Программа курса для направления 230200. 68 «Информационные системы. Программа Базы знаний»



Скачать 98.93 Kb.
Дата26.06.2016
Размер98.93 Kb.
ФЕДЕРАЛЬНОЕ АГЕНТСТВО ПО образованию

АСТРАХАНСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ

ФАКУЛЬТЕТ МАТЕМАТИКИ И ИНФОРМАЦИОННЫХ ТЕХНОЛОГИЙ

Кафедра информационных систем
ИНТЕЛЛЕКТУАЛЬНЫЕ ИНФОРМАЦИОННЫЕ СИСТЕМЫ

Программа курса

для направления 230200.68

«Информационные системы. Программа Базы знаний»

Автор составитель

к.ф.-м.н., доцент кафедры информационных систем Т.В.Панченко

Астрахань 2009



ПОЯСНИТЕЛЬНАЯ ЗАПИСКА
Целью курса является изучение основных методик разработки интеллектуальных информационных систем (ИИС) и развитие навыков применения полученных знаний в прикладных задачах управления, распознавания и прогнозирования.

В настоящее время ИИС, известные также под названием систем искусственного интеллекта, широко применяются в различных областях знаний. С помощью ИИС решаются задачи управления технологическим процессом, различные экспертные задачи, например, диагностика заболеваний, задачи распознавания звуковых и визуальных образов, прогнозирования в различных природных, экономических и социальных системах. С использованием ИИС для интернета строятся поисковые системы и системы защиты информации. Искусственный интеллект широко используется в компьютерных играх и обучающих программах. В теоретической науке ИИС строятся для автоматизации рассуждений и доказательства теорем. Основной задачей ИИС является создание системы, имитирующей процесс мышления и принятия решений человеком на основе неточной информации. В этом случае искусственный интеллект можно определить, как область компьютерной науки, занимающуюся автоматизацией разумного поведения. Для решения подобных задач существует множество подходов, среди которых можно выделить логический, эволюционный и эмерджентные подходы (системы интеллектуальных агентов). При разработке ИИС для некоторой поставленной задачи необходимо правильно выбрать и реализовать структуру представления входной и выходной информации, стратегию поиска в пространстве альтернативных решений и архитектуру, определяющую правила взаимодействия между компонентами ИИС. Для изучения дисциплины необходимо предварительно прослушать курс математической логики, программирования, дискретной математики и баз данных. Курс «интеллектуальные информационные системы» изучается после усвоения содержания курса «теоретические основы информационных процессов», поэтому предполагается наличие знаний и представлений об алгоритмах кодирования и обработки данных, информационных отношениях, автоматных преобразователях информации и языках. Содержание курса также связано с материалом курса «Технологии анализа данных».


Основные задачи курса

Основными задачами курса являются:

- дать представления о типах интеллектуальных информационных систем;

- сформировать знания о моделях представления знаний в ИИС;

- дать представления о многообразии нейронных сетей и прикладных задачах, в которых они используются;

- сформировать умения и навыки реализации типовых алгоритмов обучения нейронных сетей;

- дать представление о методах эволюционного программирования;

- сформировать навыки реализации оптимизации на основе генетических алгоритмов;

- дать представления об оперативном и интеллектуальном анализе данных и методах классификации и кластеризации данных;

- дать представление о структуре и способах реализации систем управления знаниями.


Основные знания, умения и навыки

После изучения курса магистрант должен

-знать модели представления знаний в ИИС;

-знать понятие нейрона Мак-Каллока-Питтса, нейронной сети, ее архитектуры и алгоритмов обучения с учителем и без учителя;

-уметь реализовывать обучение персептрона Розенблатта, сетей Хемминга, Хебба и Кохонена;

-знать основные алгоритмы эволюционного программирования;

- уметь реализовывать оптимизацию сложной функции с помощью генетических алгоритмов;

-знать методы классификации и кластеризации данных;

-знать и уметь реализовывать алгоритмы создания систем управления знаниями.

РАСПРЕДЕЛЕНИЕ

ЧАСОВ ПО ТЕМАМ И ВИДАМ УЧЕБНЫХ ЗАНЯТИЙ


Наименование тем



Количество аудиторных часов

Всего



в том числе по видам учебных занятий

Лекции


Практические,

семинарские

занятия


Лабораторные

занятия


1

2

3

4

5

Тема 1. Введение. Историческая справка. Типы интеллектуальных информационных систем. Модели представления знаний: онтологии, фреймы и системы продукций.
Тема 2-3. Нейронные сети.
Тема 4. Интеллектуальные способы обработки данных.
Тема 5. Эволюционное программирование.
Тема 6. Оперативный анализ данных.
Тема 7. Интеллектуальный анализ данных.
Тема 8. Системы управлениями знаний.




1

4
2


2

2

2



2




16

5
12

12


Итого аудиторных часов

60

15




45

Количество часов самостоятельной работы студентов

54











Всего часов

114









СОДЕРЖАНИЕ КУРСА

Тема 1. Введение. Историческая справка. Типы интеллектуальных информационных систем. Модели представления знаний: онтологии, фреймы и системы продукций.

Введение в предмет «интеллектуальные информационные системы» (ИИС). Исторические предпосылки создания теории ИИС. Основные достижения в работах российских и западных ученых.

Языки и технологии программирования для искусственного интеллекта: языки LISP и PROLOG.

Способы представления знаний. Тезаурусы. Таксономии. Онтологии. Базы знаний.

Модели представления знаний. Семантические сети и их классификация. Фреймы и концепция М.Минского организации памяти, понимания и обучения. Системы продукций (база правил).


Тема 2-3. Нейронные сети.
Машинное обучение на основе связей. Биологический нейрон. Строение нейрона Маккаллока-Питтса. Вычисление логических функций с помощью нейронов Маккаллока-Питтса. Виды функции активации нейрона. Архитектура (топология) нейронной сети. Классификация нейронных сетей и их свойства.

Обучение нейронных сетей с учителем. Алгоритм обучения персептрона Розенблатта. Проблема линейной разделимости. Алгоритм обратного распространения. Обучение без учителя. Алгоритм обучения Кохонена «победитель забирает все». Нейроны Гроссберга и сети встречного распространения. Синхронное обучение Хебба (с учителем и без). Ассоциативная память. Сети Хопфилда.

Применение нейронных сетей. Эффективность нейронных сетей.
Тема 4. Интеллектуальные способы обработки данных.

Разработка экспертных систем, основанных на правилах. Адаптивное планирование. Рассуждения в условиях неопределенности.


Тема 5. Эволюционное программирование.

Эволюционные алгоритмы. Генетические алгоритмы в оптимизации. Операторы генетического алгоритма (кроссинговер, мутация, селекция и т.д.). Структура и многообразие генетических алгоритмов.

Эмерджентное обучение, клеточные автоматы, игра «Жизнь»
Тема 6. Оперативный анализ данных.

Технология оперативной аналитической обработки данных OLAP (On-Line Analytical Processing). Гиперкубы данных. Операции над гиперкубом. Архитектура OLAP: системы MOLAP, ROLAP, HOLAP.


Тема 7. Интеллектуальный анализ данных.

Интеллектуальный анализ данных Data Mining. Паттерны проектирования. Основные задачи Data Mining. Структура процесса извлечения знаний в Data Mining.

Обработка текстовой информации Text Mining. Приложения Text Mining.

Методы Data Mining. Кластерный анализ, метод ближайшего соседа, метод k-ближайшего соседа. Статистические и кибернетические методы Data mining


Тема 8. Системы управлениями знаний.

Управление знаниями. Явные и неявные корпоративные знания. Структура процесса управления знаниями. Система управления знаний (Organizational Memory Information Systems – OMIS).

Поисковые системы и их структура. Критерии упорядочения документов в поисковых системах. Основные классы поисковых алгоритмов. Тюнинг и его характеристики.

Системы обработки текстовой информации. Типы данных в системах. Использование систем управления структурированными данными.


Лабораторный практикум

Обучение персептрона.

Однослойные нейронные сети. Алгоритм обучения персептрона Розенблатта для классификации данных с различными функциями активации. Обобщенное дельта-правило.



Обучение по методу обратного распространения.

Многослойные нейронные сети. Решение задачи «исключающего ИЛИ» методом обратного распространения на нейронных сетях с различной архитектурой. Сравнение скорости сходимости разных сетевых архитектур.



Конкурентное обучение.

Обучение без учителя. Обучение сети Кохонена для классификации данных методом «победитель забирает все». Сравнение полученных результатов с результатами обучения персептрона Розенблатта. Обучение сети встречного распространения.



Синхронное обучение Хебба.

Алгоритм Хебба обучения нейронной сети без учителя. Поведенческий принцип подкрепления. Обучение Хебба с учителем. Распознавание набора ассоциаций между образами. Распознавание цифр (цифры подаются НС по отдельности)



Нейронные сети ассоциативной памяти.

Типы ассоциативной памяти: гетероассоциативная, автоассоциативная и интерполятивная память. Аттракторные сети. Функция энергии сети. Решение задачи коммивояжера с помощью нейронной сети Хопфилда для 10 городов. Моделирование двунаправленной ассоциативной памяти и автоассоциативной памяти с помощью сетей Хопфилда.



Генетические алгоритмы.

Операторы генетических алгоритмов и их параметры (вероятности и т.п.). Применение генетических алгоритмов к тестовым функциям Растригина и Де Янга. Генетический алгоритм для решения задачи представимости в конъюктивной нормальной форме. Генетический алгоритм для задачи коммивояжера. Сравнение эффективности генетических алгоритмов с различными параметрами и структурой для задачи коммивояжера.



Алгоритмы классификации данных.

Алгоритм дерева решений. Метод ближайшего соседа. Метод k-ближайшего соседа. Классификация данных некоторой системы.



Алгоритмы кластеризации данных.

Иерархические алгоритмы кластеризации: Single-link и Complete-link. Метод минимального покрывающего дерева. Алгоритмы нечеткой кластеризации. Алгоритмы шкалирования. Кластеризация на основе нейронных сетей и генетических алгоритмов.



Алгоритмы поисковых систем.

Алгоритмы инвертированных файлов. Алгоритм суффиксных деревьев. Сигнатуры. Алгоритм прямого поиска.



Оценка качества поиска.

Тюнинг. Динамический и статический подход к решению задачи расширения запроса поиска. Тезаурус.



Системы принятия решения.

Метод анализа иерархий. Экспертные системы, основанные на правилах. Конечноавтоматные системы. Создание системы решения задач и эмоциональных реакций.




РЕКОМЕНДУЕМАЯ ЛИТЕРАТУРА


Основная литература

  1. Барсегян А.А., Куприянов М.С., Степаненко В.В., Холод И.И.. Технологии анализа данных: Data Mining, Visiul Mining, OLAP.СПб.: БХВ-Петербург, 2007

  2. Башмаков А. И., Башмаков И.А. Интеллектуальные информационные технологии. — М.: Изд-во МГТУ им. Н.Э. Баумана, 2005.

  3. Девятков В.В. Системы искусственного интеллекта. — М.: Изд-во МГТУ им. Н.Э. Баумана, 2001.

  4. Люгер Д. Искусственный интеллект: структуры и стратегии решений сложных проблем. М.: Вильямс. 2005.

  5. Рассел С. Норвиг П. Искусственный интеллект. Современный подход. М.: Вильямс. 2008.


Дополнительная литература

  1. Андрейчиков А.В., Андрейчикова О.Н. Анализ, синтез, планирование решений в экономике. — М.: Финансы и статистика, 2000.

  2. Гладков Л.А., Курейчик В.В, Курейчик В.М. Биоинспирированные методы в оптимизации. М.: Физматлит,2009

  3. Джарратано Д, Райли Гари. Экспертные системы. Принципы разработки и программирование. М.: Вильямс. 2007.

  4. Дэвид А. Форсайт, Джин Понс. Компьютерное зрение. Современный подход. М.: Вильямс. 2004.

  5. Карпов Ю.Г. Теория автоматов. СПб:-Питер, 2003

  6. Кнут Д. Искусство программирования: в 3-х т. М.:-Вильямс, 2000

  7. Круглов В.В., Дли М.И., Голунов Р.Ю. Нечеткая логика и нейронные сети. М.:- Физматлит, 2001

  8. Николенко С., Тулупьев А. Самообучающиеся системы. М.: МЦНМО 2009.

  9. Саати Т. Принятие решений. Метод анализа иерархий. — М.: Радио и связь, 1989

  10. Технологии анализа данных: Data Mining, Visual Mining, OLAP / А.А. Барсегян, М.С. Куприянов, В.В. Степаненко, И.И. Холод. — СПб, БХВ-Петербург, 2007.

  11. Хайкин С. Нейронные сети. Полный курс.М.: Вильямс. 2008

  12. Шампандар Алекс. Искусственный интеллект в компьютерных играх. М.: Вильямс. 2007.


База данных защищена авторским правом ©refedu.ru 2016
обратиться к администрации

    Главная страница