- •1.Психология и математика.
- •2. Генеральная совокупность и выборка.
- •3. Измерение. Шкалы измерения.
- •4. Таблицы и графики.
- •Статистические ряды
- •5. Первичные описательные статистики.
- •6. Нормальный закон распределения и его применение.
- •7. Статистические гипотезы и критерии.
- •8. Статистическое решение и вероятность ошибки.
- •Билет 10 Классификация задач и методов их решения
- •Билет 11 Параметрический критерий различий и сдвигов: т - Критерий Стьюдента
- •Билет 12 Непараметрические методы. Поиск критерия, адекватного задаче исследования.
- •Билет 14 оценка достоверности сдвига в значениях исследуемого признака
- •Билет 15 Выявление различий в распределении признака.
- •Билет 16 Многофункциональные статистические критерии
- •18Вопрос: Регрессионный анализ.
- •19Вопрос:Дисперсионный анализ.
- •20. Назначеные и классификация многомерных методов.
- •22.Дискриминантный анализ.
- •24. Кластерный анализ.
- •25. Моделирование психических процессов и поведения.
- •Детерминированные модели. Модели рефлексии.
- •«Формула человека» в.Лефевра.
- •Модели теории графов и геометрическое моделирование.
- •Кластерный анализ (ка).
- •Многомерное шкалирование (мш).
- •Стохастические модели. Вероятностные модели. Модели с латентными переменными.
- •Модели факторного анализа (фа).
- •Метод главных компонент.
- •Конфирматорный факторный анализ.
- •Модель латентных классов.
- •Модели научения.
- •Модели принятия решения.
- •Теория принятия решений.
- •Теория полезности.
- •Теория игр.
- •Динамическое программирование. Модели целенаправленного поведения.
- •Модели научения.
- •Модели интеллекта.
- •Перцептронные модели.
- •Моделирование естественного языка.
- •Нетрадиционные методы моделирования. Моделирование на «размытых» множествах.
- •Синергетика в психологии.
- •26. Теории искусственного интеллекта
Перцептронные модели.
Перцептрон возник как система, предназначенная для решения задач распознавания образов (М.Минский, С.Пейперс, 1971). Идея создания перцептрона принадлежит Ф.Розенблатту (1965). Изучением данного типа моделей занималось много исследователей (Ф.Розенблатт, 1965; С.Пейперс, М.Минский, 1970; О.Селфридж, Н.Нельсон, 1969; В.Якубович, 1966). Наибольшее эмпирическое подкрепление эти модели получают в психофизиологии, например, - рефлекторная дуга Е.Соколова (1981). Одной из наиболее известных моделей, основанных на понятии перцептрона, является система «Пандемониум»,предложенная О.Селфериджем (1974). Модели такого класса позволили выделитьтипы научения. Перцептронные модели поведенчески эквивалентны автоматным моделям, но дают возможность представить механизм связи и её модификации при научении между ситуациями и ответными реакциями.
Моделирование естественного языка.
В.В.Налимов разработал вероятностную модель языка с помощью моделирования смысла слов. С каждым словом вероятностным образом связывается множество смыслов. Смысловые значения служат функцией распределения для индивида или однородной группы. В результате формируется модель понимания индивидом некоторого текста. В этих моделях используется традиционный аппарат теории вероятностей (Налимов, 1971).
В области ИИ на рубеже тысячелетия так же, как и во многих других науках происходит смена парадигм.
В девяностых годах определились новые парадигмы в ИИ.
Первая– создание теории однородных сред, элементами которых являются устройства, подобные нейронам.
Вторая– компьютерная графика, помогающая решать задачи с помощью образного мышления. Когнитивная интерактивная компьютерная графика является средством воздействия на правополушарное мышление человека в процессе научного творчества.
Третья– специалисты различных направлений в области ИИ считают важным развитие работ, касающихся представлений знаний и манипулирования ими (экспертные системы).
Нетрадиционные методы моделирования. Моделирование на «размытых» множествах.
Нетрадиционный подход к моделированию связан с приписыванием элементу некоторой числовой оценки, которая не может объясняться объективной или субъективной вероятностью, а трактуется как степень принадлежности элемента к тому или иному множеству. Множество таких элементов называется «нечётким»или«размытым» множеством.
Каждое слово xестественного языка можно рассматривать как сжатое описание нечёткого подмножестваM(x)полного множества области рассужденийU, гдеM(x)есть значениеx. В этом смысле весь язык как целое рассматривается в качестве системы, в соответствии с которым нечётким подмножествам множестваUприписываются элементарные или составные символы (т.е. слова, группы слов и предложения). Так, цвет объектакак некоторую переменную, значения этой переменной (красный, синий, жёлтый, зелёный и т.д.) можно интерпретировать как символы нечётких подмножеств полного множества всех объектов. В этом смысле цвет является нечёткой переменной, то есть переменной, значениями которой являются символы нечётких множеств. Если значения переменных – это предложения в некотором специальном языке, то в данном случае соответствующие переменные называютсялингвистическими(Л.Заде, Ю.Шрейдер).