Тема 2. Технологии разработки экспертных систем

Компоненты статической ЭС: база знаний, база данных, решатель, система объяснений, компоненты приобретения знаний, интерфейс с пользователем. Участники процесса проектирования: эксперты, инженеры по знаниям, программисты, конечные пользователи. Режимы работы ЭС: приобретения знаний, консультации. Динамическая ЭС: понятие, компоненты. Классификационные признаки экспертных систем. Тип приложения: изолированное, интегрированное, закрытое, открытое, централизованное, распределенное. Стадия существования: исследовательский прототип, действующий прототип, промышленная система, коммерческая система. Масштаб ЭС: малые, средние, большие, символьные. Тип проблемной среды: характеристика предметной области, характеристика задач). Тип решаемой задачи: интерпретация данных, диагностика, мониторинг, проектирование, прогнозирование, планирование, обучение, управление, поддержка принятия решений. Характеристика инструментальных средств. Уровень используемого языка: традиционные, специальные языки программирования, инструментальные средства, оболочки ЭС, проблемно/предметно-ориетированные оболочки и среды. Парадигмы программирования и механизмы реализации: процедурное программирование, программирование, ориентированное на данные, программирование, ориентированное на правила, объектно-ориетированное программирование. Способ представления знаний. Механизмы вывода и моделирования. Средства приобретения знаний. Технологии разработки приложений. Технология проектирования и разработки экспертных систем. Этапы создания. Три главных принципа проектирования ЭС. Требования для разработки ЭС. Концепция быстрого прототипа. Технология реализации ЭС: идентификация, концептуализация, формализация, выполнение, тестирование, опытная эксплуатация. Подходы проектирования ЭС: базирующийся на поверхностных знаниях, структурный, основанный на глубинных знаниях, смешанный.

Тема 3. Традиционные способы представления и обработки знаний в интеллектуальных системах

Отличия знаний от данных. Понятие данных и знаний. Способы наделения знаниями программных систем. Классификация знаний: декларативные, процедурные, фактуальные, эвристика (проблемные), правила, метазнания. Типичные модели представления знаний. Логическая модель представления знаний. Представление знаний правилами продукций. Объектно-ориентированное представление знаний фреймами. Модель семантической сети. Традиционные способы обработки знаний. Способы доказательства и вывода в логике: силлогизм, принципы дедуктивного вывода, семантический метод, синтаксический метод, правило подстановки, доказательство с введением допущения, приведение к противоречию, доказательство методом резолюции. Прямой и обратный вывод в экспертных системах продукционного типа. Основные компоненты системы продукционного типа: база правил, рабочая память, механизм вывода. Компонента вывода. Управляющая компонента. Примеры прямого и обратного вывода.

Тема 4. Нечеткие знания и способы их обработки

Виды нечеткости знаний, способы их устранения и(или) учета в интеллектуальных системах. Основные компоненты нечеткости: недетерминированность выводов, многозначность, ненадежность знаний и выводов, неполнота знаний и немонотонная логика, неточность знаний. Нечеткие множества и нечеткие выводы. Операции над нечеткими множествами: дополнения, объединения, пересечения. Нечеткие отношения. Композиция нечетких отношений. Нечеткие выводы. Программные средства для работы с нечеткими знаниями.

Тема 5. Методы приобретения знаний

Стратегии получения знаний. Аспекты извлечения знаний: психологический, лингвистический, гносеологический. Проблемы структурирования знаний. Структурный подход. Объектный подход. Объектно-структурный подход. Задачи структурирования знаний. Семиотический подход к приобретению знаний. Методы извлечения знаний. Коммуникативные методы: пассивные (наблюдение, протокол «мысли вслух», лекции) и активные (индивидуальные, групповые). Текстологические методы: анализ учебников, литературы, документов. Выявление «скрытых» структур знаний. Понятие скрытых (имплицитных) знаний. Методы выявления скрытых знаний: многомерного шкалирования, метафорический, репертуальных решеток. Построение баз знаний для ЭС диагностики. Задача классификации. Метод экспертной классификации. Проблемы обучения интеллектуальных систем. Классификация этапов обучения: получение информации без логических выводов, получение знаний извне, обучение по примерам, получение знаний на метауровне. Индуктивные методы в логике. Индуктивный вывод. Дедуктивный вывод. Гипотеза минимального обобщения.ДСМ-метод. Средства компьютерной поддержки приобретения знаний. Методы и средства интеллектуального анализа данных. Понятие интеллектуального анализа данных (DM&KDD). Информационное хранилище. Сжатие больших объемов данных. Математические методы и алгоритмы DM&KDD: классификация, кластеризация, регрессия, прогнозирование временных рядов, ассоциация, последовательность. Интеллектуальные средства DM&KDD: нейронные сети, деревья решений, индуктивные выводы, методы рассуждения по аналогии, нечеткие логические выводы, генетические алгоритмы, алгоритмы определения ассоциаций и последовательностей, анализ с изобретательным действием, логическая регрессия, эволюционное программирование, визуализация данных. Типовые задачи DM&KDD в области экономики и бизнеса.

Тема 6. Нейронные сети

Модель искусственного нейрона. Модели нейронных сетей. Построение нейронной сети. Обучение нейронных сетей. Способы реализации нейронных сетей. Практическое применение нейросетевых технологий.