- •1. Основные понятия дисциплины.
- •2. Классификация знаний. Отличие знаний от данных.
- •I группа.
- •II группа.
- •III группа.
- •IV группа.
- •3. Модели представления знаний в ис. Продукционная модель. Модель на основе фреймов Модели представления знаний в ис
- •Продукционная модель знаний.
- •Модель на основе фреймов.
- •4. Модели представления знаний в ис. Семантические сети. Формально-логическая модель. Модели представления знаний в ис
- •Семантические сети
- •2.5 Формальные логические модели на основе исчисления предикатов
- •5. Экспертные системы. Понятие, назначение, области применения. Основные характеристики экспертных систем. Понятие эс. Основные характеристики.
- •Основные характеристики эс:
- •Области применения эс. Типы эс и подходы к их реализации.
- •Назначение
- •Критерий использования эс для решения задач.
- •6. Ограничения в применение экспертных систем. Преимущества экспертных систем перед человеком – экспертом. Ограничения в применение экспертных систем
- •Преимущества экспертных систем перед человеком – экспертом.
- •7. Отличие экспертных систем от традиционных программ. Структура экспертной системы. Назначение подсистем экспертной системы.
- •Назначение подсистем экспертной системы
- •8. Общие сведения о языке Пролог.
- •9. Вычислительная модель Пролога. Факты, запросы, переменные, домены и правила.
- •10. Работа со списками в языке Пролог.
- •1.4.5.2 Предикат может иметь несколько вариантов использования
- •Работа с деревьями в языке Пролог.
- •1.3 Создание дерева
- •11. Особенности ввода-вывода в языке Пролог.
- •12. Особенности написания экспертной системы на языке Пролог.
- •13. Стратегии получения знаний. Теоретические аспекты извлечения знаний. Стратегии получения знаний.
- •10.3 Теоретические аспекты извлечения знаний.
- •14. Представление нечетких знаний информационных системах.
- •Пример 9.1
- •15. Классификация методов практического извлечения знаний. Коммуникативные активные методы.
- •16. Классификация методов практического извлечения знаний. Коммуникативные пассивные и текстологические методы
13. Стратегии получения знаний. Теоретические аспекты извлечения знаний. Стратегии получения знаний.
Процесс получения знаний, т.е. передача знаний эксперта в БЗ экспертной системы является ключевым вопросом формирования поля знаний.
Стратегии формирования знаний:
1) Приобретение знаний (Knowledge, Aquisition). Эксперт вводит знания в БЗ ЭС с помощью специальной программы, жестко задающей структуры данных в соответствии с моделью представления знаний, заложенных в ЭС.
2) Извлечение знаний (Extraction).
3) Установление знаний (Elicitation).
В двух последних стратегиях происходит взаимодействие эксперта и инженера по знаниям.
Извлечение знаний является самым сложным вопросом в разработке ЭС.
Основные проблемы, возникающие при извлечении знаний:
1 – Упрощение представлений инженера по знаниям уровня знаний эксперта.
2 – Неудачно выбранный метод извлечения знаний, не соответствующий структуре данной предметной области.
3 – Неправильно выбранный язык представления знаний.
4 – Терминологические несоответствия.
5 – Отсутствие целостной системы знаний.
6 – Неумение наладить контакт с экспертом.
Для успешного извлечения знаний инженер по знаниям должен хорошо владеть рядом наук:
системным анализом; математической логикой;
когнитивной психологией; искусственным интеллектом.
Согласно Платону, мышление человека диалогично, поэтому диалог эксперта и инженера по знаниям является самой лучшей формой извлечения знаний, хотя в ряде случаев эксперт не общается с инженером по знаниям, а работает с программой ввода знаний (Tetresias – программа заполнения БЗ, MYCIN, EMYCIN, разработанные на основе продукционной модели представления знаний).
4) Формирование знаний. Эта стратегия характеризует разработку моделей, методов и алгоритмов обучения ЭС (Mashine Learning) – процесс анализа данных и выявления закономерностей предметной области.
Основные области применения Mashine Learning:
- прогнозирование, расшифровка языков;
- методы обучения распознаванию образов;
- индуктивный вывод правил и фактов.
Существует 2 основных подхода к обучению:
1 – алгебраический, основанный на дополнении исходных эвристических алгоритмов какими-либо алгебраическими операциями, характеризующими объект, и построении алгоритмов классификации новых объектов.
2 – обучение на примерах (Case-based Reasoning). Здесь знания являются описанием множества примеров из предметной области.
Существуют новые стратегии извлечения знаний:
1) Понимание знаний (Data Mining).
2) Исследование знаний (Knowledge Discovery).
10.3 Теоретические аспекты извлечения знаний.
Выделяют 3 аспекта:
1 – психологический (основной);
2 – лингвистический;
3 – гносеологический.
Лингвистический касается проблем построения языковых интерфейсов.
Гносеологический объединяет методологические проблемы получения новых знаний на основе гносеологии.
Гносеологическая цепочка выглядит следующим образом:
Фактобобщенный фактэмпирический законтеория.
14. Представление нечетких знаний информационных системах.
Для количественного описания знаний предметной области использование традиционного математического аппарата (теория множеств, булева алгебра и др.) оказалось не вполне адекватным, т.к. многие объекты и понятия характеризуются такими отношениями, для которых трудно определить численную характеристику. Эти отношения обычно размыты и не могут быть однозначно интерпретированы, однако содержат важную информацию (например, «сильный», «красивый», «высокий», «кислый» т.п.).
Кроме того, при принятии решений некоторые высказывания не могут быть интерпретированы как полностью истинные или ложные. Существуют знания, достоверность которых выражается некоторой вероятностью.
Для решения таких проблем в начале 70-х американский математик Лотфи Заде предложил формальный аппарат нечеткой алгебры и нечеткой логики (fuzzy logic). Это направление получило широкое распространение в задачах искусственного интеллекта, распознавания образов, классификации реальных объектов.
Вычисления на основе нечеткой логики получили название мягкие вычисления (soft computing).
Одно из главных понятий в нечеткой логике — понятие лингвистической переменной.
Лингвистическая переменная (ЛП) — это переменная, значение которой определяется набором словесных характеристик некоторого свойства, образующих нечеткое множество (fuzzy set).
Функция принадлежности определяет субъективную степень уверенности эксперта в том, что данное конкретное значение базовой шкалы соответствует определяемому нечеткому множеству. Это отличает ее от вероятности.
Например, для двух экспертов определение нечеткого множества «Высокая» для ЛП «Цена ПК» в условных единицах может существенно отличаться в зависимости от социального и финансового положения.
1 эксперт = {50/1 + 25/0.8 + 10/0.6 + 5/0.4}
2 эксперт = (25/1 + 10/0.7 + 5/0.5}