РП-ИНТЕЛЛЕКТ СИСТЕМЫx

реклама
Правительство Российской Федерации
Федеральное государственное автономное образовательное учреждение высшего
профессионального образования
"Национальный исследовательский университет
"Высшая школа экономики"
Московский институт электроники и математики Национального
исследовательского университета "Высшая школа экономики"
Факультет прикладной математики и кибернетики
Программа дисциплины
"ИНТЕЛЛЕКТУАЛЬНЫЕ СИСТЕМЫ”
для направления 010300 «Фундаментальная информатика и информационные технологии»
подготовки бакалавра
Кафедра «Кибернетика»
Заведующий кафедрой
д.т.н., профессор
В.Н.Афанасьев
Москва – 2012 г.
Цели и задачи освоения дисциплины
Целью освоения дисциплины «Интеллектуальные системы» является формирование
устойчивых знаний в области проектирования современных интеллектуальных систем,
основанных на «мягких вычислениях».
Зонтичный термин «мягкие вычисления» интерпретируется формулой
Мягкие вычисления = нечеткие системы + нейронные сети + генетические алгоритмы
Для достижения поставленной цели выделяются следующие задачи дисциплины:
- знакомство с современными направлениями искусственного интеллекта (ИИ);
- изучение теоретических (математических) основ «мягких вычислений»;
- изучение моделей представления неопределенных знаний;
- изучение современных нейросетевых технологий и эволюционных
вычислений;
- освоение методов проектирования мягких систем.
.
Место дисциплины в структуре ООП
Дисциплина относится к разделу ООП Б2 «Математический и естественнонаучный
цикл» и является дисциплиной по выбору студента (Б2.ДВ2). Данная дисциплина
является логическим продолжением курса «Искусственный интеллект», читаемого в 6
семестре.
На входе от бакалавра требуются компетенции по следующим областям знаний:

Математическая логика и теория алгоритмов;

Теория конечных графов и ее приложения;

Неклассические логики;

Теория автоматов и формальных языков;

Дискретная математика;

Теория вероятностей и математическая статистика;

Интеллектуальные системы.
Компетенции, полученные в результате изучения данной дисциплины, необходимы
для изучения следующих дисциплин и выполнения видов деятельности:

Основы Web-программирования;

Производственная практика;

Научно-исследовательская работа.
Требования к результатам освоения дисциплины
Процесс изучения дисциплины направлен на формирование следующих компетенций в
соответствии с ФГОС ВПО по направлению «Фундаментальная информатика и
информационные технологии»
общекультурных (ОК):
Коды
(ОК-7)
Содержание общекультурных компетенций (ОК)
 владеть культурой мышления, аргументировано и ясно строить устную и
письменную речь
 владеть основными методами, способами и средствами получения, хранения,
(ОК-12)
переработки информации, иметь навыки работы с компьютером как
средством управления информацией
профессиональных (ПК) в области научно-исследовательской деятельности:
Коды
(ПК-1)
(ПК-2)
(ПК-4)
(ПК-8)
(ПК-15)
(ПК-17)
(ПК-25)
:
 способность применять в профессиональной деятельности современные
языки программирования и языки баз данных, методологии системной
инженерии,
системы
автоматизации
проектирования,
электронные
библиотеки и коллекции, сетевые технологии, библиотеки и пакеты
программ, современные профессиональные стандарты информационных
технологий (в соответствии с профилями)
 способность профессионально решать задачи производственной и
технологической деятельности с учетом современных достижений науки и
техники, включая: разработку алгоритмических и программных решений в
области системного и прикладного программирования; разработку
математических, информационных и имитационных моделей по тематике
выполняемых исследований; создание информационных ресурсов глобальных
сетей, образовательного контента, прикладных баз данных; разработку тестов
и средств тестирования систем и средств на соответствие стандартам и
исходным требованиям; разработку
эргономичных человеко-машинных
интерфейсов (в соответствии с профилями)
 способность понимать и применять в исследовательской и прикладной
деятельности современный математический аппарат, фундаментальные
концепции и системные методологии, международные и профессиональные
стандарты в области информационных технологий, способность использовать
современные инструментальные и вычислительные средства (в соответствии
с профилем подготовки)
 способность профессионально владеть базовыми математическими знаниями
и информационными технологиями, эффективно применять их для решения
научно-технических задач и прикладных задач, связанных с развитием и
использованием информационных технологий
 понимание концепций и абстракций, способность использовать на практике
базовые
математические
дисциплины,
включая:
Математическая логика и теория алгоритмов, Теория автоматов и
формальных языков и др.
 детальное знание методов и базовых алгоритмов обработки информационных
структур, методов анализа сложности алгоритмов
 уверенное знание теоретических и методических основ, понимание
функциональных возможностей, следующих предметных областей:
Разработка информационных систем, Человеко-машинное
взаимодействие, Интеллектуальные системы
В результате изучения дисциплины студент должен:
Знать:






Современные направления ИИ;
Теоретические основы создания мягких систем ИИ;
Модели представления неопределенных знаний и рассуждений в
условиях неопределенности, в том числе вероятностный подход,
основанный на байесовских сетях, и нечеткие модели, основанные на
теории нечетких множеств и нечетком выводе;
Основы теории нейронных сетей, в том числе различные типы
нейронных сетей и алгоритмы их обучения;
Основы эволюционного моделирования, в том числе основной
генетический алгоритм и его разновидности;
Архитектуру и методы проектирования гибридных (мягких)
интеллектуальных систем, в том числе нечетких нейронных сетей с
генетической настройкой.
Уметь:




Моделировать нечеткую систему средствами инструментария нечеткой
логики, в том числе используя инструментальную среду Matlab;
Моделировать нейронные сети различных типов, в том числе
многослойный нелинейный перцептрон и алгоритм обратного
распространения ошибки, сеть Кохонена и алгоритм обучения без
учителя, используя инструментальную среду Matlab и пакет Trajan;
Моделировать эволюционные вычисления, в том числе различные
варианты генетического алгоритма с использованием Matlab;
Строить гибридные системы архитектуры ANFIS, используя
инструментарий Matlab
Владеть:




Средствами инструментария нечеткой логики системы Matlab для
моделирования нечеткой системы;
Средствами создания нейронных сетей различных типов в системе
Matlab;
Навыками программирования в пакете Matlab элементарных и
интегральных функций генетических вычислений,
Навыками построения гибридных систем класса ANFIS в системе Matlab.
Объем дисциплины и виды учебной работы
Вид учебной работы
Аудиторные занятия (всего)
В том числе:
Лекции
Практические занятия (ПЗ)
Семинары (С)
Лабораторные работы (ЛР)
Самостоятельная работа (всего)
Всего
часов/за
четных
единиц
36
семестр
7
18
18
18
18
36
36
36
В том числе:
Домашняя работа
Самостоятельная подготовка
Виды
текущего
контроля
успеваемости
Тестовый контроль
Контрольные
работы
2 к.р.
письменные
Вид промежуточной аттестации экзамен
(зачет, экзамен)
Общая трудоемкость
часы
108
зачетные единицы
3
2 к.р.
экзамен
108
3
Содержание дисциплины
Содержание разделов дисциплины
Содержание указано в дидактических единицах. В качестве дидактической единицы
используются предметные темы, входящие в состав раздела.
Р а з д е л 1. Введение в мягкие системы искусственного интеллекта



Этапы развития в ИИ направления «мягкие вычисления»
Основные свойства мягких систем
Экспертная деятельность. Виды неполной информации при проектировании
сложной системы.
Раздел 2. Неопределенные знания и рассуждения в условиях
неопределенности
 Действия в условиях неопределенности
 Правило Байеса и его использование
 Байесовская сеть
 Вероятностный вывод в байесовских сетях
 Вероятностный вывод во временных моделях
 Статистические методы обучения
Раздел 3. Нечеткие системы.











Основы теории нечетких множеств
Операция импликации
Законы нечеткой логики
Определение лингвистической переменной
Схема приближенного логического вывода.
Задача интерполяции
Правила трансляции.
Основные правила умозаключений
Универсальная аппроксимация с помощью систем нечеткого вывода
Схемы логического вывода
Введение в задачу нечеткого управления. Правила, импликация, заключения.

Накопление результатов и дефазификация.
Раздел 4. Основы теории нейронных сетей









Моделирование нейронных структур мозга. Модель нейрона.
Задачи нейронных сетей. Основные свойства.
Обучение однослойных и специальных нейронных сетей .Способы
представления процесса обучения
Алгоритмы обучения: однослойной нейронной сети, по дельта правилу,
однослойных НС с нелинейной функцией активации, алгоритм «победитель
получает все»
Радиально-базисные сети. Сети регрессии. Вероятностные НС
Многослойные нелинейные нейронные сети
Алгоритм обратного распространения ошибки
Эффективность аппарата нейросетей
Обзор современных нейропакетов и их возможностей
Раздел 5. Эволюционные вычисления.










Основные направления современного эволюционного моделирования
Генетические алгоритмы и их применение
Стандартный генетический алгоритм
Вычислительная эффективность применения генетического алгоритма
Разновидности генетических алгоритмов
Эволюционная стратегия
Генетическое программирование
Эволюционный алгоритм
Анализ применимости генетических алгоритмов для задач оптимизации
Применение генетических алгоритмов к задаче оптимизации вычислительной
сети
Раздел 6. Гибридные (мягкие) системы.

Преимущества аппарата нечетких нейронных сетей
 Понятие нечеткой нейросети
 Структуры гибридных систем
 Нечеткий нейронный контроллер
 Алгоритмы обучения для нечеткой нейронной сети контроллера
 Определение нечеткой системы с генетической настройкой
 Нечеткое управление генетической системой
 Системы генетического проектирования нечетких нейронных сетей
 Мягкая экспертная система. Примеры систем.
 Нечеткая реляционная алгебра. Сервер нечетких данных
Разделы дисциплины и междисциплинарные связи с обеспечиваемыми
(последующими) дисциплинами
№
п/п
1.
Наименование
№№ разделов данной дисциплины, необходимых для
обеспечиваемых
изучения обеспечиваемых (последующих) дисциплин
(последующих)
1
2
3
4
5
дисциплин
Основы Web+
+
программирования;
6
+
Разделы дисциплины и виды занятий
№
п/п
1
Наименование раздела дисциплины
Введение
в
мягкие
системы
искусственного интеллекта
Неопределенные
знания
и
рассуждения
в
условиях
неопределенности
Нечеткие системы
Основы теории нейронных сетей
Эволюционные вычисления
Гибридные (мягкие) системы.
2
3
4
5
6
Лекц.
СРС
Всего
2
2
4
2
4
6
8
8
6
8
16
16
14
16
4
4
4
2
Практ
. зан
Лаб.
зан.
4
4
4
6
Темы практических занятий
№ пп.
№
раздела
дисципл
ины
1
3
2
3
3
3
4
4
5
4
6
4
7
4
8
5
Наименование практических работ
Нечеткие системы. Исследование способов
формирования нечетких множеств и операции над ними.
Нечеткие системы. Моделирование нечеткой системы
средствами инструментария нечеткой логики
Нечеткие системы. Исследование алгоритма нечеткой
кластеризации
Основы теории нейронных сетей
Изучение свойств линейного нейрона и линейной
нейронной сети
Основы теории нейронных сетей
Изучение многослойного нелинейного перцептрона и
алгоритма обратного распространения ошибки
Основы теории нейронных сетей
Изучение радиальных базисных, вероятностных
нейронных сетей, сетей регрессии
Основы теории нейронных сетей
Изучение сетей Кохонена и алгоритма обучения без
учителя.
Эволюционные вычисления. Основные элементарные
функции генетических вычислений
Трудоемко
сть
(часы/заче
тные
единицы)
2
1
1
1
1
1
1
1
9
5
10
5
11
6
12
6
13
6
14
6
Эволюционные вычисления. Интегральные функции
генетических вычислений
Эволюционные вычисления. Прикладные
оптимизационные задачи
Гибридные (мягкие) системы.Построение гибридной
системы класса ANFIS
Гибридные (мягкие) системы.Базовые функции
проектирования гибридных систем
Гибридные (мягкие) системы.Интегральные функции
реализации нечеткой нейронной сети
Гибридные (мягкие) системы.Задачи разработки
инструментария гибридных систем
1
2
1
1
2
2
Тематика контрольных работ
.Контрольная №1
Определение нечетких чисел и нечетких интервалов.
Операции с нечеткими множествами.
Использование T-норм и S –конорм.
Бинарное нечеткое отношение. Операции над бинарными отношениями.
Проекция бинарного отношения.
Конструирование и использование двуместной функции принадлежности.
Функция нечеткой переменной.
Композиция нечеткого множества и отношения.
Композиция нечетких отношений
Двуместная функция нечетких переменных
Контрольная №2
Схемы нечеткого вывода.
Нечеткий регулятор
Учебно-методическое обеспечение и информационное обеспечение
дисциплины
a. Основная литература:
1. Ярушкина Н.Г. Основы теории нечетких и гибридных систем. – Финансы и статистика,
2004.-320 с.
2. Матвеев М.Г. Модели и методы искусственного интеллекта. Применение в экономике. –
М.: Финансы и статистика, ;ИНФРА-М, 2008. – 448 с.
3.Яхъяева Г.Э. Нечеткие множества и нейронные сети. – М.: Интернет-Университет
Информационных технологий, 2008. – 316 с.
4. Круглов В.В., Дли М.И., Голунов Р.Ю. Нечеткая логика и искусственные нейронные
сети. -М.: Издательство Физико-математической литературы, 2001. – 224 с.
5. Барский А.Б. Логические нейронные сети. – М.: Интернет-Университет
Информационных технологий, 2007. – 352 с.
b. Дополнительная литература:
1. Рассел С., Норвиг П. Искусственный интеллект: современный подход. - М.:
Издательский дом «Вильямс», 2006.- 1408 с.
2. Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические
алгоритмы и нечеткие системы.- М.: Горячая линия – Телеком, 2006. – 452 с.
3. Борисов В.В., Круглов В.В., Федулов А.С. Нечеткие модели и сети. .- М.: Горячая линия
–Телеком, 2007. – 284 с.
4. Галушкин А. И. Нейронные сети. Основы теории. -М: Горячая Линия – Телеком, 2010. 496 с.
c. Программное обеспечение:
1. Matlab версия 7.10 и более поздние
2. Пакет Trajan версия 4.0 (www.trajan-software.demon.co.uk)
Материально-техническое обеспечение дисциплины
Для успешного освоения дисциплины необходимо следующее материально-техническое
обеспечение:
1. Дисплейный класс, оборудованный современными персональными компьютерами
Методические рекомендации по организации изучения дисциплины
В учебном процессе, помимо чтения лекций, которые составляют 1/2 аудиторных
занятий, для формирования практических навыков широко используются практические
занятия с индивидуальными заданиями.
С целью текущего контроля успеваемости и промежуточной аттестации предусмотрены
две контрольные работы и защита практических работ.
Формирование оценки за практические работы:
Оценка за практическую работу учитывает:
Насколько точно студент выполнил задание, сформулированное в практической работе;
Степень и полноту усвоенных навыков работы с инструментальным средством
проектирования систем ИИ
Насколько слушатель правильно и аргументировано ответил на все вопросы при
обсуждении выполненного задания.
Для текущей и промежуточной аттестации студентов выполняются контрольные
работы и индивидуальные задания на практических работах. Задание к практической
работе подготавливается каждым студентом индивидуально в соответствии с вариантами
заданий. Контрольная работа выполняется каждым студентом индивидуально в
соответствии с вариантом контрольной работы.
Составитель:
д.т.н., профессор кафедры «!Кибернетика»
Никольский С.Н.
Скачать