Методы искусcтвенного интеллекта
内容描述: Дисциплина посвящена изучению вопросов, связанных с применением методов искусственного интеллекта при проектировании современных систем автоматизации технических объектов. Рассматриваются основные этапы и направления развития искусственного интеллекта, особенности построения систем, основанных на знаниях, основные стратегии поиска решений в задачах искусственного интеллекта, а также модели представления и использования знаний: продукционный, фреймовый подходы, семантические сети, формальные логические модели, методы обработки нечётких знаний. Описаны основные методы искусственного интеллекта, применяемые при анализе, разработке и реализации интеллектуальных систем. Основной акцент сделан на изучении методов разработки и создания экспертных систем.
贷款数: 6
Пререквизиты:
- Автоматизация технических систем
*СomplexityDiscipline(zh-CN)*:
| *TypesOfClasses(zh-CN)* | *hours(zh-CN)* |
|---|---|
| *Lectures(zh-CN)* | 30 |
| *PracticalWork(zh-CN)* | |
| *LaboratoryWork(zh-CN)* | 30 |
| *srop(zh-CN)* | 30 |
| *sro(zh-CN)* | 90 |
| *FormOfFinalControl(zh-CN)* | экзамен |
| *FinalAssessment(zh-CN)* | устный экзамен |
零件: Вузовский компонент
循环次数: Профилирующие дисциплины
Цель
- Формирование теоретических и практических навыков для решения научно-исследовательских и прикладных задач связанных с проектированием сложных управляемых систем на основе использования методов искусственного интеллекта для решения задач управления техническими системами, функционирующих в условиях неопределенности.
Задача
- изучение основных подходов, лежащих в основе методов искусственного интеллекта и способов их реализации;
- освоение способов представления и методов работы со знаниями при разработке интеллектуальных систем управления техническими объектами;
- формирование навыков по подготовке данных, преобразованию их в знания и созданию моделей представления знаний для машинной обработки
- формирование навыков применения математического аппарата принятия решений на основе экспертных систем, нечеткой логики, искусственных нейронных сетей и генетических алгоритмов для построения систем управления техническими объектами.
Результат обучения: знание и понимание
- описывать основные модели и средства представления знаний, методы поиска решений в различных типах пространств состояний,
Результат обучения: применение знаний и пониманий
- применять методы и средства представления знаний при построении модели заданной предметной области,
- выбирать методы искусственного интеллекта для решения практических задач и оценивать целесообразность применения в конкретных задачах;
Результат обучения: формирование суждений
- объяснять естественнонаучную сущность проблем, возникающих в ходе профессиональной деятельности в области моделирования и анализа сложных естественных и искусственных систем;
Результат обучения: коммуникативные способности
- демонстрировать культуру научного исследования, в том числе с использованием современных информационно-коммуникационных технологий
Результат обучения: навыки обучения или способности к учебе
- применять знание основных методов искусственного интеллекта в последующей профессиональной деятельности в качестве научных сотрудников, преподавателей вузов, инженеров;
*TeachingMethods(zh-CN)*
технологии учебно-исследовательской деятельности
информационно-коммуникационные технологии
модульная технология обучения
*AssessmentKnowledge(zh-CN)*
Преподаватель проводит все виды работ текущего контроля и выводит соответствующую оценку текущей успеваемости обучающихся два раза в академический период. По результатам текущего контроля формируется рейтинг 1 и 2. Учебные достижения обучающегося оцениваются по 100-балльной шкале, итоговая оценка Р1 и Р2 выводится как средняя арифметическая из оценок текущей успеваемости. Оценка работы обучающегося в академическом периоде осуществляется преподавателем в соответствии с графиком сдачи заданий по дисциплине. Система контроля может сочетать письменные и устные, групповые и индивидуальные формы.
| *Period2(zh-CN)* | *TypeOfTask(zh-CN)* | *Total(zh-CN)* |
|---|---|---|
| 1 *Rating(zh-CN)* | Выполнение и защита лабораторной работы "Методы искусственного интеллекта" | 0-100 |
| Выполнение и защита лабораторной работы "Архитектура системы искусственного интеллекта" | ||
| Выполнение и защита лабораторной работы "Представление знаний в форме продукций" | ||
| Выполнение и защита лабораторной работы "Семантические сети" | ||
| Выполнение и защита лабораторной работы "Фреймовая модель представления знаний" | ||
| Выполнение и защита лабораторной работы "Формальные логические модели" | ||
| Выполнение и защита лабораторной работы "Представление декларативного знания о понятии исследуемой предметной области" | ||
| Рубежный контроль 1 | ||
| 2 *Rating(zh-CN)* | Выполнение и защита лабораторной работы "Нечеткие модели" | 0-100 |
| Выполнение и защита лабораторной работы "Проектирование экспертной системы" | ||
| Выполнение и защита лабораторной работы "Методы экспертного оценивания" | ||
| Выполнение и защита лабораторной работы "Экспертная система на основе байесовских сетей доверия" | ||
| Выполнение и защита лабораторной работы "Нейросетевые модели" | ||
| Выполнение и защита лабораторной работы "Эволюционные вычисления" | ||
| Рубежный контроль 2 | ||
| *TotalControl(zh-CN)* | экзамен | 0-100 |
*PolicyAssignmentTask(zh-CN)*
| *TypeOfTask(zh-CN)* | 90-100 | 70-89 | 50-69 | 0-49 |
|---|---|---|---|---|
| Excellent | *Grade4(zh-CN)* | *Grade3(zh-CN)* | *Grade2(zh-CN)* | |
| Работа на лабораторных занятиях | Выполнил работу в полном объеме с соблюдением необходимой последовательности действий; в ответе правильно и аккуратно выполняет все записи, таблицы, рисунки, чертежи, графики, вычисления; правильно выполняет анализ ошибок. При ответе на вопросы правильно понимает сущность вопроса, дает точное определение и истолкование основных понятий; сопровождает ответ новыми примерами, умеет применить знания в новой ситуации; может установить связь между изучаемым и ранее изученным материалом, а также с материалом, усвоенным при изучении других дисциплин. | Выполнил работу по требованию к оценке «отлично», но допущены 2-3 недочета. Ответ обучающегося на вопросы удовлетворяет основным требованиям, но дан без применения знаний в новой ситуации, без использования связей с ранее изученным материалом и материалом, усвоенным при изучении других дисциплин; допущены одна ошибка или не более двух недочетов, обучающийся может их исправить самостоятельно или с небольшой помощью преподавателя. | Выполнил работу не полностью, но не менее 50% объема, что позволяет получить правильные результаты и выводы; в ходе проведения работы были допущены ошибки. При ответе на вопросы обучающийся правильно понимает сущность вопроса, но в ответе имеются отдельные проблемы в усвоении вопросов курса, не препятствующие дальнейшему усвоению программного материала; допущено не более одной грубой ошибки и двух недочетов. | Выполнил работу не полностью или объем выполненной части работ не позволяет сделать правильных выводов. При ответе на вопросы демонстрирует не владение основными знаниями и умениями в соответствии с требованиями программы; допущены больше ошибок и недочетов, чем необходимо для оценки "удовлетворительно" или не может ответить ни на один из поставленных вопросов. |
| Устный опрос | В ответе качественно раскрыто содержание темы. Ответ хорошо структурирован. Прекрасно освоен понятийный аппарат. Продемонстрирован высокий уровень понимания материала. Превосходное умение формулировать свои мысли, обсуждать дискуссионные положения. | Основные вопросы темы раскрыты. Структура ответа в целом адекватна теме. Хорошо освоен понятийный аппарат. Продемонстрирован хороший уровень понимания материала. Хорошее умение формулировать свои мысли, обсуждать дискуссионные положения. | Тема частично раскрыта. Ответ слабо структурирован. Понятийный аппарат освоен частично. Понимание отдельных положений из материала по теме. Удовлетворительное умение формулировать свои мысли, обсуждать дискуссионные положения. | Тема не раскрыта. Понятийный аппарат освоен неудовлетворительно. Понимание материала фрагментарное или отсутствует. Неумение формулировать свои мысли, обсуждать дискуссионные положения. |
*EvaluationForm(zh-CN)*
Итоговая оценка знаний обучающего по дисциплине осуществляется по 100 балльной системе и включает:
- 40% результата, полученного на экзамене;
- 60% результатов текущей успеваемости.
Формула подсчета итоговой оценки:
| И= 0,6 | Р1+Р2 | +0,4Э |
| 2 |
где, Р1, Р2 – цифровые эквиваленты оценок первого, второго рейтингов соответственно; Э – цифровой эквивалент оценки на экзамене.
Итоговая буквенная оценка и ее цифровой эквивалент в баллах:
Буквенная система оценки учебных достижений обучающихся, соответствующая цифровому эквиваленту по четырехбалльной системе:
| Оценка по буквенной системе | Цифровой эквивалент | Баллы (%-ное содержание) | Оценка по традиционной системе |
|---|---|---|---|
| A | 4.0 | 95-100 | Отлично |
| A- | 3.67 | 90-94 | |
| B+ | 3.33 | 85-89 | Хорошо |
| B | 3.0 | 80-84 | |
| B- | 2.67 | 75-79 | |
| C+ | 2.33 | 70-74 | |
| C | 2.0 | 65-69 | Удовлетворительно |
| C- | 1.67 | 60-64 | |
| D+ | 1.33 | 55-59 | |
| D | 1.0 | 50-54 | |
| FX | 0.5 | 25-49 | Неудовлетворительно |
| F | 0 | 0-24 |
Темы лекционных занятий
- Введение в искусственный интеллект. Понятие об искусственном интеллекте. Направления исследований в области искусственного интеллекта. Методы искусственного интеллекта. Взаимосвязь направлений развития, задач и методов искусственного интеллекта.
- Представление знаний в интеллектуальных системах. Данные и знания. Основные понятия. Свойства знаний. Типы и виды знаний. Базы знаний. Архитектура систем искусственного интеллекта.
- Поиск в пространстве состояний. Хорошо и плохо структурированные предметные области. Поиск в пространстве состояний. Пространство состояний. Методы полного перебора. Методы эвристического поиска. Модели представления знаний.
- Продукционная модель для представления знаний. Понятие продукционной модели. Описание предметной области правилами и фактами. Логический вывод в продукционной системе. Принципы организации продукционных правил в базе знаний. Структурирование базы правил. Преимущества и недостатки продукционной модели.
- Представление знаний семантическими сетями. Понятие семантической сети. Типы объектов и связей. Логический вывод в семантической сети. Преимущества и недостатки семантической сети.
- Фреймовая модель представления знаний. Понятие фрейма. Структура фрейма. Типы фреймов. Фреймовая система. Логический вывод во фреймовой системе. Преимущества и недостатки фреймового подхода.
- Логическая модель для представления знаний. Виды логических моделей, общие термины и определения. Формальная логика. Математическая реализация формальной логики.
- Представление нечетких знаний. Методы представления ненадёжных знаний. Методы представления размытых знаний и нечёткий вывод.
- Основы нечеткой логики. Краткая историческая справка. Основные идеи и практическое применение нечеткой логики. Понятие нечеткого высказывания и нечеткого предиката. Основная структура и принцип работы системы нечёткой логики. Фаззификация, правила логических выводов и дефаззификация. Пример использования системы с нечёткой логикой.
- Экспертные системы. Основные понятия. Классификация и область применения экспертных систем. Структура и принципы функционирования экспертных систем. Предпочтительное использование экспертных систем.
- Технология разработки экспертных систем. Принципы функционирования экспертных систем. Требования для реализации экспертной системы. Этапы разработки экспертных систем. Инструментальные средства для экспертных систем.
- Выявление знаний от экспертов. Экспертное оценивание как процесс измерения. Связь эмпирических и числовых систем. Методы измерения степени влияния объектов. Подходы к формированию и оценке компетентности группы экспертов. Характеристики и режимы работы группы экспертов.
- Обработка экспертных оценок. Задачи обработки. Групповая экспертная оценка объектов при непосредственном оценивании. Обработка парных сравнений. Определение обобщенных ранжировок.
- Экспертные системы с неопределенными знаниями. Неопределенности в экспертных системах и проблемы порождаемые ими. Теория субъективных вероятностей. Байесовское оценивание. Теорема Байеса как основа управления неопределенностью.
- Байесовские сети доверия как средство разработки экспертных систем. Основные понятия и определения. Простейшая байесовская еть доверия. Процесс рассуждения (вывода) в байесовских сетях доверия. Байесовские сети доверия как одно из направления современных экспертных систем. Представление знаний с использованием байесовской сети доверия и условная независимость событий.
- Искусственные нейронные сети. Возможности искусственных нейронных сетей. Искусственный нейрон.Классификация искусственных нейронных сетей. Статические линейные однослойные нейронные сети. Самоорганизующиеся нейронные сети. Развитие моделей нейросетей и методов их обучения.
- Многослойные нейронные сети. Обучение многослойных нейронных сетей. Статические многослойные нейронные сети. Алгоритмы обучения статических многослойных нейронных сетей. Динамические алгоритмы обучения многослойных нейронных сетей. Алгоритм обратного распространения ошибки.
- Методы эволюционного моделирования. Генетические алгоритмы. Генетическое программирование. Эволюционные стратегии. Эволюционное программирование.
Основная литература
- Модели и методы искусственного интеллекта : учеб. пособие / Т. Г. Пенькова, Ю. В. Вайнштейн. – Красноярск : Сиб. федер. ун-т, 2019. – 116 с.
- Смолин Д.В. Введение в искусственный интеллект: конспект лекций. - М.: ФИЗМАТЛИТ, 2017. - 208с.
- Остроух А.В. Введение в искусственный интеллект: монография – Красноярск: Научно-инновационный центр, 2020. – 250 с.
- Родзин С.И., Родзина О.Н. Модели представления знаний. практикум по курсу "Системы искусственного интеллекта": учебное пособие. -Таганрог: Изд-во ЮФУ, 2014. - 151 с.
- Хабаров С. Экспертные системы. Конспект лекций [Электронный ресурс]. - ttp://www.habarov.spb.ru/main_es.htm
- Ростовцев В.С. Искусственные нейронные сети : учебник для вузов / В. С. Ростовцев. - 2-е изд., стер. - Санкт-Петербург : Лань, 2021. - 216 с.
- Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы: пер. с польск. - М.: Горячая линия - Телеком, 2006. - 452с.
Дополнительная литература
- Боровская Е.В. , Давыдова Н.А. Основы искусственного интеллекта: учебное пособие. -М.: Лаборатория знаний, 2020. -130 с.
- Джарратано Д., Г. Райли. Экспертные системы. Принципы разработки и программирование. - М.: Изд. Вильямс, 2011. - 775 с.
- Джексон Питер. Введение в экспертные системы : [Пер. с англ. В. Т. Тертышного] / Питер Джексон. - 3. изд. - М. [и др.] : Вильямс, 2001. - 622 с.
- Таулли Т. Основы искусственного интеллекта: нетехнические введение: пер. с англ. – СПб.: БХВ-Петербург, 2021.–288с.
- Сириченко А. В. Интеллектуальные системы контроля и управления. Практикум : учебное пособие / А. В. Сириченко. — Москва : МИСИС, 2020. — 24 с.
- Сириченко А. В. Искусственные нейронные сети. Практикум : учебное пособие / А. В. Сириченко. — Москва : МИСИС, 2022. — 26 с.
