Федеральное агентство по образованию Федеральное государственное образовательное учреждение высшего профессионального образования

Федеральное агентство по образованию
Федеральное государственное образовательное учреждение
высшего профессионального образования
«Чувашский государственный университет имени И.Н. Ульянова»
Технический институт
Факультет дизайна и компьютерных технологий
Кафедра компьютерных технологий
УТВЕРЖДАЮ
Проректор по учебной работе
проф. ____________ А.Ю. Александров
«____» ___________________ 2010 г.
РАБОЧАЯ ПРОГРАММА
Дисциплина СД.В.07 – СИСТЕМЫ ИСКУССТВЕННОГО
ИНТЕЛЛЕКТА
Направление 654600 – Информатика и вычислительная техника
Специальность 230102 – Автоматизированные системы обработки
информации и управления
БЮДЖЕТ ВРЕМЕНИ (ЧАС.)
Срок
обучения
Сем
4,5 г.об.
6 лет
3,5 г.об.
5 лет
6
11
4
4
Всего
100
100
100
100
Всего
ауд
14
14
51
51
Аудиторные занятия
Лек
Прак
10
10
34
34
-
Лаб
Сам.
раб.
4
4
17
17
86
86
49
49
Контр.
раб.
+
+
Итоговый контроль
Зач.
Экз.
Курс. пр
(раб)
+
+
+
+
Рабочая программа составлена в соответствии с государственным образовательным
стандартом высшего профессионального образования направления подготовки дипломированного
специалиста 654600 – Информатика и вычислительная техника, специальности 230102 –
Автоматизированные системы обработки информации и управления, утвержденным 27 марта
2000г. (Регистрационный номер 224 тех/дс).
Составитель: ассистент кафедры КТ
Н.В. Павлова
Рабочая программа обсуждена, одобрена и рекомендована к использованию на
заседании кафедры компьютерных технологий, «___» ___________ 2010 г., протокол
№___
Зав. кафедрой компьютерных технологий,
профессор
В.П. Желтов
Рассмотрена и одобрена методическим советом ФДиКТ
Декан, председатель методсовета факультета ДиКТ
Чебоксары 2010
В.П. Желтов
1. ЦЕЛИ И ЗАДАЧИ ДИСЦИПЛИНЫ, ЕЕ МЕСТО В УЧЕБНОМ ПРОЦЕССЕ
1.1.ЦЕЛЬ ПРЕПОДАВАНИЯ ДИСЦИПЛИНЫ
Цели изучения дисциплины:
– дать общее представление о прикладных системах искусственного интеллекта;
– сформировать базовое представление, умения и навыки по основам инженерии
знании и нейроинформатики как двум основным направлениям построения
интеллектуальных систем;
– дать представление о роли искусственного интеллекта и нейроинформатики в
развитии информатики в целом, а также, в научно-техническом прогрессе.
Дисциплина обеспечивает совершенствование навыков, полученных при изучении
основ программирования. Дисциплина находится на стыке программирования и
математики с большей ориентацией на практическое использование в программировании.
Дисциплина формирует дополнительные знания для дисциплин, связанных с изучением и
разработкой программного обеспечения.
1.2.ЗАДАЧИ ИЗУЧЕНИЯ ДИСЦИПЛИНЫ
В результате изучения дисциплины студенты должны:
- знать основные принципы использования теории и методов искусственного
интеллекта и нейроинформатики в построении современных компьютерных систем
- получить опыт работы в исследовании и построении систем искусственного
интеллекта.
2. СОДЕРЖАНИЕ ДИСЦИПЛИНЫ (лекции 34 ч. – очная, 10 ч. - заочная сокращенная)
Тема 1: СЛАБЫЕ МЕТОДЫ РЕШЕНИЯ ЗАДАЧ Слабые методы решения задач (12
часов, для заочников 3 ч., остальное добавляется к самостоятельной работе)
Лекция 1.ВВЕДЕНИЕ.
Предмет дисциплины, ее объем, содержание и связь с другими дисциплинами
учебного плана. Цели и задачи дисциплины. Рекомендуемая литература.
Лекция 2. Искусственный интеллект (ИИ), основные понятия. Направления ИИ. Краткая
историческая справка.
Лекция 3. Знания и модели их представления. Логические модели. Продукционные
модели.
Лекция 4. Семантические сети. Фреймовые модели.
Лекция 5. Слабые методы решения задач. Унификация. Алгоритм унификации.
Лекция 6. Метод резолюции. Стратегии и методы упрощения резолюции.
Тема 2: СИЛЬНЫЕ МЕТОДЫ РЕШЕНИЯ ЗАДАЧ (6 часов, для заочников 3 ч., остальное
добавляется к самостоятельной работе)
Лекция 7. Экспертные системы (ЭС), основные понятия и определения. Задачи, решаемые
ЭС. Классификация ЭС.
Лекция 8. Основные режимы работы ЭС. Технология разработки ЭС. Инструментальные
средства построения ЭС. Механизм обработки знаний. Стратегии управления
выводом.
Лекция 9. Представление нечетких знаний. Нечеткие множества и нечеткая логика.
Коэффициент уверенности. Байесовский метод принятия решения.
Тема 3: ИСКУССТВЕНЫЕ НЕЙРОННЫЕ СЕТИ (ИНС) (16 ч., для заочников 4 ч.,
остальное добавляется к самостоятельной работе).
Лекция 10. Нейробиология. Биологический нейрон. Нейронные сети (НС).
2
Лекция 11. Становление и развитие ИНС. Однослойные НС. Многослойные НС.
Лекция 12. Задачи, решаемые с помощью НС. Обучение НС: обучение с учителем.
Лекция 13. Функции оценки работы сети. Обучение методом обратного распространения
ошибки.
Лекция 14. Обучение без учителя. Обучение с поощрением. Теорема КолмогороваАрнольда. Работа Хехт-Нильсона. Теорема о полноте.
Лекция 15. Задача классификации. Алгоритм классификации.
Лекция 16. Сеть Кохонена. Обучение слоя Кохонена. Метод выпуклой комбинации.
Примеры обучения сети Кохонена. Применение сети Кохонена для сжатия
данных.
Лекция № 17. Сети Хопфилда. Бинарные системы. Устойчивость сети Хопфилда.
Ассоциативная память.
3. ТЕМЫ ЛАБОРАТОРНЫХ РАБОТ (17 ч. очная, 4 ч. заочная сокращенная, остальное
выполняется самостоятельно)
1.
2.
3.
4.
Решение логических задач в Prolog (4 ч. очная, 2ч. заочная).
Разработка экспертной системы в Mini Expert System (4 ч. только очная).
Обучение нейронных сетей в Matlab (4 ч. очная, 2 ч. заочная).
Нейросетевой инструментарий среды Matlab (5 ч. только очная).
4. ОСНОВНЫЕ ТЕМЫ ДЛЯ САМОСТОЯТЕЛЬНОГО ИЗУЧЕНИЯ ( 49 ч. очная, 86 ч.
заочная)
Абдукция: альтернативы логическому подходу.
Логические основы Prolog.
Системы с интеллектуальным интерфейсом.
Сеть встречного распространения. Сеть Гроссберга.
Двунаправленная ассоциативная память.
Применение сети Хопфилда к задачам комбинаторной оптимизации.
Генетические алгоритмы для обучения нейронных сетей.
Сеть АРТ-1. Запоминание и классификация векторов сетью.
Необходимо предоставить для проверки пояснительную записку, в которой
привести титульный лист, задание, теоретическую часть, список литературы.
5. ПРОГРАММНОЕ ОБЕСПЕЧЕНИЕ
Strawberry Prolog –интегрированная среда логического (символьного) языка
программирования.
MiniES - "малая экспертная система", использующую байесовскую систему
логического вывода.
MatLab – пакет прикладных программ для решения математических задач.
6. ЛИТЕРАТУРА
Основная литература
1. Лорьер Ж.-Л. Системы искусственного интеллекта. - М.: Мир, 1991.
2. Сотник С.Л. Конспект лекций по курсу "Основы проектирования систем
искусственного интеллекта", 1997-1998.
3. Братко И. Программирование на языке Пролог для искусственного интеллекта:
Пер. с англ. -М.: Мир, 1990.- 560 с., ил.
4. Джонс М.Т. Программирование искусственного интеллекта в приложениях. – М.:
ДМК Пресс, 2004. – 312 с.: ил.
5. Гаскаров Д.В. Интеллектуальные информационные системы. - М., 2003. - 431 с.
3
6. Представление знаний и использование знаний. Под ред. Х.Уэно, М. Исидзука. М.:
Мир, 1989.
7. Джексон П. Введение в экспертные системы. М.: Вильямс, 2001.
8. Попов Э.В. Экспертные системы. – М.: Наука, 1989.
9. Представление знаний и использование знаний. Под ред. Х.Уэно, М. Исидзука. М.:
Мир, 1989.
10. С.Короткий. Нейронные сети: основные положения.
11. С.Короткий. Нейронные сети: алгоритм обратного распространения ошибки.
12. С.Короткий. Нейронные сети: обучение без учителя.
Дополнительная литература
1. Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем.
СПб: Питер, 2000. – 384 с.
2. Адаменко А.Н., Кучуков А.М. Логическое программирование и Visual Prolog. –
СПб., 2003. – 992 с.
3. Уинстон П. Искусственный интеллект. М.: Мир, 1980.
4. Нильсон Н. Принципы искусственного интеллекта. - М.: Радио и связь, 1985.
5. Попов Э.В. Экспертные системы. – М.: Наука, 1989.
6. Частиков А.П., Гаврилова Т.А., Белов Д.Л. Разработка экспертных систем.
Среда CLIPS. – СПб.: БХВ – Петербург, 2003. – 608 с.: ил.
7. Осуга С. Обработка знаний. –М.: Мир, 1989.
8. Ф.Уоссермен, Нейрокомпьютерная техника, М.,Мир, 1992.
9. Суровцев И.С., Клюкин В.И., Пивоварова Р.П. Нейронные сети. — Воронеж:
ВГУ, 1994. — 224 с.
10. Вороновский Г.К., Махотило К.В., Петрашев С.Н., Сергеев С.А. Генетические
алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности //
Харьков. ОСНОВА, 1997. - 112 с.
7. ВОПРОСЫ К ЭКЗАМЕНУ
1. Основные понятия искусственного интеллекта.
2. Интеллектуальная система.
3. История развития искусственного интеллекта.
4. Направления искусственного интеллекта.
5. Направления развития искусственного интеллекта.
6. Знания и данные. Классификация знаний. Представление знаний.
7. Модели представления знаний: логическая модель.
8. Модели представления знаний: продукционная модель.
9. Модели представления знаний: семантические сети.
10. Модели представления знаний: фреймовая модель.
11. Слабые методы решения задач.
12. Исчисление высказываний и исчисление предикатов.
13. Унификация.
14. Метод резолюции.
15. Стратегии и методы упрощения резолюции.
16. Логика и теория множеств.
17. Экспертные системы. Основные понятия и определения.
18. Задачи, решаемые экспертными системами.
19. Классификация экспертных систем.
20. Технология разработки экспертных систем.
21. Инструментальные средства построения экспертных систем.
22. Представление нечетких знаний. Общий обзор.
23. Представление нечетких знаний: коэффициент уверенности.
24. Представление нечетких знаний: Байесовский метод принятия решений.
25. Представление нечетких знаний: теория нечетких множеств и нечеткая логика.
4
26. Нейронные сети. Биологические основы функционирования нейронов.
27. Модель нейрона Маккалока и Питса.
28. Однослойная нейронная сеть.
29. Многослойная однонаправленная нейронная сеть.
30. Задачи, реализуемые с помощью многослойных сетей: задача классификации, задача
аппроксимации функций.
31. Обучение нейронных сетей. Общий обзор.
32. Обучение нейронных сетей: обучение с учителем.
33. Обучение нейронных сетей: обучение без учителя.
34. Обучение нейронных сетей: обучение с поощрением.
35. Работы А.Н. Колмогорова и В.И. Арнольда. Теорема Хехт-Нильсена. Теорема о
полноте.
36. Обучение нейронных сетей. Алгоритм обратного распространения ошибки.
37. Задача классификации: основные понятия, определения, формализация.
38. Задача классификации: алгоритм классификации.
39. Самоорганизующиеся нейронные сети. Описание сети Кохонена.
40. Алгоритм классификации для сетей Кохонена.
41. Алгоритм обучения сети Кохонена.
42. Обучение сети Кохонена методом выпуклой комбинации.
43. Сравнение обычного метода обучения сети Кохонена с методом выпуклой комбинации.
44. Режимы работы сети Кохонена.
45. Применение сети Кохонена для сжатия данных.
46. Описание и конфигурация сети Хопфилда. Бинарные системы.
47. Устойчивость сети Хопфилда.
48. Ассоциативная память на основе сетей Хопфилда.
Контрольная работа (заочникам)
Цель работы: изучение основных правил представления знаний в экспертных системах,
способов вывода новых знаний с помощью прямой и обратной цепочек рассуждений.
Задание
Реализовать экспертную систему, база знаний которой, соответствует следующим
требованиям:
- включить не менее 10 правил, из которых не менее 5 – сложные правила;
- для описания правил использовать, не менее 8 переменных;
- число циклов просмотра правил для прямой цепочки рассуждений должно
составлять не менее 3;
- для обратной цепочки рассуждений должны быть логически выведены не менее 4
переменных, прежде чем будет определена переменная вывода;
В данной работе требуется предоставить для проверки письменный отчёт, который
должен содержать:
1. Цель работы;
2. Задание;
3. Теоретические сведения;
4. Перечисление переменных, их описание и принимаемые ими возможные значения;
5. Набор правил, составляющих базу знаний.
6. Общую схему алгоритма прямой и обратной цепочек рассуждений;
5. Пошаговый вывод, полученный с помощью, разработанной экспертной системой;
6. Выводы по работе.
5