- •1. Определение и 2 направления развития искусственного интеллекта
- •2. Основные направления исследований в области ии
- •3)Моделирования биологических систем.
- •4. Условия для разработки и внедрения экспертных систем. Задачи, подходящие для создания экспертной системы.
- •Различие прототипов эс.
- •3. Интеллектуальные системы и признак структурированности задач.
- •Этапы проектирования эс: выбор проблемы. Коллектив разработчиков эс.
- •7. Основные программные блоки экспертной системы.
- •8. Этапы проектирования эс: оценка, стыковка и поддержка.
- •9. Различия бд и баз знаний
- •10. Продукционная модель знаний
- •11. Диагностические эс байесовского типа.
- •12. Семантические сети.
- •13. Фреймы.
- •14. Схема машины логического вывода. Особенности вывода на знаниях.
- •Стратегии получения знаний (извлечение, приобретение и формирование знаний).
- •Психологический аспект извлечения знаний.
- •Контактный слой:
- •Процедурный слой:
- •Когнитивный слой:
- •Лингвистический аспект извлечения знаний, общий код.
- •Проблема общего кода
- •Понятийная структура
- •Словарь пользователя
- •Текстологические и пассивные методы извлечения знаний.
- •Гносеологический аспект извлечения знаний, проблемы применения критериев научного знания.
- •Активные групповые методы извлечения знаний.
- •Активные индивидуальные методы извлечения знаний.
- •22. Структурирование знаний. Объектно–структурный подход и его свойства. Объектно-структурный анализ знаний о предметной области.
- •23. Алгоритм формирования поля знаний.
- •Уровни реализации моделей нейронных сетей (нс). Нейрокомпьютер. Сравнение архитектуры фон Неймана и архитектуры нейрокомпьютера.
- •Структура и свойства искусственного нейрона.
- •26. Типы нейронных сетей и типы нейронов в многослойной нс. Оценка числа нейронов в скрытых слоях.
- •27. Классы задач, решаемые нс. Примеры использования нс в различных предметных областях.
- •28. Определение и схема процесса обучения нс. От чего зависит качество обучения нс?
- •29. Алгоритм обратного распространения ошибки.
- •30. Обучение без учителя. Алгоритм Хебба.
- •Понятие самоорганизующейся нс. Настройка числа нейронов в скрытых слоях многослойной нс в процессе обучения.
- •1. Алгоритмы сокращения.
- •2. Конструктивные алгоритмы.
- •32. Нс с обратными связями (сеть Хопфилда и сеть Хемминга).
- •33. Когнитрон. Неокогнитрон.
- •34. Генетические алгоритмы. Отжиг.
- •35. Нечеткая логика. Лингвистическая переменная.
- •Основные понятия теории нечетких множеств: функция принадлежности, нечеткая переменная, нечеткое число.
13. Фреймы.
( a frame – рамка, каркас)
(Марк Минский)
Фрейм – это абстрактный образ для представления некоего стереотипа восприятия.
Фреймы, как модель, отражают концептуальную основу организации памяти человека.
Структура фрейма:
Фреймы:
- прототипы (не все поля заполнены)
- экземпляры (полностью заполненная рамка)
Модель Фрейма отличается тем, что есть набор процедур.
Способы получения слотом знаний:
По умолчанию от фрейма – прототипа
По ф-ле, указанной в слоте
Из БД
Явно из диалога с пользователем
Наследование свойств
Через присоединённую процедуру – это определённый программный модуль
Процедуры – демоны (добавить, удалить, изменить)
Процедуры – слуги (по запросу)
Кроме того, что можно работать с помощью различных способов, еще создана система разных фреймов для описания объектов.
Типы фреймов:
№ |
Тип фрейма |
Банк |
1 |
Фреймы– структуры |
Заём, залог, вексель |
2 |
Фреймы – роли |
Кассир, менеджер, охранник |
3 |
Фреймы– сценарии |
Ежегодное собрание акционеров |
4 |
Фреймы- ситуации |
Пожар, ограбление |
«+» Гибкость и наглядность
«-» по возможности организации логического вывода фреймы занимают промежуточное положение между продукционной моделью и семантическими сетями.
14. Схема машины логического вывода. Особенности вывода на знаниях.
Машина логического вывода – это программа, управляющая набором правил.
МЛВ:
- компонента вывода (если А, то В), прямой и обратный вывод
- управляющая компонента ( сопоставление, выбор, срабатывание, действия)
МЛВ работает циклически – один цикл – одно правило.
Циклический вывод включает в себя обратный вывод + ограниченный прямой.
Сопоставление образцов – правил с имеющимися фактами
Выбор по заданному критерию – из нескольких правил выбирается одно
При срабатывании правила работает компонента вывода: от фактов, содержащихся в одной части правила, переходим к фактам другой части правил
В результате промежуточного действия в БД добавляются факты, полученные при срабатывании правила.
Стратегии получения знаний (извлечение, приобретение и формирование знаний).
Можно выделить три стратегии проведения стадии получения знаний при разработке экспертных систем (извлечение, приобретение, формирование).
Извлечение знаний - это процедура взаимодействия эксперта с источником знаний, в результате которой становятся явными процесс рассуждений специалистов при принятии решения и структура их представлений о предметной области.
Трудности:
организационные неувязки, неудачный метод извлечения, не совпадающий со структурой знаний в данной области,
неадекватная модель для представления знаний,
неумение наладить контакт с экспертом,
терминологический разнобой,
отсутствие целостной системы знаний в результате извлечения только фрагментов,
упрощение «картины мира» эксперта.
Процесс извлечения знаний - это длительная и трудоемкая процедура, в которой инженеру по знаниям, вооруженному специальными знаниями необходимо воссоздать модель предметной области, которой пользуются эксперты для принятия решения.
Чтобы разобраться в природе извлечения знаний, выделяют три основных аспекта этой процедуры: психологический, лингвистический, гносеологический,
Приобретение знаний – это процесс наполнения базы знаний экспертом и использование специализированных программных средств.
Формирование знаний – процесс анализа данных и выявления скрытых закономерностей с использованием специального математического аппарата и программных средств.