- •1. Классификация программного обеспечения эвм. Прикладное программное обеспечение.
- •2.Инструментальные программные средства для решения прикладных математических задач.
- •3.Понятие операционной системы
- •4. Компьютерные вирусы. Разновидность компьютерных вирусов. Антивирусные средства.
- •5. История эвм. Поколения эвм. Классификация эвм. Принципы фон Неймана. Классическая архитектура компьютера.
- •4. Принцип двоичного кодирования
- •6. Микропроцессор. Система команд и форматы данных мп.
- •7. Алгоритмы и способы записи алгоритмов, свойства и виды алгоритмов.
- •8. Структура и синтаксис языка Turbo Pascal 7
- •9. Представление числовых данных в памяти эвм
- •Структурированные типы данных.
- •10.Динамические структуры
- •11. Программная обработка данных
- •13. Объектно-ориентированное программирование.
- •19. Понятие информации. Представление информации. Количество информации. Свойства информации.
- •22.Информационные технологии
- •23 Основные понятия и определения предметной области-информатизации образования
- •24Повышение эффективности управления региональной системой образования
- •25. Современные направления исследований в области ии.
- •Математика и автоматическое доказательство теорем.
- •26.Данные и знания. Логическая модель представления знаний. Продукционная модель представления данных.
- •27.Общая характеристика экспертных систем. Структура экспертных систем.
- •28.Современные нейронные сети. Основные понятия и задачи.
- •30. Компьютерная сеть. Классификация компьютерных сетей.
- •Одноранговые и иерархические сети
- •31, 32. Протоколы общения компьютеров в сети (ip, tcp, udp, ftp, smtp, http).
- •34. Модель и моделирование. Цели и задачи моделирования.
- •35. Математическая модель. Классификация математических моделей.
- •36. Понятие и виды компьютерного моделирования.
- •Этапы построения компьютерной математической модели
- •Анализ результатов моделирования.
- •37. Понятие информационных систем, базы данных, Автоматизированные информационные системы. Модели данных.
- •Сетевая модель бд.
- •38. Проектирование в терминах «Сущность - связь» или e-r проектирование. Основные понятия и определения. Сущности и связи.
- •Классификация связей
- •39. Состав и функции субд. Язык sql.
27.Общая характеристика экспертных систем. Структура экспертных систем.
Экспертные системы (ЭС) – это яркое и быстро прогрессирующее направление в области искусственного интеллекта (ИИ). 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.
Главное достоинство ЭС – возможность накапливать знания, сохранять их длительное время, обновлять и тем самым обеспечивать относительную независимость конкретной организации от наличия в ней квалифицированных специалистов. Накопление знаний позволяет повышать квалификацию специалистов, работающих на предприятии, используя наилучшие, проверенные решения.
Основными отличиями ЭС от других программных продуктов являются использование не только данных, но и знаний, а также специального механизма вывода решений и новых знаний на основе имеющихся. Знания в ЭС представляются в такой форме, которая может быть легко обработана на ЭВМ. В ЭС известен алгоритм обработки знаний, а не алгоритм решения задачи.
ЭС состоит из следующих основных компонентов: решателя (интерпретатора), рабочей памяти или БД, базы знаний, компонентов приобретения знаний, объяснительного и диалогового компонентов.
БД предназначены для хранения исходных и промежуточных данных решаемой в текущий момент задачи.
База знаний предназначена для хранения долгосрочных данных, описывающих рассматриваемую область (а не текущих данных), и правил, описывающих целесообразные преобразования данных этой области.
Решатель, используя исходные данные из рабочей памяти и знания из базы знаний, формирует такую последовательность правил, которые, будучи примененными, к исходным данным, приводят к решению задачи.
Объяснительный компонент объясняет, как система получила решение задачи, и какие знания она при этом использовала, что облегчает эксперту тестирование системы и повышает доверие пользователя к полученному результату.
Диалоговый компонент ориентирован на организацию дружелюбного общения со всеми категориями пользователей, как в ходе решения задач, так и приобретения знаний, объяснения результатов.
В разработке ЭС участвуют следующие специалисты:
- эксперт в той проблемной области, задачи которой будет решать ЭС;
- инженер по знаниям – специалист по разработке ЭС;
- программист – специалист по разработке инструментальных средств.
ЭС работает в двух режимах: приобретения знаний и решения задачи.
28.Современные нейронные сети. Основные понятия и задачи.
В основу искусственных нейронных сетей положены следующие черты живых нейронных сетей, позволяющие хорошо справляться с нерегулярными задачами:
- простой обрабатывающий элемент – нейрон;
- очень большое число нейрона участвует обработке информации;
- один нейрон связан с большим числом других нейронов (глобальные связи);
- изменяющиеся по весу связи между нейронами;
- массированная параллельность обработки информации.
Для создания нейрона послужил биологический нейрон головного мозга. Биологический нейрон имеет тело, совокупность отростков – дендритов, по которым в нейрон поступают входные сигналы, и отросток – аксон, передающий выходной сигнал нейрона другим клеткам.. Точка соединения дендрита и аксона называется синапсом.
Поведение искусственной нейронной сети зависит как от значения весовых параметров, так и от функции возбуждения нейронов. Известны три основных вида функции возбуждения: пороговая, линейная и сигмоидальная. Для пороговых элементов выход устанавливается на одном из двух уровней в зависимости от того, больше или меньше суммарный сигнал на входе нейрона некоторого порогового значения. Для линейных элементов выходная активность пропорциональна суммарному взвешенному входу нейрона. Для сигмоидальных элементов в зависимости от входного сигнала, выход варьируется непрерывно, но не линейно, по мере изменения входа. Сигмоидальные элементы имеют больше сходства с реальными нейронами, чем линейные или пороговые, но любой из этих типов можно рассматривать лишь как приближение.Нейронная сеть представляет собой совокупность большого числа сравнительно простых элементов – нейронов, топология соединений которых зависит от типа сети. Чтобы создать нейронную сеть для решения какой-либо конкретной задачи, мы должны выбрать, каким образом следует соединять нейроны друг с другом, и соответствующим образом подобрать значения весовых параметров на этих связях.
Задачи, решаемые на основе нейронных сетей.
Встречается значительное число признаков, которыми должна обладать задача, чтобы применение НС было оправдано:
- отсутствует алгоритм или не известны принципы решения задач, но накоплено достаточное число примеров;
- проблема характеризуется большими объемами входной информации;
- данные неполны или избыточны, зашумлены, частично противоречивы.
Перечень возможных промышленных применений нейронных сетей,:
Банки и страховые компании:
- автоматическое считывание чеков и финансовых документов;
- проверка достоверности подписей;
- оценка риска для займов;
-прогнозирование изменений экономических показателей.
Военная промышленность:
- обработка звуковых сигналов (разделение, идентификация, локализация, устранение шума, интерпретация);
- обработка радарных сигналов (распознавание целей, идентификация и локализация источников);
- обработка инфракрасных сигналов (локализация);
- обобщение информации.
Служба безопасности:
- распознавание лиц, голосов, отпечатков пальцев.
Телевидение и связь:
- адаптивное управление сетью связи;
- сжатие и восстановление изображения.