IIS_1-10

множеством аксиом, лежащих в основе теории, W, множеством правил вывода, R.

Исчисление высказываний (ИВ) и исчисление предикатов (ИП) являются классическими примерами аксиоматических систем. Эти ФС хорошо исследованы и имеют прекрасно разработанные модели логического вывода - главной метапроцедуры в интеллектуальных системах. Поэтому все, что может и гарантирует каждая из этих систем, гарантируется и для прикладных ФС как моделей конкретных предметных областей. В частности, это гарантии непротиворечивости вывода, алгоритмической разрешимости (для исчисления высказываний) и полуразрешимости (для исчислений предикатов первого порядка).

ФС имеют и недостатки, которые заставляют искать иные формы представления. Главный недостаток - это "закрытость" ФС, их негибкость. Модификация и расширение здесь всегда связаны с перестройкой всей ФС, что для практических систем сложно и трудоемко. В них очень сложно учитывать происходящие изменения. Поэтому ФС как модели представления знаний используются в тех предметных областях, которые хорошо локализуются и мало зависят от внешних факторов.

8. Логический и эвристический методы рассуждения в ИИС.

Модели представления знаний делятся на два типа – формальные логические и эвристические модели. Соответственно определяется логический и эвристический метод рассуждений в СОЗ.

Логические модели базируются на той или иной формальной системе (теории).

Наиболее известной является модель представления знаний на основе логики предикатов (исчисление предикатов первого порядка).

Кчислу эвристических моделей относятся:

-продукционная модель (правила продукций);

-сетевые модели и, в частности, семантические сети;

-фреймы и объектно-ориентированные модели знаний;

-ситуационная модель

и др.

Для многих задач, которые люди умеют решать (например, играть в шахматы или сочинять стихи), точных методов не существует. В этом случае остается лишь

воспроизведение на ЭВМ тех правил и приемов, которыми пользуется человек при решении аналогичной задачи.

Эти специфические для человека правила и приемы называются эвристиками, а методы решения задач, опирающиеся на них, — эвристическими методами.

Эвристические методы используются и тогда, когда точные методы не могут быть использованы из-за необходимости проведения громадных по объему вычислений — их либо невозможно выполнить на современных ЭВМ, либо время, затраченное на них, будет слишком велико.

9. Рассуждения на основе дедукции, индукции, аналогии.

Дедуктивное рассуждение - это последовательность дедуктивных умозаключений. Дедуктивным называют такое умозаключение, в котором из знания большей степени общности выводится знание меньшей степени общности.

Дедуктивные рассуждения относят к числу достоверных рассуждений.

Индуктивные рассуждения основаны на индуктивных умозаключениях. Индуктивным называют умозаключение от знания меньшей степени общности к знанию большей степени общности, от частного к общему, от фактов к обобщениям. Индукция эффективна при выдвижении гипотез, нахождении причинных связей явлений. Индуктивные заключения, вообще говоря, не относятся к числу достоверных; их следует назвать правдоподобными. Различается два вида индукции: полная и неполная. Полной индукцией называют индуктивное умозаключение, в котором заключается, что все представители рассматриваемого класса обладают определенным признаком на том основании, что этим признаком обладает каждый из представителей этого класса.

Аналогией называют перенос свойств некоторого единичного явления, процесса или предмета на другое единичное явление, процесс или предмет, если между ними замечено сходство их существенных свойств. Различают строгую и нестрогую или простую аналогию. При строгой аналогии должно быть достоверно установлено, что переносимый признак предмета А с необходимостью связан с признаками сходства. Тогда это обстоятельство служит достаточным основанием для достоверного переноса этого признака на предмет В. При простой аналогии зависимость между признаками сходства и переносимым признаком носит правдоподобный характер.

10. Типы машинного обучения.

Машинное	обучение —	обширный	подраздел искусственного	интеллекта,
изучающий методы	построения	моделей, способных обучаться, и алгоритмов для их
построения и обучения.
Способы машинного обучения:
Обучение с	учителем —	для каждого	прецедента задаѐтся пара	«ситуация,

требуемое решение»: Метод коррекции ошибки

Метод обратного распространения ошибки

Обучение без учителя — для каждого прецедента задаѐтся только «ситуация», требуется сгруппировать объекты в кластеры, используя данные о попарном сходстве объектов, и/или понизить размерность данных:

Альфа-система подкрепления Гамма-система подкрепления Метод ближайших соседей

Обучение с подкреплением — для каждого прецедента имеется пара «ситуация,

принятое решение»:

Генетический алгоритм.

Активное обучение — отличается тем, что обучаемый алгоритм имеет возможность самостоятельно назначать следующую исследуемую ситуацию, на которой станет известен верный ответ:

Обучение с частичным привлечением учителя — для части прецедентов задается пара «ситуация, требуемое решение», а для части — только «ситуация»:

Трансдуктивное обучение (transduction) — обучение с частичным привлечением учителя,

когда прогноз предполагается делать только для прецедентов из тестовой выборки Многозадачное обучение (multitask learning) — одновременное обучение группе взаимосвязанных задач, для каждой из которых задаются свои пары «ситуация, требуемое решение»

Многовариантное обучение (multipleinstance learning) — обучение, когда прецеденты могут быть объединены в группы, в каждой из которых для всех прецедентов имеется

«ситуация», но только для одного из них (причем, неизвестно какого) имеется пара «ситуация, требуемое решение»