Желтов Валериан Павлович рабочая программа

Вид материала

Содержание

Управление разработкой программных проектов
1. Цели освоения дисциплины
2. Место дисциплины в структуре ООП бакалавриата
3. Компетенции обучающегося, формируемые в результате освоения дисциплины
4. Структура и содержание дисциплины
Формы текущего контроля успеваемости (по неделям семестра)
5. Образовательные технологии
Тест1: Общие понятия искусственного интеллекта.
1 Прикладная диалоговоя система, основанная на знаниях
1 Формализованные знания о предметной области и о том, как решать за
1 Большей структурированностью
1 экспертная диагностическая система
1 Дж. Маккарти
1 М. Мински
1 Н. Винер
1 Lisp 2 Prolog
1 Lisp 2 Prolog
3 Поиск данных
3 Логика предикатов 1-го порядка
1 Логические методы
...
Полное содержание

Подобный материал:

МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РОССИЙСКОЙ ФЕДЕРАЦИИ

Федеральное государственное образовательное учреждение

высшего профессионального образования

«Чувашский государственный университет имени И.Н.Ульянова»

Факультет дизайна и компьютерных технологий

«УТВЕРЖДАЮ»

Проректор по учебной работе

______________ А.Ю. Александров

«______»______________ 20__ г.

РАБОЧАЯ ПРОГРАММА ДИСЦИПЛИНЫ

«Системы искусственного интеллекта»

Направление подготовки

231000 Программная инженерия

Профиль подготовки

^ Управление разработкой программных проектов

Квалификация (степень) выпускника

Бакалавр

Форма обучения

очная

Чебоксары

2011

Рабочая программа основана на требованиях Федерального государственного стандарта высшего профессионального образования по направлению подготовки 231000 Системы искусственного интеллекта, утвержденного Приказом Минобрнауки 9.11.2009 №542.

Составитель: доцент Павлова Н.В. ____________

Рабочая программа рассмотрена и одобрена на заседании обеспечивающей кафедры – компьютерных технологий (протокол № _____ от ___________2010 г.).

Зав. кафедрой: профессор Желтов Валериан Павлович

Рабочая программа согласована с Методической комиссией выпускающего факультета Дизайна и компьютерных технологий.

Председатель комиссии, декан: профессор Желтов Валериан Павлович____________

СОГЛАСОВАНО:

Зам. начальника УМУ: доцент М.Ю. Харитонов ____________

^ 1. Цели освоения дисциплины

Цели изучения дисциплины: дать общее представление о прикладных системах искусственного интеллекта; сформировать базовое представление, умения и навыки по основам инженерии знаний и нейроинформатики как двум основным направлениям построения интеллектуальных систем; дать представление о роли искусственного интеллекта и нейроинформатики в развитии информатики в целом, а также, в научно-техническом прогрессе.

Основными задачами изучения дисциплины являются: усвоение студентами основных принципов использования теории и методов искусственного интеллекта и нейроинформатики в построении современных компьютерных систем; получение ими практических навыков в исследовании и построении систем искусственного интеллекта.

^ 2. Место дисциплины в структуре ООП бакалавриата

Дисциплина входит в вариативную профессионально цикла образовательной программы бакалавра. Дисциплина обеспечивает совершенствование навыков, полученных при изучении основ программирования. Дисциплина находится на стыке программирования и математики с большей ориентацией на практическое использование в программировании. Дисциплина формирует дополнительные знания для дисциплин, связанных с изучением и разработкой программного обеспечения.

^ 3. Компетенции обучающегося, формируемые в результате освоения дисциплины

Процесс изучения дисциплины направлен на формирование следующих компетенций:

Навыки моделирования, анализа и использования формальных методов конструирования программного обеспечения (ПК-12);

В результате освоения дисциплины обучающийся должен:

Знать: основные принципы использования теории и методов искусственного интеллекта и нейроинформатики в построении современных компьютерных систем.

Уметь: строить и исследовать и системы искусственного интеллекта.

Владеть: современными средствами построения систем искусственного интеллекта.

^ 4. Структура и содержание дисциплины

4.1. Структура дисциплины

Общая трудоемкость дисциплины составляет 3 зачетных единиц, 108 часов.

№ п/п	Раздел дисциплины	Семестр	Неделя семестра	Виды учебной работы, включая самостоятельную работу студентов и трудоемкость (в часах)							^ Формы текущего контроля успеваемости (по неделям семестра) Форма промежуточной аттестации (по семестрам)
№ п/п	Раздел дисциплины	Семестр	Неделя семестра	Лекции	Практ. зан.	Лабор. зан.	КСР *	СРС **	Всего	Из ауд. зан. в интер. форме
1	Введение	3	1	2		-		9	11
2	Слабые методы решения задач	3	2-5	6		4		14	24
3	Сильные методы решения задач	3	5-11	12		6		17	35
4	Искусственные нейронные сети	3	12-17	12		6		18	36
	Итого		17	32		16	2	58	108		зачет

* Контроль самостоятельной работы: аудиторные занятия для проверки самостоятельной работы студентов, приема зачета, проведения текущих консультаций.

** Самостоятельная работа студента, включая курсовой проект, курсовую работу, расчетно-графические работы.

4.2. Содержание лекционных занятий

№ п/п	Наименование раздела дисциплины	Содержание раздела
1.	Введение	Предмет дисциплины, ее объем, содержание и связь с другими дисциплинами учебного плана. Цели и задачи дисциплины. Рекомендуемая литература. Искусственный интеллект (ИИ), основные понятия. Направления ИИ. Краткая историческая справка.
2.	Слабые методы решения задач	Знания и модели их представления. Логические модели. Продукционные модели. Семантические сети. Фреймовые модели. Слабые методы решения задач. Унификация. Алгоритм унификации. Метод резолюции. Стратегии и методы упрощения резолюции.
3.	Сильные методы решения задач	Экспертные системы (ЭС), основные понятия и определения. Задачи, решаемые ЭС. Классификация ЭС. Основные режимы работы ЭС. Технология разработки ЭС. Инструментальные средства построения ЭС. Механизм обработки знаний. Стратегии управления выводом. Представление нечетких знаний. Нечеткие множества и нечеткая логика. Коэффициент уверенности. Байесовский метод принятия решения.
4.	Искусственные нейронные сети	Нейробиология. Биологический нейрон. Нейронные сети (НС). Становление и развитие искусственных НС. Однослойные НС. Многослойные НС. Задачи, решаемые с помощью НС. Обучение НС: обучение с учителем. Функции оценки работы сети. Обучение методом обратного распространения ошибки. Обучение без учителя. Обучение с поощрением. Теорема Колмогорова-Арнольда. Работа Хехт-Нильсона. Теорема о полноте. Задача классификации. Алгоритм классификации. Сеть Кохонена. Обучение слоя Кохонена. Метод выпуклой комбинации. Примеры обучения сети Кохонена. Применение сети Кохонена для сжатия данных. Сети Хопфилда. Бинарные системы. Устойчивость сети Хопфилда. Ассоциативная память.

4.3. Содержание лабораторных занятий

Лабораторный практикум включает …

№ п/п	№ раздела дисциплины	Наименование лабораторных работ	Трудоемкость (час.)
1.	Слабые методы решения задач	1. Решение логических задач в Prolog.	4
2.	Сильные методы решения задач	1. Разработка экспертной системы в Mini Expert System	6
3.	Искусственные нейронные сети	Обучение нейронных сетей в Matlab	4
3.	Искусственные нейронные сети	Искусственные нейронные сети	2

^ 5. Образовательные технологии

В процессе изучения дисциплины используются:

• раздаточный материал для изучения лекционного материала;

• учебный материал в электронном виде;

• контрольные программы по курсу для подготовки к сдаче семестровой аттеста-

ции и экзамена;

• программное обеспечение в соответствии с содержанием дисциплины;

6. Учебно-методическое обеспечение самостоятельной работы студентов. Оценочные средства для текущего контроля успеваемости, промежуточной аттестации по итогам освоения дисциплины.

6.1. Перечень заданий для самостоятельной работы и проведения текущего контроля.

^ Тест1: Общие понятия искусственного интеллекта.

Вопрос №1

Что такое экспертная система (выберите все возможные определения)?

Варианты ответов:

^ 1 Прикладная диалоговоя система, основанная на знаниях

2 Прикладная вычислительная система

3 Система управления базами данных

4 Система, основанная на знаниях

Вопрос №2

Что такое база знаний?

Варианты ответов:

^ 1 Формализованные знания о предметной области и о том, как решать за-

дачу

2 Формализованные данные о предметной области

3 База данных о предметной области

4 Словарь предметной области

Вопрос №3

Какой метод представления знаний наиболее распространен в экспертных

системах?

Варианты ответов:

1 Фреймы

2 Семантические сети

3 Правила-продукции

4 Лингвистические переменные

5 Таблицы решений

Вопрос №4

Можно ли назвать экспертной систему без средств объяснений?

Варианты ответов:

1 Да

2 Нет

Вопрос №5

Можно ли назвать экспертной системой программу бухгалтерского учета (

типа "1СБухгалтерия" или "БЭСТ" )?

Варианты ответов:

1 Да

2 Нет

Вопрос №6

Можно ли назвать экспертной системой программу диагностики сердечно-

сосудистых заболеваний по результатам обследования больного?

Варианты ответов:

1 Да

2 Нет

Вопрос №7

Чемпионат мира по какому виду спорта проводятся ежегодно для роботов?

Варианты ответов:

1 Футбол

Вопрос №8

Чем отличаются знания от данных?

Варианты ответов:

^ 1 Большей структурированностью

2 Большей самоинтерпретируемостью

3 Большей непонятностью

4 Большей применяемостью

5 Большей связностью

6 Субъективностью

Вопрос №9

Что из перечисленного можно назвать прикладной системой искусственного

интеллекта?

Варианты ответов:

^ 1 экспертная диагностическая система

2 система машинного перевода

3 система программирования на JAVA

4 система RAD-программирования

5 OCR-система

6 система учета товаров на складе

7 графический редактор

8 система расчета зарплаты

9 программа обнаружения на аэрофотоснимке искусственных объектов

Вопрос №10

Кто является автором идеи фреймов?

Варианты ответов:

^ 1 Дж. Маккарти

2 М. Мински

3 Н. Винер

4 Мак-Каллок

Вопрос №11

Кто является автором языка программирования LISP?

Варианты ответов:

^ 1 М. Мински

2 Н. Винер

3 Фон Нейман

4 Дж. Маккартни

5 Н. Амосов

Вопрос №12

Кто является автором идеи теста на интеллектуальность системы искусст-

венного интеллекта?

Варианты ответов:

^ 1 Н. Винер

2 Тьюринг

3 К. Шеннон

4 Фон Нейман

Вопрос №13

Какой язык программирования из нижеперечисленных является языком ло-

гического программирования?

Варианты ответов:

^ 1 Lisp

2 Prolog

3 C++

4 Pascal

Вопрос №14

Какой из нижеперечисленных языков программирования базируется на ло-

гике предикатов 1-го порядка?

Варианты ответов:

^ 1 Lisp

2 Prolog

3 Pascal

4 Smalltalk

Вопрос №15

Что лежит в основе решения задачи системой искусственного интеллекта?

Варианты ответов:

1 Вычисления

2 Индексный поиск

^ 3 Поиск данных

4 Поиск релевантных знаний

5 Трансляция

Тест2: Методы представления знаний.

Вопрос №1

Какие языки программирования можно отнести к языкам инженерии знаний?

Варианты ответов:

1 С

2 С++

3 Pascal

4 Prolog

5 Lisp

6 SmallTalk

7 Cobol

8 Basic

9 Java

Вопрос №2

Какой метод представления знаний реализован в языке программирования

Prolog?

Варианты ответов:

1 Фреймы

2 Семантические сети

^ 3 Логика предикатов 1-го порядка

4 Логика предикатов 2-го порядка

5 Модальная логика

6 Псевдофизическая логика

Вопрос №3

33

17

К какому классу методов представления знаний можно отнести правила-

продукции?

Варианты ответов:

^ 1 Логические методы

2 Эвристические методы

3 И то и другое

Вопрос №4

Какой метод представления знаний наиболее подходит для представления

следующего знания, выраженного на естественном языке "робот находится

недалеко от контейнера с деталями"?

Варианты ответов:

^ 1 Семантческие сети

2 Фреймы

3 Пространственная логика

4 Временная логика

5 Логика предикатов 1-го порядка

Вопрос №5

Какой из перечисленных методов обработки знаний не является методом

решения задач в экспертных системах?

Варианты ответов:

^ 1 Дедуктивный обратный логический вывод

2 Дедуктивный прямой логический вывод

33

18

3 Индуктивный логический вывод

Вопрос №6

По какой формуле вычисляется в нечеткой логике функция принадлежности

конъюнкции двух нечетких переменных X и Y? 1. P(X&Y)=max (P(X),

P(Y))

2. P(X&Y)=min (P(X), P(Y))

Варианты ответов:

1 1

2 2

Вопрос №7

Какой метод представления знаний лежит в основе языка программирования

Prolog?

Варианты ответов:

^ 1 Семантические сети

2 Логика предикатов 1-го порядка

3 Модальная логика

4 Правила-продукции

5 Логика предикатов высших порядков

Вопрос №8

Какое высказывание может представлять предикат языка Prolog

parent("Иванов И. И.", "Сидоров А.С.")?

Варианты ответов:

^ 1 "Иванов И.И. и Сидоров u1040 А.С - родственники".

2 "Иванов И.И. является родителем Сидорова А.С."

3 "Иванов И.И. является отцом Сидорова А.С."

Вопрос №9

Какой вид знаний отсутствует в явном виде в семантической сети?

Варианты ответов:

1 Декларативные

2 Процедурные

Вопрос №10

Какие диапозоны значений могут использоваться для коэффициента досто-

верности правила-продукции в какой-либо экспертной системе?

Варианты ответов:

1 От 0 до 1

2 От -1 до 1

3 От 0 до 100

4 От 1 до 2

5 От "минус бесконечности" до "плюс бесконечности"

Вопрос №11

33

19

Какое из ниже перечисленных правил может привести к решению задачи в

системе ESWin при задании цели "Метод представления знаний"?

1. RULE 1

EQ( Задача.Область применения; Медицина ) И

EQ( Задача.Задача; Диагностика )

DO

EQ( Метод представления знаний; Правила-продукции с представлением

нечетких знаний) 70

ENDR

2. RULE 2

EQ( Задача.Область применения; Управление финансами ) И

EQ( Задача.Задача; Анализ данных )

DO

EQ( Метод; Регрессионный анализ) 90

ENDR

Варианты ответов:

1 1

2 2

Вопрос №12

Какой метод логического вывода лучше использовать для генерирования ги-

потез?

Варианты ответов:

1 Прямой

2 Обратный

Вопрос №13

Если при решении задачи экспертной системой требуется много фактов, не

известных заранее, а получаемых в процессе диалога с пользователем, какой

метод логического вывода лучше использовать?

Варианты ответов:

1 Прямой

2 Обратный

Вопрос №14

Какие предикаты обычно используются для представления свойств объек-

тов?

Варианты ответов:

1 Одноместные

2 Двухместные

3 Многоместные

6.2. Перечень вопросов к промежуточной аттестации.

Основные понятия искусственного интеллекта.
Интеллектуальная система.
История развития искусственного интеллекта.
Направления искусственного интеллекта.
Направления развития искусственного интеллекта.
Знания и данные. Классификация знаний. Представление знаний.
Модели представления знаний: логическая модель.
Модели представления знаний: продукционная модель.
Модели представления знаний: семантические сети.
Модели представления знаний: фреймовая модель.
Слабые методы решения задач.
Исчисление высказываний и исчисление предикатов.
Унификация.
Метод резолюции.
Стратегии и методы упрощения резолюции.
Логика и теория множеств.
Экспертные системы. Основные понятия и определения.
Задачи, решаемые экспертными системами.
Классификация экспертных систем.
Технология разработки экспертных систем.
Инструментальные средства построения экспертных систем.
Представление нечетких знаний. Общий обзор.
Представление нечетких знаний: коэффициент уверенности.
Представление нечетких знаний: Байесовский метод принятия решений.
Представление нечетких знаний: теория нечетких множеств и нечеткая логика.
Нейронные сети. Биологические основы функционирования нейронов.
Модель нейрона Маккалока и Питса.
Однослойная нейронная сеть.
Многослойная однонаправленная нейронная сеть.
Задачи, реализуемые с помощью многослойных сетей: задача классификации, задача аппроксимации функций.
Обучение нейронных сетей. Общий обзор.
Обучение нейронных сетей: обучение с учителем.
Обучение нейронных сетей: обучение без учителя.
Обучение нейронных сетей: обучение с поощрением.
Работы А.Н. Колмогорова и В.И. Арнольда. Теорема Хехт-Нильсена. Теорема о полноте.
Обучение нейронных сетей. Алгоритм обратного распространения ошибки.
Задача классификации: основные понятия, определения, формализация.
Задача классификации: алгоритм классификации.
Самоорганизующиеся нейронные сети. Описание сети Кохонена.
Алгоритм классификации для сетей Кохонена.
Алгоритм обучения сети Кохонена.
Обучение сети Кохонена методом выпуклой комбинации.
Сравнение обычного метода обучения сети Кохонена с методом выпуклой комбинации.
Режимы работы сети Кохонена.
Применение сети Кохонена для сжатия данных.
Описание и конфигурация сети Хопфилда. Бинарные системы.
Устойчивость сети Хопфилда.
Ассоциативная память на основе сетей Хопфилда.

^ 7. Учебно-методическое и информационное обеспечение дисциплины

а) основная литература:

Лорьер Ж.-Л. Системы искусственного интеллекта. - М.: Мир, 1991.
Сотник С.Л. Конспект лекций по курсу "Основы проектирования систем искусственного интеллекта", 1997-1998.
Братко И. Программирование на языке Пролог для искусственного интеллекта: Пер. с англ. -М.: Мир, 1990.- 560 с., ил.
Джонс М.Т. Программирование искусственного интеллекта в приложениях. – М.: ДМК Пресс, 2004. – 312 с.: ил.
Гаскаров Д.В. Интеллектуальные информационные системы. - М., 2003. - 431 с.
Представление знаний и использование знаний. Под ред. Х.Уэно, М. Исидзука. М.: Мир, 1989.
Джексон П. Введение в экспертные системы. М.: Вильямс, 2001.
Попов Э.В. Экспертные системы. – М.: Наука, 1989.
Представление знаний и использование знаний. Под ред. Х.Уэно, М. Исидзука. М.: Мир, 1989.
С.Короткий. Нейронные сети: основные положения.
С.Короткий. Нейронные сети: алгоритм обратного распространения ошибки.
С.Короткий. Нейронные сети: обучение без учителя.

б) дополнительная литература:

Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем. СПб: Питер, 2000. – 384 с.
Адаменко А.Н., Кучуков А.М. Логическое программирование и Visual Prolog. – СПб., 2003. – 992 с.
Уинстон П. Искусственный интеллект. М.: Мир, 1980.
Нильсон Н. Принципы искусственного интеллекта. - М.: Радио и связь, 1985.
Попов Э.В. Экспертные системы. – М.: Наука, 1989.
Частиков А.П., Гаврилова Т.А., Белов Д.Л. Разработка экспертных систем. Среда CLIPS. – СПб.: БХВ – Петербург, 2003. – 608 с.: ил.
Осуга С. Обработка знаний. –М.: Мир, 1989.
Ф.Уоссермен, Нейрокомпьютерная техника, М.,Мир, 1992.
Суровцев И.С., Клюкин В.И., Пивоварова Р.П. Нейронные сети. — Воронеж: ВГУ, 1994. — 224 с.
Вороновский Г.К., Махотило К.В., Петрашев С.Н., Сергеев С.А. Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности // Харьков. ОСНОВА, 1997. - 112 с.

в) программное обеспечение и Интернет-ресурсы

Strawberry Prolog – интегрированная среда логического (символьного) языка программирования.

MiniES - "малая экспертная система", использующую байесовскую систему логического вывода.

MatLab – пакет прикладных программ для решения математических задач.

8. Материально-техническое обеспечение дисциплины

Для обеспечения данной дисциплины необходим компьютерный класс, соответствующаий действующим санитарным и противопожарным нормам, оборудованный вычислительными средствами (ПЭВМ) с установленным программным обеспечением.

Blog

Желтов Валериан Павлович рабочая программа

Содержание