Главная
страница 1



Федеральное агентство по образованию

ГОУ ВПО «Кемеровский государственный университет»

Кафедра ЮНЕСКО по Новым информационным технологиям
«Утверждаю»

Декан математического факультета


________________ Н.Н. Данилов

« » 20 г.


РАБОЧАЯ ПРОГРАММА




по курсу "Системы искусственного интеллекта"

Специальность: 351500.65 «Математическое обеспечение и администрирование информационных систем», ДС.Ф.07

Факультет: Математический


Курс: IV




Семестр: 7










Лекции: 36

Зачет: 7 семестр

практические занятия:




лабораторные занятия: 18




КСР: 2




самостоятельные занятия: 48




Всего часов: 108




Составитель: Григорьева И.В.



Кемерово, 2008




Рабочая программа дисциплины федерального компонента цикла ДС.Ф.07 «Системы искусственного интеллекта» составлена на основании Государственного образовательного стандарта высшего профессионального образования второго поколения по специальности 010503 «Математическое обеспечение и администрирование информационных систем», утвержденном 10 марта 2000 г., № 72 мжд/ СП.

Рабочая программа обсуждена на заседании кафедры

Протокол №_____от «_____»_________200__г.

Зав.кафедрой ____________________________ К.Е. Афанасьев
Одобрено методической комиссией

Протокол №_____от «_____»_________200__г.

Председатель ____________________________
1.Пояснительная записка

Рабочая программа полностью соответствует Государственному образовательному стандарту высшего профессионального образования второго поколения по специальности 010503 «Математическое обеспечение и администрирование информационных систем».


Актуальность и значимость дисциплины. Данная дисциплина принадлежит циклу дисциплин специальности. Курс посвящен обзору тематики систем искусственного интеллекта, базирующихся на идее интеллектуального агента. Курс позволяет студентам получить представление о такой сложной и многогранной и динамично развивающей области знаний как искусственный интеллект.
Цель и задачи изучения дисциплины. Главная цель преподавания курса - формирование у студентов общего представления о задачах, методах и подходах, используемых в искусственном интеллекте.

Объектами изучения в данной дисциплине являются интеллектуальные агенты. Искусственный интеллект определяется как наука об агентах, которые получают результаты актов восприятия из своей среды и выполняют действия, при этом каждый агент реализует функцию, которая отображает последовательность актов восприятия в действия. В рамках курса рассматриваются различные способы представления этих функций.

Основными задачами изучения дисциплины являются:


  • знакомство с тематикой искусственного интеллекта

  • знакомство с методологиями, применяемыми интеллектуальными агентами в задачах поиска

  • ознакомление с технологиями машинного зрения

  • изучение использования нейронных сетей в задачах распознавания образов

  • знакомство с основными принципами построения экспертных систем и систем, основанных на знаниях

  • знакомство с подходами к представлению знаний в интеллектуальных системах

  • ознакомление с методами разбора и понимания естественного языка, а также машинного перевода


Место дисциплины в профессиональной подготовке специалистов.

Данный курс является обзорным и призван сформировать представление студентов об области знаний называемой искусственным интеллектом. Курс рассчитан на студентов-математиков, имеющих подготовку по математике и информатике в объеме программы средней школы. В течение преподавания курса предполагается, что студенты знакомы с основными понятиями алгебры, комбинаторики, логики, информатики, теории вероятностей, которые читаются на факультете перед изучением данной дисциплины, а также владеют любым императивным языком программирования (Паскаль, С/С++) и декларативными языками программирования Пролог и Лисп.


Требования ГОС ВПО к обязательному минимуму содержания дисциплины.

Индекс

Наименование дисциплин и их основные разделы

Всего

часов

ДС

дисциплины СПЕЦИАЛЬНОСТИ




ДС.Ф.00

Федеральный компонент




ДС.Ф.07

СИСТЕМЫ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА


Задачи и методы их решения: поиск в пространстве состояний, редукция, дедуктивный вывод; продукционные системы: компоненты, стратегия решений, организация поиска; метод ключевых состояний и ключевых операторов, метод анализа средств и целей; представление знаний в интеллектуальных системах: понятийное, на правилах, с помощью логик, семантические сети, фреймы, сценарии; базы знаний; планирование в интеллектуальных системах; примеры автоматического построения планов решения задач; экспертные системы: взаимодействие пользователя с системой, принятие решений; системы понимания естественного языка, машинный перевод; зрительное восприятие мира: системы машинного зрения, распознавание образов, зрительные системы интеллектуальных роботов; обучение в интеллектуальных системах.





Структура учебной дисциплины. Дисциплина включает четыре крупных раздела. Первый раздел включает в себя две лекции. В этом разделе описывается история возникновения и развития отрасли знаний под названием системы искусственного интеллекта, дается обзор направлений, рассматриваемых в рамках данного курса, вводится понятие интеллектуального агента, также дается классификация интеллектуальных агентов. Второй раздел, состоящий из семи лекции, посвящен агентам, осуществляющим поиск в пространстве состояний. Рассматривается формализм пространства состояний, методы поиска в пространстве состояний, а также формализм И/ИЛИ-графов (метод редукции целей), связанный с формализмом поиска в пространстве состояний. В качестве примера агентов, осуществляющих поиск, рассматриваются агенты, осуществляющие поиск выигрышной стратегии в играх с полной информацией. Также в этом разделе рассматриваются методы автоматического и полуавтоматического составления расписаний. Третий раздел из четырех лекции посвящен системам машинного зрения и распознаванию образов с помощью нейронных сетей. Технологии машинного зрения даются обзорно, нейронные сети рассматриваются более подробно. Дается введение в методологию использования нейронных сетей. Четвертый раздел из четырех лекций посвящен экспертным системам и системам, основанным на знаниях. В этом разделе вводятся определения экспертных систем и систем, основанных на знаниях, рассматриваются примеры таких систем, описываются функции экспертных систем. Кроме того, в этом разделе рассматриваются вопросы представления знаний в подобных системах, описываются продукционные системы, фреймы и сети фреймов, а также вопросы представления неопределенностей знаний и данных с помощью нечеткой логики. Отдельная лекция посвящена вопросам понимания естественного языка и машинного перевода.
Особенности изучения дисциплины. Особенностью курса является то, что курс является обзорным, содержит большое количество новых понятий. В рамках лабораторных занятий уделяется внимание лишь некоторым темам, рассматриваемым в рамках теоретического курса. Лабораторные занятия по методам поиска в пространстве состояний, генетическим алгоритмам, а также экспертным системам посвящены решению игровых задач, которые являются традиционным полигоном для апробации методов искусственного интеллекта. Лабораторные занятия по теме нейронные сети посвящены решению задач классификации и распознавания образов с использованием нейронных сетей.
Форма организации занятий по дисциплине. По дисциплине читаются лекции в течение одного семестра по два часа в неделю. В течение одного семестра лабораторные занятия в объеме одного часа в неделю в компьютерном классе. По всем лабораторным работам студентам необходимо оформить отчет, в котором приводятся решения задач на дом по данной лабораторной работе.
Требования к уровню усвоения содержания материала. В результате изучения курса студенты должны усвоить основные теоретические и практические вопросы, определенные содержанием дисциплины. Получить представление о предмете исследования и методах искусственного интеллекта.
Виды контроля знаний и их отчетности. По разделам основной части курса предусмотрены тесты в конце каждой лекции, по результатам выполнения лабораторных работ оформляются отчеты, контрольная работа, итоговый тест. По итогам изучения курса предусмотрен зачет.
Критерии оценки знаний студентов. Для получения зачета необходимо:

  • получение положительных оценок по всем тестам в конце лекций

  • представление отчетов по лабораторным работам

  • выполнение контрольной работы на положительную оценку

  • выполнение итогового теста не менее чем на 75%


2.Тематический план



Название и содержание разделов, тем, модулей

Объем часов

Формы контроля

Общий

Аудиторная работа

Самостоятельная работа (в часах)

лекции

практические

1

2

3

4

5

6

7

Очная форма обучения



Введение в ИИ

2

2

0

0

тестовые задания



Интеллектуальные агенты

2

2

0

0

тестовые задания



Поиск в пространстве состояний

12

2

4

6

тестовые задания,

контрольная работа, отчет по лабораторной работе





Информированный поиск в пространстве состояний

14

2

2

10

тестовые задания, семестровая работа, отчет по лабораторной работе



Выбор эвристической функции

6

2

0

4

тестовые задания, семестровая работа



Алгоритмы локального поиска и задачи оптимизации

20

2

2

10

тестовые задания, семестровая работа, отчет по лабораторной работе



Редукция целей: И/ИЛИ-графы

2

2

0

0

тестовые задания



Игры

2

2

0

0

тестовые задания



Решение задач планирования

2

2

0

0

тестовые задания



Зрительное восприятие мира

10

2

0

6

тестовые задания



Введение в нейронные сети

2

2

2

0

тестовые задания, отчет по лабораторной работе



Распознавание образов. Алгоритм обратного распространения ошибок

2

2

2

0

тестовые задания,

контрольная работа, отчет по лабораторной работе





Распознавание образов. Сети Кохонена и Хопфилда

2

2

4

0

тестовые задания,

контрольная работа, отчет по лабораторной работе





Экспертные системы

2

2

2

0

тестовые задания, отчет по лабораторной работе



Системы, основанные на знаниях, продукционные системы

7

2

0

3

тестовые задания,

контрольная работа





Представление неопределенности знаний и данных

7

2

0

3

тестовые задания,

контрольная работа





Представление знаний: ассоциативные сети и системы фреймов

7

2

0

3

тестовые задания,

контрольная работа





Системы понимания естественного языка

7

2

0

3

тестовые задания,

контрольная работа






Итого:

108

36

18

48







  1. Содержание дисциплины

3.1 Содержание теоретического курса

  1. Введение в ИИ. Основные понятия и определения. Предыстория и история ИИ. Современное состояние разработок.




  1. Интеллектуальные агенты. Понятие рациональности. Агенты и варианты среды. Качественное поведение. Показатели производительности. Определение проблемной среды. Классификация проблемных сред по набору свойств: полностью или частично наблюдаемая, детерминированная или стохастическая, эпизодическая или последовательная, статическая или динамическая, дискретная или непрерывная. Примеры сред. Структура и программа интеллектуальных агентов. Виды агентов: простые рефлексные агенты, рефлексные агенты, основанные на модели, агенты на основе цели и агенты на основе полезности. Обучающиеся агенты. Примеры интеллектуальных агентов.




  1. Поиск в пространстве состояний. Упрощенные и реальные задачи. Измерение производительности решения задачи. Слепые методы поиска решений. Поиск с частичной информацией. Поиск в отсутствие датчиков, понятие доверительного состояния. Поиск в пространстве доверительных состояний.




  1. Информированный поиск в пространстве состояний. Понятие эвристической функции. Жадный поиск. Поиск А*: минимизация суммарной оценки стоимости решения. Реализация эвристического поиска на Прологе.




  1. Выбор эвристической функции при поиске в пространстве состояний. Понятия допустимой и преемственной эвристической функции. Зависимость производительности поиска от точности эвристической функции. Понятие эффективного коэффициента ветвления. Понятие доминирующей эвристической функции. Способы определения эвристической функции: использование ослабленной задачи.




  1. Алгоритмы локального поиска и задачи оптимизации. Поиск с восхождением к вершине. Поиск с эмуляцией отжига. Локальный лучевой поиск. Генетические алгоритмы для задач поиска в пространстве состояний.




  1. Редукция целей: И/ИЛИ-графы. Представление задач в виде И/ИЛИ–графов, примеры И/ИЛИ -представления задач. Формулировка игровых задач в терминах И/ИЛИ–графов. Эвристические оценки и алгоритм поиска для И/ИЛИ-графов.




  1. Игры. Игры двух лиц с полной информацией. Представление игровых задач в виде И/ИЛИ-графов. Минимаксный принцип. Альфа—бета алгоритм: эффективная реализация минимаксного принципа. Представление игр с элементом случайности в виде И/ИЛИ графов. Карточные игры. Нарды. История и современное состояние игровых программ для различных игр.




  1. Решение задач планирования. Примеры задач планирования, язык планирования. Решение задач планирования с помощью поиска в пространстве состояний: прямой и обратный поиск. Планирование с помощью пропозиционной логики. Анализ подходов к планированию.




  1. Зрительное восприятие мира. Получение изображения. Этапы обработки изображения в системах машинного зрения, распознавание объектов.




  1. Введение в нейронные сети. История развития и области применимости НС. Основные компоненты НС. Правило распространения сигналов в сети. Правило вычисления сигнала активности. Простейшее правило обучения, корректирующее связи. Функция выбора решения. Корректировка весов. Минимизация квадрата ошибки. Линейные и нелинейные задачи.




  1. Распознавание образов. Алгоритм обратного распространения ошибок. Теоретические соображения. Примеры и практические рекомендации. Использование сети с обратным распространением ошибок для задач классификации образов. Сети с радиальными базисными функциями.




  1. Распознавание образов. Сети Кохонена и Хопфилда. Основные идеи. Самоорганизующаяся карта признаков. Алгоритм работы СКП. Обучение сети СКП. Примеры использования СКП. Дискретные сети Хопфилда.

  2. Экспертные системы. Смысл экспертного анализа и роль ЭС. Характеристики экспертных систем. Базовые функции экспертных систем. Представление знаний : принципы и методы. Медицинская экспертная система MYCIN. Оценка качества ЭС.




  1. Представление неопределенности знаний и данных. Источники неопределенности. Экспертные системы и теория вероятностей. Условная вероятность для представления неопределенностей: преимущества и недостатки. Коэффициенты уверенности, отличие от условных вероятностей. Использование нечетких множеств и нечеткой логики для представления неопределенностей. Теория возможности.




  1. Системы, основанные на знаниях, продукционные системы. Канонические системы. Системы порождающих правил для решения задач. Структура продукционных систем. Управление функционированием интерпретатора. Разрешение конфликтов. Прямая и обратная цепочки рассуждений. Правила и метаправила.




  1. Представление знаний: ассоциативные сети и системы фреймов. Графы, деревья и сети. Семантические и ассоциативные сети. Разделение видов узлов и когнитивная экономия. Анализ адекватности ассоциативных сетей. Представление типовых объектов и ситуаций. Основные понятия концепции фреймов. Фреймы и графы. Множественное наследование.




  1. Системы понимания естественного языка. Синтаксический анализ. Семантическая интерпретация. Неоднозначность и устранение неоднозначности. Понимание речи и машинный перевод.


3.2 Содержание лабораторных занятий

  1. Слепые методы поиска в пространстве состояний

  2. Поиск в пространстве доверительных состояний.

  3. Эвристический поиск в пространстве состояний.

  4. Генетические алгоритмы.

  5. Нейронные сети. Обучение сети по правилу Видроу-Хоффа.

  6. Нейронные сети. Правило обратного распространения ошибки.

  7. Нейронные сети Кохонена. Самоорганизующиеся карты признаков.

  8. Дискретные сети Хопфилда.

  9. Системы, основанные на знаниях на примере игры Дарвин.



п/п

Тема занятия

Задания

В аудитории

Дома

1

Слепые методы поиска в пространстве состояний

Проведите эксперименты с различными методами поиска применительно к задаче планирования в "мире кубиков".

1. Реализуйте процедуру поиска в глубину (с обнаружением циклов) вглубину1( ПутьКандидат, Решение) отыскивающую решающий путь Решение как продолжение пути ПутьКандидат. Используйте ее для решения задачи в "мире кубиков". Оба пути представляйте списками вершин, расположенных в обратном порядке так, что целевая вершина окажется в голове списка Решение.

2. Используйте программу поиска в ширину, использующую представление путей-кандидатов в виде списков, для решения задачи в "мире кубиков".

3. Напишите процедуру отобр(Ситуация) для отображения состояния задачи "перестановки кубиков". Пусть Ситуация - это список столбиков, а столбик, в свою очередь, - список кубиков. Цель отобр( [ [a], [e, d], [с, b] ] )

должна отпечатать соответствующую ситуацию в удобном для восприятия виде.



Реализуйте процедуру поиска в глубину, сочетающую в себе обнаружение циклов с ограничением глубины.

Используйте ее для решения задачи игры в 8 из различных начальных состояний. Всегда ли удается найти решение?

Напишите процедуру отобр(Ситуация) для понятного отображения состояния задачи игры в 8.

Используйте программу поиска в ширину с представлением путей-кандидатов в виде списков, для решения задачи игры в 8.



2

Поиск в пространстве доверительных состояний

Рассмотрите мир пылесоса без датчиков, с двумя местоположениями, подчиняющийся закону Мэрфи.

Нарисуйте пространство доверительных состояний, достижимых из начального доверительного состояния {1,2,3,4,5,6,7,8},и объясните, почему эта задача неразрешима.

Покажите, что если бы этот мир был полностью наблюдаемым, то существовала бы последовательность решения для каждого возможного начального состояния.

Рассмотрите задачу в мире пылесоса, с двумя местоположениями. Какой из алгоритмов слепого поиска был бы подходящим для решения этой задачи? Должен ли этот алгоритм проверять наличие повторяющихся состояний?

Примените выбранный вами алгоритм для вычисления оптимальной последовательности действий в мире с размером 3x3, в начальном состоянии которого в трех верхних квадратах имеется мусор, а агент находится в центре.


Сконструируйте агента, выполняющего поиск в этом мире пылесоса, и оцените его работу в множестве миров с размером 3x3, характеризующемся вероятностью наличия мусора в трех различных квадратах.


3

Эвристический поиск в пространстве состояний

Определите отношения после, цель и  h  для задачи поиска маршрута. Посмотрите, как наш алгоритм поиска с предпочтением будет вести себя при решении этой задачи.

Нарисуйте свою, более сложную карту, состоящую не менее чем из 10 город, соединенных сложной системой дорог. Протестируйте на ней получившийся алгоритм. Действительно ли получившееся решение является оптимальным?



3. На основе кода, представленного в лекции 4, реализуйте алгоритм жадного поиска.

4. Протестируйте реализацию на задаче о поиске оптимального маршрута с ранее нарисованной картой. Докажите экспериментально, что данный алгоритм не является полным и оптимальным.



4

Генетические алгоритмы

1. Пусть дано N бинарных последовательностей (т.е. элементы последовательностей - нули и единицы) длины k; их можно рассматривать как запись в двоичной форме некоторых натуральных чисел. Найти максимальное число, двоичную запись представляют последовательности. Ответ выдать в виде бинарной последовательности.

2. Рассмотрите диофантово уравнение: a+2b+3c+4d=30, где a, b, c и d - некоторые положительные целые (очевидно, 1 <= a,b,c,d <= 30). Реализуйте генетический алгоритм, описанный в лекции 6, для нахождения искомого решение (a, b, c, d).

5

Нейронные сети. Обучение сети по правилу Видроу-Хоффа.

1. Для данных, представленных в таблице, начертите на глаз несколько прямых, которые могут соответствовать этим данным. Запишите уравнения этих прямых.


X

Требуемый вывод

0.30

1.60

0.35

1.40

0.40

1.40

0.50

1.60

0.60

1.70

0.80

2.00

0.95

1.70

1.10

2.10

2. Для этих же данных найдите уравнение прямой методом наименьших квадратов.

3. Для этих же данных и заданных начальных весовых коэффициентов вывод=0.5х+0.5 вычислите новую прямую после одного прохода через данные, используя правило обучения Видроу-Хоффа с нормой обучения, равной 0.3.


4. Представьте прямую, найденную в упражнении 2, в виде ввод(x,y)=mx-y+c. Для каждой точке в таблице найдите выходное значения, используя двоичную пороговую функцию активности. Реализуйте нейронную сеть для вычисления значений ввода.

6

Нейронные сети. Правило обратного распространения ошибки.

1. На рисунке показана сеть с обратным распространением ошибок во время обработки учебного вектора [1.0 0.9 0.9], для которого целевым выходным вектором является [0.1 0.9 0.1]. Пусть выходом элемента В является значение 0.6, а выходом элемента С — значение 0.8. Предположим, что функцией активности является сигмоид.

а) Вычислите фактический выходной вектор.

b) Вычислите значения ошибок для каждого выходного элемента.

c) Вычислите значения ошибок для каждого скрытого элемента.




с) Вычислите изменения весовых значений для связей, идущих; oт элемента А. Норма обучения предполагается равной 0.25.

2. Предположим, что точки {(-1,1), (-1,-1), (1,-1)} принадлежат классу А, а точки ((-2, -2), (1, 1), (2, 2), (4, 1)} — классу В.

(а) Докажите, что эти классы не являются линейно отделимыми.

(б) Предположив, что выход элементов сети задается условием

1, если комб. ввод >= 0

выход=


0, если комб. ввод < 0

покажите, что определенный ниже матрицей W1 первый слой весовых значений в сети с тремя слоями преобразует проблему в линейную (первая строка матрицы W1| определяет весовые, коэффициенты смешения):



(в) Определите значения второго слоя весов так, чтобы сеть правильно классифицировала указанные выше образцы. Предположите, что сеть имеет один выходной элемент.

3. Покажите, что сеть с радиальными базисными функциями из примера 5 (презентация лекции) может решить проблему XOR, если значения первого слоя весов установить равными

4. Постройте второй слой весов для решения упражнения 5. Предположите наличие смешения для выходного элемента.



5. Повторите вычисления упражнения 1 для целевого выходного вектора (0.1 0.9 0.9).

6. Точки ((4,-1), (8,-2), (1, 1), (3,6)) принадлежат классу А, а точки {(-8,4), (-2,-3), (-1,-1). (2,-9)} — классу В. Постройте минимальную сеть, правильно классифицирующую эти точки.

7. Определите сеть с радиальными базисными функциями, решающую проблему XOR, в предположении, что функции активности скрытых элементов имеют вид .


7

Нейронные сети Кохонена. Самоорганизующиеся карты признаков.


1. Векторы x, p1 и p2 являются следующими: х = [0.2, -1.4, 2.3], p1 = [0.6, -4.0, 7.0], p2 = [0.1, -1.0, 2.2]

  1. К какому из прототипов оказывается ближе всего вектор x в смысле евклидова расстояния?

  2. К какому из прототипов оказывается ближе всего вектор x в смысле скалярного произведения?

  3. Скорректируйте весовой вектор прототипа-победителя из п.(а) в соответствии с алгоритмом обучения SOFM при норме обучения 0.8.

  4. Скорректируйте весовой вектор прототипа-победителя из п.(а) в соответствии с алгоритмом обучения SOFM для случая использования скалярного произведения при норме обучения 0.8.

2. Норма обучения в сети SOFM уменьшается в течение первых 1000 итераций по закону



где n обозначает номер итерации.

  1. Сколько итераций будет выполнено прежде, чем норма обучения уменьшится до значения 0.003?

  2. Почему указанный закон не является хорошим выбором?




3. Повторите вычисления упражнения 1 для следующих векторов: x = [0.2, -1.4, -0.3, 0.8], p1 = [0.3, -3.0, 1.0, 0.2], p2 = [0.4, -1.4, -2.0, 3.0]


8

Дискретные сети Хопфилда.

1. Определите весовые значения сети Хопфилда, соответствующие сохранению образца [1 1 1 -1].

2. Для сети из упражнения 1 рассмотрите подсказку в виде входного образца [1 1 1-1] и проверьте, стабилизируется ли сеть на сохраненном образце.

3. Повторите вычисления упражнения 2 для образца [-1 -1 1 -1].

4. Сколько образцов можно вызвать из сети Хопфилда, если каждый сохраненный вектор имеет 10 элементов?

5. (а) Определите весовые значения сети Хопфилда для сохранения следующих образцов: [ -1, 1, -1, -1, 1, -1, -1, -1], [ -1, -1, 1, -1, -1, -1, 1, -1].

(б) Проверьте устойчивость сети при предоставлении ей на вход в качестве подсказок сохраненных образцов.

(в) Проверьте устойчивость сети при предоставлении ей на вход в качестве подсказок следующих образцов: [-1, 1, -1, -1, 1, -1, -1, 1], [ -1, 1, 1, -1, 1, -1, -1, -1].


Определите весовые значения сети Хопфилда для сохранения следующих образцов: [-1, 1, -1, -1, 1, -1, -1, -1], [-1, -1, 1, -1,-1,-1,1,-1], [1,-1,-1,1,-1,1,-1,-1]. Проверьте устойчивость сети при предоставлении ей на вход в качестве подсказки первого сохраненного образца.

9

Системы, основанные на знаниях на примере игры Дарвин

Рассмотрите и реализуйте систему Дарвин, представленную в презентации.

Дополните систему обосновывающими ответ функциями ЧТО_ЗНАЕШЬ_ОБ, ПОЧЕМУ_СПРАШИВАЕШЬ



3. Дополните систему обосновывающими ответ функциями КАК_РЕШИЛ_ЧТО.



  1. Учебно-методические материалы по дисциплине


Электронные конспекты лекций в формате MS PowerPoint. Тексты лабораторных заданий в формате MS Word.

Основная литература


  1. Братко И. Программирование на языке Пролог для искусственного интеллекта [Текст]/ И.Братко – М.: "МИР", 1990.

  2. Рассел С., Норвиг П. Искусственный интеллект: современный подход [Текст]/ С.Рассел - М: Издательский дом "Вильямс", 2007. – 1408 c.

  3. Джексон П. Введение в экспертные системы [Текст]/ П.Джексон – М.: Вильямс, 2001 - 624 с.

  4. Калан Р. Основные концепции нейронных сетей. [Текст]/Р. Калан - М., С-Пб, Киев: Вильямс, 2003 – 287 с.

Дополнительная литература


  1. Братко И. Алгоритмы искусственного интеллекта на языке PROLOG (Пролог) [Текст]/ И. Братко - М.: Вильямс, 2005 - 640 с.

  2. Сотник С.Л., Проектирование систем искусственного интеллекта [Электронный ресурс]/ С.Л. Сотник – Интернет-университет информационных технологий (http://www.intuit.ru/department/expert/artintell/).

  3. Яхъяева Г.Э. Основы теории нейронных сетей [Электронный ресурс]/Г.Э. Яхъяева - Интернет-университет информационных технологий (http://www.intuit.ru/department/ds/neuronnets/).

  4. Яхъяева Г.Э., Основы теории нечетких множеств [Электронный ресурс]/ Г.Э. Яхъяева – Интернет-университет информационных технологий (http://www.intuit.ru/department/ds/fuzzysets/).

  5. Барский А.Б., Логические нейронные сети
    [Электронный ресурс]/ А.Б. Барский – Интернет-университет информационных технологий (http://www.intuit.ru/department/ds/logneuronnets/).

  6. Джонс М.Т. Программирование искусственного интеллекта в приложениях [Текст]/ М.Т. Джонс - ДМК Пресс, 2004 - 312 с.

  7. Рутковская Д., Нейронные сети, генетические алгоритмы и нечеткие системы [Текст]/ Д. Рутковская Горячая Линия - Телеком ,· 2004 - 452 стр.

  8. Широчин В., Архитектоника мышления и нейроинтеллект. Программирование доверия в эволюции интеллекта [Текст]/ В. Широчин – Юниор, 2004 - 560с.

  9. Джозеф Д., Гари Р. Экспертные системы: принципы разработки и программирование, 4-е издание [Текст]/ Д. Джозеф, Р. Гари – Вильямс, 2006 -1152с.

  10. Люггер Д. Искусственный интеллект: стратегии и методы решения сложных проблем [Текст]/ Д. Люггер – Вильямс, 2003 - 864с.

  11. Жданов А. Автономный искусственный интеллект [Текст]/ А. Жданов - Лаборатория Базовых Знаний, 2008 - 360с.

  12. Сегаран Т. Программируем коллективный разум [Текст]/ Т. Сегаран - Символ-Плюс, 2008 - 368с.

  13. Системы искусственного интеллекта. Практический курс [Текст]/ Бином. Лаборатория знаний, 2008 - 296с.

  14. Уоссермен Ф. Нейрокомпьютерная техника: Теория и практика. [Текст]/ Ф. Уоссермен - М: Мир, 1992 - 221с.

  15. Круглов В.В., Дли М.И., Голунов Р.Ю. Нечеткая логика и искусственные нейронные сети [Текст]/ В.В. Круглов, М.И.Дли, Голунов Р.Ю. - ФИЗМАТЛИТ, 2001 - 224с.


Список основной учебной литературы

Сведения об учебниках

Количество экземпляров в библиотеке на момент утверждения программы

Наименование,гриф

Автор

Год издания

Программирование на языке Пролог для искусственного интеллекта

Братко И.

1990

4

Искусственный интеллект: современный подход

Рассел С., Норвиг П.

2007

0

электронный вариант



Введение в экспертные системы

Джексон П.

1980

0

Основные концепции нейронных сетей

Калан Р.

2003

0


  1. Формы текущего, промежуточного и рубежного контроля



Контрольная работа

  1. Определите на Прологе описание состояния для задачи об игре в 8, а также описание и реализацию отношения следования после(ИсхСост, СледСост) для выбранного вами представления состояния.

  2. Определите весовые значения сети Хопфилда для сохранения следующих образцов: [ -1, 1, 1, 1, 1], [ -1, -1, 1, 1, 1].


Вопросы к коллоквиуму

  1. Определение и область применения искусственного интеллекта.

  2. Представление задач: предметная область, сущности, отношения, суждения, языки представления знаний.

  3. Методы решения задач: планирование в пространстве состояний и планирование в пространстве задач.

  4. Поиск в пространстве состояний: граф пространства состояний, проблемные ситуации, разрешенные ходы, представление решения в пространстве состояний.

  5. Слепые методы поиска в пространстве состояний, понятие комбинаторной сложности.

  6. Эвристический поиск в пространстве состояний.

  7. Метод редукции задач, и/или-графы.

  8. Игры с полной информацией: представление в виде и/или-графа, позиции игрока, позиции противника.

  9. Минимаксный принцип поиска в игровых задачах: основной вариант, статические и рабочие оценки.

  10. Составление расписаний с использованием поиска в пространстве состояний.

  11. Экспертные системы, системы, основанные на знаниях.

  12. Базовые функции экспертных систем.

  13. Символические вычисления: символы, синтаксические правила, правила трансформации, списки, точные пары.

  14. Продукционные системы (системы основанные на знаниях): грамматика и архитектура продукционных систем.

  15. Продукционные системы: недетерминированный набор правил, разрешение конфликтов, конфликтующее множество, метаправила.

  16. Представление неопределенностей знаний и данных: коэффициенты уверенности.

  17. Ассоциативные сети и сети фреймов: понятие прототипа, фрейма, значения по умолчанию и демоны, скептические и доверчивые системы.

  18. Нейронные сети: определение, основные компоненты, основные характеристики, область применения.

  19. Сети с управляемым обучением: описание нейронной сети, правила вычисления входного сигнала, функции активности, понятия обобщающей способности сети, обучающего и тестового множеств, эпохи.

  20. Дельта-правило обучения нейронной сети (правило Видроу-Хоффа).

  21. Линейные и нелинейные задачи, понятие линейно отделимых множеств.

  22. Моделирование логических отношений с помощью нейронных сетей.

  23. Алгоритм обратного распространения ошибки.

  24. Самоорганизующиеся карты признаков: понятие кластера, прототипа кластера, свойства идеального алгоритма кластеризации.




Смотрите также:
Рабочая программа по курсу "Системы искусственного интеллекта" Специальность: 351500. 65 «Математическое обеспечение и администрирование информационных систем»
269.66kb.
1 стр.
Рабочая программа специальность 351500 математическое обеспечение и администрирование информационных систем статус дисциплины
71.58kb.
1 стр.
Рабочая программа специальность 351500 математическое обеспечение и администрирование информационных систем статус дисциплины
114.7kb.
1 стр.
Администрирование информационных систем рабочая программа
89.54kb.
1 стр.
Математическое обеспечение и администрирование информационных систем” Cанкт-Петербург 2011 Направление 010500 «Математическое обеспечение и администрирование информационных систем»
41.68kb.
1 стр.
Основная образовательная программа бакалавриата, реализуемая вузом по направлению подготовки «Математическое обеспечение и администрирование информационных систем»
258.53kb.
1 стр.
Дипломная работа «Построение системы хранения и управления результатами научных исследований»
242.06kb.
1 стр.
Пофамильный перечень абитуриентов на 25 июля 2010 г. 010503. 65 Математическое обеспечение и администрирование информационных систем
889.52kb.
5 стр.
Рабочая программа учебной дисциплины «Архитектура информационных систем»
123.04kb.
1 стр.
Рабочая программа по дисциплине «Администрирование информационных систем» для студентов направления 552802. 01 «Информационные системы в экономике»
136.11kb.
1 стр.
Программа дисциплины «Администрирование информационных систем»
201.28kb.
1 стр.
Рабочая учебная программа по дисциплине «Администрирование информационных систем»
168.97kb.
1 стр.