия решений для повышения эффективности ее функционирования;

  • реализовывать разработанные алгоритмы в заданной инструментальной среде, используя современные технологи и Case-средства.

Студент должен получить навыки:


  • самостоятельной работы с ГОСТами, учебной и справочной литературой;

  • использования методов инженерии знаний для решения задач диагностики, проектирования, мониторинга, планирования, прогнозирования, обучения в различных предметных областях знаний;

  • анализа, описания и проектирования человеко-машинного взаимодействия с экспертной системой, владения инструментальными средствами разработки пользовательских интерфейсов;

  • решения трудноформализуемых и неформализуемых задач в условиях неполной информации о проблеме с помощью методов и средств нечеткой логики;

  • решения оптимизационных задач на основе использования алгоритмов глобальной оптимизации (генетических алгоритмов, имитации отжига, комбинированных подходов), анализа, описания, и проектирования человеко-машинного взаимодействия, владения инструментальными средствами разработки пользовательского интерфейса для моделирования интеллектуальных систем.








Место дисциплины в образовательной программе

1. Предшествующие дисциплины

(Приводится перечень дисциплин с указанием разделов (тем), усвоение которых студентами необходимо для изучения данной дисциплины.)



  • Математическая логика и теория алгоритмов;

  • Теория автоматов;

  • Дискретная математика;

  • Методы оптимизации;


2. Является основой для дисциплин:

(использование дисциплины в последующем образовательном процессе)



  • Нейрокомпьютеры

  • Теория принятия решений

  • Информационные системы

  • Дисциплины специализации



3. Структура и ключевые понятия дисциплины:

  1. Формальные системы: использование формальной логики для решения задач. Определение формальной системы. Разрешимость и интерпретация формальных систем. Исчисление высказываний (ИВ). Аксиоматизации ИВ. Исчисление предикатов первого порядка как язык для решения задач. Кванторы всеобщности и существования. Универсум Эрбрана. Вывод на семантическом дереве. Унификация. Метод резолюций. Доказательство теорем в исчислении предикатов. Построение графа опровержения и графа извлечения ответа. Методы поиска доказательства в исчислении предикатов. Стратегии перебора, упрощения, очищения, упорядочения. Модельные стратегии. Языки логического и функционального программирования.

  2. Классические методы решения задач: примеры "хороших" алгоритмов (полиномиальные алгоритмы). Классификация задач по степени сложности. Класс NP: недетерминированные полиномиальные задачи. Класс NP -полных задач.

  3. Представление задач в пространстве состояний: описание состояний. Операторы. Целевые состояния. Некоторые примеры представления задач: задача о коммивояжере, задача о ханойской башне, задача синтаксического анализа. Методы поиска решений в пространстве состояний. Процессы поиска на графе. Критерии качества работы методов перебора. Методы полного перебора. Метод поиска в глубину, в ширину, с предпочтением. Оптимальный алгоритм перебора. Представления, допускающие сведение задач к подзадачам. И-ИЛИ -графы. Механизмы планирования при сведении задач к подзадачам. Стоимость деревьев решений. Альфа-бета процедура. Комбинированные альфа-бета процедуры и процедуры упорядочения. Повышение эффективности методов перебора, основанных на минимаксе. Примеры интеллектуальных программ.

  4. Системы, основанные на знаниях: введение в экспертные системы (ЭС). Структура ЭС. Основные способы представления знаний. Сравнение декларативного и процедурного подходов. Логическая модель представления знаний. Вывод на логической модели. Семантические сети. Вывод на семантических сетях. Фреймы. Особенности фреймового представления. Вывод на фреймах. Продукционные модели. Вывод на продукциях. Дедуктивный и индуктивный вывод в СИИ. Смешанные модели представления знаний. Теоретические аспекты инженерии знаний. Стратегии получения знаний. Извлечение и структурирование знаний. Технологии инженерии знаний. Состояние и методы автоматизированного приобретения знаний. Управление знаниями. Языки представления знаний. Этапы разработки ЭС. Критерии оценки качества ЭС. Программный инструментарий разработки ЭС. Примеры реализации ЭС. Представление данных и знаний в Internet. Интеллектуальные Internet - технологии. Программные агенты и мультиагентные системы. Информационный поиск данных в среде Internet.

  5. Нечеткий логический вывод: теория нечетких и приближенных рассуждений. Дедуктивный вывод на основе байесовского подхода. Форматы представления знаний. Пример реализации ЭС. Элементы нечеткой математики. Лингвистическая переменная. Функция принадлежности. Композиционный вывод в нечеткой базе знаний. Способы реализации нечеткого вывода. Пример реализации ЭС.

  6. Эволюционные системы и генетические алгоритмы: Принципы эволюции и развития биологических организмов в природе. Моделирование естественного отбора в генетических алгоритмах. Суть генетического алгоритма (ГА). Формирование популяции. Классификация генетических операторов. Селекция решений. Способы отбора решений в популяцию. Кодирование потенциальных решений. Теорема схем в генетическом алгоритме. Использование ГА для решения задач оптимизации в системах поддержки принятия решений.

(основные модули дисциплины и ее ключевые понятия в соответствии с образовательным стандартом)



Каталог: images
images -> Элективный курс по английскому языку с естественно-научной направленностью young scientists
images -> Калимуллиной Ирины Назимовны 2013-2014 учебный год пояснительная записка рабочая программа
images -> Программы
images -> Наркотики и дети. Часть 1
images -> Личность подростка формируется не сама по себе, а в окружающей его среде. Особенно важна роль малых групп, в которых подросток взаимодействует с другими людьми
images -> Агрессивное поведение дошкольников и его преодоление
images -> Практические рекомендации родителям и педагогам, как правильно вести себя
images -> Особенности детей младшего школьного возраста с недостатками в интеллектуальном развитии
images -> Проблемы современного школьника


Поделитесь с Вашими друзьями:


База данных защищена авторским правом ©dogmon.org 2017
обратиться к администрации

    Главная страница