birmaga.ru
добавить свой файл

1
Основы искусственного интеллекта

1. Государственный образовательный стандарт
Основные направления исследований в области искусственного интеллекта. Система знаний. Модели представления знаний: логическая, сетевая, фреймовая, продукционная. Понятие об экспертной системе (ЭС). Общая характеристика ЭС. Виды ЭС и типы решаемых задач. Структура и режимы использования ЭС. Классификация инструментальных средств ЭС и организация знаний в ЭС. Интеллектуальные информационные ЭС. Представление о логическом программировании. Представление знаний о предметной области в виде фактов и правил базы знаний Пролога. Дескриптивный, процедурный и машинный смысл программы на Прологе. Рекурсия и структуры данных в программах на Прологе. Представление о функциональном программировании.
2. Контрольно-измерительные материалы

Теоретические задания


  1. Какая философская проблема существует в области искусственного интеллекта? Какие доводы приводят философы?

  2. Перечислите области применения систем искусственного интеллекта.

  3. Какими достоинствами обладает экспертная система?

  4. Перечислите области применения экспертных систем.

  5. Для каких типов задач не рекомендуется применять экспертные системы?

  6. Чем отличаются по архитектуре динамическая и статическая экспертные системы?

  7. Перечислите области применения речевого интерфейса.

  8. Перечислите недостатки речевого интерфейса.

  9. Что такое искусственный нейрон?

  10. Работа нейронной сети разделяется на обучение и адаптацию. Что понимается под обучением?

  11. Алгоритм обучения нейронной сети с помощью процедуры обратного распространения подразумевает наличие некоего внешнего звена, предоставляющего сети кроме входных также и целевые выходные образы. Алгоритмы, пользующиеся подобной концепцией, называются…

  12. Что делает обучение без учителя привлекательным?
  13. Какие причины способствовали приведению системы искусственного интеллекта к коммерческому успеху?



Практические задания
Создайте следующую базу данных и ответьте на запросы.

Условие: смотри схему1.
Схема 1



Запросы.
Примеры запросов:

  1. Выясните, является ли Мурка кошкой.

  2. Кем является Мурка?

  3. Выведите свойства слона по имени Джина.

4. Выведите свойства слона по имени Катя.

5. Выведите свойства Мурки как млекопитающего.

  1. Выведите свойства кошки Мурки.

7. Выведите имена слонов.

  1. Какой слон живет в Пермском зоопарке?

  2. Сколько лет Кате?

  3. Какого цвета Пушинка?


Ответы к теоретическим заданиям

Ответы на вопрос 1.

Возможность или невозможность моделирования мышления человека. Попробуем привести несколько соображений, которые подводят нас к данному ответу.

1. Первое доказательство является схоластическим и доказывает непротиворечивость искусственного интеллекта и Библии. По-видимому, даже далекие от религии люди знают слова священного писания: «И создал Господь человека по образу и подобию своему…». Исходя из этих слов, мы можем заключить, что поскольку Господь, во-первых, создал нас, а во-вторых, мы по своей сути подобны ему, то мы вполне можем создать кого-то по образу и подобию человека.

2. Создание нового разума биологическим путем – для человека дело вполне привычное. Наблюдая за детьми, мы видим, что большую часть знаний они приобретают путем обучения, а не как заложенную в них заранее. Данное утверждение на современном уровне не доказано, но по внешним признакам все выглядит именно так.

3. То, что раньше казалось вершиной человеческого творчества – игра в шахматы, шашки, распознавание зрительных и звуковых образов, синтез новых технических решений, – на практике оказалось не таким уж сложным делом (теперь работа ведется не на уровне возможности или невозможности реализации перечисленного, а о нахождении наиболее оптимального алгоритма). Теперь зачастую данные проблемы даже не относят к проблемам искусственного интеллекта. Есть надежда, что и полное моделирование мышления человека окажется не таким уж и сложным делом.


4. С проблемой воспроизведения своего мышления тесно смыкается проблема возможности самовоспроизведения.

Ответ на вопрос 2.

Область применения систем искусственного интеллекта:


  • Доказательства теорем;

  • Игры;

  • Распознавание образов;

  • Принятие решений;

  • Адаптивное программирование;

  • Сочинение машинной музыки;

  • Обработка данных на естественном языке;

  • Обучающиеся сети (нейросети);

  • Вербальные концептуальные обучения.


Ответ на вопрос 3.

Главным достоинством экспертных систем является возможность накопления знаний и сохранение их длительное время.
Ответ на вопрос 4.

Области применения экспертных систем.

    • Медицинская диагностика;

    • Прогнозирование;

    • Планирование;

    • Интерпретация;

    • Контроль и управление;

    • Диагностика неисправностей в механических и электрических устройствах;

    • Обучение.


Ответ на вопрос 5.

Экспертные системы не рекомендуется применять для следующих типов задач:

    • Математических, решаемых обычным путем формальных преобразований;

    • Задач распознавания, поскольку в общем случае они решаются численными методами;

    • Задач, знания о методах решения которых отсутствуют.


Ответ на вопрос 6.

В архитектуру динамической экспертной системы (по сравнению со статической экспертной системой) вводятся два компонента: подсистема моделирования внешнего мира и подсистема связи с внешним окружением.
Ответ на вопрос 7.

Область применения речевого интерфейса.

Перевод текста;

Набор текста;

Сфера компьютерных игр;

Узкоспециализированные реабилитационные программы для инвалидов;


Телефонные и информационные системы.
Ответ на вопрос 8.

Недостатки речевого интерфейса.

Монотонность речи;

Четкое проговаривание слов текста;

Работа в звукоизолированном отдельном помещении.




Ответ на вопрос 9.

Биологический нейрон моделируется как устройство, имеющее несколько входов (дендриты) и один выход (аксон). Каждому входу ставится в соответствие некоторый весовой коэффициент (w), характеризующий пропускную способность канала и оценивающий степень влияния сигнала с этого входа на сигнал на выходе. В зависимости от конкретной реализации обрабатываемые нейроном сигналы могут быть аналоговыми или цифровыми (1 или 0). В теле нейрона происходит взвешенное суммирование входных возбуждений, и далее это значение является аргументом активационной функции нейрона, один из возможных вариантов которой представлен на рис. 1.






Рис. 1. Искусственный нейрон
Ответ на вопрос 10.
Работа нейронной сети разделяется на обучение и адаптацию. Под обучением понимается процесс адаптации сети к предъявляемым эталонным образцам путем модификации (в соответствии с тем или иным алгоритмом) весовых коэффициентов связей между нейронами. Этот процесс является результатом алгоритма функционирования сети, а не предварительно заложенных в нее знаний человека, как это часто бывает в системах искусственного интеллекта.
Ответ на вопрос 11.

Алгоритм обучения нейронной сети с помощью процедуры обратного распространения подразумевает наличие некоего внешнего звена, предоставляющего сети кроме входных также и целевые выходные образы. Алгоритмы, пользующиеся подобной концепцией, называются… алгоритмами обучения с учителем.
Ответ на вопрос 12.

Делает обучение без учителя привлекательным его «самостоятельность».

Ответ на вопрос 13.


К приведению системы искусственного интеллекта к коммерческому успеху способствовали:


  • Специализация;

  • Использование языков традиционного программирования и рабочих станций;

  • Интегрированность;

  • Открытость и переносимость;

  • Архитектура клиент/сервер.


Ответы к практическим заданиям

Код базы данных на языке Пролог.

Условие. Млекопитающее имеет следующие свойства: вскармливает детенышей молоком, дышит воздухом, имеет позвоночник. Слон – млекопитающее. Слон передвигается на 4 ногах. Кошка – млекопитающее. Слон передвигается на 4 ногах. Кошка ловит мышей. Кошка мурлыкает. Кошка втягивает когти. Мурка – кошка. Пушинка – кошка. Мурке 3 года. Мурка любит гулять по крыше. Пушинка цвета «Богатка». У слона есть бивни. У слона есть хобот. Катя – слон. Джина – слон. Катя – ребенок Джины. Кате 5 лет. Джина живет в Пермском зоопарке.

domains

type=symbol

list=type*

predicates

slon(type)

koshka(type)

mlecopit(type)

is(type,type)

cat_have_capability(type,type)

slon_have_capability(type,type)

have_capability(type,type)

have_part(type,type)

slon_have_part(type,type)

have_deti(type,type)

color(type,type)

age(type,integer)

member(type,list)

clauses

member(H,[H|T]).

member(H,[Y|T]):-member(H,T).
slon(«Катя»).

slon(«Джина»).

koshka(«Мурка»).

koshka(«Пушинка»).
is(X,»кошка»):-koshka(X).

is(X,»слон»):-slon(X).
mlecopit(X):-member(X,[«слон»,»кошка»]).

mlecopit(X):-is(X,Y), member(Y,[«слон»,»кошка»]).
have_capability(X,»Вскармливает детей молоком»):-mlecopit(X).

have_capability(X,»Дышит воздухом»):-mlecopit(X).

cat_have_capability(X,Y):-have_capability(X,Y).


cat_have_capability(X,»ловит мышей»):-koshka(X).

cat_have_capability(X,»мурлыкает»):-koshka(X).

cat_have_capability(X,»втягивает когти»):-koshka(X).

cat_have_capability(X,»передвигается на четырех ногах»):-koshka(X).

cat_have_capability(X,»любит гулять по крыше»):-koshka(X), X=«Мурка».
slon_have_capability(X,Y):-have_capability(X,Y).

slon_have_capability(X,»передвигается на четырех ногах»):-slon(X).

slon_have_capability(X,»живет в Пермском зоопарке»):-slon(X),X=«Джина».
slon_have_part(X,»Хобот»):-slon(X).

slon_have_part(X,»Бивни»):-slon(X).
have_part(X,»позвоночник»):-mlecopit(X).

have_deti(«Джина»,»Катя»).
age(«Катя»,5).

age(«Мурка»,3).

color(«Пушинка»,»Богатка»).
Ответы на запросы:


  1. Выясните, является ли Мурка кошкой.

Вопрос: Goal: is(«Мурка», «кошка»)

Ответ: да

  1. Кем является Мурка?

Вопрос: Goal: is(«Мурка»,X)

Ответ: кошка

  1. Выведите свойства слона по имени Джина.

Вопрос: Goal: slon_have_capability(«Джина»,X)

Ответ: X=Вскармливает детей молоком

X=Дышит воздухом

X= передвигается на четырех ногах

X= живет в Пермском зоопарке

4. Выведите свойства слона по имени Катя.

Вопрос: Goal: slon_have_capability(«Катя»,X)

Ответ: X= передвигается на четырех ногах

X=Вскармливает детей молоком

X=Дышит воздухом.

5. Выведите свойства Мурки как млекопитающего.

Вопрос: Goal: have_capability(«Мурка»,X)

Ответ: X=Вскармливает детей молоком

X=Дышит воздухом.

6. Выведите свойства кошки Мурки.

Вопрос: Goal: cat_have_capability(«Мурка»,X)

Ответ: X=Вскармливает детей молоком

X=Дышит воздухом

X=ловит мышей

X=мурлыкает

X=втягивает когти

X=передвигается на четырех ногах

X=любит гулять по крыше

7. Выведите имена слонов.

Вопрос: goal:slon(X)

Ответ: X=Катя

X=Джина


  1. Какой слон живет в Пермском зоопарке?

Вопрос: Goal: slon_have_capability (X, «живет в Пермском зоопарке»)

Ответ: X=Джина

  1. Сколько лет Кате?

Вопрос: Goal: age(«Катя»,A)

Ответ: A=5

  1. Какого цвета Пушинка?

Вопрос: Goal: color(_,A)

Ответ: A=Богатка
3. Процедура контроля
Теоретическая часть – письменная работа. Практическая часть – выполнение контрольных заданий на ПК с демонстрацией результатов. Контрольная работа по теоретической части оформляется на отдельном листе, письменно, и сдается преподавателю для проверки. Контрольная работа по практической части проводится в режиме персональной работы за компьютером. Созданные базы данных сохраняются на дискету, а ответы на запросы оформляются в письменном виде на отдельных листках. Дискета и лист с ответами сдаются преподавателю для проверки.
4. Время контроля
Время выполнения теоретических заданий составляет 1 академический час (45 минут). Время выполнения задания составляет 2 академических часа (90 минут).
5. Интерпретация результатов
Критерии оценки теоретической части:

- 5 баллов – выполнение 10 заданий.

- 4 балла – выполнение 8-9 заданий.

- 3 балла – выполнение 6-7 заданий.

- 2 балла – выполнение менее 6 заданий.

Критерии оценки практической части:

- 5 баллов – наличие базы данных и 9 правильных ответов на запросы.

- 4 балла – наличие базы данных и 7 правильных ответов на запросы.

- 3 балла – наличие базы данных и 3 правильных ответов на запросы.

- 2 балла – отсутствие базы данных или менее 3 правильных ответов.