НОВОСИБИРСКИЙ ГОСУДАРСТВЕННЫЙ ТЕХНИЧЕСКИЙ УНИВЕРСИТЕТ

“УТВЕРЖДАЮ”

Декан АВТФ

В.В. Губарев

“___ ”______________2001 г.

РАБОЧАЯ ПРОГРАММА

по дисциплине “Системы искусственного интеллекта”

для студентов, обучающихся по направлению 552800

“Информатика и вычислительная техника”

Зочное отделение

Факультет автоматики и вычислительной техники

Кафедра вычислительной техники

Курс 4 Семестр 8

Установочная лекция - 2 часа

Лекции - 12 час.

Лабораторные

работы - 8 час. Контрольная работа

Всего часов – 22 час. Зачет

2001 г.

33

2

Рабочая программа составлена на основании Государственного образова-тельного стандарта высшего профессионального образования по направле-нию 552800 “Информатика и вычислительная техника” от 13.03.2000

Регистрационный номер

Цикл

Рабочая программа обсуждена на заседании кафедры ВТ, протокол № 8

от 31 августа 2001 г.

Программу составил

К.т.н., доцент А.В.Гаврилов

Ответственный за направление

подготовки на кафедре ВТ к.т.н., доцент В.Ф.Гребенников

Заведующий кафедрой

д.т.н., проф. В.В.Губарев

33

4

1.ПРИНЦИПЫ ПОСТРОЕНИЯ КУРСА.

В основу курса “Системы с искусственным интеллектом” положены следующие принципы:

• курс входит в число дисциплин, включенных в типовой учебный план специальности 22.01;

• основной целью курса является формирование системного базового представления, первичные знаний, умений и навыков студентов по основам ин-женерии знаний и нейроинформатики, как двум направлениям построения интел-лектуальных систем;

• ядро курса составляют методы представления и обработки знаний в системах искусственного интеллекта;

• для успешного изучения курса студенту необходимо знать основы информатики, теории вероятностей, математической логики, уметь программиро-вать на каком-либо языке программирования;

• курс имеет практическую часть (практические занятия - 17 часов и расчетно-графическое задание - 17 часов). Студенты применяют теоретические положения для анализа конкретной предметной области, постановки задачи по-строения экспертной советующей системы и реализации прототипа базы знаний в среде экспертной оболочки ESWin. Часть заданий меняется, имея нестандартный проблемный характер;

• курс имеет лабораторные работы (17 часов), в ходе которых студенты изучают наиболее распространенные модели нейронных сетей и получают навыки их применения для решения задач распознавания образов и анализа данных;

• для проведения практических занятий используется электронное ме-тодическое пособие по разработке экспертных систем в формате HTML, учебное пособие;

• оценка знаний и умений студентов проводится с помощью набора тестов, каждый из которых включает в себя по 15 вопросов по основным пробле-мам курса, из них три теста посвящены инженерии знаний и четыре - нейронным сетям.

2. ТРЕБОВАНИЯ ГОСУДАРСТВЕННОГО ОБРАЗОВАТЕЛЬНОГО СТАНДАРТА (ГОС)

ПО НАПРАВЛЕНИЮ 552800 ”ИНФОРМАТИКА И ВЫЧИСЛИТЕЛЬНАЯ ТЕХНИКА”

2.1. Квалификационные требования

Для компетентного и ответственного решения профессиональных задач бакалавр: − готов участвовать во всех фазах проектирования и разработки объектов про-

фессиональной деятельности; − готов участвовать в разработке всех видов документации на программные, ап-

паратные и программно-аппаратные комплексы; − способен использовать современные методы, средства и технологии разработ-

ки объектов профессиональной деятельности. Бакалавр должен знать:

33

5

− методические и нормативные материалы по проектированию и разработке объектов профессиональной деятельности;

− методы анализа качества объектов профессиональной деятельности.

2.2. Требования к профессиональной подготовленности бакалавра Бакалавр по информатике и вычислительной технике должен знать: − стандарты, методические и нормативные материалы, определяющие проекти-

рование и разработку объектов профессиональной деятельности; − модели, методы и средства анализа и разработки математического, лингвисти-

ческого, информационного и программного обеспечения ВС и автоматизиро-ванных систем;

− модели, методы и формы организации процесса разработки объектов профес-сиональной деятельности;

должен уметь применять: − методы и средства анализа и моделирования объектов профессиональной дея-

тельности и их компонентов. 2.3. Что должен знать дипломированный специалист по направлению 654600 "Информатика и вычислительная техника" (выписка из гос. образо-вательного стандарта высшего профессионального технического образова-ния, рег. номер 224тех/дс, дисциплина СД.07 "Системы искусственного ин-теллекта"). Искусственный интеллект как научное направление, представление знаний, рас-суждений и задач; эпистомологическая полнота представления знаний и эвристи-ческая эффективность стратегии поиска решения задач; модели представления знаний; алгоритмические, логические, сетевые и продукционные модели; сцена-рии; экспертные системы; классификация и структура; инструментальные средст-ва проектирования, разработки и отладки; этапы разработки; примеры реализа-ции.

3. ЦЕЛИ КУРСА.

№ цели Содержание цели Студент должен иметь представление: 1 Об основных понятиях искусственного интеллекта, истории исследо-

ваний в области ИИ и роли ИИ в развитии информационных техноло-гий

2 О двух различных подходах к построению интеллектуальных систем - логическом и нейрокибернетическом

3 О различных типах прикладных систем искусственного интеллекта 4 О различных методах представления и обработки знаний, в том числе,

методах приобретения знаний 5 О проблемах и технологии построения экспертных систем 6 О проблемах и основных подходах к решению задач обработки есте-

ственного языка

33

6

7 О различных моделях нейронных сетей и их применении для решения задач

Студент должен знать: 8 Объект курса: 1) знание как субъективная категория, взаимосвязь с

понятиями данных и информации; 2) методы формализации знаний, в том числе, нечетких; 3) методы решения задач в системах, осно-ванных на знаниях; 4) методы приобретения знаний; 5) архитектура экспертных систем, как одного из типов интеллектуальных систем; 6) технология разработки экспертных систем; 7) принципы построе-ния нейронных сетей; 8) разные модели нейронных сетей, их алго-ритмы функционирования и методы обучения. Предмет курса; 1) базовые определения и понятия инженерии зна-ний и нейроинформатики; 2) основные задачи и методы инженерии знаний и нейроинформатики; 3) методы представления и обработки знаний. Цели и задачи курса, место систем искусственного интеллекта как дисциплины, завершающей обучение бакалавров по данному на-правлению.

9 Основные понятия инженерии знаний и нейрокибернетики 10 Методы представления и обработки знаний, в том числе, методов

приобретения знаний 11 Основные модели нейронных сетей, методы и алгоритмы их обуче-

ния 12 Структура экспертных систем и их архитектурные особенности в за-

висимости от особенностей решаемой задачи 13 Этапы построения экспертных систем 14 Основные подходы к построению систем обработки естественного

языка Студент должен уметь: 15 Ориентироваться в различных типах интеллектуальных систем 16 Ориентироваться а различных методах представления знаний, пере-

ходить от одного метода к другому 17 Формализовать знания экспертов с применением различных методов

представления знаний 18 Ставить задачу построения экспертной системы для решения задачи

выбора вариантов в плохо формализуемой предметной области 19 Разрабатывать продукционные базы знаний для решения задач вы-

бора вариантов в плохо формализуемой предметной области 20 Применять основные модели нейронных сетей 21 Представлять результаты разработки экспертной системы, описание

рассчетно–графического задания в виде руководства для использо-вания, удовлетворяющего соответствующим требованиям к оформ-лению

33

7

4.СТРУКТУРА КУРСА.

Введение. Основные по-

нятия об ИИ, об инже-нерии знаний, нейроки-бернетике и прикладных системах.ИИ

Методы представления знаний.

Логические Эвристические Нейронные сети

Модели ней-ронных сетей и их применение

Методы приобре-тения знаний

Технология эксперт-ных систем

Обработка естест-венного языка

Контрольная работа

Лабора-торные работы

Заключение. Перспекти-вы развития ИИ

33

8

5. СОДЕРЖАНИЕ КУРСА

Ссылки на цели кур-са

Часы Темы лекционных занятий

8 2 Установочная лекция Введение. Предмет, объект, метод, цель и задачи дисциплины "Системы искусственного интеллекта". Место и роль систем искусственного интеллекта в учебном плане и в работе выпу-скника по направлению "Информатика и вычислительная тех-ника". Основная литература по дисциплине и ее краткий ана-лиз. Задание на выполнение контрольной работы.

1,2,9 0.5 История исследований в области ИИ и основные понятия ИИ. Зарождение исследований в области искусственного интел-лекта (ИИ). Два направления: логическое и нейрокибернети-ческое. Ранние исследования в 50-60-е годы (Н.Винер, Мак-Каллок, Розенблатт, Саймон, Маккарти, Слэйджл, Сэмюэль, Гелернер, Н.Амосов). Появление первого развитого языка программирования LISP для построения систем ИИ. Появле-ние в конце 60-х годов интегральных (интеллектуальных) ро-ботов и первых экспертных систем. Успехи экспертных сис-тем и застой в нейрокибернетике в 70-е годы. Новый бум ней-рокибернетики в начале 80-х годов (Хопфилд). Появление ло-гического программирования и языка PROLOG. Программа создания ЭВМ 5-го поколения. Стратегическая компьютерная инициатива США. Исследования по ИИ в СССР и России. По-нятие знаний. Свойства знаний и отличие знаний от данных. Типы знаний: декларативные и процедурные, экстенсиональ-ные и интенсиональные. Нечеткие знания. Виды и природа нечеткости. Проблема понимания смысла как извлечения зна-ний из данных и сигналов.

3,15 0.5 Прикладные системы ИИ – системы, основанные на знаниях. Понятие инженерии знаний. Экспертные системы. Их области применения и решаемые ими задач. Обобщенная структура экспертных систем. Интеллектуальные роботы. Их обобщен-ная структура. Системы общения на естественном языке и ре-чевой ввод-вывод. Применение ИИ в системах управления производством. Применение ИИ в делопроизводстве и в сети Internet.

33

9

4,10,16

1 Логика предикатов 1-го порядка как метод представления знаний. Логические и эвристические методы представления знаний. Понятие предиката, формулы, кванторов всеобщности и существования. Интерпретация формул в логике предикатов 1-го порядка. Метод резолюции для доказательства теорем в логике 1-го порядка. Логика Хорна как основа языка логиче-ского программирования Prolog. Недостатки логики 1-го по-рядка как метода представления знаний. Пути повышения вы-разительных возможностей логики 1-го порядка: введение мо-дальностей и повышение значности. Логика возможного-необходимого. Трехзначная семантика Лукасевича. Семантика возможных миров.

4,10,16

1 Псевдофизические логики. Теория нечетких множеств – основа псевдофизических логик. Нечеткая логика. Понятие лингвис-тической переменной. Примеры псевдофизических логик: пространственная и временная логики.

4,10,16

1 Правила-продукции. Структура правил-продукций. Типы ядер правил-продукций и варианты их интерпретаций. Методы ло-гического вывода: прямой и обратный. Стратегии выбора пра-вил при логическом выводе. Методы представления и обра-ботки нечетких знаний в продукционных системах. Достоин-ства и недостатки правил-продукций как метода представле-ния знаний.

4,10,16

1 Семантические сети. Основные понятия. Типы отношений в семантических сетях. Абстрактные и конкретные сети. Прин-ципы обработки информации в семантических сетях. Связь семантических сетей с логикой 1-го порядка и псевдофизиче-скими логиками.

4,10,16

1 Фреймы. Основные понятия: слоты, присоединенные проце-дуры-слуги и процедуры-демоны, наследование свойств. Связь понятия фрейма и объекта в объетно-ориентированном про-граммировании. Сети фреймов. Принципы обработки данных в сети фреймов. Связь фреймов с объектно-ориентированным подходом. Примеры языков инженерии знаний, основанных на фреймах: FRL и KRL.

5,12,13, 17,18

2 Технология построения экспертных систем. Условия приме-нимости экспертных систем. Типы экспертных систем в зави-симости от степени завершенности и особенностей использо-вания: демонстрационные, исследовательские, промышлен-ные, коммерческие. Этапы построения экспертных систем: идентификация, концептуализация, формализация, реализа-ция, тестирование. Трудности при создании экспертных сис-тем. Инструментальные средства для создания ЭС: CLIPS, KEE, ESWin. Проблемы и методы извлечения знаний.

33

10

4,10,16

1.5 Приобретение знаний. Основные понятия методов обучения. Классификация методов обучения по способу обучения: эмпи-рические и аналитические, по глубине обучения – символьные (поверхностные) и на основе знаний (глубинные). Связь этой классификации с понятиями индуктивного вывода, вывода по аналогии, обучения на примерах. Сведение задачи приобрете-ния знаний к задаче обобщения. Индукция Милля. Недостатки этого метода. ДСМ-метод. Определение индуктивного вывода. Понятие аналогии. Абстрагирование. Определение вывода по аналогии.

2,7,10,11,20

2 Модели нейронных сетей. Многослойные перцептроны. Оцен-ка состояния нейронной сети. Сведение функционирования нейронной сети к задаче минимизации целевой функции. Ал-горитм обучения обратным распространением ошибки. Ней-ронная сеть как ассоциативная память. Модель Хопфилда. Модель Кохонена. Модель Гросберга-Карпентера (ART-1). Программная и аппаратная реализации нейронных се-тей.Использование нейронных сетей для прогнозирования. Особенности обработки символьной и численной информации в нейронных сетях.

1,3 0.5 Заключение. Перспективы развития методов и средств ИИ. Понятие о распределенных и гибридных интеллектуальных системах.

Тема контрольной работы. Постановка задачи и идентификация предметной области для разработки

экспертной системы. Для выполнения контрольной работы студент выбирает задачу для решения

экспертной системой в предметной области, связанной с его профессиональной деятельностью, согласовывая выбор с преподавателем. Взаимодействие с пре-подавателем осуществляется по электронной почте.

При выполнении контрольной работы студент пользуется (помимо литера-туры по экспертным системам) электронным учебным пособием А.В.Гаврилов, Ю.В.Новицкая "Разработка экспертных систем", размещенным на сайте кафед-ры ВТ НГТУ по адресу http://ermak.cs.nstu.ru/ metod/ai1.htm

Темы лабораторных работ: 1. Изучение модели многослойного перцептрона на примере решения задачи

распознавания образов 2. Изучение модели Хопфилда на примере решения задачи оценки недвижи-

мости 3. Изучение модели Кохонена на примере решения задачи классификации

образов

33

11

4. Изучение модели Гроссберга-Карпентера (ART-1) на примере решения за-дачи кластеризации образов

Проведение лабораторных работ преследует цели курса 7,11,20. Лабораторные работы проводятся с использованием специализированных

программных моделей нейронных сетей и методического пособия "Лаборатор-ный практикум по нейронным сетям. Ч.1". По окончании каждой лабораторной работы студент предоставляет отчет. Для проверки знаний по тематике лабораторных работ применяются 4 теста

(тесты 3,4,5,6), приводимые в приложении. Ниже приведена рейтинговая система оценки работы студента по курсу.

N Вид деятельности Максимальный балл

Минимальный балл

3 Контрольная работа 50 25 4 Тест 1 15 10 5 Тест 2 15 10 6 Тест 3 15 10 7 Тест 4 15 10 8 Тест 5 15 10 9 Тест 6 12 7 Итого: 132 82

Для получения зачета необходимо набрать не менее 82 баллов.

6. ЛИТЕРАТУРА

1. Основная литература.

1.1. Гаврилов А.В. Системы искусственного интеллекта. Ч.1. - Учебное посо-бие, Новосибирск: НГТУ, 2000.

1.2. Лабораторный практикум по нейронным сетям. Ч.1. - Методическое посо-бие. / Гаврилов А.В., НГТУ, 1999.

1.3. Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем. - СпБ, Питер, 2000.

1.4. Джексон П. Введение в экспертные системы. - М., СпБ., Киев: "Вильямс", 2001.

1.5. Лорьер Ж.-Л. Системы искусственного интеллекта. - М: Мир, 1991. 1.6. Круглов В.В., Борисов В.В.. Искусственные нейронные сети. Теория и

практика. - М.: Горячая линия-Телеком, 2001. 1.7. Интеллектуализация ЭВМ - // В уч. пос. Перспективы развития вычисли-

тельной техники в 11 кн. Кн. 2. - М.: Высшая школа, 1989. 1.8. Системы управления базами данных и знаний. Справочное издание под

ред. А.Н.Наумова. - М.: Финансы и статистика, 1991. 2. Дополнительная литература.

33

12

2.1. Марселлус Д.. Программирование экспертных систем на Турбо-Прологе. - М.: Финансы и статистика, 1994.

2.2. Нейроинформатика / А.Н.Горбань и др. – Новосибирск, Наука, 1998. 2.3. Нечеткие множества и теория возможностей. Под ред. Р.Ягера. - М.: Радио

и связь, 1986 2.4. Обработка знаний. - М: Мир, 1990. 2.5. Обработка нечеткой информации в системах принятия решений.- М.: Радио

и связь, 1989. 2.6. Попов Э.В. Экспертные системы. - М:, Наука, 1987. 2.7. Попов Э.В. Общение с ЭВМ на естественном языке. - М:, Наука, 1986. 2.8. Поспелов Д.А. Моделирование рассуждений. - М.: Радио и связь, 1989. 2.9. Логический подход к искусственному интеллекту. - М.: Мир, 1990. 2.10. Горбань А.Н., Россиев Д.А. Нейронные сети на персональном компьюте-

ре. -Новосибирск, Наука, 1996. 2.11. Дюбуа Д., Прад А. Теория возможностей. Приложения к представлению

знаний в информатике. - М.: Радио и связь, 1990. 2.12. Искусственный интеллект. Применение в интегрированных производст-

венных системах. Под ред. Э.Кьюсиака. - М.: Машиностроение, 1991. 2.13. Искусственный интеллект. Справочник в 3-х томах. - М.: Радио и связь,

1990. 2.14. Кандрашина Е.Ю., Литвинцева А.В., Поспелов Д.А.. Представление зна-

ний о времени и пространстве в интеллектуальных системах. - М.: Наука, 1989.

2.15. Ковальски Р. Логика в решении проблем. - М.: Наука, 1990. 2.16. Нильсон Н. Принципы искусственного интеллекта. - М.: Радио и связь,

1985. 2.17. Построение экспертных систем. Под ред. Ф.Хейес-Рота, Д.Уотермена,

Д.Лената. - М.: Мир, 1987. 2.18. Представление и использование знаний. - М: Мир, 1989. 2.19. Приобретение знаний. - М: Мир, 1990. 2.20. Уоссермен Ф. Нейрокомпьютерная техника : Теория и практика.М.: Мир.

1992. 2.21. Уотерман Д. Руководство по экспертным системам. - М.: Мир, 1989. 2.22. Хоггер К. Введение в логическое программирование. М.: Мир, 1988. 2.23. Экспертные системы. Принципы работы и примеры. Под ред.

Р.Форсайта.- М.: Радио и связь, 1987. 2.24. Элти Дж., Кумбс М. Экспертные системы. Концепции и примеры. – М.:

Финансы и статистика, 1987.

33

13

ПРИЛОЖЕНИЕ

ТЕСТЫ

Тест1: Общие понятия искусственного интеллекта. (время проведения теста - 30 мин.)

Паспорт теста

Уровень целей Количество

заданий Номера тестовых заданий

Знать 15 1,2,3,4,5,6,7,8,9,10,11,12,13,14,15 Уметь 0

Количество вопросов: 15

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

33

14

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

33

15

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

33

16

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. (время проведения теста - 30 мин.)

Паспорт теста

Уровень целей Количество

заданий Номера тестовых заданий

Знать 10 1,2,3,6,7,8,10,11,14,15 Уметь 5 4,5,9,12,13

Количество вопросов: 15

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 фрагмент семантической сети более верно представляет знание на ЕЯ "Иванов - студент НГТУ"?

Варианты ответов:

1 1 2 2

Вопрос №6

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 №7

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 №8

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 №9

Какое высказывание может представлять предикат языка Prolog parent("Иванов И. И.", "Сидоров А.С.")?

Варианты ответов: 1 "Иванов И.И. и Сидоров А.С - родственники". 2 "Иванов И.И. является родителем Сидорова А.С." 3 "Иванов И.И. является отцом Сидорова А.С."

Вопрос №10

Какой вид знаний отсутствует в явном виде в семантической сети? Варианты ответов:

1 Декларативные 2 Процедурные

Вопрос №11

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 №12

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 №13

Какой метод логического вывода лучше использовать для генерирования ги-потез?

Варианты ответов: 1 Прямой 2 Обратный

Вопрос №14

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 №15

Какие предикаты обычно используются для представления свойств объек-тов?

Варианты ответов: 1 Одноместные 2 Двухместные 3 Многоместные

Тест 3: Нейронные сети (общие понятия). (время проведения теста - 30 мин.)

33

20

Паспорт теста

Уровень целей Количество заданий

Номера тестовых заданий

Знать 14 1,2,3,4,5,6,7,8,9,10,11,12,13,15 Уметь 1 14

Количество вопросов: 15

Вопрос №1

Какая из перечисленных моделей нейронных сетей описывается полносвязным неориентированным графом?

Варианты ответов: 1 Многослойный перцептрон 2 Модель ART Гроссберга-Карпентера 3 Модель Хопфилда 4 Сеть Кохонена

Вопрос №2

Что такое "энергетическая функция" нейронной сети? Варианты ответов:

1 Целевая функция, оценивающая состояние нейронной сети 2 Функция оценки энергии, аккумулированной в сети и необходимой для решения задачи 3 Функция, для вычисления которой предназначена нейронная сеть

Вопрос №3

Где хранится информация в нейронной сети при рассмотрении ее с позиций коннекционизма?

Варианты ответов: 1 В порогах нейронов 2 В весах связей между нейронами 3 В памяти нейроподобных элементов 4 В памяти компьютера, связанного с нейронной сетью

Вопрос №4

Чем принципиально отличается функционирование нейронной сети как механизма хранения знаний от других методов представления (хранения) знаний, рассматриваемых в инженерии знаний?

Варианты ответов: 1 Наличием параллелизма обработки знаний 2 Тем, что знания не надо формализовать (описывать) при их запоминании 3 Тем, что хранимые знания трудно визуализировать 4 Тем, что знания представляются на входе сети в виде чисел

33

21

Вопрос №5 Какую из ниже перечисленных моделей нейронных сетей можно назвать самообучаемой сетью (обучаемой без учителя)?

Варианты ответов: 1 Модель Хопфилда 2 Многослойный перцептрон с обучением обратным распространением ошибки 3 Модель Гроссберга (ART) 4 Модель Кохонена

Вопрос №6

Почему функционирование нейронной сети является решением задачи оптимизации?. Потому что в процессе функционирования сети:

Варианты ответов: 1 Минимизируется энергетическая функция 2 Минимизируюется количество активных нейронов 3 Максимизируется вероятность правильного ответа сети

Вопрос №7

Моделированию какого из нижеперечисленных понятий соответствует искусственная нейронная сеть?

Варианты ответов: 1 Вербальное мышление 2 Сознание 3 Образное мышление 4 Сверхсознание 5 Метазнания 6 Нейролингвистическое программирование

Вопрос №8

Какой главный недостаток нейронных сетей? Варианты ответов:

1 Отсутствие логики в работе 2 Отсутсвие четкого алгоритма принятия решений 3 Отсутствие возможности объяснить принятие решений сетью 4 Неоднозначность в принятии решений сетью

Вопрос №9

Какое главное достоинство применения нейронных сетей ? Варианты ответов:

1 Не надо формализовывать процедуры принятия решений сетью 2 Можно распараллелить процесс функционирования сети 3 Можно обрабатывать сигналы нейронной сетью 4 Возможность решения задач в условиях помех

33

22

Вопрос №10 Что является результатом обучения нейронных сетей при коннекционистском подходе?

Варианты ответов: 1 Изменение весов связей между нейронами 2 Изменение порогов нейронов 3 Появление новых нейронов и связей между ними 4 Изменение яуекций активации нейронов

Вопрос №11

Какое из перечисленных ниже применений является несвойственным для нейронных сетей (в настоящее время)?

Варианты ответов: 1 Диагностика в медицине 2 Решение шахматных задач 3 Анализ и синтез речи 4 Распознавание образов 5 Предсказание курса акций

Вопрос №12

Какая из нижеперечисленных особенностей искусственных нейронных сетей делает их потенциально конкурентоспособными по сравнению с естественным человеческим мозгом?

Варианты ответов: 1 Отсутствие необходимости платить зарплату 2 Отсутсвие ограничений на размерность решаемой задачи 3 Отсутствие страха перед сложными задачами 4 Отсутствие апломба и претензий к работодателю

Вопрос №13

В чем выражается емкость нейронной сети? Варианты ответов:

1 В литрах 2 В кубических сантиметрах 3 В колчестве нейронов 4 В количестве запомненных сетью образов 5 В количестве примеров, предъявленных сети в процессе обучения

Вопрос №14

Что является наиболее трудоемкой задачей при применении нейронных сетей?

Варианты ответов: 1 Постановка задачи и подготовка исходных данных 2 Обучение сети 3 Интерпретация ответа нейронной сети

33

23

Вопрос №15 Какая из нижеперечисленных передаточных функций (функций активации) не используется в моделях нейронных сетей?

Варианты ответов: 1 Пороговая 2 Рациональная сигмоида 3 Тангенциальная сигмоида 4 Гиперболическая функция 5 Гиперболический тангенс 6 Экпоненциальная сигмоида Тест 4: Перцептрон с обучением обратным распространением

ошибки. (время проведения теста - 30 мин.)

Паспорт теста

Уровень целей Количество

заданий Номера тестовых заданий

Знать 9 1,2,3,4,5,6,7,8,,12 Уметь 6 9,10,11,13,14,15 Количество вопросов: 15

Вопрос №1

К какому типу сетей относится классический многослойный персептрон обучаемый обратным распространением ошибки?

Варианты ответов: 1 К сетям с обратными связями. 2 К сетям с симметричными связями. 3 К сетям с прямыми связями. 4 К сетям с латеральным торможением.

Вопрос №2

К какому типу обучения можно отнести обучение многослойного персептро-на обратным распространением ошибки?

Варианты ответов: 1 К обучению с учителем. 2 К обучению без учителя. 3 К иному типу.

Вопрос №3

Какая из функций, графики которых приведены на рисунке не может быть использована в качестве функции активации нейронов в многослойном пер-септроне обучаемом обратным распространением ошибки?

33

24

Варианты ответов:

1 1. 2 2. 3 3.

Вопрос №4

При обучении многослойного персептрона обратным распространением ошибки могут настраиваться:

Варианты ответов: 1 только веса связей между нейронами 2 только параметры функций активации нейронов 3 и те и другие

Вопрос №5

Какая из логических функций не может быт реализована простым персеп-троном (см. рис.)?

Варианты ответов:

1 "И" 2 "ИЛИ" 3 " исключающее ИЛИ"

Вопрос №6

Какую функцию (из ниже перечисленных) выполняет простой персептрон (см. рис.)?

Варианты ответов:

1 Разделяет пространство признаков на два подпространства. 2 Объединяет подпространства признаков. 3 Выполняет некоторую иную функцию.

Вопрос №7

33

25

В каком из нижеследующих случаев задача может быть решена простым персептроном (см. рис.)?

Варианты ответов:

1 Если граница областей решения в пространстве признаков может быть представлена гиперплоскостью. 2 Если в пространстве признаков решения задачи могут быть представле-ны выпуклыми (возможно неограниченными) областями. 3 Если решения задачи имеют границы любой формы и сложности (в том числе невыпуклые и несвязанные).

Вопрос №8

В каком из нижеследующих случаев задача может быть решена 3-х слойным персептроном (см.рис.), обучаемом обратным распространением ошибки?

Варианты ответов:

1 Если граница областей решения в пространстве признаков может быть представлена гиперплоскостью. 2 Если в пространстве признаков решения задачи могут быть представле-ны выпуклыми (возможно неограниченными) областями. 3 Если решения задачи имеют границы любой формы и сложности (в том числе невыпуклые и несвязанные).

Вопрос №9

Как влияет порядок предъявления обучающих примеров при обучении мно-гослойного персептрона обратным распространением ошибки?

Варианты ответов: 1 Влияет на сходимость обучения. 2 Влияет на длительность обучения. 3 Никак не влияет.

Вопрос №10

Как влияет уменьшение количества нейронов скрытого слоя на функциони-рования 2-х слойного перцептрона (см. рис.), обучаемого обратным распро-странением ошибки?

Варианты ответов:

33

26

1 Никак не влияет. 2 Уменьшает ёмкость сети. 3 Замедляет функционирование.

Вопрос №11

Как влияет на функционирование обученного многослойного персептрона (обучаемого обратным распространением ошибки) повторное обучение на той же самой обучающей выборке?

Варианты ответов: 1 Улучшает качество функционирования. 2 Ухудшает качество функционирования. 3 Никак не влияет.

Вопрос №12

Каким из нижеперечисленных свойств должна обладать функция активации нейронов многослойного персептрона обучаемого обратным распростране-нием ошибки?

Варианты ответов: 1 Функция активации должна быть пороговой. 2 Функция активации должна быть убывающей. 3 Функция активации должна быть монотонной и дифференцируемой. 4 Функция активации должна быть возрастающей.

Вопрос №13

Что характеризует параметр скорости обучения в алгоритме обратного рас-пространения ошибки?

Варианты ответов: 1 Этот параметр показывает количество циклов обучения. 2 Этот параметр показывает множитель масштабирующий приращение весов связей между нейронами. 3 Этот параметр показывает нечто отличное от вышеприведённого.

Вопрос №14

В каком диапазоне изменяется параметр скорости обучения в алгоритме об-ратного распространения ошибки?

Варианты ответов: 1 ( 0; 1] 2 [ -1; 1] 3 В диапазоне отличном от выше приведённых.

Вопрос №15

Влияет ли параметр скорости обучения в алгоритме обратного распростра-нения ошибки на качество обучения.

Варианты ответов: 1 Нет, он влияет только на время обучения. 2 Да, влияет.

33

27

Тест 5: Модель Хопфилда.

(время проведения теста - 30 мин.)

Паспорт теста

Уровень целей Количество заданий

Номера тестовых заданий

Знать 10 1,2,3,4,,7,8,10,12,13,15 Уметь 5 5,6,9,11,14

Количество вопросов: 15

Вопрос №1

Как меняются веса связей между нейронами в сети Хопфилда обучаемой по правилу Хебба?

Варианты ответов: 1 Связи между нейронами находящимися в одинаковых состояниях усили-ваются, а между нейронами находящимися в противоположных состояниях - ослабивают. 2 Связи между нейронами находящимися в одинаковых состояниях ослабе-вают, а между нейронами находящимися в противоположных состояниях - усиливаются. 3 Как то иначе.

Вопрос №2

К какому типу обучения можно отнести обучение сети Хопфилда по правилу Хебба?

Варианты ответов: 1 К обучению с учителем. 2 К обучению без учителя. 3 К иному типу.

Вопрос №3

К какому типу сетей относится сеть Хопфилда обучаемая по правилу Хебба? Варианты ответов:

1 К сетям с прямыми связями. 2 К сетям с обратными связями. 3 К сетям с симметричными связями. 4 К полносвязаным сетям с симметричными связями. 5 К сетям с латеральным торможением.

Вопрос №4

При обучении сети Хопфилда по правилу Хебба модифицируются: Варианты ответов:

33

28

1 только веса связей между нейронами 2 только пороги срабатывания нейронов 3 и те и другие

Вопрос №5

Влияет ли порядок предъявления запоминаемых образов при обучении сети Хопфилда в соответствии с правилом Хебба на функционирование сети?

Варианты ответов: 1 Да, влияет. 2 Нет, не влияет.

Вопрос №6

Как влияет уменьшение количества нейронов в сети Хопфилда на её свойст-ва?

Варианты ответов: 1 Снижает ёмкость сети. 2 Увеличивает время востановления образа. 3 Никак не влияет.

Вопрос №7

Какой вид имеет матрица весов связей между нейронами в сети Хопфилда обучаемой по правилу Хебба?

Варианты ответов: 1 Матрица весов является квадратной симметричной. 2 Матрица весов является прямоугольной ассимметричной. 3 Матрица весов чем то отличается от выше приведённых.

Вопрос №8

Какой вид имеет энергетическая функция которая минимизируется в процес-се функционирования сети Хопфилда обучаемой по правилу Хебба (см. рис.)?

Варианты ответов:

1 1 2 2

Вопрос №9

Как влияет повторное "записывание" в память, реализованную сетью Хоп-филда, ранее запомненного образа?

33

29

Варианты ответов: 1 Уменьшает глубину соответствующего этому образу минимума энерге-тической функции. 2 Увеличивает глубину соответствующего этому образу минимума энерге-тической функции. 3 Никак не влияет.

Вопрос №10

Чем определяются ложные образы, хранящиеся в обучаемой по правилу Хебба сети Хопфилда?

Варианты ответов: 1 Суперпозицией запоминаемых образов. 2 Образами зеркальными к запоминаемым. 3 Суперпозицией образов зеркальных к запоминаемым. 4 Совокупностью вышеперечисленных причин.

Вопрос №11

Как влияет коррелированность образов, запоминаемых сетью Хопфилда, обучаемой по правилу Хебба?

Варианты ответов: 1 Коррелированность запоминаемых образов делает их менее различимыми при восстановлении. 2 Коррелированность запоминаемых образов увеличевает количество лож-ных образов, а также углубляет соответствующие ложным образам мини-мумы энергетической функции. 3 Никак не влияет.

Вопрос №12

Каков основной недостаток детерминированного алгоритма функционирова-ния сети Хопфилда (имеется ввиду метод градиентного спуска)?

Варианты ответов: 1 Низкая скорость функционирования. 2 Возможность "застревания" сети в локальном минимуме энергетической функции. 3 Сложность программной реализации. 4 Какой то иной.

Вопрос №13

На рисунке даны математические выражения описывающие правила измене-ния (во время функционирования) состояний нейронов в обучаемой по пра-вилу Хебба сети Хопфилда . Исключите неверное.

33

30

Варианты ответов:

1 1 2 2 3 3

Вопрос №14

Какое преимущество в функционировании сети Хопфилда (обучаемой по правилу Хебба) даёт применение алгоритма "отжига" (т.е. введение теплово-го шума)?

Варианты ответов: 1 Применение "отжига" даёт возможность сети "выбираться" из локаль-ных минимумов целевой функции. 2 Применение "отжига" увеличивает скорость функционирования. 3 Применение "отжига" не даёт никаких преимуществ.

Вопрос №15

Каков основной недостаток применения алгоритма "отжига" при функцио-нировании сети Хопфилда обучаемой по правилу Хебба?

Варианты ответов: 1 Низкая скорость функционирования. 2 Возможность "застревания" сети в локальном минимуме энергетической функции. 3 Сложность программной реализации. 4 Какой то иной.

Тест 6: Модель Гроссберга-Карпентера (ART-1). (время проведения теста - 30 мин.)

Паспорт теста

Уровень целей Количество

заданий Номера тестовых заданий

Знать 8 1,2,3,4,5,7,8,9 Уметь 4 6,10,11,12

33

31

Количество вопросов: 12

Вопрос №1

Чем принципиально отличается структура модели Гроссберга-Карпентера от структуры многослойного перцептрона?

Варианты ответов: 1 Наличием всего двух слоев нейронов 2 В модели Гроссберга количество нейронов в выходном слое меняется 3 Есть обратные связи между нейронами

Вопрос №2

Чем принципиально отличается обучение модели Гроссберга-Карпентера от обучения многослойного перцептрона методом обратного распространения ошибки?. В модели Гроссберга-Карпентера:

Варианты ответов: 1 Меняются все веса при обучении 2 Не предъявляется при обучении требуемый ответ сети 3 Учитель тщательно должен подбирать примеры 4 Примеры при обучении являются одновременно и тестовыми примерами

Вопрос №3

Чем принципиально отличается решение задачи классификации в модели Гроссберга от модели Кохонена?

Варианты ответов: 1 В модели Кохонена фиксированное количество классов, в модели Гросс-берга-переменное 2 В модели Кохонена рассчитывается расстояние образа до класса, а в Гроссберга-до образца 3 Модель Кохонена решает задачу классификации, а Гроссберга - кластери-зации

Вопрос №4

В чем преимущество использование модели Гроссберга при решении задачи классификации?

Варианты ответов: 1 Не надо определять правила разбиения на классы 2 Не надо обучать 3 Быстро работает 4 Простой алгоритм

Вопрос №5

К какому типу обучения можно отнести обучение модели Гроссберга-Карпентера?

33

32

Варианты ответов: 1 К обучению с учителем 2 К обучению без учителя

Вопрос №6

Как влияет увеличение порога при функционировании модели Гроссберга? Варианты ответов:

1 Увеличивается количество сформированных классов при обучении 2 Уменьшается количество сформированных классов 3 Увеличивается скорость обучения 4 Уменьшается скорость обучения

Вопрос №7

Чему равна информационная емкость сети Гроссберга? Варианты ответов:

1 Количеству входных нейронов 2 Количеству выходных нейронов 3 Удвоенному количеству выходных нейронов 4 Удвоенному количеству входных нейронов

Вопрос №8

Может ли в сети Гроссберга количество выходных нейронов превышать ко-личество входных нейронов?

Варианты ответов: 1 Да 2 Нет

Вопрос №9

Сколько выходных нейронов содержит сеть Гроссберга, идеально обученная для распознавания трех букв: А.Б.В?

Варианты ответов: 1 8 2 2 3 3 4 9

Вопрос №10

Можно ли хорошо обучить сеть Гроссберга для распознавания входных век-торов, слабо отличающихся друг от друга, при наличии помех?

Варианты ответов: 1 В зависимости от значения порога 2 Скорее нет, чем да 3 Скорее да, чем нет

Вопрос №11

Как изменится качество обучения сети Гроссберга при увеличении порога до

33

33

значения, близкого к 1? Варианты ответов:

1 Увеличится точность распознавания класса 2 Увеличится точность распознавания класса и увеличится количество ложных классов 3 Уменьшится количество классов 4 Уменьшится точность распознавания класса

Вопрос №12

Как изменится качество обучения сети Гроссберга при уменьшении порога до значения, близкого к 0?

Варианты ответов: 1 Увеличится количество классов 2 Уменьшится количество классов 3 Уменьшится количество классов и вероятность неправильного распозна-вания