Методы вычислительного интеллекта

1. Цели освоения дисциплины
Изучение методов вычислительного интеллекта, включающих искусственные
нейронные сети, эволюционные вычисления и нечеткую логику, необходимо специалисту
по интеллектуальному анализу данных.
Цели данной дисциплины – освоить методы вычислительного интеллекта; изучить способы их применения к решению практических задач; научиться осуществлять программные
реализации нейронных сетей, эволюционных алгоритмов и нечетких систем.
Поставленные цели полностью соответствуют целям (Ц1-Ц5) ООП.
2. Место дисциплины в структуре ООП
Дисциплина «Методы вычислительного интеллекта» (М1.ВМ4.2.1) является
вариативной профессионального цикла (М1.ВМ4) магистерской программы подготовки
«Компьютерный анализ и интерпретация данных» (М1.ВМ4.2).
Для её успешного усвоения необходимы знания базовых понятий математического
анализа, линейной алгебры и аналитической геометрии, дискретной математики,
математической логики, информатики, программирования, вычислительной математики,
теории вероятностей, математической статистики, теории оптимизации, систем
искусственного интеллекта. В результате освоения дисциплины студенты получают
знания по разработке и применению методов вычислительного интеллекта, способам
создания гибридных подходов и методам анализа результатов работы алгоритмов и
программ и умения применять полученные знания для решения практических задач из
области анализа данных и принятия решений. Содержание разделов дисциплины «Методы
вычислительного интеллекта» согласовано с содержанием дисциплин, изучаемых
параллельно (КОРРЕКВИЗИТЫ):
 «Методы распознавания образов» (М1.ВМ4.2.4).
 «Нейронные сети» (М1.ВМ4.2.3).
 «Методы интеллектуальной обработки и анализа изображений» (М1.ВМ4.2.2)
В соответствии с учебным планом ПРЕКВИЗИТАМИ данной дисциплины
являются:
 «Интеллектуальные системы» (М1.БМ2.1).
 «Теория принятия решений» (М1.ВМ3.1).
 «Современные проблемы информатики и вычислительной техники» (М1.ВМ3.3).
3. Результаты освоения дисциплины
В результате освоения дисциплины студент должен/будет выполнять инновационные инженерные проекты по разработке аппаратных и программных средств автоматизированных систем различного назначения с использованием современных методов
проектирования, систем автоматизированного проектирования, передового опыта разработки конкурентно способных изделий (Р4); Табл.1.
Таблица 1
Составляющие результатов обучения, которые будут получены при изучении данной дисциплины
РезультаСоставляющие результатов обучения
ты обуче- Код
Знания
Код
Умения
Код Владение опыния (комтом
петенции
из ФГОС
ВО 3+)
Р8(ОК-5,8;
ОПК-1,6;
ПК6,7,11,12)
З8.1.2
Cовременных методов и подходов
вычислительного
интеллекта, способов их применения для решения практических
задач управления
и распознавания
образов.
У8.1.
2
Cтавить задачу и разрабатывать алгоритм ее решения с использованием методов вычислительного
интеллекта,
осуществлять
анализ полученных решений.
В8.1.2
Технологией
применения методов вычислительного интеллекта для решения практических задач.
В результате освоения дисциплины «Методы вычислительного интеллекта» студентами должны быть достигнуты следующие результаты (табл. 2):
Таблица 2
Планируемые результаты освоения дисциплины
№ п/п
Результат
РД1
Знать: постановку основных задач машинного обучения.
Уметь выполнять грамотную постановку задач, возникающих в практической деятельности, для их решения с помощью методов вычислительного
интеллекта.
РД2
Знать: основные понятия и принципы работы искусственных нейронных
сетей; основные разновидности эволюционных алгоритмов.
Уметь: проводить анализ задачи для выбора наилучшего метода вычислительного интеллекта или гибридного метода, подходящего для конкретной
задачи.
РД3
Знать: основные понятия и базовый математический аппарат нечеткой логики; способы гибридизации методов вычислительного интеллекта с использованием традиционных методов оптимизации и распознавания образов
Уметь: проводить анализ работы методов вычислительного интеллекта с
выявлением их сильных и слабых сторон.
РД4
Знать: примеры применения методов вычислительного интеллекта для решения задач управления и распознавания образов.
Уметь: проводить анализ настройки параметров нейронных сетей, эволюционных алгоритмов и нечетких методов.
4. Структура и содержание дисциплины
Раздел 1. Искусственные нейронные сети.
Биологический и формальный нейрон. Архитектура нейронных сетей. Классификация нейронных сетей. Основные принципы обучения нейронных сетей. Персептрон и
многослойная нейронная сеть. Переобучение сети. Способы вычисления выходного сигнала ИНС. Нейронные сети с обратными связями. Сети Хопфилда. Карты Кохонена. Радиально-базисные нейронные сети. Общие сведения о применении нейронных сетей для
решения задач классификации, аппроксимации, моделирования и управления. Особенности практического применения нейронных сетей.
Раздел 2. Эволюционные алгоритмы.
Эволюционный алгоритм. Виды эволюционных алгоритмов. Функция приспособленности. Целочисленное и вещественное кодирование информации. Основные операторы эволюционного поиска и их разновидности. Применение эволюционных алгоритмов
для решения оптимизационных задач. Параметры и адаптация параметров. Теорема об
отсутствии бесплатных обедов. Эволюционные стратегии. Алгоритмы оценки распределений. Системы классификаторов. Генетическое программирование. Алгоритм дифференциальной эволюции. Особенности практического применения эволюционных вычислений.
Лабораторная работа №1. Эволюционный алгоритм.
Раздел 3. Нечеткая логика.
Лингвистическая переменная. Нечеткие множества. Функция принадлежности.
Основные операции и отношения нечеткой логики. Алгоритмы нечеткого вывода Мамдани и Сугено. Модель типа синглтон. Нечеткие базы данных. Вычисления со словами.
Сравнение нечетких и вероятностных систем. Особенности практического применения
систем с нечеткой логикой.
Лабораторная работа №2. Алгоритм нечеткого вывода Мамдани.
Раздел 4. Гибридные методы.
Нейроэволюционные алгоритмы. Нейронечеткие сети. Эволюционные нечеткие
системы. Совместное использование методов вычислительного интеллекта и машинного
обучения.
Раздел 5. Практическое применение методов вычислительного интеллекта.
Решение задач классификации, аппроксимации, кластеризации, управления. Открытые библиотеки и программы для методов вычислительного интеллекта.
Лабораторная работа №3. Комитетные методы обучения нейронных сетей
5. Организация и учебно-методическое обеспечение самостоятельной работы
студентов
5.1 Виды и формы самостоятельной работы
Самостоятельная работа студентов включает текущую и творческую проблемноориентированную самостоятельную работу (ТСР).
Текущая СРС направлена на углубление и закрепление знаний студента, развитие
практических умений и включает:
 работу с лекционным материалом;
 подготовку к лабораторным занятиям;
 опережающую самостоятельную работу;
 подготовку к экзамену.
Творческая проблемно-ориентированная самостоятельная работа включает
анализ источников по темам индивидуальных занятий, поиск существующих аналогов.
Выбор программных средств для реализации разрабатываемых алгоритмов.
Творческая самостоятельная работа включает:
 анализ источников по темам индивидуальных занятий, поиск существующих
аналогов;
 выбор программных средств для реализации разрабатываемых алгоритмов;
 программная реализация алгоритмов, проведение численных экспериментов и
подготовка отчета.
5.2.
5.3
Содержание самостоятельной работы студентов по дисциплине
Оценка результатов самостоятельной работы организуется следующим образом:
 защита отчетов по лабораторным работам;
 выполнение и защита индивидуального домашнего задания;
 тестирование.

Контроль самостоятельной работы
Контроль результатов самостоятельной работы осуществляется при проведении
2 письменных контрольных работ и 2 устных коллоквиумов по проверке уровня
усвоения студентом лекционного материала и проверкой уровня теоретических знаний
и практических навыков студента при выполнении им лабораторных работ.
6. Средства текущей и итоговой оценки качества освоения дисциплины
Текущий контроль оценки качества усвоения дисциплины заключается в проведении 2
контрольных работ и 2 коллоквиумов. Для каждого из двух коллоквиумов подготовлен
список вопросов. Студент должен устно в режиме реального времени ответить на 5
вопросов из указанного списка. Во время выполнения лабораторных работ преподаватель
на основе серии контрольных вопросов проверяет теоретические знания студента по теме
лабораторной работы. Для экзамена подготовлены 12 билетов.
Оценка качества освоения дисциплины производится по результатам следующих
контролирующих мероприятий:
Контролирующие мероприятия
Выполнение и защита отчетов по лабораторным работам
Контроль выполнения
Коллоквиумы
Проведение экзамена
Результаты обучения по
дисциплине
РД1 – РД4
РД4
РД1 – РД4
РД1 – РД4
Для оценки качества освоения дисциплины при проведении контролирующих мероприятий предусмотрены следующие средства:
 вопросы для коллоквиума (Приложение 1);
 пример экзаменационного билета (Приложение 2).
7. Рейтинг качества освоения дисциплины
Оценка качества освоения дисциплины в ходе текущей и промежуточной аттестации
обучающихся осуществляется в соответствии с «Руководящими материалами по
текущему контролю успеваемости, промежуточной и итоговой аттестации студентов
Томского политехнического университета», утвержденными приказом ректора № 77/од от
29.11.2011 г.
В соответствии с «Календарным планом изучения дисциплины»:
 текущая аттестация, направленная на оценку качества усвоения теоретического
материала (тестирование) и результатов практической деятельности (выполнение и
защита отчетов по лабораторным работам и индивидуальных заданий), производится в
течение семестра и оценивается в баллах (максимально 60 баллов), к моменту завершения
семестра студент должен набрать не менее 33 баллов;
 промежуточная аттестация (экзамен) производится в конце семестра и так же
оценивается в баллах (максимально 40 баллов), на экзамене студент должен набрать не
менее 22 баллов.
 Итоговый рейтинг по дисциплине определяется суммированием баллов,
полученных в ходе текущей и промежуточной аттестаций. Максимальный итоговый
рейтинг соответствует 100 баллам.

8. Учебно-методическое и информационное обеспечение дисциплины
 Основная литература:
1. Спицын В.Г., Цой Ю.Р. Интеллектуальные системы: Учебное пособие. – Томск:
Изд-во ТПУ, 2012. – 176 c.
2. Mauri J.L., Ghafoor K.Z., Rawat D.B. Cognitive Networks: Applications and Deployments, France: CRC Press, 2014, 516 p.
3. Park J., Stojmenovic I., Jeong H.Y. Computer Science and its Applications: Ubiquitous
Information Technologies, Germany: Springer, 2014, 720 p.
4. Jeschke S., Isenhardt I.,Hees F. Automation, Communication and Cybernetics in Science
and Engineering, Germany: Springer, 2013/2014. 2014, 940 p.
 Дополнительная литература:
1. Deligiannidis L., Arabnia H. Emerging Trends in Image Processing, Computer Vision
and Pattern Recognition (Emerging Trends in Computer Science and Applied Computing), USA: Morgan Kaufmann, 2014, 640 p.
2. Liu Z.Control Engineering and Information Systems (100 Cases), France: CRC Press,
2014, 1052 p.
3. Heaton J. Artificial Intelligence for Humans, Volume 1: Fundamental Algorithms, USA:
CreateSpace Independent Publishing Platform, 2013, 222 p.
4. Michalewicz Z. Genetic Algorithms + Data Structures = Evolution Programs, Germany:
Springer, 2011, 387 p.
 Internet-ресурсы:
1. Neural Computation Journal. http://www.mitpressjournals.org/loi/neco.
2. Evolutionary Computation Journal. http://www.mitpressjournals.org/loi/evco.
3. Электронный журнал «Нейроинформатика». http://www.niisi.ru/iont/ni/Journal/.
4. Электронный
журнал
«Нечеткие
системы
и
мягкие
вычисления».
http://fuzzy.tversu.ru/.
5. Neural Networks Research Group. http://nn.cs.utexas.edu/
Используемое программное обеспечение
Программные средства для выполнения лабораторных работ в среде
Visual Studio 2010.
9. Материально-техническое обеспечение дисциплины
Лабораторные занятия проводятся в учебно-научной лаборатории «Дискретной и
микропроцессорной техники» на персональных компьютерах (8 рабочих мест).
№
п/п
1.
Наименование оборудования
ПК Intel Core 2 Е6320, 1,86 GHz.
Корпус, ауд., количество
установок
10 корпус ТПУ, 403 ауд., 8 рабочих мест.
Программа составлена на основе Стандарта ООП ТПУ в соответствии с требованиями ФГОС ВО 3+ по направлению 09.04.01 «Информатика и вычислительная техника»,
магистерская подготовка.
Программа одобрена на заседании кафедры вычислительной техники.
протокол № 54 от 22.06.2015 г.
Автор
д.т.н., профессор каф. ВТ
Спицын Владимир Григорьевич
Рецензент
к.т.н., доцент каф. ВТ
Болотова Юлия Александровна
Приложение 1
Вопросы на коллоквиуме (пример вопросов)
1. Вероятностные нейронные сети.
2. Комитет и комитетный метод классификации.
3. Алгоритм бэггинга.
4. Бутстрэппинг.
5. Бустинг.
6. Обучающаяся модель эволюции (Learnable Evolution Model, LEM).
7. Алгоритм инкрементного популяционного обучения (Population-Based Incremental
Learning).
8. Компактный генетический алгоритм (Compact Genetic Algorithm).
9. Многомерные алгоритмы с оценкой распределения.
10. Плотная и разреженная оптимизация правил поведения.
11. Q-обучение.
12. Мичиганский подход к системам обучающихся классификаторов.
13. Питт-подход. Алгоритм Samuel.
14. Мичиганский подход. Системы обучающихся классификаторов нулевого уровня
(Zeroth Level Classifier System, ZCS).
15. Нечеткое множество. Нечеткая переменная. Лингвистическая переменная.
16. Нечеткий вывод. Правила типа синглтон.
17. Алгоритм Мамдани.
18. Алгоритм Цукамото.
19. Алгоритм Сугено.
20. Алгоритм Ларсена.
Приложение 2
Рубежный контроль (пример билета на экзамен)
НАЦИОНАЛЬНЫЙ ИССЛЕДОВАТЕЛЬСКИЙ
ТОМСКИЙ ПОЛИТЕХНИЧЕСКИЙ УНИВЕРСИТЕТ
Экзамен по дисциплине «Методы вычислительного интеллекта»
Магистерская программа “Компьютерный анализ и интерпретация данных” по
направлению «Информатика и вычислительная техника»
УТВЕРЖДАЮ:
Зав. кафедрой ВТ
_______________Марков Н.Г.
«____» _____________ 2014 г.
ЭКЗАМЕНАЦИОННЫЙ БИЛЕТ № 1
1. Вероятностные нейронные сети.
(10 баллов)
2. Компактный генетический алгоритм.
(10 баллов)
3. Мичиганский подход к системам обучающихся классификаторов.
(20 баллов)
Составил:
Профессор кафедры ВТ
В.Г. Спицын