Дистанционное обучение. "Интеллектуальные информационные системы". Департамент философии.
Последнее изменение: 03/06/2020 07:15:35Любые вопросы, решения выполненных заданий я принимаю на адрес gorbenko.aa@gmail.com
Занятие от 03.06
Новая тема "Настоящее и будущее искусственного интеллекта"
Литература.
Рассел С., Норвиг П. Искусственный интеллект. Современный подход. Второе издание // Вильямс. 2006. (глава 27)
Задание.
Предложить свой вариант развития интеллектуальной системы из четырех представленных (глава 27.3) для выбранной сферы (например, интеллектуальный водитель, интеллектуальная сиделка с пожилыми людьми и т.д.)
Занятие от 27.05
Тема "Философские основания искусственного интеллекта"
Литература.
Рассел С., Норвиг П. Искусственный интеллект. Современный подход. Второе издание // Вильямс. 2006. (глава 26)
Задание.
1. Как влияет увеличение количества выделяемого феромона каждым муравьем на поиск решения? (вопрос по предыдущей теме)
2. Аргументировать свою точку зрения на вопрос создания сильного искусственного интеллекта.
Занятие от 20.05
Новая тема "Алгоритмы коллективного разума. Алгоритм муравьиной колонии".
Литература.
Штовба С. Муравьиные алгоритмы, Exponenta Pro. Математика в приложениях. 2004. № 4
Задание на повторение генетических алгоритмов.
Нарисовать произвольный граф связи между 10 городами, присвоить ребрам и городам случайные веса.
1 вариант) Необходимо задать генетический алгоритм для поиска кратчайшего (имеющего наименьший вес по сумме ребер) пути между заданными городами A и B. Путь должен включать не более 5 любых городов (вершин графа).
2 вариант) Необходимо задать генетический алгоритм для посещения 5 заданных городов в произвольном порядке, независимо от стоимости пути (суммы входящих в путь весов ребер).
Четный студент в группе делает четный вариант, нечетный - нечетный.
Занятие от 13.05
Новая тема "Биполярная ассоциативная память."
Литература.
Осовский С. Нейронные сети для обработки информации // Финансы и статистика. Москва.-2002. (раздел 7.4.1)
Задание.
Дан набор векторов
X = {(-1, 1, -1, 1), (1, 1, 1, 1), (-1, -1, -1, 1), (-1, -1, 1, 1), (1, 1, 1, -1)}
и ассоциированное с X множество векторов
Y = {(1, 1, 1, -1, -1), (1, 1, 1, 1, 1), (-1, 1, -1, 1, -1), (-1, -1, 1, 1, -1), (1, 1, -1, 1, 1)}
соответственно, то есть первому вектору X соответствует первый вектор множества Y и т.д. Необходимо:
1) задать биполярную ассоциативную память для запоминания ассоциированных векторов; 2) Осуществить 3 итерации работы сети в режиме распознавания для зашумленного входного вектора (-1, -1, -1, -1);
Занятие от 06.05
Новая тема "Обучение нейронных сетей. Обучение с учителем, без учителя, с подкреплением. Задачи обучения."
Литература.
Хайкин С. Нейронные сети:полный курс 2-е издание // Вильямс. Москва, 2005. (раздел 2.8 - 2.10)
Задание.
Изложить свой вариант организации процесса обучения домашнего робота-пылесоса для методов обучения с учителем и без учителя. Предложить на каких данных робот мог бы обучаться в том и другом случае. Робот считается вымышленным и может быть оснащен любым оборудованием по усмотрению.
Занятие от 29.04
Новая тема "Нейронные сети. Персептрон". Биологические основы функционирования нервной клетки. Прикладные возможности применения нейронных сетей. Однослойный персептрон. Теорема о сходимости персептрона, проблема XOR (без доказательства, ограничение использования однослойных сетей). Многослойный персептрон.
Литература.
1. Осовский С. Нейронные сети для обработки информации // Финансы и статистика. Москва.- 2002. (раздел 3.8.2, основные понятия)
2. Хайкин С. Нейронные сети:полный курс 2-е издание // Вильямс. Москва, 2005. (раздел 1.1-1.3, 3.8, 3.9, 4.1, 4.2, 4.5)
Задание.
Задать многослойную нейронную сеть со следующими параметрами и рассчитать ее выходное значение.
1. Количество входов - 3, выходов - 1, 3 Слоя. Входной вектор (1, -4, 5). Функция активации пороговая. Веса случайные в интервале [-1;1].
2. Количество входов - 2, выходов - 1, 4 слоя. Входной вектор (-3, 1). Функция активации пороговая. Веса случайные в интервале [-1;1].
(нечетный человек в группе делает нечетный вариант, четный - четный)
Занятие от 22.04
Новая тема "Генетические алгоритмы. Основные понятия, имитация естественного отбора в природе. Пример применения генетического алгоритма."
Литература в порядке приоритета изучения.
1. Осовский С. Нейронные сети для обработки информации // Финансы и статистика. Москва.-2002. (раздел 3.8.2, основные понятия)
2. Гладков Л.А., курейчик В.В., Курейчик В.М. Генетические алгоритмы. Учебное пособие // Физматлит. Москва.-2006. (раздел 3.4, пример генетического алгоритма)
Задание.
Предложить свой вариант для операции мутации, скрещивания, селекции и функцию оценки (целевую функцию) для генетического алгоритма со следующим подмножеством хромосом. В качестве целевой функции может быть рассмотрено суммарное значение близости к началу отчета (алфавита) отдельных значений (генов) хромосомы. Например, для хромосомы A 7 C E 2 F (A - 0, 7 - 7, C - 2, E - 4, 2 - 2, F - 5) значение равно 20 (0+7+2+4+2+5).Предложить свой вариант. Решения должны быть уникальными.
A V T % # W E J R 1 2
3 4 X X C Z Z Z T 6 6
H J N M N M N 8 R 3 4
9 4 Y Y B E Q 9 P 9 9
Занятие от 15.04
Новая тема "Интеллектуальные агенты. Рациональность агента. Проблемная среда. Обучающиеся агенты. "
Литература.
Рассел С., Норвиг П. Искусственный интеллект. Современный подход. Второе издание // Вильямс. 2006. (глава 2)
Задание.
1. Разработайте описание проблемной среды для автоматизированного робота-бармена.
2. Разработайте описание проблемной среды для автоматизированного робота-комбайна.
(Нечетный человек в списке группы решает нечетные задания, четный - четные).
Занятие от 08.04
Новая тема "Технологии инженерии знаний. Классификация методов практического извлечения знаний. Коммуникативные методы. Текстологические методы."
Литература.
Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем. // Питер. Санкт-Петербург, 2000.
Задание.
Собрать и максимально объективно представить знания, полученные от другого человека из какой-либо области, в которой вы плохо разбираетесь. Для извлечения знаний выбрать по желанию один из коммуникативных методов. Записать решение, представив его в виде семантической сети с не менее 10 узлами. Узлы могут быть представлены в виде фреймов.
/*У каждого человека должно быть уникальное решение.*/
Занятие от 25.03
Повтор темы «Семантические сети», «Фреймы», «Продукционные модели», «Нечеткие множества», «Нечеткая логика».
Задания.
1 задание. Разработать произвольную сеть фреймов для представления знаний о людях, окружающих условного человека. Количество фреймов не менее 10 и не более 20.
2 задание. Разработать произвольную сеть фреймов для представления знаний об условной поликлинике. Количество фреймов не менее 10 и не более 20.
3 задание. База данных содержит элементы X, Y База знаний состоит из следующих правил
X, Y, D, W -> T
X, Y, P -> D
D, H, S -> K
H, Y -> P
H, P -> Y
P, D -> W
T, N -> Q
X -> H
W -> X
Y -> S
W -> S
K -> N
Выводится ли в данной базе гипотеза Q? Записать ход решения.
Подтверждается ли гипотеза D? Записать ход решения.
4 задание. База данных содержит элементы X, Y, Z, H. База знаний состоит из следующих правил
X, I -> U
Y, Z -> B
B, H, X -> V
Y, V -> I
X, Y -> D
A, U -> D
F, D -> M
U, H -> B
D, N -> C
A, D -> N
A -> Z
T -> F
V -> A
C -> H
Выводится ли в данной базе гипотеза M?
Подтверждается ли гипотеза C?
(Нечетный человек в списке группы решает нечетные задания, четный - четные).
Литература.
1. Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем. // Питер. Санкт-Петербург, 2000.
2. Джексон П. Введение в экспертные системы. // Вильямс, 2001.
3. Макеева А.В. Основы нечеткой логики. // Учебное пособие для вузов. – Н.Новгород: ВГИПУ, 2009.-59с.
Разбор новой темы «Алгоритм нечеткого логического вывода. Нечеткие экспертные системы. Примеры».
Литература.
Макеева А.В. Основы нечеткой логики. // Учебное пособие для вузов. – Н.Новгород: ВГИПУ, 2009.-59с.