Математические модели искусственного интеллекта

2019/2020

Учебный год

RUS

Обучение ведется на русском языке

3

Кредиты

Кто читает:

Департамент прикладной математики

Статус:

Курс по выбору

Когда читается:

3-й курс, 3 модуль

Преподаватель

Боголюбов Дмитрий Петрович

Программа дисциплины

Аннотация

Настоящая программа учебной дисциплины устанавливает минимальные требования к знаниям и умениям студента и определяет содержание и виды учебных занятий и отчетности. Программа предназначена для преподавателей и учебных ассистентов, ведущих данную дисциплину, а также студентов специальности 01.03.04 «Прикладная математика» (уровень « бакалавр»), изучающих дисциплину «Математические модели искусственного интеллекта»

Цель освоения дисциплины

• Целью освоения дисциплины «Математические модели искусственного интеллекта " является формирование устойчивых знаний и приобретение базовых умений и навыков в области математического моделирования интеллектуальных систем.

Планируемые результаты обучения

• Знать:  Современные направления ИИ;  Логические модели представления знаний;  Методы автоматизации дедуктивных рассуждений;  Модели представления знаний (продукционную, сетевую, фреймовую)  Модели представления неопределенных знаний и рассуждений в условиях неопределенности, в том числе вероятностный подход, основанный на байесовских сетях, Нечеткие модели, основанные на теории нечетких множеств и нечетком выводе;
• Знать: 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;  Теоретические основы создания «мягких» систем ИИ;  Архитектуру экспертных и мультиагентных систем;  Методы приобретения знаний
• Уметь: Использовать логические модели представления знаний, в том числе логику предикатов 1-го порядка и нечеткую логику при формализации задач; Применять методы автоматизации рассуждений, в том числе метод резолюций, для решения задач;  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 (или пакет Trajan);
• Владеть:  Методами логического программирования на языке Prolog для создания простых систем искусственного интеллекта;  Средствами инструментария нечеткой логики системы Matlab для моделирования нечеткой системы;  Средствами создания нейронных сетей различных типов в системе Matlab

Содержание учебной дисциплины

• Введение в инженерию знаний. Модели представления знаний
  Понятие инженерии знаний. Представление, обработка и приобретение знаний  Экспертные системы и базы знаний. Мягкие системы искусственного интеллекта.  Модели представления знаний.  Продукционные системы  Семантические сети и сети фреймов.  Формальные системы.
• Логическая модель представления знаний. Методы автоматизации дедуктивных рассуждений
  Логика предикатов первого порядка как формальная система.  Автоматизация дедуктивных рассуждений.  Приведение формулы логики предикатов к множеству дизъюнктов.  Алгоритм унификации.  Метод резолюций для исчисления предикатов первого порядка. Стратегии резолюции.  Классификация вопросов. Решение задач методом резолюций для вопросов классов A, B, C, D.  Языки ИИ. Логическое программирование. Язык Пролог
• Неопределенные знания и рассуждения в условиях неопределенности. Нечеткие системы
  Виды неполной информации при проектировании сложной системы  Действия в условиях неопределенности  Правило Байеса и его использование  Байесовская сеть. Вероятностный вывод в байесовских сетях  Вероятностный вывод во временных моделях  Статистические методы обучения  Основы теории нечетких множеств  Операция импликации  Законы нечеткой логики  Определение лингвистической переменной  Основные правила умозаключений  Универсальная аппроксимация с помощью систем нечеткого вывода  Схемы логического вывода  Введение в задачу нечеткого управления. Правила, импликация, заключения.  Накопление результатов и дефузификация.
• 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
• 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  Применимость генетических алгоритмов для задач оптимизации
• Экспертные и мультиагентные системы. «Мягкие» интеллектуальные системы
  Архитектура ЭС  Фазы разработки ЭС  Архитектура нечетких систем  Структуры гибридных систем  Нечеткие системы с генетической настройкой  Мягкая экспертная система. Примеры систем.  Понятие агента. Архитектуры агентов  Архитектура взаимодействия системы агентов
• Приобретение знаний
  Прямые методы приобретения знаний  Машинное обучение (с учителем и без учителя)  Интеллектуальный анализ данных - Data Mining

Элементы контроля

• Практические работы
  Решение контрольные заданий на ЭВМ во время семинарских занятий
• Контрольная работа 1
  7 неделя модуля
• Контрольная работа 2
  9 неделя модуля
• Самостоятельной работа
  Компьютерные тесты INTUIT.RU. Контрольное тестирование проводится на семинарских занятиях. При нарушении сроков сдачи на 1 семинар штрафной коэффициент равен 0.7. На 2 и более семинара – 0.5.
• Письменный экзамен
  Итоговый контроль состоит в сдаче устного экзамена с решением задач на ЭВМ. Вопросы, включаемые в экзаменационные билеты, охватывают темы дисциплины, которые обсуждаются на лекционных и семинарских занятиях и предусматривают как письменное решение задач, так и решение задач на языке Prolog и в среде MATLAB. Продолжительность экзамена составляет 60 минут.

Промежуточная аттестация

• Промежуточная аттестация (3 модуль)
  0.09 * Контрольная работа 1 + 0.09 * Контрольная работа 2 + 0.4 * Письменный экзамен + 0.18 * Практические работы + 0.24 * Самостоятельной работа

Список литературы

Рекомендуемая основная литература

• Алгоритмы искусственного интеллекта на языке PROLOG, Братко, И., Птицина, К. А., 2004

Рекомендуемая дополнительная литература

• Искусственный интеллект : стратегии и методы решения сложных проблем, Люгер, Дж. Ф., 2005
• Лекции по искусственному интеллекту, Осипов, Г. С., 2013
• Нейронные сети : полный курс, Хайкин, С., 2006
• Нейронные сети, генетические алгоритмы и нечеткие системы, Рутковская, Д., 2008