II. Глоссарий

Основные определения по теме «История развития искусственного интеллекта»

Искусственный интеллект (Artificial Intelligence, AI) – научное направление, в рамках которого ставятся и решаются задачи аппаратного или программного моделирования тех видов человеческой деятельности, которые традиционно считаются интеллектуальными (представление знаний, обучение, общение и т.п.).

Интеллектуальная система – система или устройство с программным обеспечением, имеющие возможность с помощью встроенного процессора настраивать свои параметры в зависимости от состояния внешней среды.

Эвристика – процесс поиска решений; прием решения задачи, основанный не на строгих математических моделях и алгоритмах, а на соображениях, восходящих к «здравому смыслу»; отражает особенности того, как такие задачи решает человек, когда он не пользуется строго формальными приемами.

Кибернетика –наука об управлении, связи и переработке информации. Основным объектом исследования кибернетики являются абстрактные кибернетические системы – от компьютеров до человеческого мозга и человеческого общества.

Теория игр – математическая теория предсказания результатов игр, в которых участники не имеют полной информации о намерениях друг друга. Теория игр используется для описания процессов, происходящих на олигополистических рынках, и в теории фирм.

Теория принятия решений – область исследования, изучающая закономерности выбора людьми путей решения разного рода задач и исследующая способы поиска наиболее выгодных из возможных решений.

Когнитивная психология – направление в психологической науке, изучающее зависимость поведения субъекта от познавательных процессов. Главное в когнитивной психологии – выделение некоторых общих компонентов, структур, процессов, характерных для познания в целом. В этом плане когнитивная психология – это современная психология познавательных процессов.

Основные определения по теме «Направления исследований в области искусственного интеллекта»

Нейрокибернетика –научное направление, изучающее основные закономерности организации и функционирования нейронов и нейронных образований. Основным методом нейрокибернетики является математическое моделирование, при этом данные физиологического эксперимента используются в качестве исходного материала для создания моделей.

Нейрокомпьютеры – это системы, в которых алгоритм решения задачи представлен логической сетью элементов частного вида – нейронов с полным отказом от булевских элементов типа и, или, не. Как следствие этого, введены специфические связи между элементами, которые являются предметом отдельного рассмотрения.

Нейрокомпьютинг – скороразвивающаяся область вычислительных технологий, стимулированная исследованиями мозга. Вычислительные операции выполняются огромным числом сравнимо обычных, нередко адаптивных процессорных частей. Нейрокомпьютинг, по собственному происхождению, совершенно приспособлен для сравнения образов, определения образов и синтеза систем управления.

Робот – автоматическое устройство с антропоморфным действием, которое частично или полностью заменяет человека при выполнении работ в опасных для жизни условиях или при относительной недоступности объекта. Робот может управляться оператором либо работать по заранее составленной программе. Использование роботов позволяет облегчить или вовсе заменить человеческий труд на производстве, в строительстве, при работе с тяжелыми грузами, вредными материалами, а также в других тяжелых или небезопасных для человека условиях.

Компьютерная лингвистика (computational linguistics) – область использования компьютеров для моделирования функционирования языка в тех или иных условиях или проблемных областях, а также сфера применения компьютерных моделей языка в лингвистике и др. дисциплинах.

Распознавание образов (Pattern recognition) – разделение образов в неком пространстве на классы. Образ традиционно представляется в виде вектора измеренных величин.

Распознавание речи (Speech recognition) – автоматическое разложение звукового вида на фонемы и слова.

Естественный язык – в лингвистике любой язык общения между людьми. Под естественностью некоторого языка понимается наличие синонимии и омонимии слов и словосочетаний, а также свободный порядок слов в предложении.

Проблемная область интеллектуальной системы определяется предметной областью и решаемыми в ней задачами.

Предметную область можно характеризовать описанием области в терминах пользователя, а задачи – их типом. С точки зрения разработчика, выделяются статические и динамические предметные области. Предметная область называется статической, если описывающие ее исходные данные не изменяются во времени. При этом производные данные (выводимые из исходных) могут появляться заново и изменяться (не изменяя при этом исходных данных). Если исходные данные, описывающие предметную область, изменяются за время решения задачи, то предметную область называют динамической.

Основные определения по теме «Представление знаний»

Данные– это отдельные факты, характеризующие объекты, процессы и явления предметной области, а также их свойства; сведения, полученные путем измерения, наблюдения, логических или арифметических операций, представленные в форме, пригодной для постоянного хранения, передачи и (автоматизированной) обработки.

Знания– это закономерности предметной области (принципы, связи, законы), полученные в результате практической деятельности и профессионального опыта, позволяющие специалистам ставить и решать задачи в этой области; это хорошо структурированные данные, или данные о данных, или метаданные.

Поверхностные знания– знания о видимых взаимосвязях между отдельными событиями и фактами в предметной области.

Глубинные знания– абстракции, аналогии, схемы, отображающие структуру и природу процессов, протекающих в предметной области. Эти знания объясняют явления и могут использоваться для прогнозирования поведения объектов.

Процедурные знания – знания, «растворенные» в алгоритмах.

Декларативными знаниями считаются предложения, записанные на языках представления знаний, приближенных к естественному и понятных неспециалистам.

Эмпирические знания– знания, которые могут добываться ИС путем наблюдения за окружающей средой.

Поле знаний– поле,в котором содержатся основные понятия, используемые при описании предметной области, и свойства всех отношений, используемых для установления связей между понятиями. Поле знаний связано с концептуальной моделью проблемной области, в которой еще не учтены ограничения, которые неизбежно возникают при формальном представлении знаний в базе знаний.

Семантическая сеть– это ориентированный граф, вершины которого – понятия, а дуги – отношения между ними.

Фрейм–это абстрактный образ для представления некоего стереотипа восприятия.

Основные определения по теме «Нейронные сети»

Нейрон(биологический) – клетка мозга, способная генерировать электрический импульс в случае, когда суммарный потенциал превысит критическую величину. Соединяясь друг с другом, нейроны образуют сеть, по которой путешествуют электрические импульсы; именно нейронные сети мозга обрабатывают информацию. При этом «обучение» сети и запоминание информации базируется на настройке значений весов связей между нейронами.

Синапс (вес, синаптический вес) – межнейронное соединение, однонаправленная входная связь нейрона, соединенная с выходом другого нейрона.

Аксон – выходная связь нейрона: при помощи аксона нейрон передает собственный выходной сигнал.

Искусственная нейронная сеть (Artificial neural network) – это система, состоящая из многих простых вычислительных элементов, работающих параллельно, функция которых определяется структурой сети, силой взаимных связей, а вычисления производятся в самих элементах или узлах.

Нейронные сети–класс моделей, основанных на биологической аналогии с мозгом человека и предназначенных после прохождения этапа так называемого обучения на имеющихся данных для решения разнообразных задач анализа данных.

Нейронная сеть – это процессор с массивным распараллеливанием операций, обладающий естественной способностью сохранять экспериментальные знания и делать их доступными для последующего использования. Он похож на мозг в двух отношениях: сеть приобретает знания в результате процесса обучения и для хранения информации используются величины интенсивности межнейронных соединений, которые называются синаптическими весами.

Нейрокомпьютер – это вычислительная система с архитектурой аппаратного и программного обеспечения, адекватной выполнению алгоритмов, представленных в нейросетевом логическом базисе.

Обучение нейронной сети (Training) – целенаправленный процесс изменения межслойных синаптических связей, итеративно повторяемый до тех пор, пока сеть не приобретет необходимые свойства.

Обучение с учителем, или обучение контролируемое, или обучение управляемое (Supervised learning, Associative learning). Обучение с учителем предполагает, что для каждого входного вектора существует целевой вектор, представляющий собой требуемый выход. Вместе они называются обучающей парой. Предъявляется выходной вектор, вычисляется выход сети и сравнивается с соответствующим целевым вектором, разность (ошибка) с помощью обратной связи подается в сеть, и веса изменяются в соответствии с алгоритмом, стремящимся минимизировать ошибку. Векторы обучающего множества предъявляются последовательно, вычисляются ошибки, и веса подстраиваются для каждого вектора до тех пор, пока ошибка по всему обучающему массиву не достигнет приемлемо низкого уровня.

Обучение без учителя, или самообучение, или обучение неконтролируемое, или обучение неуправляемое (Unsupervised learning, Self-organization). Алгоритм обучения без учителя подстраивает веса сети так, чтобы получались согласованные выходные векторы, то есть чтобы предъявление достаточно близких входных векторов давало одинаковые выходы. Процесс обучения выделяет статистические свойства обучающего множества и группирует сходные векторы в классы.

Переобучение сети (Over training, Overfitting). Если в результате обучения нейронная сеть хорошо распознает примеры из обучающего множества, но не приобретает свойство обобщения, то есть не распознает или плохо распознает любые другие примеры, кроме обучающих, то говорят, что сеть переобучена. Переобучение – это результат чрезмерной подгонки сети к обучающим примерам.

Сходимость процесса обучения (Coincidence of the learning algorithm). Целью процедуры минимизации является отыскание глобального минимума, достижение его называется сходимостью процесса обучения.

Задача классификации(Classification problem) заключается в разбиении объектов на классы, когда основой разбиения служит вектор параметров объекта. Объекты в пределах одного класса считаются эквивалентными с точки зрения критерия разбиения. Сами классы часто бывают неизвестными заранее и формируются динамически (как, например, в сетях Кохонена). Классы зависят от предъявляемых объектов, и поэтому добавление нового объекта требует корректирования системы классов.

Кластеризация (Сlustering) – это один из методов анализа данных, позволяющих классифицировать многомерные наблюдения, каждое из которых описывается набором переменных X1, X2, …, Xn. Целью кластеризации является образование групп схожих между собой объектов.

Основные определения по теме «Эволюционное моделирование»

Эволюционное моделирование – направление в математическом моделировании, объединяющее компьютерные методы моделирования эволюции, а также близкородственные по источнику заимствования идей другие направления в эвристическом программировании. Включает в себя как разделы генетические алгоритмы, эволюционные стратегии, эволюционное программирование, искусственные нейронные сети, нечеткую логику.

Генетический алгоритм (Genetic algorithm, как направление исследований) – раздел эволюционного моделирования, заимствующий методические приемы из теоретических положений популяционной генетики. Представляет собой своего рода модель машинного исследования поискового пространства, построенную на эволюционной метафоре. Характерные особенности: использование строк фиксированной длины для представления генетической информации, работа с популяцией строк, использование генетических операторов для формирования будущих поколений. Генетические алгоритмы, являясь одной из парадигм эволюционных вычислений, представляют собой алгоритмы случайного направленного поиска для построения (суб)оптимального решения данной проблемы, который моделирует процесс естественной эволюции.

Генетические алгоритмы (как метод) – адаптивные методы поиска, которые используются для решения задач функциональной оптимизации.

Кроссовер, скрещивание (Crossover) – процедура или оператор в генетических алгоритмах, используемые для получения разнообразия в процессе воспроизводства. При одноточечном кроссовере берутся две хромосомы потомка, на них случайным образом выбирается точка, и для этой точки происходит обмен генетического материала потомков. При двухточечном кросcовере происходит то же самое, только выбираются случайным образом две точки.

Мутация (Mutation) – оператор в генетических алгоритмах, предназначенный для внесения разнообразия в процесс размножения; с очень малой вероятностью двоичная мутация заменяет биты в хромосоме случайными битами, значение этой вероятности является параметром генетического алгоритма.

Ген (Gene) в генетических алгоритмах представляет собой основную единицу информации, определяющую характеристику особи. Например, если мы используем генетический алгоритм для обучения нейронной сети, то тогда в качестве генов мы будем использовать веса связей между нейронами. Гены в реализации генетических алгоритмов обычно представляют собой битовые строки фиксированной длины.

Генотип (Genotype) – представление особи в терминах генетического алгоритма.

Фенотип (Phenotype) – представление особи в виде, имеющемся в реальном мире.

Хромосома, особь (Chromosome) – базовый элемент генетического алгоритма. Она представляет собой набор генов, описывающих параметры особи и однозначно определяющих ее. Например, в задаче обучения нейронной сети хромосома будет содержать в себе полностью все настраиваемые параметры. Обычно при реализации генетического алгоритма размер хромосом от эпохи к эпохе не изменяется, хотя встречаются и исключения.

Приспособленность, фитнесс (Fitness) – параметр, определяющий, насколько хорошо данная особь отвечает требованиям. Приспособленность рассчитывается для каждой особи на основе данных, закодированных в генотипе, и используется для выбора наиболее приспособленных особей.

Популяция (Population) – совокупность особей, участвующих в генетических операциях. В классических реализациях алгоритма ее размер постоянен.

Эпоха (Еpoch) – один этап функционирования генетического алгоритма. На нем осуществляется вычисление приспособленности каждой особи популяции. Затем на основании приспособленности отбираются хромосомы, участвующие в формировании следующей эпохи. Затем к ним применяются генетические операции, такие как скрещивание, мутация и т.д.

Основные определения по теме «Нечеткие множества и нечеткая логика»

Нечеткая логика (Fuzzy logic) – умозаключение с использованием нечетких множеств или множеств нечетких правил. Это направление восходит к первым работам по нечетким множествам, выполенным Лофти Заде (Lofti Zaden) в 1960-1970 гг.

Неопределенность является неотъемлемой частью процессов принятия решений. Неопределенности принято разделять на три класса:

· неопределенность, связанная с неполнотой наших знаний о проблеме, по которой принимается решение;

· неопределенность, которая возникает в связи с непредсказуемостью реакции окружающей среды на наши действия;

· неопределенность, связанная с неточным пониманием цели непосредственно самим ЛПР.

Нечеткое множество А  Х представляет собой набор пар , где х  Х и – функция принадлежности, то есть , которая представляет собой некоторую субъективную меру соответствия элемента нечеткому множеству и может принимать значения от нуля, который обозначает абсолютную непринадлежность, до единицы, которая, наоборот, говорит об абсолютной принадлежности элемента х нечеткому множеству А.

Нечетким числом называется выпуклое нормальное нечеткое множество с кусочно-непрерывной функцией принадлежности, заданное на множестве действительных чисел.

Лингвистическую переменную можно определить как переменную, значениями которой являются не числа, а слова или предложения естественного (или формального) языка.

Терм-множеством (term set) называется множество всех возможных значений лингвистической переменной.

Термом(term) называется любой элемент терм-множества. В теории нечетких множеств терм формализуется нечетким множеством с помощью функции принадлежности.

Дефаззификацией(defuzzification) называется процедура преобразования нечеткого множества в четкое число.

Фаззификацией(fuzzification) называется процедура преобразования четких значений в степени уверенности.

Нечетким логическим выводом называется получение заключения в виде нечеткого множества, соответствующего текущим значениям входов, с использованием нечеткой базы знаний и нечетких операций.

Нечеткой базой знаний называется совокупность нечетких правил «если… то…», определяющих взаимосвязь между входами и выходами исследуемого объекта. Обобщенный формат нечетких правил такой: если <посылка правила>, то <заключение правила>.

Посылка правила, или антецедент, представляет собой утверждение типа «x есть низкий», где «низкий» – это терм (лингвистическое значение), заданный нечетким множеством на универсальном множестве лингвистической переменной x. Квантификаторы «очень», «более-менее», «не», «почти» и т.п. могут использоваться для модификации термов антецедента.

Заключение, или следствие, правила представляет собой утверждение типа «y есть d», в котором значение выходной переменной d может задаваться:

Ÿ нечетким термом: «y есть высокий»;

Ÿ классом решений: «y есть бронхит»;

Ÿ четкой константой: «y=5»;

Ÿ четкой функцией от входных переменных: «y=5+4*x».

Нечеткая система – множество нечетких правил, преобразующих входные данные в выходные. В простейшем случае эти правила устанавливает эксперт, в более сложном – например, нейросеть.

Нечеткое правило – условное высказывание вида «если X есть A, то Y есть B», где A и B – нечеткие множества.

Основные определения по теме «Экспертные системы»

Экспертные системы –это сложные программные комплексы, аккумулирующие знания специалистов в конкретных предметных областях и тиражирующие эти знания для консультации менее квалифицированных специалистов.

Пользователь– специалист предметной области, для которого предназначена система. Обычно его квалификация недостаточно высока, и поэтому он нуждается в помощи и поддержке своей деятельности со стороны экспертной системы.

Инженер по знаниям– специалист в области искусственного интеллекта, выступающий в роли промежуточного буфера между экспертом и базой знаний. Синонимы: когнитолог, инженер-интерпретатор, аналитик.

Интерфейс пользователя– комплекс программ, реализующих диалог пользователя с ЭС как на стадии ввода информации, так и при получении результатов.

База знаний– ядро ЭС, совокупность знаний предметной области, записанных на машинный носитель в форме, понятной эксперту и пользователю (обычно на некотором языке, приближенном к естественному). Параллельно такому «человеческому» представлению существует БЗ во внутреннем «машинном» представлении.

Решатель– программа, моделирующая ход рассуждений эксперта на основании знаний, имеющихся в БЗ. Синонимы: дедуктивная машина, машина вывода, блок логического вывода.

Подсистема объяснений– программа, позволяющая пользователю получить ответы на вопросы: «Как была получена та или иная рекомендация?» и «Почему система приняла такое решение?» Ответ на вопрос «как» – это трассировка всего процесса получения решения с указанием использованных фрагментов БЗ, то есть всех шагов цепи умозаключений. Ответ на вопрос «почему» – ссылка на умозаключение, непосредственно предшествовавшее полученному решению, то есть отход на один шаг назад. Развитые подсистемы объяснений поддерживают и другие типы вопросов.

Интеллектуальный редактор базы знаний– программа, представляющая инженеру по знаниям возможность создавать БЗ в диалоговом режиме. Включает в себя систему вложенных меню, шаблонов языка представления знаний, подсказок и других сервисных средств, облегчающих работу с базой.

Решение – процесс и результат выбора способа и цели действий из ряда альтернатив в условиях неопределенности.

Приобретением знаний называется выявление знаний из источников и преобразование их в нужную форму, а также перенос в базу знаний ИС. Источниками знаний могут быть книги, архивные документы, содержимое других баз знаний и т.п., то есть некоторые объективизированные знания, переведенные в форму, которая делает их доступными для потребителя.

Экспертные знания –знания, которые имеются у специалистов, но не зафиксированы во внешних по отношению к нему хранилищах. Экспертные знания являются субъективными.

Формализация. Процесс формализации знаний, полученных у эксперта, состоит из следующих шагов: выбор метода измерения нечеткости, получение исходных данных посредством опроса эксперта, реализация алгоритма построения функции принадлежности.

Интерпретация данных. Это одна из традиционных задач для экспертных систем. Под интерпретацией понимается процесс определения смысла данных, результаты которого должны быть согласованными и корректными. Обычно предусматривается многовариантный анализ данных.

Диагностика. Под диагностикой понимается процесс соотнесения объекта с некоторым классом объектов и/или обнаружение неисправности в некоторой системе. Неисправность – это отклонение от нормы. Такая трактовка позволяет с единых теоретических позиций рассматривать и неисправность оборудования в технических системах, и заболевания живых организмов, и всевозможные природные аномалии. Важной спецификой является здесь необходимость понимания функциональной структуры («анатомии») диагностирующей системы.

Мониторинг. Основная задача мониторинга – непрерывная интерпретация данных в реальном масштабе времени и сигнализация о выходе тех или иных параметров за допустимые пределы. Главные проблемы – «пропуск» тревожной ситуации и инверсная задача «ложного» срабатывания. Сложность этих проблем – в размытости симптомов тревожных ситуаций и необходимости учета временного контекста.

Проектирование. Проектирование состоит в подготовке спецификаций на создание «объектов» с заранее определенными свойствами. Под спецификацией понимается весь набор необходимых документов: чертеж, пояснительная записка и т.д. Основные проблемы здесь – получение четкого структурного описания знаний об объекте и проблема «следа». Для организации эффективного проектирования и в еще большей степени перепроектирования необходимо формировать не только сами проектные решения, но и мотивы их принятия. Таким образом, в задачах проектирования тесно связываются два основных процесса, выполняемых в рамках соответствующей ЭС: процесс вывода решения и процесс объяснения.

Прогнозирование. Прогнозирование позволяет предсказывать последствия некоторых событий или явлений на основании анализа имеющихся данных. Прогнозирующие системы логически выводят вероятные следствия из заданных ситуаций. В прогнозирующей системе обычно используется параметрическая динамическая модель, в которой значения параметров «подгоняются» под заданную ситуацию. Выводимые из этой модели следствия составляют основу для прогнозов с вероятностными оценками.

Планирование. Под планированием понимается нахождение планов действий, относящихся к объектам, способным выполнять некоторые функции. В таких ЭС используются модели поведения реальных объектов с тем, чтобы логически вывести последствия планируемой деятельности.

Обучение. Под обучением понимается использование компьютера для обучения какой-то дисциплине или предмету. Системы обучения диагностируют ошибки при изучении какой-либо дисциплины с помощью ЭВМ и подсказывают правильные решения. Они аккумулируют знания о гипотетическом «ученике» и его характерных ошибках, затем в работе они способны диагностировать слабости в познаниях обучаемых и находить соответствующие средства для их ликвидации. Кроме того, они планируют акт общения с учеником в зависимости от успехов ученика с целью передачи знаний.

Управление. Под управлением понимается функция организованной системы, поддерживающая определенный режим деятельности. Такого рода ЭС осуществляют управление поведением сложных систем в соответствии с заданными спецификациями.

Оптимизация – нахождение решения, удовлетворяющего системе ограничений и максимизирующего или минимизирующего целевую функцию.

Основные определения по теме «Системы поддержки принятия решений»

Принятие решения – это особый вид человеческой деятельности, направленный на выбор лучшей из имеющихся альтернатив. Главной задачей, которую приходится разрешать при принятии решения, является выбор альтернативы, наилучшей для достижения некоторой цели, или ранжирование множества возможных альтернатив по степени их влияния на достижение этой цели.

Процесс принятия решений – получение и выбор наиболее оптимальной альтернативы с учетом просчета всех последствий. Необходимо выбирать ту альтернативу, которая наиболее полно отвечает поставленной цели, но при этом приходится учитывать большое количество противоречивых требований и, следовательно, оценивать выбранный вариант решения по многим критериям.

Системы поддержки принятия решений (DSS, Decision Support System) являются человеко-машинными объектами, которые позволяют лицам, принимающим решения, использовать данные, знания, объективные и субъективные модели для анализа и решения слабоструктурированных и неструктурированных проблем.

Хранилище данных – предметно-ориентированный, интегрированный, неизменчивый, поддерживающий хронологию набор данных, организованный для целей поддержки принятия решений.

Витрина данных – упрощенный вариант хранилища данных, содержащий только тематически объединенные данные.

Витрина данных, секция данных (Data Mart) – база данных, функционально-ориентированная и, как правило, содержащая данные по одному из направлений деятельности организации. Она отвечает тем же требованиям, что и хранилище данных, но, в отличие от хранилища, нейтрального к приложениям, в витрине данных информация хранится оптимизированно с точки зрения решения конкретных задач.

III. Рекомендованная литература.

Искусственный интеллект и интеллектуальные информационные системы – активно развивающиеся и обширные области исследований, и в рамках одного пособия просто невозможно рассмотреть все вопросы и проблемы, связанные с этими исследованиями. Здесь рассматривались основные направления и подходы. Для более подробного изучения предлагается ознакомиться с рядом книг и пособий, перечисленных ниже.

1. Андрейчиков, А. В. Интеллектуальные информационные системы : учебник для вузов / А. В. Андрейчиков. – М. : Финансы и статистика, 2004. – 424 с.

2. Гаврилова, Т. А. Базы знаний интеллектуальных систем / Т. А. Гаврилова, В. Ф. Хорошевский. – СПб. : Питер, 2001. – 384 с.

3. Гаскаров, Д. В. Интеллектуальные информационные системы : учебник для вузов / Д. В. Гаскаров. – М. : Высшая школа, 2003. – 431 с.

4. Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности / Г. К. Вороновский и др. – Харьков : ОСНОВА, 1997. – 112 с.

5. Джарратано, Д. Экспертные системы: принципы разработки и программирование : пер. с англ. / Д. Джарратано, Г. Райлт. – 4-е изд. – М. : ООО «И.Д. Вильямс», 2007. – 1152 с.

6. Круглов, В. В. Нечеткая логика и искусственные нейронные сети / В. В. Круглов, М. И. Дли, Р. Ю. Голунов. – М. : ФИЗМАТЛИТ, 2001. – 224 с.

7. Любарский, Ю. Я. Интеллектуальные информационные системы / Ю. Я. Любарский. – М. : Наука, 1990. – 227 с.

8. Макаров, И. М. Робототехника: история и перспективы / И. М. Макаров, Ю. И. Топчеев. – М. : Наука : Изд-во МАИ, 2003. – 349 с.

9. Методы и модели анализа данных: OLAP и Data Mining / А. А. Барсегян и др. – СПб. : БХВ-Петербург, 2004. – 336 с.

10. Миркес, Е. М. Нейроинформатика : учеб. пособие для студентов / Е. М. Миркес. – Красноярск : ИПЦ КГТУ, 2002. – 347 с.

11. Нейроинформатика / А. Н. Горбань и др. – Новосибирск : Наука : Сибирское предприятие РАН, 1998. – 296 с.

12. Нечеткие гибридные системы / И. З. Батыршин и др. ; под. ред. Н. Г. Ярушкиной. – М. : ФИЗМАТЛИТ, 2007. – 208 с.

13. Прикладные нечеткие системы : пер. с яп. / К. Асаи и др. ; под ред. Т. Тэрано, К. Асаи, М. Сугэно. – М. : Мир, 1993. – 368 с.

14. Рассел, С. Искусственный интеллект: современный подход / С. Рассел, П. Норвиг. – 2-е изд. – М. : Вильямс, 2006. – 1408 с.

15. Рутковская, Д. Нейронные сети, генетические алгоритмы и нечеткие системы / Д. Рутковская, М. Пилиньский, Л. Рутковский ; пер. с польск. И. Д. Рудинского. – М. : Горячая линия – Телеком, 2008. – 452 с.

16. Ручкин, В. Н. Универсальный искусственный интеллект и экспертные системы / В. Н. Ручкин, В. А. Фулин. – СПб. : БХВ-Петербург, 2009. – 240 с.

17. Уоссермен, Ф. Нейрокомпьютерная техника: Теория и практика : пер. с англ. / Ф. Уоссермен. – 1992. – 118 с.

18. Уэно, Х. Представление и использование знаний / Х. Уэно. – М. : Мир, 1989. – 220 с.

19. Фогель, Л. Искусственный интеллект и эволюционное моделирование / Л. Фогель, А. Оуэнс, М. Уолш. – М. : Мир, 1969. – 230 с.

20. Частиков, А. П. Разработка экспертных систем. Среда CLIPS / А. П. Частиков, Т. А. Гаврилова, Д. Л. Белов. – СПб. : БХВ-Петербург, 2003. – 608 с.

21. Шеховцов, О. И. Представление знаний : учеб. пособие / О. И. Шеховцов. – СПб. : ГЭТУ, 1997. – 56 с.

22. Ярушкина, Н. Г. Основы теории нечетких и гибридных систем : учеб. пособие / Н. Г. Ярушкина. – М. : Финансы и статистика, 2004. – 320 с.

IV. Вопросы к экзамену по дисциплине «Интеллектуальные информационные системы»

1. Основные понятия искусственного интеллекта.

2. Философские аспекты проблемы систем искусственного интеллекта (возможность существования, безопасность, полезность).

3. История развития систем искусственного интеллекта.

4. Основные подходы к построению систем искусственного интеллекта.

5. Архитектура и основные составные части систем искусственного интеллекта.

6. Структура и функции интеллектуальных информационных систем.

7. Разновидности интеллектуальных информационных систем.

8. Понятие образа. Проблема обучения распознаванию образов.

9. Геометрический и структурный подходы к распознаванию образов.

10. Гипотеза компактности представления образов.

11. Обучение и самообучение. Адаптация и обучение (основные понятия и проблемы).

12. Персептроны. Назначение, обобщенная схема, виды персептронов, принципы работы.

13. Основные теоремы о персептронах. Достоинства и недостатки персептонных систем.

14. Нейронные сети, основные понятия. История исследований в области нейронных сетей.

15. Модель нейронной сети с обратным распространением ошибки (back propagation).

16. Самообучаемые нейронные сети.

17. Нейронная сеть Хопфилда. Назначение, архитектура, принципы работы, достоинства и недостатки.

18. Нейронная сеть Хемминга. Назначение, архитектура, принципы работы, достоинства и недостатки.

19. Метод потенциальных функций при расчете параметров нейронных сетей.

20. Метод наименьших квадратов при расчете параметров нейронных сетей.

21. Общая схема построения алгоритмов метода группового учета аргументов (МГУА).

22. Метод ковариационно-квадратичного моделирования нейронных сетей.

23. Метод предельных упрощений.

24. Выбор коллективов решающих правил при расчете коэффициентов нейронных сетей.

25. Кластерный анализ структуры многомерных образов.

26. Классификационные процедуры иерархического типа.

27. Общая характеристика алгоритмических моделей реализации неформальных процедур, недостатки алгоритмического подхода.

28. Продукционные модели реализации неформальных процедур. Назначение, преимущества и недостатки классических продукционных моделей.

29. Режим возвратов при использовании продукционных моделей.

30. Продукционные системы с логическим выводом, назначение, преимущества и недостатки.

31. Продукционные системы с исключениями, их преимущества.

32. История возникновения и развития языка логического программирования "Пролог". Области применения Пролога. Преимущества и недостатки языка Пролог.

33. Хорновские дизъюнкты. Принцип резолюций. Алгоритм унификации.

34. Процедура доказательства теорем методом резолюций для хорновских дизъюнктов.

35. Основные понятия Пролога. Предложения: факты и правила. Цели внутренние и внешние. Отношения (предикаты). Переменные свободные и связанные. Анонимная переменная.

36. Процедура отсечения. "Зеленые" и "красные" отсечения.

37. Семантические модели Пролога: декларативная и процедурная.

38. Рекурсия. Достоинства и недостатки рекурсии. Хвостовая рекурсия. Организация циклов на основе рекурсии. Вычисление факториала.

39. Структура программы на Прологе.

40. Домены: стандартные, списковые, составные. Альтернативные домены.

41. Управление выполнением программ на Прологе.

42. Метод поиска в глубину. Откат после неудачи. Отсечение и откат. Метод поиска, определяемый пользователем.

43. Списки. Рекурсивное определение списка. Операции над списками.

44. Сортировка списков. Нахождение суммы элементов списка, среднего и минимального значений; алгоритмы сортировки списков: пузырьковый, выбором, вставкой, слиянием, быстрая сортировка.

45. Реализация множеств в Прологе. Операции над множествами: превращение списка во множество, принадлежность элемента множеству, объединение, пересечение, разность, включение, дополнение.

46. Применение Пролога в области искусственного интеллекта.

47. Основные направления развития интеллектуальных информационных систем.