- •Определение и критерии идентификации систем искусственного интеллекта. Тест Тьюринга.
- •Системы с интеллектуальной обратной связью.
- •3.Автоматизированные системы распознавания образов.
- •4. Интеллектуальные системы поддержки принятия решений.
- •5. Экспертные системы
- •1. Постоянство
- •2. Лёгкость передачи
- •3. Устойчивость и воспроизводимость результатов
- •6. Нейронные сети
- •7. Генетические алгоритмы и моделирование эволюции.
- •Область применения сии.
- •9. Перспективы и тенденции развития искусственного интеллекта. Проблемы ии связаны с ресурсами
- •Ии в Стране восходящего солнца
- •Военные технологии
- •10. Информация, данные, знания. Классификация сии.
- •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
- •1.1.2.3.2. Классификация систем искусственного интеллекта
- •11.Бд для поддержки принятия решений
- •12. Источники эконом. Эфф-ти сис-м искус. Интел. И интел. Обработки данных.
- •13. Перспективы инф-ых технологий: интел-ция, создание самообучающихся, саморазвивающихся (эволюционирующих) и самовоспроизводящихся сис-м
- •14. Особенности технологии создания сис-м искус. Интел.
- •15. Информационная модель деятельности специалиста и место систем искусственного интеллекта в этой деятельности (Вопрос № 15).
- •16. Жизненный цикл системы искусственного интеллекта и критерии перехода между этапами этого цикла
- •18. Интеллектуальный интерфейс информационной системы
- •19. Проблема распознавания образов.
- •20. Применение распознавания образов для идентификации и прогнозирования.
- •22. Роль и место распознавания образов в автоматизации управления сложными системами.
- •23. Управление как задача, обратная идентификации и прогнозированию.
- •24. Многообразие задач принятия решений. Принятие решений, как реализация цели.
- •25. Связь принятия решений и распознавания образов
- •26. Выбор в условиях неопределенности
20. Применение распознавания образов для идентификации и прогнозирования.
Термины "Распознавание образов" и "Идентификация" являются синонимами.
Прикладные задачи, решаемые методами Р. о., возникают при идентификации машинописных и рукописных текстов, идентификации фотоизображений, при автоматич. распознавании речи, в медицинской диагностике, при геологич. прогнозировании, прогнозировании свойств химич. соединений, оценке экономических, политических, производственных ситуации, при классификации социологич. материала и т. н.
Видеоаналитика
Задача системы видеоанализа — автоматическое получение систематизированной информации с помощью алгоритмов интеллектуальной обработки потока видеоданных без участия оператора системы безопасности. Видеоаналитика представляет развитие функций систем видеонаблюдения, позволяя сократить объем регистрируемых данных. Система идентификации и распознавания образов, имеющая возможность интеграции с различными подсистемами, позволяет сформировать структурированную базу данных событий с сопряженной видеоинформацией. Основная задача системы видеоанализа — исключить человеческий фактор, минимизировав вероятность возникновения ситуации, когда какое-либо событие может быть незамечено или неправильно истолковано.
Прогнозирование
Реальные примеры: прогноз курсов валют, постановка диагноза больному, оценка риска невозврата кредита заемщиком банка.
Описание. Прогнозирование значений одних показателей по значениям других показателей - наиболее часто возникающая группа задач, служащая базой и для решения других задач, например, при управлении объектом (когда прогнозируются величины требуемых воздействий на объект). Основной особенностью является разделение анализируемых данных на две группы − по значениям показателей первой группы (независимым признакам) прогнозируются значения показателей второй группы (зависимые признаки). Зависимый признак может быть непрерывнозначным, (количественным, числовым) − в этом случае задача прогноза называется задачей регрессии. Либо зависимый признак может принимать некоторое малое число значений, являющихся характеристиками "внутреннего состояния", класса объекта − это задача классификации с учителем или задача распознавания образов.
Существует большое число способов решения: классические методы статистики (линейная регрессия, байесовский классификатор), методы непараметрической статистики, аппроксимация полиномами, метод группового учёта аргументов (МГУА), методы на основе искусственных нейронных сетей. Каждый из методов решения имеет свои преимущества и недостатки.
Прогнозирование временных рядов (будущих значений показателей)
Научное название: задача авторегрессии, прогнозирование временного ряда.
Реальные примеры: прогнозирование температуры дня на завтра по температурам предыдущих дней, прогнозирование курса валют или котировок акций на завтра по результатам торгов в предыдущие дни.
Описание. Имеется упорядоченный во времени ряд измерений, и необходимо получить возможность делать прогноз значения на момент времени t по значениям за некоторое число k предыдущих моментов времени t-1, t-2, ... , t-k.
При наличии нескольких одновременно протекающих процессов задача авторегрессии может быть превращена в задачу регрессии-авторегрессии, когда следующее значение показателя прогнозируется не только по предыдущим его значениям, но и по значениям других показателей в предыдущие моменты времени. Например, при наборе биржевых курсов "доллар-евро", "доллар-йена", "доллар-фунт стерлингов" для прогноза курса доллара относительно евро могут быть использованы и значения его прошлых курсов относительно других валют.
Решаемые задачи прогнозирования
Несколько примеров сложных реальных задач описано отдельно, а нижеследующий список задач обработки и анализа данных, прогнозирования и классификации является более абстрактным и академичным.
Построение модели для прогнозирования значений одних показателей по известным значениям других показателей.
Прогнозирование будущих значений показателей.
Повышение точности прогноза по сравнению с некоторой существующей прогнозирующей или решающей моделью.
Сокращение числа показателей, на основе которых принимается решение.
Определение значений свойств объекта, соответствующих новому состоянию объекта.
Сжатие данных.
Коррекция данных, исправление искажений в данных, фильтрация, поиск нетипичных данных.
Восстановление неизвестных данных.
Кластеризация данных (автоматическая классификация, разбиение набора ситуаций на несколько групп).
Визуализация данных.
Оптимизация.
Идентификация набора параметров объекта и их значений.
Управление объектом.
Обнаружение событий во временных рядах.
Обработка, распознавание и анализ изображений.
распознавание видео.
и другие задачи анализа данных и принятия решения на основе наборов данных.
Идентификация и прогнозирование часто практически ничем друг от друга не отличаются по математическим моделям и алгоритмам. Основное различие между ними состоит в том, что при идентификации признаки и состояния объекта относятся к одному времени, тогда как при прогнозировании признаки (факторы) относятся к прошлому, а состояния объекта – к будущему.
Это означает, что системы распознавания образов с успехом могут применяться не только для решения задач идентификации, но и прогнозирования.
21. Сходство и различие в содержании понятий "идентификация" и "прогнозирование".
Термины "Распознавание образов" и "Идентификация" являются синонимами.
Идентификация и прогнозирование часто практически ничем друг от друга не отличаются по математическим моделям и алгоритмам. Основное различие между ними состоит в том, что при идентификации признаки и состояния объекта относятся к одному времени, тогда как при прогнозировании признаки (факторы) относятся к прошлому, а состояния объекта – к будущему.
Это означает, что системы распознавания образов с успехом могут применяться не только для решения задач идентификации, но и прогнозирования.