10545

09.04.01-УММ-М.1.2.5-ПИС-ЛК08-Знания. Методы представлений знаний. Формализация базы знаний. Обработка знаний.

Извлечение знаний из данных. Применение баз знаний в профессиональной деятельности.

3.При анализе базы данных клиентов страховой компании был установлен

социальный портрет человека, страхующего жизнь - это оказался мужчина 35-50

лет, имеющий 2 и более детей и среднемесячный доход выше

$2000.

Задачи, решаемые методами Data Mining:

Классификация – отнесение объектов (наблюдений, событий) к одному из заранее

известных классов. Это делается посредством анализа уже классифицированных

объектов и формулирования некоторого набора правил.

Классификация используется в случае, если заранее известны классы отнесения

объектов. Например, отнесение нового товара к той или иной товарной группе, отнесение клиента к какой-либо категории. При кредитовании это может быть,

например, отнесение клиента по каким-то признакам к одной из групп риска.

описывающих сущность объектов. Причем в отличие от классификации, группы заранее не заданы. Объекты внутри кластера должны быть «похожими» друг на друга и отличаться от объектов, вошедших в другие кластеры. Чем больше похожи объекты

внутри кластера и чем больше отличий между кластерами, тем точнее кластеризация. Часто применительно к экономическим задачам вместо кластеризации употребляют

термин сегментация.

Кластеризация может использоваться для сегментации и построения профилей клиентов (покупателей). При достаточно большом количестве клиентов становится

трудно подходить к каждому индивидуально. Поэтому клиентов удобно объединить в

группы – сегменты с однородными признаками. Выделять сегменты клиентов можно по

нескольким группам признаков. Это могут быть сегменты по сфере деятельности, по

географическому расположению. После сегментации можно узнать, какие именно сегменты являются наиболее активными, какие приносят наибольшую прибыль, выделить характерные для них признаки. Эффективность работы с клиентами

повышается за счет учета их персональных предпочтений.

Прогнозирование (регрессия). Это установление зависимости непрерывных выходных

переменных от входных. К этому же типу задач относится прогнозирование временного ряда на основе исторических данных.

Регрессия используется для установления зависимостей в факторах. Например, в

задаче прогнозирования зависимой величиной является объемы продаж, а факторами,

влияющими на эту величину, могут быть предыдущие объемы продаж, изменение курса

валют, активность конкурентов и т.д. Или, например, при кредитовании физических

лиц вероятность возврата кредита зависит от личных характеристик человека, сферы

его деятельности, наличия имущества.

Ассоциация – выявление закономерностей между связанными событиями. Примером

такой закономерности служит правило, указывающее, что из события X следует

событие Y. Такие правила называются ассоциативными.

09.04.01-УММ-М.1.2.5-ПИС-ЛК08-Знания. Методы представлений знаний. Формализация базы знаний. Обработка знаний.

Извлечение знаний из данных. Применение баз знаний в профессиональной деятельности.

Линейная регрессия. Линейная регрессия, как это следует из названия, решает

задачи регрессии. Но она предназначена для поиска линейных зависимостей в

данных. Если же зависимости нелинейные, то модель с использованием линейной

регрессии может быть не построена вообще. Для этого лучше воспользоваться более

универсальным методом нахождения зависимостей, например, искусственной нейронной сетью.

Кластерный анализ. Главное назначение кластерного анализа – разбиение

множества исследуемых объектов и признаков на однородные кластеры (группы).

Большое достоинство кластерного анализа в том, что он позволяет производить

разбиение объектов не по одному параметру, а по целому набору признаков. Кроме

того, кластерный анализ в отличие от большинства математико-статистических

методов не накладывает никаких ограничений на вид рассматриваемых объектов, и

позволяет рассматривать множество исходных данных практически произвольной

природы.

Самоорганизующиеся карты. Самоорганизующиеся карты (Self Organizing Maps – SOM),

или карты Кохонена, так же как и методы кластерного анализа, используются для решения задач кластеризации и сегментирования. Самоорганизующаяся карта является разновидностью нейронной сети.

Ассоциативные правила. Ассоциативные правила (association rules) позволяют

находить закономерности между связанными событиями, т.е . выявление ассоциаций.

Примером ассоциативного правила, служит утверждение, что покупатель,

приобретающий хлеб, приобретет и молоко с вероятностью 75%. Впервые эта задача

была предложена для поиска ассоциативных правил для нахождения типичных

шаблонов покупок, совершаемых в супермаркетах, поэтому иногда ее еще называют анализом рыночной корзины (market basket analysis). Ассоциативные правила

эффективно используются в сегментации покупателей по поведению при покупках, анализе предпочтений клиентов, планировании расположения товаров в супермаркетах, адресной рассылке. Классическим алгоритмом нахождения

ассоциативных правил считается алгоритм APriori.

Последовательные шаблоны. Последовательные шаблоны (sequential patterns)

представляют собой закономерности между связанными во времени событиями. Алгоритмы последовательных шаблонов похожи на алгоритмы ассоциативных правил.

Распространение получили AprioriAll и AprioriSome.

09.04.01-УММ-М.1.2.5-ПИС-ЛК08-Знания. Методы представлений знаний. Формализация базы знаний. Обработка знаний.

Извлечение знаний из данных. Применение баз знаний в профессиональной деятельности.

Вопросы для самоконтроля и текущего контроля

1)Дайте определение понятию "знание"

2)Перечислите виды знаний

3)Опишите назначение баз знаний в интеллектуальных системах

4)Перечислите виды баз знаний

5)Перечислите основные модели представления знаний

6)Опишите логическую модель представления знаний

7)Опишите продукционную модель представления знаний

8)Опишите семантическую модель представления знаний

9)Опишите фреймовую модель представления знаний

10)Дайте определение задаче анализа данных

11)Опишите способы извлечения знаний из данных

Задание на самостоятельную работу

1) Практическое задание

Выполнить создание спецификации знаний о предметной области в виде онтологии в

редакторе Protege 5.5.0 согласно заданию практической работы №4.

2) Самостоятельная работа

Исследовать синтаксис и лексику современных языков создания онтологий.

Список рекомендуемой литературыi:

[1] Сидоркина, Ирина Геннадьевна. Системы искусственного интеллекта [Текст] :

[учеб. пособие для вузов по направлению 230100 "Информатика и вычисл. техника"] / И. Г. Сидоркина. М.: Кнорус, 2011. - 245 с.

Рассмотрены теоретические аспекты проектирования систем искусственного

интеллекта и даны модели представления знаний, изложены материалы

информационного, справочного, консультирующего характера по использованию

инструментальных средств и технологическим особенностям разработки систем

данного класса.

Подробнее: https://www.labirint.ru/books/276217/

[2] Богомолова, М. А. Экспертные системы (техника и технология проектирования)

[Текст] : Методические указания к лабораторным работам / М. А. Богомолова. Самара:

Поволжский государственный университет телекоммуникаций и информатики, 2015. -

47 с.

Методические указания являются руководством при выполнении лабораторных

занятий, проводимых по курсу «Экспертные системы (техника и технология

проектирования)» с магистрами направления 09.04.03 - «Прикладная информатика» в терминальном классе. Лабораторные работы связаны с изучением принципов

построения экспертных систем на основе различных моделей представления знаний, и могут быть полезны студентам других специальностей.

Подробнее: https://www.iprbookshop.ru/71908.html

09.04.01-УММ-М.1.2.5-ПИС-ЛК08-Знания. Методы представлений знаний. Формализация базы знаний. Обработка знаний.

Извлечение знаний из данных. Применение баз знаний в профессиональной деятельности.

[3] Советов, Борис Яковлевич. Представление знаний в информационных системах

[Текст] : [учеб. для вузов по направлению подгот. "Информ. системы и технологии"] / Б. Я. Советов, В. В. Цехановский, В. Д. Чертовской. М.: Академия, 2011.

Учебник создан в соответствии с Федеральным государственным образовательным стандартом по направлению бакалавриата «Информационные системы и технологии». Рассмотрены современное состояние теоретических и прикладных вопросов

представления знаний в информационных системах, идеология построения

интеллектуальных систем, математический аппарат представления знаний, возможности и пути использования искусственного интеллекта при проектировании

информационных систем. Изложены новые аспекты представления знаний на основе

искусственных нейронных сетей, расчетно-логических систем, генетических

алгоритмов, мультиагентных систем. Приведены примеры практической реализации

представления знаний на базе декларативного языка Пролог. Для студентов

учреждений высшего профессионального образования. Может быть полезен разработчикам и пользователям информационных систем; преподавателям и научным

сотрудникам, сферой интересов которых является интеллектуализация различных

предметных областей; менеджерам и руководителям различного ранга, желающим

самостоятельно ознакомиться с современным состоянием информационных

технологий.

Подробнее: https://lavkababuin.com/predstavlenie-znaniy-v-informacionnyh-sistemah-2-e- izd-ster-650564/

[4] Остроух, А. В. Интеллектуальные информационные системы и технологии

[Электронный ресурс] : монография / А. В. Остроух, А. Б. Николаев. Санкт-Петербург:

Лань, 2019. - 308 с.

В монографии изложены концептуальные основы и методы представления знаний в интеллектуальных системах. Рассмотрены различные подходы, применяемые при

проектировании и разработке интеллектуальных систем и технологий в

транспортном комплексе, а также рассмотрены тенденции развития систем

искусственного интеллекта.

Монография может быть использована для формирования профессиональной

компетентности студентов высших учебных заведений, аспирантов и научных сотрудников обучающихся и ведущих научные исследования в области разработки и

практического применения систем искусственного интеллекта по укрупнённой

группе направлений подготовки "Информатика и вычислительная техника".

Подробнее: https://www.labirint.ru/books/692861/

Ссылки на открытые ресурсы (он-лайн-курсы, видеоуроки и т.д.)

[5]

iСписок рекомендуемой литературы может быть более широким по сравнению со списком литературы, указанным в рабочей программе

09.04.01-УММ-М.1.2.5-ПИС-ЛК09-Онтологические модели представления знаний о предметной области. Применение

онтологий в решении профессиональных задач

Прикладные интеллектуальные системы

Конспект лекции 9. Онтологические модели представления знаний о

предметной области. Применение онтологий в решении профессиональных

задач

Аннотация: В лекции рассказывается о понятии онтологической модели представления знаний.

План лекции:

1.Определение понятия «онтология»

2.Структура онтологии

3.Классификация онтологий

4.Методы построения онтологий

5.Применение онтологий

6.Языки представления (Semantic web)

7.Существующие онтологические ресурсы

8.Задания для самостоятельной работы.

Ключевые слова: онтология, онтологические модели, классы, фреймы, понятия,

атрибуты, отношения, экземпляры, структура онтологии, классификация онтологий, языки представления онтологий

09.04.01-УММ-М.1.2.5-ПИС-ЛК09-Онтологические модели представления знаний о предметной области. Применение

онтологий в решении профессиональных задач

СОДЕРЖАНИЕ ЛЕКЦИИ:

1. Определение понятия «онтология»

Развитие наукоемких областей человеческой деятельности в современном обществе сопровождается возрастанием роли компьютерных технологий. Сейчас значительно увеличивается поток информации, появилась необходимость поиска новых способов ее хранения, представления, формализации и систематизации, а также

автоматической обработки. Таким образом, растет интерес к всеобъемлющим базам

знаний, которые возможно использовать для различных практических целей. Огромный интерес вызывают системы, способные без участия человека извлечь какие -либо сведения из текста. Как результат, на фоне вновь возникающих потребностей

развиваются новые технологии, призванные решить заявленные проблемы. Наряду с

World Wide Web появляется его расширение, Semantic Web, в котором гипертекстовые страницы снабжаются дополнительной разметкой, несущей сведения

о семантике включаемых в страницы элементов. Неотъемлемым компонентом Semantic

Web является понятие онтологии, описывающее смысл семантической разметки.

Вобщих чертах под онтологией понимается система понятий некоторой предметной

области, которая представляется как набор сущностей, соединенных различными

отношениями (подробнее см. раздел 1.1). Онтологии используются для формальной спецификации понятий и отношений, которые характеризуют определенную область

знаний. Преимуществом онтологий в качестве способа представления знаний является их формальная структура, которая упрощает их компьютерную обработку.

Можно говорить о неявном применении онтологий в качестве систем понятий в

естественных науках (биология, медицина, геология и другие), где они служат

своего рода фундаментом для построения теорий. Поскольку классификационная

структура (таксономия) является неотъемлемой частью любой онтологии, можно

говорить о присутствии элементов онтологий в специальных классификациях и

системах индексации (например, в библиотечных классификационных кодах).

Вявном виде онтологии используются как источники данных для многих

компьютерных приложений (для информационного поиска, анализа текстов,

извлечения знаний и в других информационных технологиях), позволяя более

эффективно обрабатывать сложную и разнообразную информацию. Этот способ

представления знаний позволяет приложениям распознавать те семантические

отличия, которые являются само собой разумеющимися для людей, но не известны

компьютеру.

Само понятие онтологии известно давно, но, будучи переосмысленным, оно стало применяться в компьютерных технологиях лишь недавно. Полноценная разработка

онтологий в новом смысле этого термина началось лишь в конце 90-х. Это достаточно новая и мало разработанная отрасль прикладной лингвистики. Большинство работ по

созданию и использованию онтологий проводится за рубежом, однако и в России

существует ряд исследователей, работающих в этой области, см. также работы по

онтологиям, опубликованные в России ([1], [3], [4], [6] и др.). Уже на данном этапе

09.04.01-УММ-М.1.2.5-ПИС-ЛК09-Онтологические модели представления знаний о предметной области. Применение

онтологий в решении профессиональных задач

создан ряд обширных онтологий, включающих несколько тысяч понятий: OMEGA,

SUMO, DOLCE и другие.

Онтологии широко используются во всех областях, занимающихся обработкой данных

на естественном языке. В связи с использованием онтологий в различных приложениях возникла необходимость создания стандартизированных способов их представления. Началось развитие разнообразных языков, которые могли бы применяться повсеместно во всех системах, самыми известными являются RDF и OWL. Возникло также большое количество редакторов для создания, пополнения и изменения онтологий. Каждое из этих средств обычно направлено на работу с

определенным форматом данных и обладает своими особенностями.

и других сущностей и отношений, связывающих их друг с другом. Можно сказать, что концептуализация – это абстрактное, упрощенное видение мира, который мы хотим

представить для каких-то целей. Таким образом, концептуализация расчленяет

какуюлибо область знаний, существующую в целостном виде, выделяет из этой области отдельные объекты, а затем формулирует отношения, свойственные для

данной области. Основная часть формально представленного знания базируется на концептуализации, каждая база знаний или система, основанная на знаниях, явно

или неявно связывается с какой-то концептуализацией.

Однако существует две различные трактовки природы концептуализации, их можно

охарактеризовать, как интенсиональную и экстенсиональную. Экстенсиональная

трактовка, которой придерживаются авторы работы , подразумевает, что каждое

понятие и отношение может исчерпывающе описываться перечислением

индивидуальных сущностей, к которым оно применимо. Н.Гуарино же считает эту

точку зрения узкой и обобщает ее, развивая интенсиональный подход. Он предлагает

идентифицировать понятия не через их перечисление, то есть экстенсионал, а через

их внутренние свойства и характеристики, так называемое «предполагаемое содержание». Этот универсальный подход дает специалисту возможность подводить

под одну и ту же концептуализацию разные положения вещей. Таким образом,

концептуализация становится относительно независимой от индивидуальных

сущностей, необходимым является лишь сохранение заданных типов отношений. Важно

внутреннее содержание понятий, а не перечисление соответствующих конкретных

индивидов.

Однако приведенное ранее определение, связанное с понятием

«концептуализации», является далеко не единственным. В литературе можно также

найти определение онтологии как «теории того, какие сущности могут существовать

в уме хорошо осведомленного (knowledgeable) агента» . Данное определение выявляет другой подход к этому понятию. Эта формулировка позволяет включать в

онтологию набор понятий, но не дает возможность задавать их структуру. Этот

пробел в определении особенно значим, так как в рамках искусственного

интеллекта в качестве синонима онтологии часто используется понятие

«терминология», а в ней структура безусловно содержится.

09.04.01-УММ-М.1.2.5-ПИС-ЛК09-Онтологические модели представления знаний о предметной области. Применение

онтологий в решении профессиональных задач

Объединением выше упомянутых дефиниций становится определение из работы ,

вводящее «онтологию», как «спецификация концептуализации на уровне

эксплицитных знаний, зависящее от предметной области или задачи, для которой она предназначена». Таким образом, онтология зависит от определенной точки зрения,

однако, как упоминает Н.Гуарино, как раз степень этой зависимости является

определяющим фактором для возможности ее многократного использования. А ведь

именно в возможности многократного использования онтологий видится их

значимость и ценность.

Вдругих определениях, приводимых Н.Гуарино, делается упор на иной аспект онтологий, и они определяются как соглашения о совместно используемых концептуализациях. При этом поясняется, что эти совместные концептуализации

включают в себя понятийные структуры для моделирования знания какой-то

предметной области. Это своего рода соглашение, какие схемы и теории использовать при описании предметной области. Таким образом, здесь проводится

разграничение понятий «онтология» и «концептуализация». Об онтологии говорится

уже не как о спецификации концептуализации, а лишь как о соглашении о

концептуализации. Однако степень детализации этого соглашения будет напрямую зависеть от предназначения конкретной онтологии и целей, поставленных перед исследователем.

Н. Гуарино упоминает еще один подход к определению «онтологии»:

«Онтология – это конкретный артефакт, созданный для выражения значений,

подразумеваемых у совместно используемой лексики». Здесь упоминается, что онтология предоставляет средства для передачи подразумеваемого значения. Н.Гуарино предлагает также определять онтологию, как «логическую теорию,

которая ограничивает подразумеваемые модели логического языка». Таким образом,

под онтологией понимается нечто большее, чем просто детализированный набор понятий и отношений. В онтологию включаются и ограничения, накладываемые на

отношения в рамках данной области. Это некоторый набор аксиом, который строится

на базе понятий и отношений между ними. Таким образом, например, в рамках

искусственного интеллекта можно описать онтологию программы, определив

множество объектов и связав их с описаниями, а также введя формальные аксиомы,

которые ограничивают интерпретацию и совместное употребление этих терминов.

Формально онтологию можно назвать формулировкой логической теории, некого

исчисления со своими правилами. Эта теория позволяет систематизировать категории действительности и/или выражаемые в языке значения. Следовательно,

такое определение онтологии можно считать более широким взглядом на данное

понятие, нежели предыдущие.

Вкачестве рабочего определения, наиболее приспособленного для целей

компьютерной лингвистики, можно взять дефиницию, предложенную Эдвардом Хови :

«Онтология – это структура данных с заданными в ней символами, позволяющими представлять концептуализации для обработки компьютерными программами».