- •Экзаменационные вопросы по дисциплине иис
- •Методы представления знаний. Логические модели.
- •Методы представления знаний. Продукции.
- •Методы представления знаний. Семантические сети.
- •Методы представления знаний. Фреймы.
- •Системы с интеллектуальным интерфейсом.
- •Самообучающиеся системы. Классификация самообучающихся систем
- •Самообучающаяся система - это иис, которая на основе примеров реальной практики автоматически формирует единицы знаний
- •Распознавание образов и классификация
- •Классификация эс по связи с реальным временем
- •Структуризация предметной области на основе иерархии классов;
- •Структуризация знаний на декларативные и процедурные;
- •Практические вопросы.
Системы с интеллектуальным интерфейсом.
Интеллектуальные базы данных. Позволяют в отличие от традиционных БД обеспечивать выборку необходимой информации, не присутствующей в явном виде, выводимой из совокупности хранимых данных.
Естественно – языковый интерфейс. Применяется для доступа к интеллектуальным базам данных, контекстного поиска документальной текстовой информации, голосового ввода команд в системах управления, машинного перевода с иностранных языков. Для реализации ЕЯ-интерфейса необходимо решить проблемы морфологического, синтаксического и семантического анализа, а также задачу синтеза высказываний на ЕЯ. Так, морфологический анализ предполагает распознавание и проверку правильности написания слов по словарям, синтаксический контроль - разложение входных сообщений на отдельные компоненты (определение структуры) с проверкой соответствия грамматическим правилам внутреннего представления знаний и выявления недостающих частей и, наконец, семантический анализ - установление смысловой правильности синтаксических конструкций. Синтез высказываний решает обратную задачу преобразования внутреннего представления информации в естественно-языковую.
Гипертекстовые системы. Используются для реализации поиска по ключевым словам в базах данных с текстовой информацией. Для более полного отражения различных смысловых отношений терминов требуется сложная семантическая организация ключевых слов. Решение этих задач осуществляется с помощью интеллектуальных гипертекстовых систем, в которых механизм поиска работает сначала с базой знаний ключевых слов, а затем – с самим текстом.
Самообучающиеся системы. Классификация самообучающихся систем
Самообучающаяся система - это иис, которая на основе примеров реальной практики автоматически формирует единицы знаний
В основе самообучающихся систем лежат методы автоматической классификации примеров ситуаций реальной практики (обучения на примерах). Примеры реальных ситуаций накапливаются за некоторый исторический период и составляют обучающую выборку. Эти примеры описываются множеством признаков классификации. Причем обучающая выборка может быть:
“с учителем”, когда для каждого примера задается в явном виде значение признака его принадлежности некоторому классу ситуаций (классообразующего признака);
“без учителя”, когда по степени близости значений признаков классификации система сама выделяет классы ситуаций.
Самообучающиеся интеллектуальные системы основаны на методах автоматической классификации ситуаций из реальной практики, или на методах обучения на примерах. Примеры реальных ситуаций составляют так называемую обучающую выборку, которая формируется в течение определенного исторического периода. Элементы обучающей выборки описываются множеством классификационных признаков.
Стратегия «обучения с учителем» предполагает задание специалистом для каждого примера его принадлежность к определенному классу ситуаций. При обучении «без учителя» система должна самостоятельно выделять классы ситуаций. Обучение методом критики является промежуточным между первыми двумя. Предполагается, что имеется возможность только оценивать правильность работы сети и указывать желаемое направление обучения. Подобная ситуация часто встречается в системах, связанных с оптимальным управлением.
В процессе обучения проводится автоматическое построение обобщающих правил или функций, описывающих принадлежность ситуаций к классам, которыми система впоследствии будет пользоваться при интерпретации незнакомых ситуаций. В свою очередь, из обобщающих правил автоматически формируется ба за знаний, которая периодически корректируется.
Построенные в соответствии с этими принципами самообучающиеся системы имеют следующие недостатки:
• относительно низкую адекватность баз знаний возникающим реальным проблемам из-за неполноты и/или зашумленности обучающей выборки;
• низкую степень объяснимости полученных результатов;
• поверхностное описание проблемной области и узкую направленность применения.
Нейронные сети представляют собой классический пример технологии, основанной на примерах. Нейронные сети – обобщенное название группы математических алгоритмов, обладающих способностью обучаться на примерах, «узнавая» впоследствии черты встреченных образцов и ситуаций. Благодаря этой способности нейронные сети используются при решении задач обработки сигналов и изображений, распознавания образов, а также для прогнозирования.
В системах, основанных на прецедентах, БЗ содержит описания конкретных ситуаций (прецеденты). Поиск решения осуществляется на основе аналогий и включает следующие этапы:
• получение информации о текущей проблеме;
• сопоставление полученной информации со значениями признаков прецедентов из базы знаний;
• выбор прецедента из базы знаний, наиболее близкого к рассматриваемой проблеме;
• адаптация выбранного прецедента к текущей проблеме;
• проверка корректности каждого полученного решения;
• занесение детальной информации о полученном решении в БЗ.
Прецеденты описываются множеством признаков, по которым строятся индексы быстрого поиска. В системах, основанных на прецедентах, до пускается нечеткий поиск с получением множества допустимых альтернатив, каждая из которых оценивается некоторым коэффициентом уверенности. Наиболее эффективные решения адаптируются к реальным ситуациям с помощью специальных алгоритмов. Системы, основанные на прецедентах, применяются для распространения знаний и в системах контекстной помощи.
Информационные хранилища – это предметно-ориентированное, интегрированное, привязанное ко времени, неизменяемое собрание данных, применяемых для поддержки процессов принятия управленческих решений. Предметность означает, что данные объединены в категории и хранятся в соответствии с теми областями, которые они описывают, а не с приложениями, которые их используют. Данные в хранилище интегрируются в целях удовлетворения требований предприятия в целом, а не отдельного подразделения. Привязанность данных ко времени выражает их «историчность», т.е. атрибут времени всегда явно присутствует в структурах хранилища данных. Неизменяемость означает, что, попав однажды в хранилище, данные уже не изменяются.
Технологии извлечения знаний из хранилищ данных основаны на методах статистического анализа и моделирования, ориентированных на поиск моделей и отношений, скрытых в совокупности данных. Эти модели могут в дальнейшем использоваться для оптимизации деятельности предприятия или фирмы.
Для извлечения значимой информации из хранилищ данных имеются специальные методы (OLAP-анализа, Data Mining или Knowledge Discovery), основанные на применении методов математической статистики, нейронных сетей, индуктивных методов построения деревьев решений и др.
Индуктивный вывод деревьев решений на основе примеров.
Деревья решений выдачи кредита
Нейронные сети.
Иску́сственные нейро́нные се́ти (ИНС) — математические модели, а также их программные или аппаратные реализации, построенные по принципу организации и функционирования биологических нейронных сетей — сетей нервных клеток живого организма.
ИНС представляют собой систему соединённых и взаимодействующих между собой простых процессоров (искусственных нейронов). Такие процессоры обычно довольно просты, особенно в сравнении с процессорами, используемыми в персональных компьютерах. Каждый процессор подобной сети имеет дело только с сигналами, которые он периодически получает, и сигналами, которые он периодически посылает другим процессорам. И тем не менее, будучи соединёнными в достаточно большую сеть с управляемым взаимодействием, такие локально простые процессоры вместе способны выполнять довольно сложные задачи.
Нейронные сети не программируются в привычном смысле этого слова, они обучаются. Возможность обучения — одно из главных преимуществ нейронных сетей перед традиционными алгоритмами. Технически обучение заключается в нахождении коэффициентов связей между нейронами. В процессе обучения нейронная сеть способна выявлять сложные зависимости между входными данными и выходными, а также выполнять обобщение. Это значит, что в случае успешного обучения сеть сможет вернуть верный результат на основании данных, которые отсутствовали в обучающей выборке, а также неполных и/или «зашумленных», частично искаженных данных.
В 1943 — У. Маккалок и У. Питтс формализуют понятие нейронной сети в фундаментальной статье о логическом исчислении идей и нервной активности.
Сбор данных для обучения;
Подготовка и нормализация данных;
Выбор топологии сети;
Экспериментальный подбор характеристик сети;
Экспериментальный подбор параметров обучения;
Собственно обучение;
Проверка адекватности обучения;
Корректировка параметров, окончательное обучение;
Вербализация сети с целью дальнейшего использования.