Вопросы

1. Понятие искусственного интеллекта (ИИ). История развития систем ИИ

2. Тенденции развития интеллектуальных информационных систем.

3. Понятие Интеллектуального анализа данных (Data Mining).

4. Концепции хранения и анализа данных. Склады данных (Data Warehouse).

5. Концепции хранения и анализа данных. Оперативная аналитическая обработка (On-Line Analytical Processing, OLAP).

6. Типы закономерностей, которые позволяют выявлять  методы Data Mining.

7. Решение задач методом разбиения на подзадачи. Представление задачи в виде графа.

8. Метод построения дерева решений

9. Метод полного перебора

10. Вероятностные методы осуществления выбора решений.

11. Многокритериальное принятие решений.

12. Нечеткая логика (fuzzy logic). Понятие, решаемые задачи.

13. Нечеткие системы и правила нечеткого вывода

14. Нечеткие множества и операции с ними

15. Мягкие вычисления (soft computing). Понятие, состав.

16. Экспертные системы. Определение экспертной деятельности.

17. Экспертные системы. Понятие, решаемые задачи.

18. Экспертные системы. Типичные состав и структура экспертных систем.

19. Экспертные системы. База знаний, механизм вывода, механизмы приобретения и объяснения знаний

20. Экспертные системы. Примеры практических экспертных систем.

21. Экспертные системы. Формализация этапов экспертной деятельности.

22. Экспертные системы. Инженерия знаний.

23. Экспертные системы. Организация базы знаний. Продукционная модель для представления знаний.

24. Экспертные системы. Семантические сети для представления знаний.

25. Экспертные системы. Жизненный цикл экспертной системы

26. Нейронные сети. Понятие НС.

27. Нейронные сети как тип моделей ИИ. Примеры применения НС.

28. Нейронные сети. Структура и функции нейрона.

29. Нейронные сети. Модель искусственного нейрона.

30. Нейронные сети. Элементная база нейрокомпьютеров- аналоговая, цифровая, гибридная. Стандартные процессоры обработки сигналов.

31. Нейронные сети. Преимущества и недостатки различных типов элементной базы аппаратных нейрокомпьютеров.

32. Нейронные сети. Нейро-эмуляторы, их преимущества и недостатки.

33. Нейронные сети. Секторы рынка нейросетевых программных продуктов: нейро-пакеты и готовые решения на основе нейросетей.

34. Нейронные сети. Инструменты разработки нейроприложений.

35. Нейронные сети. Классификация базовых нейроархитектур по типу связей и типу обучения

36. Нейронные сети. Методы обучения НС. Машинное обучение на примерах.

37. Нейронные сети. Обучение с учителем. Эффекты обобщения и переобучения

38. Нейронные сети. Персептроны. Архитектура, возможности и решаемые задачи.

39. Нейронные сети. Однонаправленные многослойные НС.

40. Нейронные сети. Рекуррентные НС. Рекуррентные сети на базе персептрона.

41. Нейронные сети. Радиальные НС

42. Нейронные сети. Сети Хопфилда. Архитектура, возможности и решаемые задачи.

43. Нейронные сети. Радиальные НС

44. Нейронные сети. Сети с самоорганизацией на основе конкуренции. Самоорганизующиеся карты Кохонена.

45. Нейронные сети. Применение нейронных сетей в задачах машинного распознавания образов.

46. Генетический алгоритм. Понятие, решаемые задачи.

47. Генетический алгоритм. Понятие о генетической информации. Ген. Хромосома.

48. Генетический алгоритм. Мутация, ее роль в алгоритме. Механизмы реализации процесса мутации.

49. Генетический алгоритм. Методы скрещивания, применяемые в генетических алгоритмах и их эффективность.

50. Генетический алгоритм. Способы реализации отбора и их эффективность.

51. Генетический алгоритм. Метод штрафных функций.

19. Экспертные системы. База знаний, механизм вывода, механизмы приобретения и объяснения знаний.

ЭС- это набор программ или программное обеспечение, которое выполняет функции эксперта при решении какой-либо задачи в области его компетенции. ЭС, как и эксперт-человек, в процессе своей работы оперирует со знаниями. Знания о предметной области, необходимые для работы ЭС, определенным образом формализованы и представлены в памяти ЭВМ в виде базы знаний, которая может изменяться и дополняться в процессе развития системы.

База знаний- наиболее важная компонента экспертной системы, на которой основаны ее «интеллектуальные способности». В отличие от всех остальных компонент ЭС, база знаний- «переменная » часть системы, которая может пополняться и модифицироваться инженерами знаний и опыта использование ЭС, между консультациями (а в некоторых системах и в процессе консультации). Существует несколько способов представления знаний в ЭС, однако общим для всех них является то, что знания представлены в символьной форме (элементарными компонентами представления знаний являются тексты, списки и другие символьные структуры)

Подсистема вывода - программная компонента экспертных систем, реализующая процесс ее рассуждений на основе базы знаний и рабочего множества. Она выполняет две функции: во-первых, просмотр существующих фактов из рабочего множества и правил из базы знаний и добавление (по мере возможности) в рабочее множество новых фактов и, во-вторых, определение порядка просмотра и применения правил. Эта подсистема управляет процессом консультации, сохраняет для пользователя информацию о полученных заключениях, и запрашивает у него информацию, когда для срабатывания очередного правила в рабочем множестве оказывается недостаточно данных.

Цель ЭС - вывести некоторый заданный факт, который называется целевым утверждением (то есть в результате применения правил добиться того, чтобы этот факт был включен в рабочее множество), либо опровергнуть этот факт (то есть убедиться, что его вывести невозможно, следовательно, при данном уровне знаний системы он является ложным). Целевое утверждение может быть либо «заложено» заранее в базу знаний системы, либо извлекается системой из диалога с пользователем.

Прямой порядок вывода- от фактов, которые находятся в рабочем множестве, к заключению. Если такое заключение удается найти, то оно заносится в рабочее множество. Прямой вывод часто называют выводом, управляемым данными.

Обратный порядок вывода: заключения просматриваются до тех пор, пока не будет обнаружены в рабочей памяти или получены от пользователя факты, подтверждающие одно из них.

Его действия основаны на применении правила вывода, обычно называемого модус поненс, суть которого состоит в следующем: пусть известно, что истинно утверждение А и существует правило вида «Если А, то В», тогда утверждение В так же истинно. Правила срабатывают, когда находятся факты, удовлетворяющие их левой части: если истинна посылка, то должно быть истинно и заключение.

Компонент вывода должен обладать способностью функционировать при любых условиях. Механизм вывода должен быть способен продолжить рассуждение и со временем найти решение даже при недостатке информации. Это решение может и не быть точным, однако система ни в коем случае не должна останавливаться из-за того, что отсутствует какая-либо часть входной информации.

Управляющий компонент.

Этот компонент определяет порядок применения правил, а также устанавливает, имеются ли еще факты, которые могут быть изменены в случае продолжения консультации. Управляющий компонент выполняет четыре функции:

1. Сопоставление- образец правила сопоставляется с имеющимися фактами;

2. Выбор- если в конкретной ситуации могут быть применены сразу несколько правил, то из них выбирается одно, наиболее подходящее к заданному критерию (разрешение конфликта).

3. Срабатывание- если образец правила при сопоставлении совпал с какими- либо фактами из рабочего множества, то правило срабатывает.

4. Действие- рабочее множество подвергается изменению путем добавления в него заключения сработавшего правила. Если в правой части правила содержится указание на какое- либо действие, то оно выполняется (как, например, в системах обеспечения безопасности информации).

Диалог с ЭС. Объяснение.

Поскольку системы, основанные на знаниях, реализуются на компьютерах, то и входная информация воспринимается или в виде, понятном компьютеру, т.е. в битах и байтах. Однако для того чтобы мог взаимодействовать неподготовленный пользователь, в нее требуется включить средства общения на естественном языке. Подавляющее большинство систем, основанных на знаниях, обладают достаточно примитивным интерфейсом на естественном языке- допустимые входные сообщения пользователя ограничены набором понятий, содержащихся в базе знаний.

Рассмотрим теперь работу подсистемы объяснения. Для получения объяснения в процессе консультации пользователь может “перехватить инициативу” диалога в тот момент, когда система задает очередной вопрос, “переспросив” в ответ систему, почему она его задала. Таким образом, вместо ответа на вопрос системы, пользователь может задать ей встречный вопрос:

ПОЧЕМУ?

(“ Почему система задала такой вопрос?”). Система интерпретирует вопрос “Почему?” в “понятных” ей терминах дерева вывода