Системы искусственного интеллекта вопросы к экзамену

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.

Соседние файлы в предмете [НЕСОРТИРОВАННОЕ]

• #
• #
• #
• #
• #
• #
• #
• #
• #
• #
• #

05.06.2010 18:37

Похожие статьи:

< Предыдущая

Обновлено 02.12.2015 13:56

Categories:

• IT
• Наука
• Технологии
• Cancel

Список вопросов к экзамену по дисциплине «Системы искусственного интеллекта»

1. История развития СИИ. Характеристика 1 этапа.
2. История развития СИИ. Характеристика 2 этапа.
3. История развития СИИ. Характеристика 3 этапа.
4. Определение СИИ.
5. Основные черты традиционной технологии обработки информации.
6. Основная идея новой информационной технологии обработки данных и ее отличия от традиционной.
7. Структура вычислительной системы в новой информационной технологии.
8. Определение формальной теории как математической модели знаний в СИИ.
9. Исчисление высказываний как математическая модель знаний в СИИ. Характерные черты исчисления высказываний (алфавит и язык ИВ).
10. Исчисление высказываний как математическая модель знаний в СИИ. Теорема дедукции и ее использование при выводе.
11. Определение и перечень логических функций (одной и двух переменных).
12. Разложение логических функций по переменным. Торема разложения логических функций по переменным.
13. Представление логических функций в виде нормальных форм. ДНФ и КНФ.
14. Разложение логических функций по всем переменным. СДНФ, СКНФ.
15. Булева алгебра. Основные свойства булевых операций.
16. Булева алгебра. Эквивалентные преобразования в булевой алгебре.
17. Интерпретация формул исчисления высказываний и ее использование при выводе в СИИ.
18. Определение логического следствия в исчислении высказываний и его связь с выводимостью в СИИ.
19. Основные теоремы, определяющие логические следствия, и их применение в СИИ.
20. Определение исчисления предикатов и его отличие от исчисления высказываний.
21. Интерпретация формул исчисления предикатов и ее использование при выводе в СИИ.
22. Эквивалентные преобразования в исчислении предикатов и их использование в СИИ.
23. Нормальная форма в исчислении предикатов. Ее необходимость в СИИ и основная идея процедуры получения нормальной формы.
24. Доказательство теорем как основная процедура вывода на знаниях в СИИ. Семантический и формальный подходы к доказательству.
25. Скулемовские стандартные формы и их использование в СИИ.
26. Представление формул множеством дизъюнктов. Типы дизъюнктов.
27. Эрбрановский универсум и способы его получения.
28. Семантические деревья и способы их формирования.
29. Теорема Эрбрана и ее использование в процедурах вывода на знаниях в СИИ.
30. Сущность метода резолюций. Его применение для исчисления высказываний.
31. Правило резолюций и его применение при доказательстве теорем в СИИ.
32. Интеллектуальные информационные технологии (ИИТ). Основные направления развития аппарата знаний.
33. Интеллектуальные информационные технологии (ИИТ).Типы моделей представления знаний.
34. Интеллектуальные информационные технологии (ИИТ). Новое поколение приложений в ИИТ.
35. Этапы развития интеллектуальных информационных технологий.
36. Интеллектуальные информационные технологии (ИИТ). Специфические черты понятий «модель» и «алгоритм».
37. Модели представления знаний в СИИ. Основные термины и определения (предметная область, сущности, отношения, суждения, язык представления знаний).
38. Модели представления знаний в СИИ. Особенности знаний.
39. Модели представления знаний в СИИ. Виды моделей (логические, сетевые продукционные, фреймовые).
40. Экспертная система как типичный представитель СИИ. Важность экспертных систем.
41. Экспертные системы. Неформальные задачи, решаемые экспертными системами.
42. Экспертные системы. Причины, приведшие к успеху применения экспертных систем.
43. Статическая экспертная система. Определение и структура.
44. Динамическая экспертная система. Определение и структура.
45. Технология проектирования экспертных систем: перечень специалистов, участвующих в разработке; возможность, оправданность и соответствие решаемой задачи методам экспертных систем.
46. Технология разработки экспертных систем: основные этапы разработки.
47. Основные приложения СИИ (системы распознавания образов, системы понимания и синтеза предложений естественного языка, системы обработки изображений).
48. Состояние и тенденции развития СИИ.

Экзамен по Охтилеву начинается 13 июня в 10:00.

---

С этим файлом связано 1 файл(ов). Среди них: маркировка игл.docx.
Показать все связанные файлы

---

Подборка по базе: ОТВЕТЫ НА ВОПРОСЫ (30ВОПРОСОВ).docx, Бух учет вопросы.docx, Контрольные вопросы к зачету.docx, тестовые вопросы к разделу 5 экономика.docx, Физическая культура (ДО, ПНК, ПДО, 4 часть) тестовые вопросы к р, 1-30 вопросы диф зачета.docx, 1-30 вопросы диф зачета.docx, Ответы на вопросы. Педагогика.docx, Ответы на вопросы.docx, Тестовые вопросы к разделу 2.docx

---

«Интеллектуальные системы и технологии»

Вопросы к экзамену

1. Искусственный интеллект, понятие интеллектуальной информационной технологии.

Искусственный интеллект (ИИ) – это одно из направлений информатики, целью которого является разработка аппаратно-программных средств, позволяющих пользователю-непрограммисту ставить и решать свои, традиционно считающиеся интеллектуальными, задачи, общаясь с компьютером на ограниченном подмножестве естественного языка.

ИИ занимается изучением разумного поведения (у людей, животных и машин) и пытается найти способы моделирования подобного поведения в любом типе искусственно созданного механизма. Несмотря на то что термину больше полувека, единого определения его не существует.

Искусственный интеллект всегда был междисциплинарной наукой, являясь одновременно и наукой, и искусством, и техникой, и психологией. Методы искусственного интеллекта разнообразны.

Интеллектуальные информационные технологии (ИИТ) (англ. Intellectual information technology, IIT) – это информационные технологии, помогающие человеку ускорить анализ политической, экономической, социальной и технической ситуации, а также — синтез управленческих решений. При этом используемые методы не обязательно должны быть логически непротиворечивы или копировать процессы человеческого мышления.

1. Данные, знания, свойства знаний.

Данные – это информация, полученная в результате наблюдений или измерений отдельных свойств (атрибутов), характеризующих объекты, процессы и явления предметной области.

Знания (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.

Знания от данных отличаются рядом свойств:

− внутренняя интерпретируемость;

− структурированность;

− связность;

− семантическая метрика;

− активность.

1. Классификация знаний.

1. Декларативные и процедурные знания, модели представления знаний.

Декларативные знания содержат в себе представление о структуре понятий. Эти знания приближены к данным, фактам. Например, высшее учебное заведение есть совокупность факультетов, а каждый факультет в свою очередь есть совокупность кафедр.

Процедурные знания имеют активную природу. Они определяют представления о средствах и путях получения новых знаний, проверке знаний. Это алгоритмы разного рода. С развитием информатики все большая часть знаний сосредотачивалась в структурах данных (таблицы, списки, абстрактные типы данных), то есть увеличивалась роль декларативных.

Процедурные знания описывают последовательности действий, которые могут использоваться при решении задач. Это, например, программы для ЭВМ, словесные записи алгоритмов, инструкция по сборке некоторого изделия.

Декларативные знания — это все знания, не являющиеся процедурными, например статьи в толковых словарях и энциклопедиях, формулировки законов в физике, химии и других науках и т.п. В отличие от процедурных знаний, отвечающих на вопрос: «Как сделать X?», декларативные знания отвечают, скорее, на вопросы: «Что есть X?» или «Какие связи имеются между Х и Y?», «Почему X?» и т.д.

1. Логическая модель представления знаний.

Логическая модель представляет собой формальную систему в которой все знания о предметной области описываются в виде формул этого исчисления или правил вывода. Описание в виде формул дает возможность представить декларативные знания, а правила вывода — процедурные знания.

В логике предикатов факты обозначаются n-арными логическими функциями – предикатами F(x1, x2, …, xm), где F – имя предиката (функтор) и xi – аргументы предиката

Предикатом называется функция, принимающая два значения ИСТИНА и ЛОЖЬ – и предназначенная для выражения свойств объекта или связей между ними.

Имена предикатов неделимы, т.е. являются так называемыми атомами. Аргументы могут быть атомами или функциями f(x1, x2, …, xm), где f – имя функции, а x1, x2, …, xm, так же как и аргументы предикатов являются переменными или константами предметной области

1. Псевдофизические модели представления знаний.

Недостатки классической логики и основанной на ней логики предикатов первого порядка как метода представления знаний об окружающем мире привели к появлению псевдофизических логик. В их основе лежит представление нечетких или размытых понятий в виде так называемых лингвистических переменных, придуманных Заде для того, чтобы приблизить семантику (смысл) знака к семантике, которая вырабатывается в мозгу человека в процессе его обучения (опыта)

Для этого множество образов (десигнатов), с которыми должна оперировать интеллектуальная система, представляется в виде точек на шкалах. Например, можно рассматривать шкалы «возраст» (в годах), «расстояние до объекта» (в м или км) и т.п. С каждой шкалой связано множество знаковых значений лингвистической переменной. Например, со шкалой «возраст» могут быть связаны следующие значения одноименной лингвистической переменной: «юный», «молодой», «зрелый», «пожилой», «старый», «дряхлый». Со шкалой «расстояние» – «вплотную», «очень близко», «близко», «рядом», «недалеко», «далеко», «очень далеко». Взаимо-связь между этими двумя представлениями (множеством точек на шкале и множеством знаковых значений) задается с помощью функции принадлежности µx(t), где x – значение лингвистической переменной, t – значение на шкале.

На рисунке приведен пример описания лингвистической переменной возраст. Здесь каждая кривая описывает ее одно символьное значение.

Наиболее используемыми псевдофизическими логиками являются пространственная, временная и каузальная (причинно-следственная).

1. Сетевая модель представления знаний.

В основе сетевой модели лежит идея о том, что любые знания можно представить в виде совокупности объектов (понятий) и связей (отношений) между ними.

Известно, что любую конкретную ситуацию в реальном мире, всегда можно представить в виде совокупности взаимосвязанных понятий. Причем число базовых отношений не может быть бесконечным (оно заведомо меньше 300); все остальные отношения выражаются через базовые в виде их комбинаций. Эта гипотеза служит основой утверждения о том, что семантические сети являются универсальным средством для представления знаний в интеллектуальных системах.

Семантической сетью называется ориентированный граф с помеченными вершинами и дугами, где вершинам соответствуют конкретные объекты, дугам — отношения между ними.

Семантические сети являются весьма мощным средством представления знаний. Однако для них характерны неоднозначность представлений знаний и неоднородность связей.

В семантических сетях используются три основных типа объектов:

Понятия представляют собой сведения об абстрактных или конкретных (физических) объектах предметной области.

События — это действия, которые могут внести изменения в предметную область, т.е. изменить состояние предметной области.

Свойства используются для уточнения понятий и событий. Применительно к понятиям свойства описывают их особенности или характеристики, например — цвет, размер, качество. Применительно к событиям свойства — продолжительность, место, время и т.д.

Рассмотрим, например, текст, содержащий некоторые декларативные знания: «Слева от станка расположен приемный бункер. Расстояние до него равно двум метрам. Справа от станка — бункер готовой продукции. Он находится рядом со станком. Робот перемещается параллельно станку и бункерам на расстоянии 1 м».

Квантифицированные отношения – это логические кванторы общности и существования. Они используются для представления знаний типа: «любой студент должен посещать лабораторные занятия», «существует хотя бы один язык программирования, который должен знать любой выпускник НГТУ».

Экстенсиональная семантическая сеть (или К-сеть) содержит информацию о фактах, о конкретных объектах, событиях, действиях.

Интенсиональная семантическая сеть (или А-сеть) содержит информацию о закономерностях, потенциальных взаимосвязях между объектами, неизменяемую информацию об объектах, т.е. модель мира.

Экстенсиональные (конкретные) знания создаются и обновляются в процессе работы с банком данных, а интенсиональные (абстрактные) изменяются редко. Первые можно назвать экземпляром, а последние – моделью (схемой) базы данных.

Вопросы к зачету по курсу «Основы искусственного интеллекта»

для студентов 5 курса специальности «Математика» с дополнительной специальностью «Информатика

Предложите, как улучшить StudyLib

(Для жалоб на нарушения авторских прав, используйте

другую форму
)