- •1.1. Методы искусственного интеллекта в прикладных системах и системах принятии решений
- •1.2. Интеллектуальные информационные технологии в прикладных системах и системах принятия решений
- •1.3. Типология задач интеллектуализации систем
- •Лекция 2. Представление знаний в интеллектуальных системах
- •2.1. Модели представления знаний
- •2.2. Системы, основанные на правилах
- •2.3. Системы, основанные на автоматическом доказательстве теорем
- •2.4. Системы, основанные на автоматическом порождении (выдвижении) гипотез
- •Лекция 3. Структура и основные компоненты прикладных интеллектуальных систем
- •3.1. Прикладные системы, основанные на знаниях
- •3.2. Структура системы управления, основанной на знаниях
- •3.3. Структура интеллектуальных систем поддержки принятия решения
- •3.4. Обобщенная структура экспертной системы
- •Лекция 4. Классификация прикладных интеллектуальных систем
- •4.1. Классификация экспертных систем
- •4.2. Примеры прикладных интеллектуальных систем
- •Лекция 5. Основные понятия и определения теории принятия решений
- •5.1. Роли людей в процессе принятия решений
- •5.2. Альтернативы
- •5.3. Критерии
- •5.4. Основные этапы процесса принятия решений
- •5.5. Математические методы теории принятия решений
- •Лекция 6. Принятие решений с помощью статистической проверки гипотез
- •6.1. Статистические решения
- •6.2. Основные задачи статистических решений
- •6.3. Статистическая проверка гипотез
- •6.4. Ошибки решения
- •6.5. Решающее правило при проверке гипотез
- •Лекция 7. Байесовская и последовательная процедуры принятия решения.
- •7.1. Байесовские процедуры принятия решения
- •7.1.1. Байесовская процедура при проверке простой гипотезы
- •7.1.2. Байесовские процедуры в задаче классификации
- •7.2. Принятие решения с помощью последовательной процедуры Вальда
- •Лекция 8. Принятие решения методом дискриминантнного анализа
- •8.1. Классификация в случае, когда распределения классов определены полностью
- •8.1.1. Модель двух нормальных распределений с общей ковариационной матрицей (модель Фишера)
- •8.1.2. Модель двух нормальных распределений с разными ковариационными матрицами
- •8.1.3. Модель нескольких нормальных распределений с общей ковариационной матрицей
- •8.2. Классификация при наличии обучающих выборок
- •8.2.1. Подстановочный алгоритм в модели Фишера
- •8.2.3. Правила классификации
- •8.3. Ошибка решающего правила
- •Лекция 9. Древообразные классификаторы
- •9.1. Назначение древообразных классификаторов
- •9.1. Структура дерева классификации
- •9.3. Вычислительные задачи древообразных классификаторов
- •9.3.1. Определение качества предсказания
- •9.3.2. Выбор разбиений
- •9.3.3. Определение правила прекращения разбиения
- •Лекция 10. Деревья решений
- •9.1. Характеристики дерева решений
- •9.2. Построение дерева решений
- •Лекция 11. Методы прогнозирования
- •11.1. Анализ временных рядов
- •11.1.1. Модель временного ряда
- •11.1.2. Тренд, сезонная и циклическая компоненты
- •11.1.3. Декомпозиция временного ряда
- •11.1.4. Экспоненциальное сглаживание
- •11.2. Каузальные методы прогнозирования
- •11.3. Качественные методы прогнозирования
- •Лекция 12. Основная задача линейного программирования
- •12.1. Математическая модель основной задачи линейного программирования
- •12.2. Задача линейного программирования с ограничениями-неравенствами
- •12.3. Примеры задач линейного программирования
- •12.3.1. Транспортная задача
- •12.3.2. Задача о назначениях
- •Лекция 13. Симплекс-метода решения задачи линейного программирования
- •13.1. Характеристика симплекс–метода
- •13.2. Табличный алгоритм замены базисных переменных
- •13.3. Отыскание опорного решения основной задачи линейного программирования
- •13.4. Отыскание оптимального решения основной задачи линейного программирования
- •Лекция 14. Многокритериальные методы принятия решений при объективных моделях
- •14.1. Объединение критериев
- •14.2. Метод главного критерия
- •14.3. Метод последовательных уступок
- •14.4. Метод целевого программирования
- •14.5. Метод, использующий принцип гарантированного результата
- •14.6. Метод равных наименьших относительных отклонений
- •14.7. Процедура STEM поиска удовлетворительных значений критериев
- •Лекция 15. Выбор Парето–оптимальных решений
- •15.1. Основные определения
- •15.2. Графическая интерпретация
- •15.3. Постановка задачи
- •Лекция 16. Оценка многокритериальных альтернатив с помощью теории полезности
- •16.1. Теория полезности
- •16.2. Принятие решения на основе значения ожидаемой полезности
- •16.3. Многокритериальная теория полезности (MAUT)
- •Лекция 17. Сравнение альтернатив методом аналитической иерархии
- •17.1. Основные этапы метода аналитической иерархии
- •17.2. Декомпозиция задачи
- •17.3. Попарное сравнение критериев и альтернатив
- •17.4. Свойства идеальной матрицы сравнений
- •Лекция 18. Приоритеты для критериев и альтернатив и выбор наилучшей альтернативы в методе анализа иерархий
- •18.1. Вычисление собственных характеристик обратно симметричной матрицы
- •18.2. Вычисление величины приоритетов
- •18.3. Определение наилучшей альтернативы
- •18.4. Проверка согласованности
- •18.5. Пример применения метода анализа иерархий
- •Лекция 19. Оценка многокритериальных альтернатив методами ELECTRE
- •19.1. Этапы подхода, направленного на разработку индексов попарного сравнения альтернатив
- •19.2. Свойства бинарных отношений
- •19.3. Метод ELECTRE I
- •19.4. Метод ELECTRE II
- •19.5. Метод ELECTRE III
- •Лекция 20. Основные понятия и математическая модель игровых методов обоснования решений
- •20.1. Основные понятия теории игр
- •20.2. Математическая модель игры
- •20.3. Нижняя и верхняя цена игры. Принцип минимакса
- •Лекция 21. Методы решения игр
- •21.1. Решение игры в чистых стратегиях
- •21.2. Решение игры в смешанных стратегиях
- •21.3. Упрощение игр
- •21.4. Решение игры 2х2
- •21.5. Графический метод решения (2х2)-игр
- •Лекция 22. Игры 2 х п
- •Лекция 23. Решение игр т х 2 и т х п
- •23.1. Решение игр т х 2
- •23.2. Решение игр т х п
- •Лекция 24. Критерии принятия решений в условиях риска и неопределенности
- •24.1. Основные понятия. Математическая модель
- •24.3. Максиминный критерий Вальда
- •24.4. Критерий минимаксного риска Сэвиджа
- •24.5. Критерий пессимизма-оптимизма Гурвица
- •Литература
Литература
1.Анализ геоинформационных данных. Компьютерный практикум: Учеб. пособие / М.Д. Степанова, С.А. Самодумкин, Н.А. Гулякина, А.Н. Крючков; Под науч. ред. В.В. Голенкова. – Мн.: БГУИР, 2005.
2.Андрейчиков А.В. Использование методов анализа иерархий и сетей в системах поддержки принятия решений // Изв. Академии Наук. Теория и системы управления, 2004,
№6.
3.Вагин В. Н., Головина Е.Ю., Загорянская А.А., Фомина М.В. Достоверный и правдоподобный вывод в интеллектуальных системах. М.: Физматлит, 2004.
4.Вагин В.Н., Еремеев А.П. Некоторые базовые принципы построения интеллектуальных систем поддержки принятия решений реального времени // Изв. Академии Наук. Теория и системы управления, 2001, № 6.
5.Вентцель Е.С. Исследование операций. М.: Наука, 1980.
6.Гаврилова Т. А., Хорошевский В. Ф.. Базы знаний интеллектуальных систем: Учеб. пособие. СПб.: Питер, 2000.
7.Голенков В. В., Гулякина Н.А. Модели представления и переработки знаний. Методические указания. Мн.: БГУИР, 1998.
8.Интеллектуальные технологии в геоинформационных системах: Учеб. пособие/А.Н. Крючков, С.А. Самодумкин, М.Д. Степанова, Н.А. Гулякина. Мн.: БГУИР, 2004.
9.Искусственный интеллект: В 3 кн. Кн. 1: Справочник. Системы общения и экспертные системы. М.: Радио и связь, 1990.
10.Искусственный интеллект: В 3 кн. Кн.2: Справочник. Модели и методы. М.: Радио и связь, 1990.
11.Коломоец Ф.Г. Основы системного анализа и теория принятия решений: пособие для исследователей, управленцев и студентов вузов / Ф.Г. Коломоец.– Мн.: Тесей, 2006.
12.Ларичев О.И. Теория и методы принятия решений, а также Хроника событий в волшебных странах: Учебник. М.: Логос, 2003.
13.Поспелов Д. А. Логико-лингвистические модели в системах управления. М.: Энергоиздат, 1981.
14.Представление и использование знаний / под ред. Х. Уэно, М. Исидзука. М.: Мир,
1989.
15. Прикладная |
статистика: |
Классификация |
и |
снижение |
размерности / |
С.А. Айвазян, В. М. Бухштабер, И.С. Енюков, Л. Д. Мешалкин. |
М.: Финансы и статистика, |
||||
1989. |
|
|
|
|
|
16.Прикладная статистика: Основы моделирования и первичная обработка данных/ С. А. Айвазян, И. С. Енюков, Л. Д. Мешалкин. М.: Финансы и статистика, 1983.
17.Преображенский А. Б., Рыбина Г. В. Архитектура и принципы построения интеллектуальных диалоговых систем: Учебное пособие. М.: МИФИ, 1989.
18.Рыбина Г. В. Проектирование систем, основанных на знаниях: Учебное пособие.
М.: МИФИ, 1997.
19.Саати Т. Принятие решений. Метод анализа иерархий. М.: Радио и связь, 1993.
20.Смородинский С. С., Батин Н.В. Методы анализа и принятия решений в слабо структурированных задачах. Учебн. пособие. Мн.: БГУИР, 2002.
21.Смородинский С. С., Батин Н. В. Оптимизация решений на основе методов и моделей математического программирования. Учебн. пособие. Мн.: БГУИР, 2003.
22.Статические и динамические экспертные системы: Учеб. пособие / Э. В. Попов и др. М.: Финансы и статистика, 1996.
118
23.Степанова М.Д. Проверка статистических гипотез: Учеб.-метод. пособие. Мн.:
БГУИР, 2000.
24.Степанова М. Д., Самодумкин С.А. Прикладные интеллектуальные системы в области медицины: Учеб.-метод. пособие. Мн.: БГУИР, 2000.
25.Толковый словарь по искусственному интеллекту / А. Н. Аверкин, М. Г. ГаазеРаппопорт, Д. А. Поспелов. М.: Радио и связь, 1992.
26.Цехан А. Б. Модели и методы решения задач исследования операций. Учебнометод. пособие. Гродно: ГрГУ, 2001.
27.Шестаков К.М. Теория принятия решений и распознавание образов: курс лекций.
Мн.: БГУ, 2005.
28.Шикин Е. В., Чхартишвили А. Г. Математические методы и модели в управлении: Учеб. пособие. М.: Дело, 2002.
119