Добавил:
Upload
Опубликованный материал нарушает ваши авторские права? Сообщите нам.
Вуз:
Предмет:
Файл:Луценко Е.В. - Интеллектуальные информационные системы. Учебное пособие - Краснодар, КубГАУ. 2004. - 633 с..doc
X
- •Содержание
- •Раздел 1.4. Применение и перспективы систем искусственного интеллекта 378
- •Часть II. Лабораторный практикум 429
- •Часть III. Заочное обучение, самостоятельная работа студентов и подготовка к экзамену 589
- •Предисловие
- •Часть I. Курс лекций
- •1.1.1.1.1. Процессы труда и познания, как информационные процессы снятия неопределенности
- •1.1.1.1.2. Организм человека и средства труда как информационные системы
- •1.1.1.1.3. Законы развития техники
- •1.1.1.1.3.1. Закон перераспределения функций между человеком и средствами труда
- •1.1.1.1.3.2. Закон повышения качества базиса
- •1.1.1.1.4. Детерминация формы сознания человека функциональным уровнем средств труда
- •1.1.1.1.5. Неизбежность возникновения компьютеров, информационных систем и систем искусственного интеллекта
- •1.1.1.2. Информационная теория стоимости
- •1.1.1.2.1. Связь количества и качества информации с меновой и потребительной стоимостью
- •1.1.1.2.2. Информация, как сырье и как товар: абсолютная, относительная и аналитическая информация. Данные, информация, знания
- •1.1.1.2.3. Стоимость и амортизация систем искусственного интеллекта и баз знаний
- •1.1.1.3. Интеллектуализация – генеральное направление и развития информационных технологий
- •1.1.1.3.1. От электронных вычислительных машин к компьютерам. Функциональное определение компьютера
- •1.1.1.3.2. Эволюция понятия: "Обработка информации" от информационного сырья к информационному продукту
- •1.1.1.3.3. Эволюция технологий создания и поддержки информационных систем: автоматизация функций посредников
- •1.1.1.3.4. Перспективы информационных технологий: интеллектуализация, создание самообучающихся, саморазвивающихся (эволюционирующих) и самовоспроизводящихся систем
- •Контрольные вопросы
- •Рекомендуемая литература
- •1.1.2. Лекция-2. Определение и критерии идентификации систем искусственного интеллекта Учебные вопросы
- •1.1.2.1. Данные, информация, знания. Системно-когнитивный анализ как развитие концепции смысла Шенка-Абельсона
- •1.1.2.1.1. Постановка проблемы
- •1.1.2.1.2. Традиционные пути решения проблемы
- •1.1.2.1.2.1. Классификация и характеристика концепций смысла
- •1.1.2.1.2.2. Суть концепции смысла Шенка-Абельсона
- •1.1.2.1.3. Идея решения проблемы
- •1.1.2.1.3.1. Формулировка идеи
- •1.1.2.1.3.2. Обоснование принципиальной возможности реализации идеи
- •1.1.2.1.4. Когнитивная концепция ск-анализа и синтез когнитивного конфигуратора
- •1.1.2.1.4.1. Понятие когнитивного конфигуратора и необходимость естественнонаучной (формализуемой) когнитивной концепции
- •1.1.2.1.4.2. Базовая когнитивная концепция
- •1.1.2.1.4.3. Когнитивный конфигуратор и базовые когнитивные операции системного анализа
- •1.1.2.1.4.4. Задачи формализации базовых когнитивных операций системного анализа
- •1.1.2.1.5. Мышление как вычисление смысла и реализация операций со смыслом в инструментарии ск-анализа – системе "Эйдос"
- •1.1.2.1.7. Выводы
- •1.1.2.2. Понятие: "Система искусственного интеллекта", место сии в классификации информационных систем
- •1.1.2.3. Определение и классификация систем искусственного интеллекта, цели и пути их создания
- •1.1.2.3.1. Тест Тьюринга и критерии "интеллектуальности" информационных систем. Может ли машина мыслить? Может ли искусственный интеллект превзойти своего создателя?
- •1. Машина, прошедшая тест, может не быть разумной, а просто следовать какому-то хитроумному набору правил.
- •2. Машина может быть разумной и не умея разговаривать, как человек, ведь и не все люди, которым мы не отказываем в разумности, умеют писать.
- •1.1.2.3.2. Классификация систем искусственного интеллекта
- •1.1.2.3.3. Особенности технологии создания систем искусственного интеллекта (обучение, "социализация", как технологический этап)
- •1.1.2.4. Информационная модель деятельности специалиста и место систем искусственного интеллекта в этой деятельности
- •1.1.2.5. Жизненный цикл системы искусственного интеллекта и критерии перехода между этапами этого цикла
- •Контрольные вопросы
- •Рекомендуемая литература
- •1.2.1.1.2. Методы и этапы системного анализа
- •1.2.1.1.3. Этапы когнитивного анализа
- •1.2.1.1.4. Предлагаемая обобщенная схема системного анализа, ориентированного на интеграцию с когнитивными технологиями
- •1.2.1.2. Когнитивная концепция и синтез когнитивного конфигуратора
- •1.2.1.2.1. Понятие когнитивного конфигуратора и необходимость естественнонаучной (формализуемой) когнитивной концепции
- •1.2.1.2.1.1. Определение понятия конфигуратора
- •1.2.1.2.1.2. Понятие когнитивного конфигуратора
- •1.2.1.2.1.3. Когнитивные концепции и операции
- •1.2.1.2.2. Предлагаемая когнитивная концепция
- •1.2.1.2.3. Когнитивный конфигуратор и базовые когнитивные операции системного анализа
- •1.2.1.2.4. Задачи формализации базовых когнитивных операций системного анализа
- •Выбор единой интерпретируемой численной меры для классов и атрибутов
- •Выбор неметрической меры сходства объектов в семантических пространствах
- •Определение идентификационной и прогностической ценности атрибутов
- •Ортонормирование семантических пространств классов и атрибутов (Парето-оптимизация)
- •1.2.1.4. Место и роль ск-анализа в структуре управления
- •1.2.1.4.1. Структура типовой асу
- •1.2.1.4.2. Параметрическая модель адаптивной асу сложными системами
- •1.2.1.4.3. Модель рефлексивной асу активными объектами и понятие мета-управления
- •1.2.1.4.4. Двухконтурная модель расу в апк Концепция рефлексивной асу в апк и технология qfd (технология развертывания функций качества)
- •Рефлексивная асу апк группы б: 1-й контур: "Агротехнологии – конечный продукт"
- •Рефлексивная асу апк группы а: 2-й контур: "Руководство – агротехнологический процесс"
- •Двухконтурная модель и обобщенная схема рефлексивной асу качеством подготовки специалистов
- •Контрольные вопросы
- •Рекомендуемая литература
- •1.2.2.1.2. Выбор базовой численной меры Абсолютная, относительная и аналитическая информация.
- •Выбор в качестве базовой численной меры количества информации
- •1.2.2.1.3. Конструирование системной численной меры на основе базовой Системное обобщение формулы Хартли для количества информации
- •Гипотеза о законе возрастания эмерджентности и следствия из него
- •Системное обобщение классической формулы Харкевича, как количественная мера знаний
- •Генезис системной (эмерджентной) теории информации
- •1.2.2.2. Семантическая информационная модель ск-анализа
- •1.2.2.2.1. Формализм динамики взаимодействующих семантических информационных пространств. Двухвекторное представление данных.
- •Семантические пространства классов и атрибутов
- •Требования к системам координат, свойства векторов классов и атрибутов, решение проблемы снижения размерности описания и ортонормирования
- •1.2.2.2.2. Применение классической теории информации к.Шеннона для расчета весовых коэффициентов и мер сходства
- •Формальная постановка задачи
- •Информация как мера снятия неопределенности
- •Количество информации в индивидуальных событиях и лемма Неймана–Пирсона
- •Декомпозиция основной задачи в ряд частных подзадач
- •Решение задачи 1: "Синтез семантической информационной модели активного объекта управления"
- •Решение задачи 2: "Адаптация модели объекта управления"
- •Решение задачи 3: "Разработка алгоритмов решения основных задач асу"
- •Обобщение интегральной модели путем учета значений выходных параметров объекта управления
- •1.2.2.3. Некоторые свойства математической модели (сходимость, адекватность, устойчивость и др.)
- •1.2.2.3.1. Непараметричность модели. Робастные процедуры и фильтры для исключения артефактов
- •1.2.2.3.2. Зависимость информативностей факторов от объема обучающей выборки
- •1.2.2.3.3. Зависимость адекватности семантической информационной модели от объема обучающей выборки (адекватность при малых и больших выборках)
- •1.2.2.3.4. Семантическая устойчивость модели
- •1.2.2.3.5. Зависимость некоторых параметров модели от ее ортонормированности
- •Зависимость адекватности модели от ее ортонормированности
- •Зависимость уровня системности модели от ее ортонормированности
- •Зависимость степени детерминированности модели от ее ортонормированности
- •1.2.2.4. Взаимосвязь математической модели ск-анализа с другими моделями
- •1.2.2.4.1. Взаимосвязь системной меры целесообразности информации со статистикой 2 и новая мера уровня системности предметной области
- •1.2.2.4.2. Сравнение, идентификация и прогнозирование как разложение векторов объектов в ряд по векторам классов (объектный анализ)
- •1.2.2.4.3. Системно-когнитивный и факторный анализ. Ск-анализ, как метод вариабельных контрольных групп
- •1.2.2.4.4. Семантическая мера целесообразности информации и эластичность Эластичность в непрерывном случае
- •Эластичность в дискретном случае
- •Свойства эластичности
- •1.2.2.4.5. Связь семантической информационной модели с нейронными сетями
- •Метафора нейросетевого представления семантической информационной модели
- •Соответствие основных терминов и понятий
- •Недостатки нейронных сетей и пути их преодоления в семантической информационной модели
- •Гипотеза о нелокальности нейрона и информационная нейросетевая парадигма
- •Решение проблемы интерпретируемости весовых коэффициентов (семантическая мера целесообразности информации и закон Фехнера)
- •Семантическая информационная модель, как нелокальная нейронная сеть
- •Гипотеза о физической природе нелокального взаимодействия нейронов в нелокальной нейронной сети
- •Решение проблемы интерпретируемости передаточной функции
- •Решение проблемы размерности
- •Моделирование причинно-следственных цепочек в нейронных сетях и семантической информационной модели
- •Моделирование иерархических структур обработки информации
- •Нейронные сети и ск-анализ
- •1.2.2.4.6. Математический метод ск-анализа в свете идей интервальной бутстрепной робастной статистики объектов нечисловой природы Постановка проблемы
- •Традиционные пути решения проблемы
- •Идея решения проблемы
- •Математическая модель ск-анализа
- •Методика численных расчетов ск-анализа
- •Специальный программный инструментарий ск-анализа – система "Эйдос"
- •Контрольные вопросы
- •Рекомендуемая литература
- •Шкалы классов (классификационные шкалы)
- •Шкалы атрибутов (описательные шкалы)
- •1.2.3.2. Иерархическая структура данных и последовательность численных расчетов в ск-анализе
- •1.2.3.3. Обобщенное описание алгоритмов ск-анализа
- •Бкоса-2.1. "Восприятие и запоминание исходной обучающей информации"
- •Бкоса-2.2. "Репрезентация. Сопоставление индивидуального опыта с коллективным (общественным)"
- •Бкоса-3.1.1. "Обобщение (синтез, индукция). Накопление первичных данных"
- •Бкоса-3.1.2. "Обобщение (синтез, индукция). Исключение артефактов"
- •Бкоса-7. "Сравнение, идентификация и прогнозирование. Распознавание состояний конкретных объектов (объектный анализ)"
- •Бкоса-9.1. "Дедукция и абдукция классов (семантический анализ обобщенных образов классов, решение обратной задачи прогнозирования)"
- •1.2.3.4. Детальные алгоритмы ск-анализа
- •Контрольные вопросы
- •Рекомендуемая литература
- •1.2.4. Лекция-6. Технология синтеза и эксплуатации приложений в системе "Эйдос" Учебные вопросы
- •1.2.4.1. Назначение и состав системы "эйдос"
- •1.2.4.1.1. Цели и основные функции системы "Эйдос"
- •Синтез содержательной информационной модели предметной области
- •Идентификация и прогнозирование состояния объекта управления, выработка управляющих воздействий
- •Углубленный анализ содержательной информационной модели предметной области
- •1.2.4.1.2. Обобщенная структура системы "Эйдос"
- •Ввод-корректировка обучающей информации (бкоса-2.1)
- •Управление составом обучающей информации (бкоса-2.2)
- •1.2.4.2.2. Синтез модели: пакетное обучение системы распознавания (подсистема "Обучение") (бкоса-3)
- •Расчет матрицы абсолютных частот (бкоса-3.1.1)
- •Исключение артефактов (робастная процедура) (бкоса-3.1.2)
- •Расчет матриц информативностей (бкоса-3.1.3, 3.2, 3.3)
- •Измерение сходимости и устойчивости модели
- •1.2.4.2.3. Оптимизация модели (подсистема "Оптимизация") (бкоса-4)
- •Формирование ортонормированного базиса классов (бкоса-4.2)
- •Исключение признаков с низкой селективной силой (бкоса-4.1)
- •Удаление классов и признаков, по которым недостаточно данных
- •1.2.4.2.4. Верификация модели (оценка ее адекватности) (бкоса-5)
- •1.2.4.2.5. Эксплуатация приложения в режиме адаптации и периодического синтеза модели (бкоса-7, бкоса-9, бкоса-10) Идентификация и прогнозирование (подсистема "Распознавание") (бкоса-7)
- •Информационные портреты классов (бкоса-9.1)
- •Расчет матрицы сходства эталонов классов (бкоса-10.1.1)
- •Генерация кластеров и конструктов классов (бкоса-10.1.2)
- •Автоматическое выполнение режимов 1-2-3
- •Вывод 2d-семантических сетей классов (бкоса-10.1.3)
- •Когнитивные диаграммы классов (бкоса-10.3.1, 10.3.2)
- •Семантические портреты атрибутов (бкоса-9.2)
- •Расчет матрицы сходства атрибутов (бкоса-10.2.1)
- •Генерация кластеров и конструктов атрибутов (бкоса-10.2.2)
- •Вывод 2d-семантических сетей атрибутов (бкоса-10.2.3)
- •Когнитивные диаграммы атрибутов (бкоса-10.4.1, 10.4.2)
- •Оценка достоверности заполнения анкет
- •1.2.4.3. Технические характеристики и обеспечение эксплуатации системы "эйдос" (версии 12.5)
- •1.2.4.3.1. Состав системы "Эйдос": базовая система, системы окружения и программные интерфейсы импорта данных
- •1.2.4.3.2. Отличия системы "Эйдос" от аналогов: экспертных и статистических систем
- •1.2.4.3.3. Некоторые количественные характеристики системы "Эйдос"
- •1.2.4.3.4. Обеспечение эксплуатации системы "Эйдос"
- •Контрольные вопросы
- •Рекомендуемая литература
- •Раздел 1.3. Принципы построения интеллектуальных информационных систем
- •1.3.1. Лекция-7. Системы с интеллектуальной обратной связью и интеллектуальными интерфейсами Учебные вопросы
- •1.3.1.1. Интеллектуальные интерфейсы. Использование биометрической информации о пользователе в управлении системами
- •1.3.1.1.1. Идентификация и аутентификация личности по почерку. Понятие клавиатурного почерка
- •1.3.1.1.2. Соотношение психографологии и атрибуции текстов
- •1.3.1.1.3. Идентификация и аутентификация личности пользователя компьютера по клавиатурному почерку
- •Варианты постановки задачи распознавания клавиатурного почерка
- •Характеристики клавиатурного почерка
- •Математические методы распознавания клавиатурного почерка
- •1.3.1.1.4. Прогнозирование ошибок оператора по изменениям в его электроэнцефалограмме
- •1.3.1.2. Системы с биологической обратной связью
- •1.3.1.2.1. Общие положения
- •1.3.1.2.1. Мониторинг состояния сотрудников сборочного конвейера с целью обеспечения высокого качества продукции
- •1.3.1.2.2. Компьютерные тренажеры, основанные на бос, для обучения больных навыкам управления своим состоянием
- •1.3.1.2.3. Компьютерные игры с бос
- •1.3.1.3. Системы с семантическим резонансом. Компьютерные -технологии и интеллектуальный подсознательный интерфейс
- •1.3.1.4. Системы виртуальной реальности и критерии реальности. Эффекты присутствия, деперсонализации и модификация сознания пользователя
- •1.3.1.4.1. Классическое определение системы виртуальной реальности
- •1.3.1.4.2. "Эффект присутствия" в виртуальной реальности
- •1.3.1.4.3. Применения систем виртуальной реальности
- •1.3.1.4.4. Модификация сознания и самосознания пользователя в виртуальной реальности
- •1.3.1.4.5. Авторское определение системы виртуальной реальности
- •1.3.1.4.6. Критерии реальности при различных формах сознания и их применение в виртуальной реальности
- •1.3.1.4.7. Принципы эквивалентности (относительности) Галилея и Эйнштейна и критерии виртуальной реальности
- •1.3.1.5. Системы с дистанционным телекинетическим интерфейсом
- •Контрольные вопросы
- •Рекомендуемая литература
- •1.3.2. Лекция-8. Автоматизированные системы распознавания образов Учебные вопросы
- •1.3.2.1. Основные понятия
- •1.3.2.1.1. Признаки и образы конкретных объектов, метафора фазового пространства
- •1.3.2.1.2. Признаки и обобщенные образы классов
- •1.3.2.1.3. Обучающая выборка и ее репрезентативность по отношению к генеральной совокупности. Ремонт (взвешивание) данных
- •1.3.2.1.4. Основные операции: обобщение и распознавание
- •1.3.2.1.5. Обучение с учителем (экспертом) и самообучение (кластерный анализ)
- •1.3.2.1.6. Верификация, адаптация и синтез модели
- •1.3.2.2. Проблема распознавания образов
- •1.3.2.3. Классификация методов распознавания образов
- •1.3.2.4. Применение распознавания образов для идентификации и прогнозирования. Сходство и различие в содержании понятий "идентификация" и "прогнозирование"
- •1.3.2.5. Роль и место распознавания образов в автоматизации управления сложными системами
- •1.3.2.5.1. Обобщенная структура системы управления
- •1.3.2.5.2. Место системы идентификации в системе управления
- •1.3.2.5.3. Управление как задача, обратная идентификации и прогнозированию
- •1.3.2.6. Методы кластерного анализа
- •1.3.2.6.1. Древовидная кластеризация
- •1.3.2.6.2. Двухвходовое объединение
- •1.3.2.6.3. Метод k средних
- •Контрольные вопросы
- •Рекомендуемая литература
- •1.3.3. Лекция-9. Математические методы и автоматизированные системы поддержки принятия решений Учебные вопросы
- •1.3.3.1. Многообразие задач принятия решений
- •1.3.3.1.1. Принятие решений, как реализация цели
- •1.3.3.1.2. Принятие решений, как снятие неопределенности (информационный подход)
- •Простейшее понятие об информации (подход Хартли).
- •Мера Шеннона, как обобщение меры Хартли для неравновероятных событий.
- •1.3.3.1.3. Связь принятия решений и распознавания образов
- •1.3.3.1.4. Классификация задач принятия решений
- •1.3.3.2. Языки описания методов принятия решений
- •1.3.3.2.1. Критериальный язык
- •1.3.3.2.2. Язык последовательного бинарного выбора
- •1.3.3.2.3. Обобщенный язык функций выбора
- •1.3.3.2.4. Групповой выбор
- •1.3.3.3. Выбор в условиях неопределенности
- •1.3.3.3.1. Информационная (статистическая) неопределенность в исходных данных
- •1.3.3.3.2. Неопределенность последствий
- •1.3.3.3.3. Расплывчатая неопределенность
- •1.3.3.4. Решение как компромисс и баланс различных интересов. О некоторых ограничениях оптимизационного подхода
- •1.3.3.5. Экспертные методы выбора
- •1.3.3.6. Юридическая ответственность за решения, принятые с применением систем поддержки принятия решений
- •1.3.3.7. Условия корректности использования систем поддержки принятия решений
- •1.3.3.8. Хранилища данных для принятия решений
- •Контрольные вопросы
- •Рекомендуемая литература
- •1.3.4. Лекция-10. Экспертные системы Учебные вопросы
- •1.3.4.1. Экспертные системы, базовые понятия
- •1.3.4.2. Экспертные системы, методика построения
- •1.3.4.3. Этап-1: "Идентификация"
- •1.3.4.4. Этап-2: "Концептуализация"
- •1.3.4.5. Этап-3: "Формализация"
- •1.3.4.6. Этап-4: "Разработка прототипа"
- •1.3.4.7. Этап-5: "Экспериментальная эксплуатация"
- •1.3.4.8. Этап-6: "Разработка продукта"
- •1.3.4.9. Этап-7: "Промышленная эксплуатация"
- •Контрольные вопросы
- •Рекомендуемая литература
- •1.3.5. Лекция-11. Нейронные сети Учебные вопросы
- •1.3.5.1. Биологический нейрон и формальная модель нейрона Маккалоки и Питтса
- •1.3.5.2. Возможность решения простых задач классификации непосредственно одним нейроном
- •1.3.5.3. Однослойная нейронная сеть и персептрон Розенблата
- •1.3.5.4. Линейная разделимость и персептронная представляемость
- •1.3.5.5. Многослойные нейронные сети
- •1.3.5.5.1. Многослойный персептрон
- •1.3.5.5.2. Модель Хопфилда
- •1.3.5.5.3. Когнитрон и неокогнитрон Фукушимы
- •1.3.5.6. Проблемы и перспективы нейронных сетей
- •1.3.5.7. Модель нелокального нейрона и нелокальные интерпретируемые нейронные сети прямого счета
- •1.3.5.7.1. Метафора нейросетевого представления семантической информационной модели
- •1.3.5.7.2. Соответствие основных терминов и понятий
- •1.3.5.7.3. Гипотеза о нелокальности нейрона и информационная нейросетевая парадигма
- •1.3.5.7.4. Решение проблемы интерпретируемости весовых коэффициентов (семантическая мера целесообразности информации и закон Фехнера)
- •1.3.5.7.5. Семантическая информационная модель, как нелокальная нейронная сеть
- •1.3.5.7.6. Гипотеза о физической природе нелокального взаимодействия нейронов в нелокальной нейронной сети
- •1.3.5.7.7. Решение проблемы интерпретируемости передаточной функции
- •1.3.5.7.8. Решение проблемы размерности
- •1.3.5.7.9. Решение проблемы линейной разделимости
- •1.3.5.7.10. Моделирование причинно-следственных цепочек в нейронных сетях и семантической информационной модели
- •1.3.5.7.11. Моделирование иерархических структур обработки информации
- •1.3.5.7.12. Нейронные сети и ск-анализ
- •1.3.5.7.13. Графическое отображение нейронов, Паррето-подмножеств нелокальной нейронной сети, семантических сетей, когнитивных карт и диаграмм в системе "Эйдос"
- •Обучение нелокальной нейронной сети
- •Классические когнитивные карты
- •Обобщенные когнитивные карты
- •Контрольные вопросы
- •Рекомендуемая литература
- •1.3.6. Лекция-12. Генетические алгоритмы и моделирование биологической эволюции Учебные вопросы
- •1.1.6.1. Основные понятия, принципы и предпосылки генетических алгоритмов
- •1.1.6.2. Пример работы простого генетического алгоритма
- •1.1.6.3. Достоинства и недостатки генетических алгоритмов
- •1.1.6.4. Примеры применения генетических алгоритмов
- •1.3.7.1. Определение основных понятий: "Когнитивное моделирование" и "Классическая когнитивная карта", их связь с когнитивной психологией и гносеологией
- •1.3.7.2. Когнитивная (познавательно-целевая) структуризация знаний об исследуемом объекте и внешней для него среды на основе pest-анализа и swot-анализа
- •1.3.7.3. Разработка программы реализации стратегии развития исследуемого объекта на основе динамического имитационного моделирования (при поддержке программного пакета Ithink)
- •Контрольные вопросы
- •Рекомендуемая литература
- •1.3.8. Лекция-14. Выявление знаний из опыта (эмпирических фактов) и интеллектуальный анализ данных (data mining) Учебные вопросы
- •1.3.8.1. Интеллектуальный анализ данных
- •1.3.8.2. Типы выявляемых закономерностей
- •1.3.8.2.1. Ассоциация
- •1.3.8.2.2. Последовательность
- •1.3.8.2.3. Классификация
- •1.3.8.2.4. Кластеризация
- •1.3.8.2.5. Прогнозирование
- •1.3.8.3. Математический аппарат
- •1.3.8.3.1. Деревья решений
- •1.3.8.3.2. Регрессионный анализ
- •1.3.8.3.3. Нейронные сети
- •1.3.8.3.4. Временные ряды
- •1.3.8.4. Области применения технологий интеллектуального анализа данных
- •1.3.8.4.1. Розничная торговля
- •1.3.8.4.2. Банковская деятельность
- •1.3.8.4.3. Страховой бизнес
- •1.3.8.4.4. Производство
- •1.3.8.5. Автоматизированные системы для интеллектуального анализа данных
- •Контрольные вопросы
- •Рекомендуемая литература
- •Раздел 1.4. Применение и перспективы систем искусственного интеллекта
- •1.4.1. Лекция-15. Области применения систем искусственного интеллекта Учебные вопросы
- •1.4.1.1. Обзор опыта применения аск-анализа для управления и исследования социально-экономических систем
- •1.4.1.1.1. Синтез и решение задач управления качеством подготовки специалистов
- •1.4.1.1.2. Экономические исследования
- •6.1.3.1. Маркетинговые исследования
- •6.1.3.2. Рекламные исследования
- •1.4.1.1.3. Социологические и политологические исследования
- •1.4.1.2. Поддержка принятия решений по выбору агротехнологий, культур и пунктов выращивания
- •1.4.1.2.1. Поддержка принятия решений по выбору агротехнологий
- •Параметры семантической информационной модели
- •Методика проведения работ
- •Ограничения и недостатки предложенных модели и инструментария и пути их преодоления
- •1.4.1.2.2. Поддержка принятия решений по выбору культур и пунктов выращивания
- •Цель работы
- •Проблема
- •Традиционные пути решения
- •Недостатки традиционных путей
- •Предлагаемая концепция решения проблемы
- •Математическая модель
- •Алгоритмы и структуры данных
- •Программный инструментарий
- •Технология применения программного инструментария
- •Картографическое районирование косточковых плодовых в Южно-Российском регионе
- •1.4.1.3. Прогнозирование динамики сегмента рынка
- •1.4.1.3.2. Когнитивная структуризация и формализация предметной области
- •1.4.1.3.3. Исходные данные для прогноза: биржевые базы данных
- •1.4.1.3.4. Формирование точечных прогнозов
- •1.4.1.3.5. Формирование средневзвешенного прогноза
- •1.4.1.3.6. Оценка адекватности модели. Зависимость достоверности прогнозирования от разброса точечных прогнозов
- •1.4.1.3.7. Детерминистские и бифуркационные участки траектории
- •1.4.1.3.8. Прогнозирования времени перехода системы в бифуркационное состояние
- •1.4.1.3.9. Исследование семантической информационной модели
- •Ослабление влияния факторов со временем
- •Старение информации и периоды эргодичности процессов в предметной области
- •Автоколебания фондового рынка
- •Время реакции системы на изменение факторов (ригидность)
- •Управление фондовым рынком на детерминистских участках траектории
- •Управление фондовым рынком в точках бифуркации
- •Контрольные вопросы
- •Рекомендуемая литература
- •1.4.2. Лекция-16. Перспективы развития систем искусственного интеллекта, в т.Ч. В Internet Учебные вопросы
- •1.4.2.1. Ограничения аск-анализа и обоснованное расширение области его применения на основе научной индукции
- •1.4.2.2. Перспективы применения аск-анализа в управлении
- •1.4.2.2.1. Оценка рисков страхования и кредитования предприятий Актуальность.
- •Традиционные подходы к решению проблемы: фундаментальный и технический подход (содержательные и феноменологические модели)
- •Предлагаемая методология и технология как синтез технического и фундаментального подхода. Общие принципы решения проблемы
- •1.4.2.2.2. Мониторинг, прогнозирование и управление в финансово-экономической сфере Актуальность
- •Ценовой мониторинг
- •Мониторинг хода экономической реформы
- •Мониторинг инвестиционных проектов
- •Кредитно-финансовый мониторинг
- •Мониторинг предприятий
- •Социально–психологический мониторинг
- •Результаты и перспективы
- •1.4.2.2.3. Некоторые перспективные области применения аск-анализа
- •1.4.2.3. Развитие аск-анализа
- •1.4.2.3.1. Многоагентные распределенные системы обнаружения, накопления и использования знаний в Internet
- •1.4.2.3.2. Развитие аск-анализа с применением теории нечетких множеств и неклассической логики
- •1.4.2.3.3. Динамика взаимодействующих семантических пространств и создание континуального аск-анализа
- •1.4.2.4. Другие перспективные области применения аск-анализа и систем искусственного интеллекта
- •Контрольные вопросы
- •Рекомендуемая литература
- •Часть II. Лабораторный практикум
- •2.1. Соответствие лабораторных работ рабочим программам по специальностям
- •351401 – Прикладная информатика в экономике
- •351403 – Прикладная информатика в юриспруденции
- •2.2. Структура лабораторной работы, порядок ее установки, выполнения и сдачи
- •2.2.1. Структура лабораторной работы
- •2.2.2. Инструкция по установке лабораторной работы
- •Инструкция по установке системы "Эйдос" и баз данных лабораторной работы
- •2.2.3. Выполнение и сдача лабораторной работы
- •2.3. Материально-техническое и программное обеспечение для проведения лабораторных работ в компьютерном классе
- •2.3.1. Материально-техническое обеспечение
- •Задача 1
- •Задача 2
- •Пример решения задачи 1 Пример решения задания 1.1: "Формализовать задачу, создав классификационные и описательные шкалы и обучающую выборку"
- •Пример решения задачи 2 Пример решения задания 2.1: "Создать стандартизированные текстовые описания составов в виде отдельных файлов стандарта dos-текст"
- •Пример решения задания 2.2: "Сгенерировать классификационные и описательные шкалы"
- •Пример решения задания 2.3: "Сгенерировать обучающую выборку"
- •Пример решения задания 2.4: "Осуществить синтез и верификацию семантической информационной модели"
- •Пример решения задания 2.5 "Провести анализ модели, сформулировав правила для прогнозирования направления движения составов"
- •Пример решения задания 2.6: "Оценить ценность признаков для прогнозирования. Выделить признаки, наиболее существенные для решения поставленной задачи"
- •Контрольные вопросы
- •Литература по лабораторной работе
- •Краткая теория
- •Задание
- •Пример решения задания 2: Осуществить синтез и верификацию модели
- •Пример решения задания 3: Оценить ценность признаков для прогнозирования. Выделить признаки, наиболее существенные для решения поставленной задачи.
- •Пример решения задания 4: Провести анализ модели
- •Пример решения задания 4.1: Как посещаемость занятий по системам искусственного интеллекта влияет на успеваемость по этой дисциплине?
- •Пример решения задания 4.2: Как сказывается пол на посещаемости?
- •Пример решения задания 4.3: Как выглядят конструкты "Пол", "Город-деревня", "Учебная группа", "Посещаемость"?
- •Пример решения задания 4.4: Какие студенты являются "типичными представителями" для своих учебных групп, а какие обладают своеобразием и выраженной индивидуальностью?
- •Контрольные вопросы
- •Литература по лабораторной работе
- •Краткая теория
- •Задание
- •Задание 1.2. В качестве описательных шкал и градаций использовать характеристики подчерка.
- •Задание 1.3. Обучающую выборку заполнить на основе данных по учащимся своей группы и дополнить данными параллельной группы.
- •Контрольные вопросы
- •Литература по лабораторной работе
- •Краткая теория
- •Задание
- •Задание 1.2. В качестве описательных шкал и градаций использовать предлагаемую анкету.
- •Задание 1.3. Обучающую выборку заполнить на основе данных по учащимся своей группы и дополнить данными параллельной группы.
- •Задание 2. Осуществить синтез и верификацию (измерение адекватности) семантической информационной модели.
- •Задание 3. Провести системно-когнитивный анализ модели: Задание 3.1. Решить задачи идентификации и прогнозирования (для себя).
- •Задание 3.2. Сгенерировать информационные портреты классов и факторов, т.Е. Решить обратную задачу прогнозирования.
- •Задание 3.3. Провести кластерно-конструктивный анализ классов и факторов (результаты отобразить в форме семантических сетей классов и факторов).
- •Задание 3.4. Осуществить содержательное сравнение классов и факторов (результаты отобразить в форме когнитивных диаграмм классов и факторов).
- •Задание 3.5. Построить нелокальные нейроны и интерпретируемые нейронные сети.
- •Задание 3.6. Построить классические когнитивные модели (отобразить в форме когнитивных карт).
- •Задание 3.7. Построить интегральные когнитивные модели (отобразить в форме интегральных когнитивных карт).
- •Контрольные вопросы
- •Литература по лабораторной работе
- •Краткая теория
- •Задание
- •Пример решения Пример решения задания 1: "Создать файл в стандарте dos-текст с концами строк, записать его в поддиректорию dob"
- •Пример решения задания 2: "Сгенерировать классификационные и описательные шкалы и градации, а также обучающую выборку"
- •Пример решения задания 3: " Осуществить синтез и верификацию модели"
- •Пример решения задания 4: "Проверить устойчивость модели к неполноте информации и наличию шума"
- •Устойчивость модели к неполноте информации
- •Устойчивость модели к наличию шума
- •Пример решения задания 5: "Проверить способность модели правильно идентифицировать классы, один из которых является подмножеством другого"
- •Пример решения задания 6: Оценить ценность букв для идентификации слов. Сравнить суммарную ценность для этой цели гласных и согласных букв
- •Кластерно-конструктивный анализ букв
- •Информационные портреты классов (слов)
- •Профили слов
- •Семантические портреты и профили букв
- •Пример решения задания 8: "Вывести в графической форме семантические сети и когнитивные диаграммы слов и букв, классическую и интегральную когнитивные карты"
- •Контрольные вопросы
- •Литература по лабораторной работе
- •Краткая теория
- •Задания
- •Пример решения
- •1. Осуществить когнитивную структуризацию предметной области.
- •2. Выполнить формализацию предметной области.
- •2.1. Формирование классификационных шкал и градаций
- •2.1. Формирование описательных шкал и градаций
- •3. Сформировать обучающую выборку
- •4. Осуществить синтез семантической информационной модели
- •5. Оптимизировать семантическую информационную модель
- •6. Проверить семантическую информационную модель на адекватность, измерить внутреннюю и внешнюю, дифференциальную и интегральную валидность
- •6.1. Внутренняя дифференциальная и интегральная валидность
- •6.2. Внешняя дифференциальная и интегральная валидность
- •7. Выполнить адаптацию модели и измерить, как изменилась ее адекватность
- •8. Осуществить пересинтез модели и измерить, как изменилась ее адекватность
- •9. Вывести информационные портреты текстов и дать их интерпретацию
- •10. Выполнить кластерно-конструктивный анализ модели
- •Контрольные вопросы
- •Литература по лабораторной работе
- •Краткая теория
- •Задание
- •Пример решения
- •1. Формализовать задачу.
- •1.1. Сконструировать классификационные шкалы и градации.
- •1.2. Сконструировать описательные шкалы и градации.
- •1.3. Сгенерируем обучающую выборку.
- •2. Осуществить синтез и верификацию (измерение адекватности) семантической информационной модели.
- •3. Провести системно-когнитивный анализ модели:
- •3.1. Решить задачи идентификации и прогнозирования.
- •Контрольные вопросы
- •Литература по лабораторной работе
- •Краткая теория
- •Задание
- •Пример решения
- •1. Формализовать задачу.
- •1.1. Сконструировать классификационные шкалы и градации.
- •1.2. Сконструировать описательные шкалы и градации.
- •1.3. Сгенерировать обучающую выборку.
- •2. Осуществить синтез и верификацию (измерение адекватности) семантической информационной модели.
- •3. Провести системно-когнитивный анализ модели:
- •3.1. Решить задачи идентификации и прогнозирования.
- •3.3. Провести кластерно-конструктивный анализ классов и факторов (результаты отобразить в форме семантических сетей классов и факторов).
- •3.4. Осуществить содержательное сравнение классов и факторов (результаты отобразить в форме когнитивных диаграмм классов и факторов).
- •Контрольные опросы
- •Литература по лабораторной работе
- •Краткая теория
- •Задание
- •Пример решения
- •Контрольные вопросы
- •Литература по лабораторной работе
- •Краткая теория
- •Задание
- •Пример решения
- •Контрольные вопросы
- •Литература по лабораторной работе
- •Часть III. Заочное обучение, самостоятельная работа студентов и подготовка к экзамену
- •3.1. Изучение дисциплины при заочной форме обучения
- •3.2.3. Примерная структура реферата, курсовой или дипломной работы и элементы научного исследования в самостоятельной работе
- •3.2.4. Методика использования репозитария uci для оценки качества математических моделей систем искусственного интеллекта
- •3.2.4.1. Постановка задачи и пути ее решения
- •3.2.4.2. Преобразование исходных данных из html-формата в промежуточные dbf- таблицы
- •3.2.4.2.1. Характеристика исходных данных
- •Общее описание задачи (файл: zoo_names.Htm):
- •Обучающая выборка (файл: zoo_data.Htm)
- •Некоторые замечания к общему описанию задачи
- •3.2.4.2.2. Этапы разработки семантической информационной модели
- •3.2.4.2.3. Формализация предметной области: разработка классификационных и описательных шкал и градаций
- •3.2.4.2.4. Подготовка и ввод обучающей выборки
- •3.2.4.3. Программный интерфейс для преобразования промежуточных dbf-файлов в базы данных системы "Эйдос"
- •3.2.4.4. Синтез семантической информационной модели
- •3.2.4.5. Оптимизация семантической информационной модели
- •3.2.4.6. Проверка адекватности семантической информационной модели
- •3.2.4.7. Анализ семантической информационной модели
- •3.2.4.4. Резюме
- •3.3. Теоретические вопросы
- •3.3.1. Вопросы, выносящиеся на экзамен по дисциплине
- •Контрольные вопросы по лекции 1
- •Контрольные вопросы по лекции 2
- •Контрольные вопросы по лекции 3
- •Контрольные вопросы по лекции 4
- •Контрольные вопросы по лекции 5
- •Контрольные вопросы по лекции 6
- •Контрольные вопросы по лекции 7
- •Контрольные вопросы по лекции 8
- •Контрольные вопросы по лекции 9
- •Контрольные вопросы по лекции 10
- •Контрольные вопросы по лекции 11
- •Контрольные вопросы по лекции 12
- •Контрольные вопросы по лекции 13
- •Контрольные вопросы по лекции 14
- •Контрольные вопросы по лекции 15
- •Контрольные вопросы по лекции 16
- •Контрольные вопросы по лабораторной работе 1
- •Контрольные вопросы по лабораторной работе 2
- •Контрольные вопросы по лабораторной работе 3
- •Контрольные вопросы по лабораторной работе 4
- •Контрольные вопросы по лабораторной работе 5
- •Контрольные вопросы по лабораторной работе 6
- •Контрольные вопросы по лабораторной работе 7
- •Контрольные опросы по лабораторной работе 8
- •Контрольные вопросы по лабораторной работе 9
- •Контрольные вопросы по лабораторной работе 10
- •3.3.2. Вопросы, относящиеся к дисциплине "иис", выносящиеся на государственный экзамен
- •3.4. Практические задания
- •Заключение
- •Литература основная литература
- •Дополнительная литература
- •Internet-сайты
- •Краткий словарь терминов по ск-анализу и системам искусственного интеллекта
1.3.5.7.6. Гипотеза о физической природе нелокального взаимодействия нейронов в нелокальной нейронной сети
В данной работе предлагается математическая модель, численный метод и программный инструментарий нелокальных нейронных сетей (универсальная когнитивная аналитическая система "Эйдос"), успешно апробированные в ряде предметных областей. Данная система обеспечивает неограниченное количество слоев ННС при максимальном количестве весовых коэффициентов в слое до 16 миллионов в версии 9.0 и до 4000 выходных нейронов, а в текущей версии 12.5 эти количества ограничены практически только емкостью диска. Но если рассматривать нелокальную нейронную сеть как модель реальных "биологических" нейронных сетей, то ясно, что формальной модели недостаточно и необходимо дополнить ее физической моделью о природе каналов нелокального взаимодействия нейронов в данной сети.
По мнению автора данный механизм основан на парадоксе Эйнштейна-Подольского Розена (ЭПР) [7, 165, 219]. По мнению автора, физическая реализация нелокальных нейронов может быть осуществлена за счет соединения как минимум одного дендрита каждого нейрона с датчиком микротелекинетического воздействия, на который человек может оказывать влияние дистанционно. Некоторые из подобных датчиков описаны в работе [165] и на сайте автора. По мнению автора, мозг может рассматриваться как оптимальная среда для редукции мыслей, в этом смысле квантовые компьютеры, основанные не на математических и программных моделях, а на физических нелокальных нейронах, могут оказаться во многих отношениях функционально эквивалентными физическому организму.
1.3.5.7.7. Решение проблемы интерпретируемости передаточной функции
Вопрос об интерпретируемости передаточной функции нейрона включает два основных аспекта:
1) об интерпретируемости аргумента передаточной функции;
2) об интерпретируемости вида передаточной функции.
1. Возникает естественный вопрос о том, чем обосновано включение в состав модели нейрона Дж. Маккалоки и У. Питтом именно аддитивного элемента, суммирующего входные сигналы, а не скажем мультипликативного или в виде какой-либо другой функции общего вида. По мнению автора такой выбор обоснован и имеет явную и убедительную интерпретацию именно в том случае, когда весовые коэффициенты имеют смысл количества информации, т.к. в этом случае данная мера представляет собой неметрический критерий сходства, основанный на лемме Неймана-Пирсона [148]. Сумма весовых коэффициентов, соответствующих набору действующих факторов (входных сигналов) дает величину выходного сигнала на аксоне каждого нейрона.
2. Вид передаточной функции содержательно в теории нейронных сетей явно не обосновывается. Предлагается гипотеза, что на практике вид передаточной функции подбирается таким образом, чтобы соответствовать смыслу подобранных в данном конкретном случае весовых коэффициентов. Так как при применении в различных предметных областях смысл весовых коэффициентов в явном виде не контролируется и может отличаться, то выбор вида передаточной функции позволяет частично компенсировать эти различия.
Предлагаемый интерпретируемый вид весовых коэффициентов обеспечивает единую и стандартную интерпретацию аргумента и значения передаточной функции независимо от предметной области. Поэтому в нелокальной нейронной модели передаточная функция нейрона всегда линейна (аргумент равен функции). Следовательно в модели нелокального нейрона блок суммирования по сути дела объединен с блоком нелинейного преобразования (точнее, второй отсутствует, а его роль выполняет блок суммирования), в отличие от стандартных передаточных функций локальных нейронов: логистической, гиперболического тангенса, пороговой линейной, экспоненциально распределенной, полиномиальной и импульсно-кодовой.
Нелокальные нейроны как бы "резонируют" на ансамбли входных сигналов, причем этот резонанс может быть обоснованно назван семантическим (смысловым), т.к. весовые коэффициенты рассчитаны на основе предложенной семантической меры целесообразности информации. Таким образом, разложение вектора идентифицируемого объекта в ряд по векторам обобщенных образов классов осуществляется на основе семантического резонанса нейронов выходного слоя на ансамбль входных сигналов (признаков, факторов).
Соседние файлы в предмете [НЕСОРТИРОВАННОЕ]