Исскуственый Интеллект

Экзаменационные билеты по курсу: “Системы искусственного интеллекта (ИИ)”.
К9-171,2, Лисенков Иван Александрович, осень 2004

1. Архитектура и основные составные части систем ИИ
2. Различные подходы к построению систем ИИ (логический, структурный, эволюционный, имитационный)
3. Биологический нейрон и механизм его функционирования.
4. Кибренетическая модель нейрона Маккалока и Пиитса.
5. Характеристики нейронных сетей. Виды и классификация
6. История развития теории нейронных сетей.
7. Персептрон Розенблатта.
8. Обучение персептрона Розенблатта.
9. Линейная разделимость множеств
10. Многослойные нейронные сети(МНС).
11. Задача обучения НС как задача многофакторной оптимизации.
12. Обучение МНС методом обратного распространения ошибок.
13. Оптимизация размеров МНС. Ошибка аппроксимации(Eapprox) и ошибка связаная со сложностью модели(Ecomplex).
14. Валидация обучения. Адаптивная оптимизация архитектуры сети (Ранняя остановка обучения)
15. Адаптивная оптимизация архитектуры сети (Прореживание связей)
16. Адаптивная оптимизация архитектуры сети (Поэтапное наращивание сети)
17. НС Кохонена
18. НС MAXNET
19. НС Хемминга
20. Сети ART
21. Основные характеристики нечетких множеств.Методы построения и понятие функции принадлежности нечетких множеств.
22. Основные характеристики нечетких множеств. Примеры нечетких множеств.
23. Основные операции над нечеткими множествами.
24. Операции над нечеткими множествами. Наглядное представление операций.
25. Операции над нечеткими множествами. Свойства операций З и И.
26. Операции CON, DIL, умножение на число.
27. Нечеткая и лингвистическая переменные. Пример
28. Общая структура нечеткого микроконтроллера. Пример.
29. Принцип работы микроконтроллера Mamdani. Пример.
30. Машинная эволюция. Основные понятия генетических алгоритмов(ГА).
31. Основные операторы ГА (селекция, скрещивание, мутация)
32. Описание генетичекого алгоритма. Эффективность по сравнению с полным перебором и локальной оптимизацией.