Введение. Предмет дисциплины и ее задачи

Предмет дисциплины и ее задачи. Основные понятия искусственного интеллекта. Информационные системы, имитирующие творческие процессы.

Понятие интеллектуализации ЭВМ. Искусственный интеллект, технологии искусственного интеллекта. Основные понятия искусственного интеллекта. Понятие ИИС, как информационной системы, имитирующей творческие процессы, ее основные свойства и место в процессе принятия экономических и управленческих решений. Классификация ИИС. Формализация решения задач.

Структура и содержание дисциплины, ее связь с другими дисциплинами учебного плана и место в подготовке студентов СПбГИЭУ.

Тема 1. Модели представления знаний в ИИС

1.1. Понятие «знание» в искусственном интеллекте

Информация и данные. Информационные модели знаний.

Понятие «знание», основные свойства знаний и их отличие от данных. Понятие базы знаний и ее отличие от базы данных. Структура и классификация систем, основанных на знаниях. Классификация знаний. Интеллектуальные информационно-поисковые системы. Основные методы инженерии знаний.

Организация базы знаний. Декларативная и процедурная формы представления знаний. Методы представления знаний.

1.2. Основные модели представления знаний

Понятие модели представления знаний (МПЗ). Основные МПЗ, их особенности и области применения. Понятие вывода на знаниях.

Методы представления знаний в базах данных информационных систем.

1.3. Логическая МПЗ

Логико-лингвистические модели представления знаний. Логика первого порядка как формальная основа логической МПЗ. Метод Эрбрана и метод резолюций. Подстановки и унификации. Поиск ответов на вопросы.

1.4. Продукционная МПЗ

Системы интеллектуального интерфейса для информационных систем.

Формальная грамматика как способ представления знаний в продукционной МПЗ. Понятие и форма записи правил продукции. Синтаксические деревья, задачи разбора и вывода. Конечный автомат как вычислительный формализм продукционной МПЗ.

1.5. Фреймовая и сетевая МПЗ

Фреймовые модели. Модель прикладных процедур, реализующих правила обработки данных.

Понятие рекурсивной функции. S- и λ- выражения. Язык ЛИСП. Понятие фрейма и его реализация в символике ЛИСПа.

Функциональная семантическая сеть. Определение и способ задания семантической сети как реализации интегрированного представления данных, категорий типов данных, свойств категорий и операций над данными и категориями. Вывод в семантических сетях.

Тема 2. Экспертные системы

2.1. Основы построения экспертных систем

Концепция экспертной системы. Назначение и основные свойства. Обобщенная структура экспертной системы. Классификация экспертных систем и инструментальных средств их разработки.

Составные части экспертной системы: база знаний, механизм вывода, механизмы приобретения и объяснения знаний, интеллектуальный интерфейс.

Ограничения, присущие экспертным системам. Особенности экспертных систем экономического анализа.

Статические и динамические экспертные системы.

2.2. Технология разработки экспертных систем

Состав и взаимодействие участников построения и эксплуатации ЭС. Принципы разработки. Этапы проектирования экспертной системы: идентификация, концептуализация, формализация, реализация, тестирование, опытная эксплуатация. Содержание этапов проектирования. Участники процесса проектирования: эксперты, инженеры по знаниям, конечные пользователи.

Организация процесса приобретения и формализации знаний. Эксперт и инженер по знаниям: формы и порядок взаимодействия.

2.3. Разработка экспертных систем в среде ИНТЕРЭКСПЕРТ

Основные понятия системы ИНТЕРЭКСПЕРТ. Структура правила экспертной системы. Структура набора правил. Создание набора правил. Консультация с набором правил. Объяснение вывода.

Тема 3. Нечеткие знания

3.1. Понятие нечеткости знаний.

Нечеткий вывод знаний. Немонотонность вывода. Обработка нечетких знаний с использованием коэффициентов уверенности. Обработка нечетких множеств.

3.2. Неопределенность в экспертных системах

Проблемы неопределенности в экспертных системах. Классификация методов обработки неопределенности знаний. Теория субъективных вероятностей. Байесовское оценивание. Теорема Байеса как основа управления неопределенностью.

3.3. Нечеткие множества

Нечеткие множества в системах, основанных на знаниях. Лингвистические шкалы и нечеткие переменные. Функции принадлежности. Арифметические операции над нечеткими переменными. Системы нечеткого вывода. Обработка нечетких знаний в среде ИНТЕРЭКСПЕРТ.

Тема 4. Нейронные сети

4.1. Понятие нейронной сети

Биологические нейронные сети. Задачи, решаемые с помощью нейронных вычислений. История теории нейронных вычислений. Способы реализации.

4.2. Принципы организации и функционирования

искусственных нейронных сетей

Классификация законов и способов обучения. Архитектуры искусственных нейронных сетей. Простой и однослойный персептроны. Классификация линейно разделимых образов. Обучение персептрона.

4.3. Рекуррентные ассоциативные сети

Энергетическая функция рекуррентной сети. Сеть Хопфилда. Двунаправленная ассоциативная память. Машина Больцмана.

4.4. Сеть с обратным распространением ошибки

Задача преобразования данных. Закон обучения сети с обратным распространением ошибки. Проблемы обучения сетей преобразования данных. Применение многослойного персептрона для пространственно-временной обработки данных.

4.5. Сеть Кохонена

Обучение и функционирование сети Кохонена. Модификация весовых коэффициентов. Процедура конкуренции. Алгоритм обучения сети Кохонена.

Тема 5. Интеллектуальный анализ данных

5.1. Понятие интеллектуального анализа данных

Место интеллектуального анализа данных (ИАД) в ИИС. Описано возникновение, перспективы, проблемы ИАД. Сферы применения ИАД. Технология ИАД как на часть рынка информационных технологий. OLTP, хранилища и витрины данных, OLAP.

5.2. Методы и стадии ИАД

Основные стадии ИАД и действия, выполняемые в рамках этих стадий. Классификации методов ИАД. Сравнительная характеристика некоторых методов, основанная на их свойствах. Основная суть задач ИАД и их классификация. Сопоставление и сравнение понятий «информация» и «знания» в ИАД.

5.3. Задачи ИАД

Классификация и кластеризация: суть, процесс решения, методы решения, применение. Прогнозирование и визуализация: понятие временного ряда, его компоненты, параметры прогнозирования, виды прогнозов, визуализация данных. Основы анализа данных. Деревья решений: элементы дерева решения, процесс его построения. Метод опорных векторов, метод «ближайшего соседа» и байесовской классификации. Их преимущества и недостатки.

5.4. Процесс ИАД

Начальные этапы: процесс подготовки данных, понятия качества данных, грязных данных, этапы очистки данных. Очистка данных: классификации инструментов очистки и редактирования данных, основные функции инструментов очистки данных, классификация ошибок в данных, возникающие в результате использования средств очистки данных. Построение и использование модели данных: построение, проверка, оценка, выбора и коррекция моделей.

5.5. Организация создания и внедрения ИАД

Организационные факторы. Стандарты ИАД. ИАД-консалтинг, предоставление слуг по эффективному внедрению.

Заключение

Тенденции развития теории искусственного интеллекта.

Понятие интеллектуального агента. Основные направления исследований и архитектуры мультиагентных систем.

Перспективы развития ИИС и их применение в различных областях экономики и менеджмента.