Если у вас возникли сложности с курсовой, контрольной, дипломной, рефератом, отчетом по практике, научно-исследовательской и любой другой работой - мы готовы помочь.
Предоплата всего
Подписываем
1 . Данные . Дайте определение , поясните отличие знаний от данных .
Данные - это информация ( факты ) характеризующая объекты , процессы и явления предметной области , а так же их свойства .
2 . Знания и их типы . Поясните отличие знаний от данных .
Знаниями являются не только факты , но и их описание . Поэтому знания называют структурными фактами . Знания могут быть получены на основе обработанных данных .
Знание ( с точки зрения представления знаний в интеллектуальных системах ) - это связи и закономерности предметной области ( принципы , модели , законы ) , полученные в результате практической деятельности и профессионального опыта , позволяющего специалистам ставить и решать задачи в данной области .
По типу представления знания делятся на факты и правила .
Факты - это знания типа « А - это А » , такие знания характерны для баз данных и модель семантических сетей .
Правила , или продукции , - это знания типа « если А , то Б » .
3 . Знания . Назовите основные модели представления знаний .
По типу представления знания делятся на факты и правила .
Факты - это знания типа « А - это А » , такие знания характерны для баз данных и модель семантических сетей .
Правила , или продукции , - это знания типа « если А , то Б » .
К модели ПЗ относится логическая , продукционная , фреймовая и семантическая сетевая модель .
4 . Поясните прямой и обратный вывод в экспертных системах .
Прямой вывод - от фактов к заключению .
В ЭС с прямым выводом по известным фактам основывается заключение , состоящие и этих фактов .
В экспертных системах с прямыми выводами по известным фактам отыскивается заключение , которое из этих фактов следует . Если такое заключение удается найти , оно заносится в рабочую память . Прямые выводы часто применяются в системах диагностики , их называют выводами , управляемыми данными .
Обратный вывод - от знаний к фактам .
В системах с обратным выводом вначале выдвигается некоторая гипотеза о конечном суждении , а затем механизм вывода пытается найти в рабочей памяти факты , которые могли бы подтвердить или опровергнуть выдвинутую гипотезу . Процесс отыскания необходимых фактов может включать достаточно большое число шагов , при этом возможно выдвижение новых гипотез ( целей ) . Обратные выводы управляются целями .
5 . Дайте определение понятию экспертная система .
Экспертными системами называют сложные программные комплексы , аккумулирующие знания специалистов в конкретных предметных областях и тиражирующие этот эмпирический опыт для консультаций менее квалифицированных пользователей .
6 . Поясните отличия ИИС от обычных программных систем .
Характеристика Программирование в ИИС Традиционное программ .
Тип обработки Символьный Числовой
Метод Эвристический поиск Точный алгоритм
Задание шагов решения Неявное Явное
Искомое решение Удовлетворяет Оптимальное
Управление и данные Смешанное Раздельное
Знания Неточные Точные
7 . Назовите и поясните основные компоненты статической ЭС .
1 . База знаний
2 . Рабочая память ( База данных )
3 . Решатель ( интерпретатор )
4 . Система объяснений .
5 . Компоненты приобретения знаний .
6 . Интерфейс пользователя .
База знаний ЭС предназначена для хранения долгосрочных данный , описывающих рассматриваемую предметную область , и правил , описывающих целесообразное преобразование знаний и предметной области .
База данных служит для хранения текущих данных решаемой задачи .
Решатель формулирует последовательность применения правил и осуществляет их обработку , используя данные из БД и знания из БЗ .
Система объяснений показывает каким образом система получила решение задачи и какие знания при это использовались .
8 . Назовите специалистов , которые привлекаются к разработке ЭС .
1 . Эксперт той проблемной области , к которой относятся задачи , решаемые ЭС .
2 . Инженеры по знаниям являющиеся специалистами по разработке ИИС .
3 . Программисты осуществляющие разработку ЭС .
9 . Назовите и поясните основные парадигмы программирования .
1 . Процедурное программирование .
2 . Программирование ориентированное на данные .
3 . Программирование ориентированное на
правила .
4 . Объектно - ориентированное программирование .
10 . Поясните сущность концепции обучения по примерам ИНС .
При построении ИИС не требуется заранее знать обо всех закономерностях исследуемой области , но необходимо располагать достаточным количеством примеров , для постройки разрабатываемой адаптированной системы , которая после обучения будет способна получать требуемые результаты , с определенной степенью достоверности .
11 . Дайте определение ИНС .
ИНС - это упрощённая модель биологического мозга , точнее нервных тканей .
Представляет собой совокупность искусственных нейронов . Каждый из которых обладает определенным количеством входов - дендритов , и единственным выходом - аксоном , разветвление которого подходит к синапсам , связанными с другими нейронами .
12 . Приведите схему кибернетической модели нейрона и дайте пояснения .
Потенциал нейронов определяется по формуле .
Взвешенная сумма , поступивших сигналов , преобразуется передаточной функцией F (P) в выходной сигнал нейрона .
Информация поступающая на вход нейрона суммируется с учетом коэффециентов Wi сигналов xi i=…n где n размерность простанства входных сигналов. Потонциал нейрона определяется по формуле P= Wi xi.
Вещественная сумма поступившых сигналов (потонциалов) преобразование с помощью передаточных функций f(p) в выходной сигнал Y(p) которые передается другому нейронам сети. Вид передаточный (активационный) ф-ии является важнейший характеристикой нейрона.
13 . Приведите графики функций переноса искусственных нейронов .
Пороговая функция пропускает информацию в том случае , если алгебраическая сумма входных сигналов превосходит некоторую непостоянную величину . Не обеспечивает достаточную гибкость при обучении .
Линейная функция легко вычисляет , но она не универсальна и не обеспечивает решение многих задач .
14 . Перечислите и охарактеризуйте этапы построения ИНС .
1 этап . Тщательный отбор входных данных , влияющих на ожидаемы результат . Для факторов , которые включаются в обучающую выборку целесообразно предварительно оценивать их значимость и фактор их возможного изменения .
2 этап . Преобразование исходных данных . Выбор представления информации .
3 этап . Конструирование ИНС . Проектирование архитектуры . Структура ИНС формируется до начала обучения , поэтому решение этой проблемы определяется опытом и искусством аналитика .
4 этап . Обучение сети .
5 этап . Тестирование полученной модели ИНС на независимой выборке примеров .
15 . Назовите и поясните парадигмы обучения ИНС .
1 . Обучение с учителем ( контролируемое )
При обучении с учителем все примеры обучающей выборки содержат правильные ответы , соответствующие исходным данным .
2 . Обучение без учителя ( неконтролируемое )
Это обучение используется , когда не для всех примеров известны правильные ответы .
3 . Смешанное .
16 . Назовите проблемы и недостатки применения ИНС .
1 . Необходимо как минимум 50 , а лучше 100 наблюдений . Это достаточно большое количество данных и они далеко не всегда доступны .
2 . Построение НС требует значительных затрат труда и времени для получения удовлетворительной модели .
3 . Чем лучше система адаптирована к конкретным условиям , тем меньше она способна к обобщению , и тем скорее может оказать неработоспособной , при изменении условий .
4 . Процесс решения задач НС является « непрозрачным » для пользователя , что может вызвать с его стороны недоверие к прогнозирующей способности сети .
5 . Прогнозирующая способность сети существенно снижается , если поступающие данные значительно отличаются от примеров , по которым она обучалась .
17 . Назовите основные направления эволюционного моделирования .
1 . Генетический алгоритм .
2 . Классификация систем , созданных на основе ГА .
3 . Генетическое программирование .
4 . Эволюционное программирование
5 . Эволюционные стратегии
18 . Дайте определение и раскройте сущность ГА .
Генетический алгоритм - поиск алгоритма , основанного на природе механизмов селекции и генетики . Этот алгоритм обеспечивает выживание сильнейших решений , формирующихся и изменяющихся в процессе поиска на основе модели эволюции исходных решений .
Генетические алгоритмы - адаптивные методы поиска , которые используются для решения задач функциональной оптимизации . Представляют собой своего рода модели машинного исследования поискового пространства , построенное на эволюционной метафоре . Характерные особенности : использование строк фиксированной длины для представления генетической информации , работа с популяцией строк , использование генетических
операторов для формирования будущих поколений .
19. Дайте определение и раскройте сущность ГП .
ГП - способ создания компьютерных программ для задач с не известными алгоритмами решения .
Совершенствование объекта происходит на основе отбора в соответствии с определенной функцией . Программа состоит из блоков , представляющих собой функции и термины . В качестве применяемых функций рассматриваются арифметические и логические , машинные и функции специального вида .
20 . Перечислите этапы технологии ГП .
1 . Формирование множества терминов , множества примитивных функций , синтаксических правил и критерия оценки создаваемых программ .
2 . На основе закона случайности создается начальная популяция программ , ориентированных на решение поставленной задачи .
3 . Каждая программа выполняется , а результат работы оценивается с помощь целевой функции .
4 . Формируется новая популяция программ , в которые сгенерированные программы могут попасть с вероятностью пропорциональной значению целевой функции .
5 . Реализуются операторы скрещивания и мутации . В результате репродукции осуществляется копирование уже созданных программ с хорошим значением целевой функции . Оператор скрещивания создает новые программы путём комбинирования фрагментов существующих программ . Мутация заключается в замене некоторого фрагмента программы случайно сгенерированным символьным выражением .
6 . Производится тестирование программ популяции и принимается решение о продолжении процесса эволюции . Продолжать генерацию новых популяций имеет смысл , тогда когда максимальное среднее значение целевой функции улучшается .
21 . Дайте определение агента и раскройте сущность МАС .
Под агентами подразумевают автономный искусственный объект ( комп. программу ) , обладающий активным мотивированным поведением и способный взаимодействовать с другими объектами в динамических виртуальных средах .
Понятие агента соответствует программно или аппаратно реализованной сущности , которая способна действовать в интересах достижения целей , поставленных перед ней владельцем или пользователем .
В мульти агентных системах множество автономных агентов действуют в интересах различных пользователей и взаимодействуют между собой в процессе решения определенных задач .
22 . Приведите классификацию агентных программ .
Для классификации используется два основных признака :
1 . Степень развития внутреннего представления о внешнем мире .
2 . Способ поведения .
По первому признаку выделяют интеллектуальные и реактивные агенты . Интеллектуальные агенты обладают хорошо развитой и пополняемой символьной моделью внешнего мира , благодаря наличию БЗ , механизмов рассуждения и анализа действий .
Реактивные агенты не имеют развитого представления о внешней среде . Они не используют механизм рассуждений и могут не иметь собственных ресурсов . Их поведение определяется целью , в соответствии с которой формируются реакции на предъявляемые ситуации .
23 . Перечислите свойства интеллектуальных агентов .
1 . Автономность - способность функционировать без вмешательства со стороны своего владельца и осуществлять контроль собственных действий и внутреннего состояния .
2 . Активность - способность к организации и реализации действий .
3 . Общительность - взаимодействие с другими объектами .
4 . Реактивность - адекватное восприятие состояния среды и реакция на её изменение .
5 . Целенаправленность . Наличие собственных источников мотивации .
6 . Наличие базовых знаний о среде .
7 . Убеждение - переменная часть базовых знаний , меняющихся во времени .
24 . Дайте определение интеллектуальной МАС .
МАС представляет собою множество интеллектуальных агентов , распределенных в сети , которые мигрируют по ней в поисках данных , знаний , процедур и кооперируются для достижения поставленных перед ними целей .
25 . Перечислите и поясните возможные архитектуры МАС .
1 . Архитектуры , основанные на методах работы со знаниями .
Для представления и обработки используются традиционные модели , методы и средства ИИС . Принятие решений осуществляется на основе механизмов формальных
рассуждений .
2 . Архитектуры , в которых используется поведение модели « стимул - реакция »
Называются реактивными . Не используются традиционные методы для ИИС символьная модель представления знаний .
3 . Гибридные архитектуры .
26 . Раскройте известные вам технологии проектирования МАС .
« Толстый клиент , тонкий сервер »
« Тонкий клиент , толстый сервер »
26. Придумайте и приведите содержательный пример ИАД.
ИАД (Data Mining) - мультидисциплинарная область, воз-
никшая и развивающаяся на базе таких наук как прикладная ста-
тистика, распознавание образов, искусственный интеллект, тео-
рия баз данных и т.д. ИАД - это процесс обнаружения в сырых
данных ранее неизвестных, нетривиальных, практически полез-
ных и доступных интерпретации знаний, необходимых для при-
нятия решений в различных сферах человеческой деятельности.
Суть и цель технологии ИАД можно охарактеризовать так:
это технология, которая предназначена для поиска в больших
объемах данных неочевидных, объективных и полезных на прак-
тике закономерностей.
Неочевидных - найденные закономерности не обнаружи-
ваются стандартными методами обработки информации или экс-
пертным путем.
Объективных - обнаруженные закономерности будут пол-
ностью соответствовать действительности, в отличие от эксперт-
ного мнения, которое всегда является субъективным.
Практически полезных - выводы имеют конкретное значе-
ние, которому можно найти практическое применение.
Различные инструменты ИАД имеют различную степень
"дружелюбности" интерфейса и требуют определенной квалифи-
кации пользователя. Поэтому программное обеспечение должно
соответствовать уровню подготовки пользователя. Использова-
ние ИАД должно быть неразрывно связано с повышением квали-
фикации пользователя. Однако специалистов по ИАД, которые
бы хорошо разбирались в бизнесе, пока еще мало
27 . Интеллектуальный анализ данных . Назовите известные вам области применения .
1) Торговля ;
2) Медицина ;
3) Банковское дело ;
4) Страховой бизнес ;
5) Телекомуникация ;
6) Промышленное производство ;
7) Интернет технологии ;
Классический пример применения интеллектуального анализа данных в банковском деле - решение задачи определения возможной некредитоспособности клиента банка . Эту задачу также называют анализом кредитоспособности клиента или « Выдавать ли кредит клиенту ? » .
Без применения технологии интеллектуального анализа данных задача решается сотруд ¬ никами банковского учреждения на основе их опыта , интуиции и субъ ¬ ективных представлений о том , какой клиент является благонадежным . По похожей схеме работают системы поддержки принятия решений и на основе методовData Mining. Такие системы на основе исторической ( ретроспективной ) информации и при помощи методов классификации выявляют клиентов , которые в прошлом не вернули кредит .
Задача « Выдавать ли кредит клиенту ? » При помощи методов интеллектуального анализа данных решается следующим образом . Совокупность клиентов банка раз ¬ бивается на два класса ( вернувшие и не вернувшие кредит ) ; на основе группы клиентов , не вернувших кредит , определяются основные « черты » потенциального неплательщика ; при поступлении информации о новом клиенте определяется его класс ( « вернет кредит », « не вернет кредит » ) .
28 . Перечислите задачи интеллектуального анализа данных .
- Классификация ;
- регрессия ;
- Поиск ассоциативных правил ;
- Кластиризация ;
1) С задачей классификации сводиться и определяется класс объекта по его характеру . В этом задачи множество классов в кот может быть отнесён объект известный заранее .
2) Задачи регрессии подобно задачам классификации позволяют определить по известным характиристикам объекта , значения некоторого объекта . В отличии от задач классификации значения параметра является не конечное множество классов а множество естественных чисел .
3) При поиске ассоциативных правил целью является нахождение частной зависимости между обьектами и событиями .
Найденые зависимости пред .... в виде правил и могут быть использованы как для улучшения понимания природы анализа данных так и для предсказания событий .
4) Задача кластиризации заключаются в поиске не зависимых групп ( кластеров ) и чтото характерно во всём множестве данных .
Решения этой задачи помогает лучше понять данные , кроме того груп обьектов помогает сократить их число , а с - во облегчить их анализ .
29 . Перечислите требования к добытым знаниям .
30 . Раскройте сущность описательных задач в интеллектуальный анализ данных.
Описательные (descriptive) задачи уделяют внимание улучшению понимания анализируемых данных. Ключевой момент в таких моделях — легкость и прозрачность результатов для восприятия человеком. Возможно, обнаруженные закономерности будут специфической чертой именно конкретных исследуемых данных и больше нигде не встретятся, но это все равно может быть полезно и потому должно быть известно. К такому виду задач относятся кластеризация и поиск ассоциативных правил.
31 . Раскройте сущность предсказательных задач в интеллектуальный анализ данных .
Решение предсказательных (predictive) задач разбивается на два этапа. На первом этапе на основании набора данных с известными результатами строится модель. На втором этапе она используется для предсказания результатов на основании новых наборов данных. При этом, естественно, требуется, чтобы построенные модели работали максимально точно. К данному виду задач относят задачи классификации и регрессии. Сюда можно отнести и задачи поиска ассоциативных правил, если результаты ее решения могут быть использованы для предсказания появления некоторых событий
32 . Приведите основные этапы ИАД .
– понимание и формулировка задачи анализа;
– подготовка данных для автоматизированного анализа (препроцессинг);
– применение методов Data Mining и построение моделей;
– проверка построенных моделей;
– интерпретация моделей человеком.
На первом этапе выполняется осмысление поставленной задачи и уточнение целей, которые должны быть достигнуты методами Data Mining. Важно правильно сформулировать цели и выбрать необходимые для их достижения методы, т. к. от этого зависит дальнейшая эффективность всего процесса.
Второй этап состоит в приведении данных к форме, пригодной для применения конкретных методов Data Mining. Вид преобразований, совершаемых над данными, во многом зависит от используемых методов, выбранных на предыдущем этапе.
Третий этап — это собственно применение методов Data Mining. Сценарии этого применения могут быть самыми различными и включать сложную комбинацию разных методов, особенно если используемые методы позволяют проанализировать данные с разных точек зрения.
Следующий этап — проверка построенных моделей. Очень простой и часто используемый способ заключается в том, что все имеющиеся данные, которые необходимо анализировать, разбиваются на две группы. Как правило, одна из них большего размера, другая — меньшего. На большей группе, применяя те или иные методы Data Mining, получают модели, а на меньшей — проверяют их. По разнице в точности между тестовой и обучающей группами можно судить об адекватности построенной модели.
Последний этап — интерпретация полученных моделей человеком в целях их использования для принятия решений, добавление получившихся правил и зависимостей в базы знаний и т. д. Этот этап часто подразумевает использование методов, находящихся на стыке технологии Data Mining и технологии экспертных систем. От того, насколько эффективным он будет, в значительной степени зависит успех решения поставленной задачи.
23.