Системы искусственного интеллекта, Воронов М.В., Пименов В.И., Небаев И.А., 2023

Системы искусственного интеллекта, Воронов М.В., Пименов В.И., Небаев И.А., 2023.
     
   В курсе рассматриваются вопросы, связанные с основами построения систем искусственного интеллекта, моделями и методологией вывода знаний, инструментами инженерии знаний, анализа данных и реализацией алгоритмов искусственного интеллекта на практике. Описаны концептуальные принципы реализации экспертных систем, нечеткой логики, искусственных нейронных сетей и т. д. Теоретический материал сопровождается обширным практикумом, решение задач которого демонстрируется как в рамках аналитической платформы, так и в форме программных реализаций на языке Python.
Соответствует актуальным требованиям федерального государственного образовательного стандарта высшего образования.
Для бакалавров и магистров, обучающихся по направлениям «Информатика и вычислительная техника», а также другим направлениям, связанным с разработкой новых информационных технологий и интеллектуальных систем.




Информация.
Окружающая нас материя (как категория, используемая для обозначения объективной реальности) состоит из вещества и энергии, которые предстают перед нами в виде материальных объектов.

Вещество (от слова вещь, объект) — вид существования материи, имеющей атомарно-молекулярную или плазменную структуру. Мерой вещества является масса. Каждая частица вещества имеет не равную нулю массу покоя. Вещество может существовать в различной комбинации его форм (жидкие, твердые, газообразные и их комбинации), включая живые формы.

Энергия (от греческого energeia — действие, деятельность) — вид существования материи, проявляющийся в движении и взаимодействии всех видов материи. Она является единой мерой различных форм движения материи и количественной мерой перехода материи из одних форм в другие. Тем самым понятие энергии позволяет связать воедино все явления природы.

ОГЛАВЛЕНИЕ.
Предисловие.
Раздел I. ЗНАНИЯ.
Тема 1. Основные понятия искусственного интеллекта.
1.1. Понятие.
1.2. Информация.
1.3. Интеллект.
1.4. Искусственный интеллект.
1.5. Экспертные системы.
1.6. Нейронные сети.
Тема 2. Модели знаний.
2.1. Данные и знания.
2.2. Классификация знаний.
2.3. Модели представления знаний.
2.3.1. Алгебраическая система как модель знаний.
2.3.2. Декларативные модели знаний (B = 〈A, C, R〉).
2.3.3. Процедурные модели знаний (H = 〈A, C, F〉).
2.3.4. Обобщенная процедурная модель.
2.3.5. Декларативно-процедурные модели.
2.4. Типовые формы представления знаний.
2.4.1. Логическая форма представления знаний.
2.4.2. Продукционная форма представления знаний.
2.4.3. Сетевые формы представления знаний.
2.4.4. Представление знаний в виде фреймов.
2.4.5. Представление знаний в виде онтологий.
Рекомендуемая литература к разделу I.
Раздел II. ВЫВОД ЗНАНИЙ.
Тема 3. Четкий вывод.
3.1. Проблемы и задачи.
3.2. Решение задач, представленных в пространстве состояний.
3.2.1. Классификация представленных в пространстве состояний задач.
3.2.2. О решении задач, заданных в пространстве состояний.
3.3. Метод сведения исходной задачи к подзадачам.
3.4. Решение логических задач методом прямого вывода.
3.5. Решение логических задач методом логического вывода.
3.6. Решение логических задач методом доказательства.
Тема 4. Вывод в условиях неопределенности.
4.1. Неопределенность.
4.2. Вывод знаний в условиях физической неопределенности.
4.3. Вывод в условиях нечеткости. Нечеткие множества.
4.3.1. Понятие нечеткого множества.
4.3.2. Операции над нечеткими множествами.
4.3.3. Нечеткие отношения.
4.3.4. Нечеткие и лингвистические переменные.
4.3.5. О построении функций принадлежности.
4.3.6. Основы нечеткой логики.
4.3.7. Элементы нечетких алгоритмов.
4.3.8. Вывод в условиях лингвистической неопределенности.
4.3.9. Обратный нечеткий логический вывод.
Рекомендуемая литература к разделу II.
Раздел III. ИНЖЕНЕРИЯ ЗНАНИЙ.
Тема 5. Методы извлечения знаний.
5.1. Прямой перенос знаний эксперта.
5.2. Технологии интеллектуального анализа данных.
5.3. Виды данных.
5.4. Классификация и кластеризация.
5.5. Машинное обучение.
5.5.1. Обучение с учителем (методы классификации).
5.5.2. Обучение без учителя (методы кластерного анализа).
5.5.3. Нейросетевая модель обучения.
5.5.4. Самоорганизующиеся карты признаков.
Тема 6. Инструменты разработки интеллектуальных систем для решения задач классификации и прогнозирования.
6.1. Инструменты анализа данных. Платформа Deductor.
6.2. Разработка систем, основанных на продукционной модели представления знаний.
6.2.1. Дерево решений.
6.2.2. Построение продукционных правил с помощью дерева решений (для номинальных данных).
6.2.3. Построение дерева решений на основе числовых данных.
6.2.4. Реализация дерева решений в среде разработки IDLE.
6.2.5. Реализация алгоритма Random Forest (расширение дерева решений).
6.2.6. Реализация экспертной системы.
6.3. Реализация модели классификации Байеса.
6.4. Построение нейросетевых моделей.
6.4.1. Построение нейросетевой модели классификации.
6.4.2. Построение нейросетевой модели прогнозирования.
6.4.3. Реализация нейросетевой модели.
6.5. Автоматическая классификация объектов.
6.5.1. Сегментация данных с использованием алгоритмов g-means и k-means.
6.5.2. Построение и анализ самоорганизующихся карт признаков.
6.6. Построение интерпретируемой модели прогнозирования (модели регрессии).
6.6.1. Селекция предикторов и построение модели прогнозирования.
6.6.2. Реализация интерпретируемой модели прогнозирования.
Рекомендуемая литература к разделу III.
Новые издания по дисциплине «Системы искусственного интеллекта» и смежным дисциплинам.

Купить .





Теги: учебник по информатике :: информатика :: компьютеры :: Воронов :: Пименов :: Небаев :: нейросеть