- •Часть 1. Введение в искусственный интеллект §1. История развития искусственного интеллекта как науки Определение искусственного интеллекта
- •История развития искусственного интеллекта
- •Задачи искусственного интеллекта
- •Тест по теме «История развития искусственного интеллекта»
- •Литература по теме «История развития искусственного интеллекта»
- •§2. Направления и подходы к исследованиям в области искусственного интеллекта Основные подходы к исследованию искусственного интеллекта
- •Основные направления исследований в области искусственного интеллекта
- •Тест по теме «Направления и подходы к исследованиям в области искусственного интеллекта»
- •Литература по теме «Направления и подходы к исследованиям в области искусственного интеллекта»
- •§3. Классификация интеллектуальных информационных систем Определение интеллектуальной информационной системы
- •Классификация интеллектуальных систем
- •Тест по теме «Классификация интеллектуальных информационных систем»
- •Литература по теме «Классификация интеллектуальных информационных систем»
- •Часть 2. Основы теории искусственного интеллекта §1. Представление знаний Данные и знания
- •Классификация моделей представления знаний
- •Тест по теме «Представление знаний»
- •Литература по теме «Представление знаний»
- •§2. Нейронные сети
- •Классификация искусственных нейронных сетей
- •Однослойные искусственные нейронные сети
- •Многослойные нейронные сети
- •Задачи, решаемые нейронными сетями
- •Тест по теме «Нейронные сети»
- •Литература по теме «Нейронные сети»
- •§3. Эволюционное моделирование
- •Генетические алгоритмы
- •Виды генетических алгоритмов
- •Тест по теме «Эволюционное моделирование»
- •Литература по теме «Эволюционное моделирование»
- •§4. Нечеткие множества и нечеткая логика
- •Теория нечетких множеств
- •Нечеткая логика
- •Тест по теме «Нечеткие множества и нечеткая логика»
- •Литература по теме «Нечеткие множества и нечеткая логика»
- •Часть 3. Интеллектуальные информационные системы §1. Экспертные системы
- •Модель экспертных систем
- •Классификация экспертных систем и оболочек экспертных систем
- •Средства разработки экспертных систем
- •Тест по теме «Экспертные системы»
- •Литература по теме «Экспертные системы»
- •§2. Системы поддержки принятия решений
- •Структура систем поддержки принятия решений
- •Классификация систем поддержки принятия решений
- •Тест по теме «Системы поддержки принятия решений»
- •Литература по теме «Системы поддержки принятия решений»
- •Глоссарий Основные определения по теме «История развития искусственного интеллекта»
- •Основные определения по теме «Направления исследований в области искусственного интеллекта»
- •Основные определения по теме «Представление знаний»
- •Основные определения по теме «Нейронные сети»
- •Основные определения по теме «Эволюционное моделирование»
- •Основные определения по теме «Нечеткие множества и нечеткая логика»
- •Основные определения по теме «Экспертные системы»
- •Основные определения по теме «Системы поддержки принятия решений»
- •Рекомендованная литература
- •А.А. Смагин, с.В. Липатова, а.С. Мельниченко интеллектуальные информационные системы Учебное пособие
- •432000, Г. Ульяновск, ул. Л. Толстого, 42
Задачи, решаемые нейронными сетями
-
Классификация образов. Задача состоит в определении принадлежности входного образа (например, языкового сигнала или рукописного символа), представленного вектором признаков, к одному или нескольким предварительно определенным классам. К известным приложениям относятся распознавание букв, распознавание языка, классификация сигнала электрокардиограммы, классификация клеток крови.
-
Кластеризация/категоризация. При решении задачи кластеризации обучающее множество не имеет меток классов. Алгоритм кластеризации основан на подобии образов и помещает похожие образы в один кластер. Известны случаи применения кластеризации для добычи знаний, сжатия данных и исследования свойств данных.
-
Аппроксимация функций. Предположим, что есть обучающая выборка ((x1,y1), (x2,y2), ..., (xn,yn)) (пары данных вход-выход), которая генерируется неизвестной функцией F, искаженной шумом. Задача аппроксимации состоит в нахождении неизвестной функции F. Аппроксимация функций необходима при решении многочисленных инженерных и научных задач моделирования.
-
Предвидение/прогноз. Пусть заданы n дискретных отсчетов {y(t1), y(t2), ..., y(tn)} в последовательные моменты времени t1, t2, ..., tn. Задача состоит в предвидении значения y(tn+1) в следующий момент времени tn+1. Предвидение/прогноз имеют большое значение для принятия решений в бизнесе, науке и технике (предвидение цен на фондовой бирже, прогноз погоды).
-
Оптимизация. Многочисленные проблемы в математике, статистике, технике, науке, медицине и экономике могут рассматриваться как проблемы оптимизации. Задачей алгоритма оптимизации является нахождение такого решения, которое удовлетворяет системе ограничений и максимизирует или минимизирует целевую функцию.
-
Память, адресуемая по содержанию. В традиционных компьютерах обращение к памяти доступно только с помощью адреса, не зависящего от содержания памяти. Более того, если допущена ошибка в вычислении адреса, то может быть найдена совсем другая информация. Ассоциативная память или память, адресуемая по смыслу, доступна по указанию заданного содержания. Содержимое памяти может быть вызвано даже по частичному входу или при поврежденном содержании. Ассоциативная память может быть использована в мультимедийних информационных базах данных.
-
Управление. Рассмотрим динамическую систему, заданную совокупностью {u(t), y(t)}, где u(t) – входное управляющее воздействие, а y(t) – выход системы в момент времени t. В системах управления с эталонной моделью целью управления является расчет такого входного воздействия u(t), при котором система действует по желательной траектории, заданной эталонной моделью. Примером является оптимальное управление двигателем.
Тест по теме «Нейронные сети»
-
Кто разработал первый нейрокомпьютер?
a) У. Маккалок
b) М. Минский
c) Ф. Розенблатт
d) нет правильного ответа
-
Какие задачи не решают нейронные сети?
a) классификации
b) аппроксимации
c) памяти, адресуемой по содержанию
d) маршрутизации
e) управления
f) кодирования
-
Какую функцию не может решить однослойная нейронная сеть?
a) логическое «не»
b) суммирование
c) логическое «исключающее или»
d) произведение
e) логическое «или»
4. Что из нижеперечисленного относится к персептрону?
a) однослойная нейронная сеть
b) нейронная сеть прямого распространения
c) многослойная нейронная сеть
d) нейронная сеть с обратными связями
e) создан Ф. Розенблаттом
f) создан У. Маккалоком и В. Питтом
5. Кто написал книгу «Персептроны»?
a) У. Маккалок и В. Питт
b) М. Минский и С. Паперт
c) Ф. Розенблатт
6. Какую нейронную сеть обучают с помощью дельта-правила?
a) однослойную нейронную сеть
b) нейронную сеть прямого распространения
c) нейронную сеть с обратными связями
d) сеть Хопфилда
e) нет правильного ответа
7. Какую нейронную сеть обучают с помощью алгоритма обратного распространения ошибки?
a) однослойную нейронную сеть
b) многослойную нейронную сеть прямого распространения
c) многослойную нейронную сеть с обратными связями
d) нет правильного ответа
8. Какие из перечисленных сетей являются рекуррентными?
a) персептрон
b) сеть Хопфилда
c) сеть радиальных базисных функций
d) нет правильного ответа