- •Многокритериальное пр. Качественный и количественный анализ. Пространственные модели.
- •Пр в условиях неопределенности. Парадигма анализа решений. Деревья решений.
- •Теория полезности. Принцип максимальной ожидаемой полезности. Методы прямого построения функции полезности
- •Теория полезности. Основные свойства функции полезности. Учет отношения к риску в функции полезности.
- •Теория полезности. Обоснование s- образности кривой полезности.
- •Теория полезности. Определение отношения к риску на основе понятия детерминированного эквивалента.
- •Определение детерминированного эквивалента. Детерминированный эквивалент для выпуклой и вогнутой функции.
- •Стратегическая эквивалентность функций полезности. Линейная функция полезности.
- •Логарифмическая функция полезности. Пример.
- •Экспоненциальная функция полезности. Пример.
- •Квадратичная функция полезности. Пример.
- •Теоремы о несклонности к риску. Надбавка за риск.
- •Теоремы о склонности к риску. Надбавка за риск.
- •Пример функции полезности для лпр несклонного к риску.
- •Пример функции полезности для лпр склонного к риску.
- •Мера несклонности к риску. Обоснование. Интерпретация функции несклонности к риску.
- •Связь между надбавкой за риск и функцией несклонности к риску.
- •Особенности и признаки интеллектуальности информационных систем.
- •Классификация иис. Системы с интеллектуальным интерфейсом
- •Экспертные системы. Архитектура экспертной системы. Назначение составных частей эс.
- •База знаний и механизм вывода на знаниях. Сравнительный анализ.
- •Этапы создания экспертной системы. Идентификация предметной области. Построение концептуальной модели. Типы моделей
- •Этапы проектирования экспертной системы. Формализация базы знаний. Классификация моделей представления знаний
- •Особенности знаний и их отличие от данных. Декларативные и процедурные знания. Системы, основанные на знаниях. Этапы трансформации данных и знаний. Базы данных и базы знаний
- •Самообучающиеся системы. Технологии olap и Data Mining. Определение Data Mining. Основные типы закономерностей, извлекаемых с помощью Data Mining
- •Индукция и дедукция. Алгоритм индуктивного обучения. Деревья решений
- •Искусственные нейронные сети. Обучение нейронных сетей
- •Системы, основанные на прецедентах (Case Based Reasoning)
- •Прямой логический вывод в эс на основе правила Modus Ponens.
- •Обратный логический вывод в эс на основе правила Modus Ponens
- •Семантические сети. Основные типы отношений в семантических сетях. Правила построения семантических сетей
- •Теория фреймов. Структура фрейма. Слоты и присоединенные процедуры. Механизм вывода на фреймах
- •Механизм вероятностного вывода на основе правил Байеса и коэффициентов уверенности
- •Основные понятия теории нечетких множеств. Операции над нечеткими множествами. Понятия нечеткой и лингвистической переменной. Основы нечеткого логического вывода.
- •Понятие нечеткого высказывания и нечеткого предиката
- •Формирование базы правил систем нечеткого вывода
- •Фаззификация
- •Агрегирование
- •Активизация
- •Аккумуляция
- •Понятие онтологии. Классификация онтологий и их применение.
- •Редакторы онтологий, формализмы и форматы представления онтологий
- •Подход к формированию онтологий в редакторе Protégé. Последовательность создания онтологий
- •37.2. Последовательность создания онтологий.
- •Элементы фреймовых онтологий – классы, экземпляры, слоты (типы значений, кардинальность), отношения и т.Д.
- •Язык создания экспертных систем clips: поддерживаемые парадигмы, основные структуры данных, конструкции языка для обработки данных и осуществления вывода.
-
Связь между надбавкой за риск и функцией несклонности к риску.
На рисунке показана зависимость надбавки за риск и детерминированного эквивалента для <0,10> от параметра C функии полезности u(х)= -е –сх (при несклонности к риску).
Как и следовало ожидать, надбавка за риск к лотерее возрастет, а детерминированный эквивалент уменьшается по мере того, как возрастает несклонность к риску. Для всех значений С надбавка за риск и детерминированный эквивалент в сумме равны ожидаемому выйгрышу.
Связь между надбавкой за риск и функцией несклонности к риску.
Найти функцию несклонности к риску для ; ; ;=c.
Следовательно функция постоянна и не зависит от х.
-
Особенности и признаки интеллектуальности информационных систем.
Для интеллектуальных информационных систем, ориентированных на генерацию алгоритмов решения задач, характерны следующие признаки:
• развитые коммуникативные способности,
• умение решать сложные плохо формализуемые задачи,
• способность к самообучению,
• адаптивность.
Коммуникативные способности ИИС характеризуют способ взаимодействия (интерфейса) конечного пользователя с системой, в частности, возможность формулирования произвольного запроса в диалоге с ИИС на языке, максимально приближенном к естественному.
Сложные плохо формализуемые задачи - это задачи, которые требуют построения оригинального алгоритма решения в зависимости от конкретной ситуации, для которой могут быть характерны неопределенность и динамичность исходных данных и знаний.
Способность к самообучению - это возможность автоматического извлечения знаний для решения задач из накопленного опыта конкретных ситуаций.
Адаптивность - способность к развитию системы в соответствии с объективными изменениями модели проблемной области.
В различных ИИС перечисленные признаки интеллектуальности развиты в неодинаковой степени и редко, когда все четыре признака реализуются одновременно. Условно каждому из признаков интеллектуальности соответствует свой класс ИИС
• Системы с интеллектуальным интерфейсом;
• Экспертные системы;
• Самообучающиеся системы;
• Адаптивные системы.
Все четыре признака интеллектуальности в той или иной степени реализуются в системах управления знаниями.
-
Классификация иис. Системы с интеллектуальным интерфейсом
Интеллектуальная информационная система (ИИС) - комплекс программных, лингвистических и логико-математических средств для реализации основной задачи – осуществления поддержки деятельности человека и поиска информации в режиме продвинутого диалога на естественном языке.[1] ИИС являются разновидностью интеллектуальной системы, а также одним из видов информационных систем.
Интеллектуальная информационная система (ИИС) основана на концепции использования базы знаний для генерации алгоритмов решения прикладных задач различных классов в зависимости от конкретных информационных потребностей пользователей.
Для ИИС характерны следующие признаки:
-
развитые коммуникативные способности;
-
умение решать сложные плохо формализуемые задачи;
-
способность к самообучению;
-
адаптивность.
Классификация:
(Каждый класс интеллектуальных информационных систем содержит подклассы)
На рисунке приведена классификация ИИС, признаками которой являются следующие интеллектуальные функции:
-
коммуникативные способности - способ взаимодействия конечного пользователя с системой;
-
решение сложных плохо формализуемых задач, которые требуют построения оригинального алгоритма решения в зависимости от конкретной ситуации, характеризующейся неопределенностью и динамичностью исходных данных и знаний;
-
способность к самообучению - умение системы автоматически извлекать знания из накопленного опыта и применять их для решения задач;
-
адаптивность - способность системы к развитию в соответствии с объективными изменениями области знаний.
Система с интеллектуальным интерфейсом – это интеллектуальная информационная система, предназначенная для поиска неявной информации в базе данных или тексте для произвольных запросов, составленных на ограниченном естественном языке.
Существуют следующие виды таких систем:
1) Интеллектуальные базы данных – отличаются от обычных баз данных возможностью выборки по запросу необходимой информации, которая может явно не храниться, а выводиться из имеющейся в базе данных. В них осуществляется поиск по условию, которое должно быть доопределено в ходе решения задачи. Интеллектуальная система без помощи пользователя по структуре базы данных сама строит путь доступа к файлам данных. Формулирование запроса осуществляется в диалоге с пользователем, последовательность шагов которого выполняется в максимально удобной для пользователя форме.
2) Естественно-языковой интерфейс применяется для доступа к интеллектуальным базам данных, контекстного поиска, голосового ввода команд в системах управления, машинного перевода с иностранных языков. Он предполагает трансляцию естественно-языковых конструкций на внутримашинный уровень представления знаний. Для реализации естественно-языкового интерфейса необходимо решить задачи морфологического, синтаксического и семантического анализа и синтеза высказываний на естественном языке. Морфологический анализ предполагает распознавание и проверку правильности написания слов по словарям. Синтаксический контроль – разложение входных сообщений на отдельные компоненты (определение структуры) с проверкой соответствия грамматическим правилам внутреннего представления знаний и выявления недостающих частей. Семантический анализ – установление смысловой правильности синтаксических конструкций. Синтез высказываний заключается в преобразовании цифрового представления информации в представление на естественном языке.
3) Гипертекстовые системы предназначены для поиска по ключевым словам в базах текстовой информации. Интеллектуальные гипертекстовые системы отличаются от обычных более сложной семантической организацией ключевых слов, которая отражает различные смысловые отношения терминов. Механизм поиска работает сначала с базой знаний ключевых слов, а уже затем – с текстом. Аналогично может проводиться поиск мультимедийной информации, включающей кроме текстовой и цифровой информации графические, аудио- и видеообразы.
4) Системы контекстной помощи относятся к классу систем распространения знаний. В отличие от обычных систем помощи, навязывающих пользователю схему поиска требуемой информации, в интеллектуальных системах контекстной помощи пользователь описывает проблему (ситуацию), а система с помощью дополнительного диалога ее конкретизирует и сама выполняет поиск относящихся к ситуации рекомендаций. Такие системы используются как приложения к системам документации (например, технической документации по эксплуатации товаров).
5) Системы когнитивной графики (когнитивный – способствующий пониманию) ориентированы на общение ИИС с пользователем посредством графических образов, которые генерируются в соответствии с происходящими событиями. Когнитивная графика позволяет в наглядном виде представить множество параметров изучаемого явления, освобождает пользователя от анализа стандартных ситуаций, способствует быстрому освоению программных средств.
Такие системы используются в мониторинге и управлении оперативными процессами, в обучающих и тренажерных системах на основе использования принципов виртуальной реальности, в оперативных системах принятия решений, работающих в режиме реального времени, в распознавании графических образов (например, при обработке космической информации).