нечеткая логика и нейронные сети
advertisement
ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ БЮДЖЕТНОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ ВЫСШЕГО ПРОФЕССИОНАЛЬНОГО ОБРАЗОВАНИЯ СТАВРОПОЛЬСКИЙ ГОСУДАРСТВЕННЫЙ АГРАРНЫЙ УНИВЕРСИТЕТ УТВЕРЖДАЮ Декан экономического факультета профессор Кусакина О.Н. « 1 » сентября РАБОЧАЯ ПРОГРАММА НЕЧЕТКАЯ ЛОГИКА И НЕЙРОННЫЕ СЕТИ наименование дисциплины 38.03.05– Бизнес-информатика направление подготовки Архитектура предприятия профиль(и) подготовки Бакалавр Квалификация (степень) выпускника Форма обучения очная Ставрополь, 2015 2015 г. 1. Цели освоения дисциплины - - Целями освоения дисциплины «Нечеткая логика и нейронные сети» являются: обучение методам и алгоритмам нечеткого представления и обработки экономических данных искусственными нейронными сетями; дать лабораторные навыки по использованию инструментальных средств для эмуляции сложных динамических процессов обучения нейросетевых структур и алгоритмов нечеткого вывода; овладение методами проектирования и разработки модулей информационных систем, использующих технологии нечеткой нейросетевой обработки экономической информации. 2. Место дисциплины в структуре ООП бакалавриата Дисциплина Б1.В.ОД.14 «Нечеткая логика и нейронные сети» относится к базовой части профессионального цикла вариативной части обязательных дисциплин. В процессе изучения дисциплины необходимы знания, умения и навыки, приобретённые при освоении дисциплин: математического цикла, такие как: знать: теоретические основы указанных дисциплин, необходимых для решения аналитических задач и проведения компьютерного моделирования; уметь: применять методы математических дисциплин для решения аналитических задач проведения компьютерного моделирования; владеть: навыками применения современного математического и компьютерного инструментария для построения, анализа и моделирования экономико-математических моделей; базовой части профессионального цикла (программирование — 3 семестр, инженерия знаний и интеллектуальные системы — 5 семестр), такие как: знать: методы анализа и моделирования бизнес-процессов, основы объектоориентированного программирования; уметь: моделировать, анализировать и совершенствовать процессы; анализировать результаты расчетов и обосновывать полученные выводы; владеть: методами и инструментальными средствами разработки программ. Полученные теоретические знания, практические умения используются: в дисциплине системы поддержки принятия решений; при выполнении выпускной квалификационной работы. 3. Компетенции обучающегося, формируемые в дисциплины «Нечеткая логика и нейронные сети»: результате освоения - владеет культурой мышления, способен к обобщению, анализу, восприятию информации, постановке цели и выбору путей ее достижения (ОК-1); формируется только часть указанной компетенции, соответствующая развитию способностей к обобщению, анализу и восприятию информации; знает методы обобщения и анализа информации; умеет: использовать информацию для обобщенного ее представления и анализа; владеет методикой обобщенного представления информации. - способен собрать и проанализировать исходные данные, необходимые для расчета экономических и социально-экономических показателей, характеризующих деятельность хозяйствующих субъектов (ПК-1); формируется только часть указанной компетенции, соответствующая анализу исходных данных для анализа данных; знает методы анализа данных; владеет методикой выбора существенных показателей и упрощенного их представления в виде математических моделей. - способен выбрать инструментальные средства для обработки экономических данных в соответствии с поставленной задачей, проанализировать результаты расчетов и обосновать полученные выводы (ПК-5); формируется только часть указанной компетенции, соответствующая выбору аналитических методов анализа данных и обоснованию полученных выводов; знает основные данных; умеет выбрать метод анализа данных на основе исходных данных и поставленной задачи, владеет методологией обоснования полученных выводов. - способен на основе описания экономических процессов и явлений строить стандартные теоретические и эконометрические модели, анализировать и содержательно интерпретировать полученные результаты (ПК-6); формируется только часть указанной компетенции, соответствующая интеллектуальному анализу данных и их содержательной интерпретации; знает методы построения теоретических и экономико-математических моделей анализа данных; умеет интерпретировать результаты экономико-математического моделирования; владеет методикой выбора существенных факторов при разработке систем поддержки принятия решений. - способен использовать для решения аналитических и исследовательских задач современные технические средства и информационные технологии (ПК-10); формируется только часть указанной компетенции, соответствующая использованию современных информационных технологий анализа данных; знает возможности отдельных компьютерных программ для решения задач такого типа; умеет выбрать метод расчетов при решении задач анализа данных; владеет методикой работы с аналитическими программами. В результате освоения дисциплины обучающийся должен: - Знать: основные понятия нечеткой логики, алгоритмы нечеткой вывода, возможные сферы их приложений, основы компьютерного моделирования нечетких, плохоформализованных объектов и явлений; основы компьютерного моделирования и применения нейронных сетей для обработки данных. - Уметь: решать задачи вычислительного и теоретического характера в области нечеткой логики, проводить компьютерную эмуляцию алгоритмов нечеткого вывода и обучения искусственных нейронных сетей; применять нечеткие нейронные сети для решения плохоформализованных экономических задач. - Владеть: методами компьютерного решения задач с использованием нейросетевых технологий обработки информации и нечеткой логики. 4. Структура и содержание дисциплины «Нечеткая логика и нейронные сети» Семестры 1 Трудоемкость по Госстандарту – из них: Экзамен – самостоятельная работа – аудиторные занятия – в том числе: лекции – лабораторные – семинарские – практические – 2 Семестры недель в семестре Форма контроля: экзамен зачет курсовая работа курсовой проект 2 1 3 3 4 4 5 5 8 Всего 216 6 90 7 126 54 36 54 36 36 108 72 18 18 12 24 30 42 6 16 7 18 8 Всего 18 + + + + + + УЧЕБНО-ТЕМАТИЧЕСКИЙ ПЛАН 3. Тема №2 Нечеткая логика Экзамен Итого 52 18 12 30 Отчет о выполнении лабораторных работ ПК-8, ПК10, ПК-11, ПК-13, ПК-15 Отчет о выполнении лабораторных работ ПК-8, ПК10, ПК-11, ПК-13, ПК-15 Сам. работа Лабораторные Практические - Коды формируемых компетенций 2. Тема №1 Модели нейронных сетей Формы текущего контроля успеваемости 1. Разделы (модули) дисциплины и темы занятий Лекции № пп Всего Количество часов (очная форма обучения) 56 20 - 16 20 36 216 44 2 44 36 126 СОДЕРЖАНИЕ ДИСЦИПЛИНЫ «НЕЧЕТКАЯ ЛОГИКА И НЕЙРОННЫЕ СЕТИ» 6.1 Лекционный курс Наименование раздела учебной дисциплины (модуля) Содержание Компьютеры и мозг. Биологический и формальный нейрон Персептрон, сигмоидальный нейрон. Типы нейронов Метод обратного распространения ошибки Нейронные сети радиально-базисных функций Вероятностная обобщённорегрессионная нейронные сети Нейронная Кохонена и сеть Самоорганизующаяся карта Кохонена Нейронная Хопфилда сеть Нейронная сеть Тема 1 Тема 1 Компьютеры и мозг: принципы обработки информации мозгом; мозг, компьютеры и нейрокомпьютеры; эволюция компьютеров. Биологический и формальный нейрон: биологические основы функционирования нейрона; математическая модель нейрона Мак-Калока и Питса. Персептрон, сигмоидальный нейрон: архитектура персептрона, модель сигмоидального нейрона, обучение персептрона и сигмоиадального нейрона. Нейрон типа “адалайн”, инстар и оутстар Гроссберга: структурная схема нейрона типа “адалайн; адаптивный подбор весовых коэффициентов. Нейроны типа WTA, модель нейрона Хебба: правила Видроу-Хоффа, недостатки метода; градиентные методы обучения нейрона. Модель нейрона Хебба: структурная схема нейрона Хебба, правило обучения, модифицированное правило Ойя; стохастическая модель нейрона. Метод обратного распространения ошибки: решение задач при помощи нейронных сетей, алгоритм обратного распространения ошибки Нейронные сети радиально-базисных функций: архитектура и правила задания RBF-сети, обучение RBF-сети, сравнение многослойного персептрона и RBF-сетей Вероятностная и обобщённо-регрессионная нейронные сети: архитектура и обучение вероятностной нейронной сети, структура и обучение обобщенно-регрессионной нейронной сети, классы решаемых задач Нейронная сеть Кохонена: соревновательный слой нейронов, алгоритм самообучения, сходимость процесса самообучения и негативные эффекты Самоорганизующаяся карта Кохонена: архитектура топографической карты, методика построения карты, выбор числа нейронов карты, интерпретации результатов построения карты Нейронная сеть Хопфилда: структурная схема нейронной сети Хопфилда, алгоритм функционирования нейронной сети Хопфилда Нейронная сеть Хэмминга: структура нейронной сети Всего часов 2 2 2 2 2 2 2 2 2 Хэмминга Гибридные нейронные сети Хэмминга, алгоритм функционирования сети Хэмминга Гибридные нейронные сети: основные понятия и определения гибридных сетей; алгоритмы обучения и использования гибридных сетей Тема 2 Нечеткие множества Понятие и классификация неопределенности. Основные понятия нечетких множеств. Нечеткие отношения Способы задания нечетких соответствий и отношений; и операции над ними композиция нечетких соответствий; операции над нечеткими соответствиями и отношениями; композиции нечетких отношений; нечеткие числа; нечеткая и лингвистическая переменная Нечеткая логика и Нечеткая логика и приближенные рассуждения; нечеткий вывод композиционное правило вывода Нечеткие выводы Алгоритм Мамдани, Цукамото, Сугено, Ларсена; упрощенный алгоритм нечеткого вывода; методы приведения к четкости; нисходящие нечеткие выводы Нечеткие системы Нечеткое моделирование; нечеткие контроллеры; нечеткого вывода моделирование нечетких систем логического вывода Итого: 2 2 2 2 2 2 44 6.2 Перечень практических занятий Наименование раздела учебной дисциплины (модуля) Наименование лабораторного занятия Знакомство с системой Турбо Пролог Тема №1 Главное меню системы Турбо-Пролог. Основные Жесткие модели команды редактирования. Использование предикатов для инженерии знаний работы с окнами. Всего часов 2 6.3 Перечень лабораторных занятий Наименование раздела учебной дисциплины (модуля) Тема №1 Модели сетей Наименование лабораторного занятия Gui-интерфейс для пакета Neural Networks Toolbox нейронных программной среды Matlab 7. Назначение и обзор: окно GUI-интерфейса пакета нейронных сетей, работа с инструментальными средствами GUI, обучение нейронной сети в GUI Изучение свойств линейного нейрона и линейной нейронной сети: краткие теоретические сведения, создание нейрона, выполняющего функцию логического И, ИЛИ; обучение нейрона классификации векторов на две категории; создание слоя линейных нейронов; изучение возможности линейного нейрона решать линейно несепарабельные задачи Применение нейронных сетей для аппроксимации функций и предсказания временного процесса: применение нейронных сетей для аппроксимации функций; применение нейросетей для предсказания временного процесса; этапы реализации нейросетевого подхода решения задачи Распознавание образов: создание компьютерной модели нейронной сети; обучение сети распознаванию образов; проверка эффективности функционирования сети Изучение радиальных базисных, сетей регрессии, вероятностных нейронных сетей: краткие теоретические сведения; создание и обучение нейронной сети регрессии; использование радиальной базисной сети для аппроксимации функций; пример решения аппроксимации функции двух переменных; Использование вероятностной НС для классификации векторов Исследование сети Кохонена и алгоритма обучения без учителя: краткие теоретические сведения, применение нейронной сети Кохонена для кластеризации, создание и Всего часов 2 2 2 2 2 2 Наименование раздела учебной дисциплины (модуля) Тема №2 Нечеткая логика Наименование лабораторного занятия использование соперничающего слоя в командном окне, применение SOM для кластеризации векторов Исследование сети Хопфилда: краткие теоретические сведения, создание нейронной сети Хопфилда, применение сети Хопфилда для распознавания зашумленных букв Нейро-нечеткое моделирование в среде Matlab: краткие теоретические сведения; гибридная сеть как адаптивная система нейро-нечеткого вывода; моделирование и реализация нейро-нечеткой сети в среде Matlab; синтез нейро-нечеткой сети в среде Matlab Пакет Fuzzy Logic Toolbox системы Matlab Построение нечеткой аппроксимирующей системы: назначение и возможности пакета Fuzzy Logic Toolbox, разработка нечеткой системы, отображающую зависимость между переменными x и у Формирование базы правил нечеткой системы моделирования нелинейной системы Знакомство с методологией нечеткого моделирования; описание заданной нелинейной функции множеством правил вида если-то; построение нечеткой аппроксимирующей системы; варианты задания нелинейной функции Исследование способов формирования нечетких множеств и операции над ними Функции принадлежности; операции с нечеткими множествами Работа Fuzzy Logic с блоками Simulink теоретическая часть; построение нечеткой модели с использованием блоков Simulink; демонстрационные примеры работы с пакетом Fuzzy Logic Toolbox Разработка интеллектуальной системы на основе нечетких знаний Задание нечетких функций принадлежности; задание правил вывода; получение отклика системы Идентификация нелинейных зависимостей Модели нечеткого логического вывода; нечеткая модель типа Mamdani; нечеткая модель типа Sugeno; нечеткая аппроксимация в системе Matlab; аппроксимация на основе модели Mamdani; идентификация на основе модели Sugeno Итого 6.4. Примерная тематика курсовых проектов (работ) Семестр №7: Всего часов 2 2 44 решение прикладных задач интеллектуальных систем с использованием языка ПРОЛОГ, статических экспертных систем, нейросетевых, нечетких, нейро-нечетких систем и генетических алгоритмов согласно своего варианта задания. № п/п № семестра Наименование раздела учебной дисциплины (модуля) Виды СРС Всего часов Тема №1 Жесткие модели инженерии знаний выполнение расчетнографических работ 20 2. Тема №2 Нечеткая логика выполнение расчетнографических работ 20 3. Тема №3 Модели нейронных сетей выполнение расчетнографических работ 30 4. Тема №4 Генетические алгоритмы и мультиагентные системы выполнение расчетнографических работ 20 1. 7 ИТОГО часов в семестре: 90 Коды формируемых компетенций 6.4. Самостоятельная работа студента ПК-8, ПК-10, ПК-11, ПК-13, ПК-15 ПК-8, ПК-10, ПК-11, ПК-13, ПК-15 ПК-8, ПК-10, ПК-11, ПК-13, ПК-15 ПК-8, ПК-10, ПК-11, ПК-13, ПК-15 Вид занятия Тема занятия Интерактивная форма лекционное Логические модели представления знаний интерактивная лекция лекционное Логический вывод на основе исчисления высказываний и предикатов интерактивная лекция лекционное Продукционные модели представления знаний интерактивная лекция лекционное Представление знаний на основе семантических сетей и фреймов интерактивная лекция лекционное интерактивная лекция Нечеткие множества лекционное Нечеткие отношения и операции над ними лекционное Нечеткая логика нечеткий вывод лекционное Нечеткие выводы лекционное Нечеткие системы нечеткого вывода и лекционное Компьютеры и мозг. Биологический и формальный нейрон Персептрон, сигмоидальный нейрон. Типы нейронов Метод обратного распространения ошибки лекционное Нейронные сети лекционное лекционное интерактивная лекция интерактивная лекция интерактивная лекция интерактивная лекция интерактивная лекция интерактивная лекция интерактивная лекция интерактивная Объем, ауд. часов/в том числе в интерактив ной форме Коды формируемых компетенций 6.5. Образовательные технологии ПК-10, ПК11, ПК-13, ПК-15 ПК-10, ПК11, ПК-13, ПК-15 ПК-8, ПК10, ПК-11, ПК-13, ПК15 ПК-8, ПК10, ПК-11, ПК-13, ПК15 ПК-8, ПК10, ПК-11, ПК-13, ПК15 ПК-8, ПК10, ПК-11, ПК-13, ПК15 ПК-10, ПК11, ПК-13, ПК-15 ПК-10, ПК11, ПК-13, ПК-15 ПК-10, ПК11, ПК-13, ПК-15 ПК-10, ПК11, ПК-13, ПК-15 ПК-10, ПК11, ПК-13, ПК-15 ПК-10, ПК11, ПК-13, ПК-15 ПК-10, ПК- лекционное радиально-базисных функций Вероятностная и обобщённорегрессионная нейронные сети Нейронная сеть Кохонена лекционное Самоорганизующаяся карта Кохонена интерактивная лекция лекционное Нейронная сеть Хопфилда интерактивная лекция лекционное Нейронная сеть Хэмминга интерактивная лекция лекционное Гибридные нейронные сети интерактивная лекция лекционное лекция интерактивная лекция интерактивная лекция лекционное Основные понятия интерактивная генетических алгоритмов лекция лекционное Работа генетического интерактивная алгоритма лекция лекционное Мультиагентные системы интерактивная лекция практическое Знакомство с системой Турбо Пролог лабораторное Общие сведения об языке логического программирования лабораторное Арифметика Пролог лабораторное Списки лабораторное лабораторное лабораторное в Турбо проблемное обучение проблемное обучение проблемное обучение проблемное обучение Решение логических задач с помощью Турбо Пролог Создание простейших проектов в среде Visual Prolog проблемное обучение Пакет Fuzzy Logic Toolbox системы Matlab проблемное обучение проблемное обучение 11, ПК-13, ПК-15 ПК-10, ПК11, ПК-13, ПК-15 ПК-10, ПК11, ПК-13, ПК-15 ПК-10, ПК11, ПК-13, ПК-15 ПК-10, ПК11, ПК-13, ПК-15 ПК-10, ПК11, ПК-13, ПК-15 ПК-10, ПК11, ПК-13, ПК-15 ПК-10, ПК11, ПК-13, ПК-15 ПК-10, ПК11, ПК-13, ПК-15 ПК-10, ПК11, ПК-13, ПК-15 ПК-10, ПК11, ПК-13, ПК-15 ПК-10, ПК11, ПК-13, ПК-15 ПК-10, ПК11, ПК-13, ПК-15 ПК-10, ПК11, ПК-13, ПК-15 ПК-10, ПК11, ПК-13, ПК-15 ПК-10, ПК11, ПК-13, ПК-15 ПК-10, ПК11, ПК-13, лабораторное лабораторное лабораторное лабораторное лабораторное лабораторное лабораторное лабораторное лабораторное лабораторное лабораторное лабораторное лабораторное лабораторное Формирование базы правил нечеткой системы моделирования нелинейной системы Исследование способов формирования нечетких множеств и операции над ними Работа Fuzzy Logic с блоками Simulink Разработка интеллектуальной системы на основе нечетких знаний Идентификация нелинейных зависимостей Gui-интерфейс для пакета Neural Networks Toolbox программной среды Matlab 7 Изучение свойств линейного нейрона и линейной нейронной сети Применение нейронных сетей для аппроксимации функций и предсказания временного процесса Распознавание образов Изучение радиальных базисных, сетей регрессии, вероятностных нейронных сетей Исследование сети Кохонена и алгоритма обучения без учителя Исследование Хопфилда сети Нейро-нечеткое моделирование в среде Matlab Знакомство с Direct Search Toolbox Matlab проблемное обучение ПК-15 ПК-10, ПК11, ПК-13, ПК-15 проблемное обучение ПК-10, ПК11, ПК-13, ПК-15 проблемное обучение ПК-10, ПК11, ПК-13, ПК-15 ПК-10, ПК11, ПК-13, ПК-15 проблемное обучение проблемное обучение проблемное обучение ПК-10, ПК11, ПК-13, ПК-15 ПК-10, ПК11, ПК-13, ПК-15 проблемное обучение ПК-10, ПК11, ПК-13, ПК-15 проблемное обучение ПК-10, ПК11, ПК-13, ПК-15 проблемное обучение ПК-10, ПК11, ПК-13, ПК-15 ПК-10, ПК11, ПК-13, ПК-15 проблемное обучение проблемное обучение проблемное обучение проблемное обучение проблемное обучение ПК-10, ПК11, ПК-13, ПК-15 ПК-10, ПК11, ПК-13, ПК-15 ПК-10, ПК11, ПК-13, ПК-15 ПК-10, ПК11, ПК-13, лабораторное лабораторное Итого: Поиск экстремумов функции нескольких переменных с помощью генетических алгоритмов Поиск экстремума многоэкстремальных целевых функции проблемное обучение ПК-15 ПК-10, ПК11, ПК-13, ПК-15 проблемное обучение ПК-10, ПК11, ПК-13, ПК-15 90 7. Перечень учебно-методического обеспечения для самостоятельной работы обучающихся по дисциплине (модулю) Перечень методических разработок для организации самостоятельной работы: 1. Лабораторный практикум (размещен в личном кабинете). 2. Аведьян Э.Д., Галушкин А.И., Червяков Н.И., Сахнюк П.А. Нейросетевые технологии обработки информации: учебное пособие. – Ставрополь: Изд-во СКФУ, 2013. – 292 с. (размещено в личном кабинете). 3. Сахнюк П.А. Интеллектуальные системы и технологии / Учебное пособие. – Ставрополь: «Агрус». 2012. – 268 с. (размещено в личном кабинете). Контрольные вопросы для контроля самостоятельной работы обучающегося по отдельным разделам дисциплины: Тема 1: 1. Проблема представления знаний 2. Логические модели представления знаний 3. Логический вывод на основе исчисления высказываний и предикатов 4. Общие сведения об языке логического программирования ПРОЛОГ 5. Термы и объекты. Факты 6. Запросы к базе данных. Унификация 7. Правила. Рекурсивные процедуры 8. Базы знаний 9. Арифметика в Турбо Пролог. Списки 10. Управление логическим выводом в программах 11. Применение рекурсии для обработки списков 12. Продукционные модели представления знаний 13. Логико-лингвистические и функциональные семантические сети 14. Вывод в семантической сети 15. Представление знаний в виде фреймов 16. Вывод в сети фреймов Тема 2: 1. Применение теории нечетких множеств при формализации лингвистической неопределенности и нечетких знаний 2. Функция принадлежности нечеткого множества 3. Нечеткие отношения 4. Нечеткая и лингвистическая переменные 5. Операции с нечеткими множествами 6. Лингвистические критерии и отношения предпочтения 7. Нечеткая алгебра как расширение булевой 8. Нечеткие высказывания и операции над ними 9. Нечеткие множества. Основные свойства нечетких множеств 10. Понятие нечеткой и лингвистической переменной. 11. Нечеткие числа. Операции над нечеткими числами 12. Сравнение нечетких чисел 13. Лингвистические неопределенности 14. Вычисление значений лингвистических переменных 15. Нечеткие отношения 16. Операции над нечеткими отношениями 17. Свойства нечетких отношений 18. Способы определения нечеткой импликации 19. Специальные типы нечетких отношений 20. Композиции нечетких соответствий 21. Алгоритм Мамдами 22. Алгоритм Цукамото 23. Алгоритм Сугено 24. Алгоритм Ларсена 25. Упрощенный алгоритм нечеткого вывода 26. Методы приведения к четкости 27. Нисходящие нечеткие выводы 28. Механизмы логического вывода 29. Нечеткое моделирование 30. Нечеткие контроллеры 31. Моделирование нечетких систем логического вывода Тема 3: 1. Возможности мозга по обработке информации 2. Градиентные алгоритмы обучения 3. Биологические основы функционирования нейрона, базовая модель нейрона 4. Обучение нейронной сети на основе самоорганизации 5. Нейронные сети с радиальными базисными функциями (RBF) 6. Структура и метод обучения сети Хопфилда 7. Биологические основы функционирования нейрона, базовая модель нейрона 8. Создание слоя линейных нейронов 9. Парадигмы нейрокомпьютинга 10. Сети Кохонена 11. Структура и метод обучения сети Хопфилда 12. Классификация базовых нейроархитектур 13. Персептроны их возможности 14. Обучение с обратным распространением ошибки 15. Обучение без учителя. Прототипы задач 16. Персептроны их возможности 17. Хеббовское обучение 18. Создание слоя линейных нейронов 19. Сети Кохонена 20. Обучение с обратным распространением ошибки. 21. Создания нейронной сети Хопфилда 22. Обучение нейронной сети на основе самоорганизации 23. Нечеткие нейронные сети Тема 4: 1. Кодирование пространства поиска 2. Начальная популяция 3. Оценка приспособленности 4. Оператор отбора (селекции) 5. Оператор скрещивания 6. Оператор мутаций 7. Критерии останова 8. Основные понятия теории агентов. 9. Свойства интеллектуальных агентов. 10. Агенты в распределенных компьютерных системах. 11. Поисковые мультиагентные системы 8. Фонд оценочных средств для текущего контроля успеваемости и проведения промежуточной аттестации обучающихся по дисциплине (модулю) (разрабатывается в соответствии с «Положением о фонде оценочных средств»). Формы промежуточного контроля: решение индивидуальных заданий, защита отчетов о выполнении лабораторных работ, защита курсового проекта, экзамен. Контрольные вопросы для подготовки к экзамену по дисциплине 1. Проблема представления знаний 2. Логические модели представления знаний 3. Логический вывод на основе исчисления высказываний и предикатов 4. Общие сведения об языке логического программирования ПРОЛОГ 5. Термы и объекты. Факты 6. Запросы к базе данных. Унификация 7. Правила. Рекурсивные процедуры 8. Базы знаний 9. Арифметика в Турбо Пролог. Списки 10. Управление логическим выводом в программах 11. Применение рекурсии для обработки списков 12. Продукционные модели представления знаний 13. Логико-лингвистические и функциональные семантические сети 14. Вывод в семантической сети 15. Представление знаний в виде фреймов 16. Вывод в сети фреймов 17. Применение теории нечетких множеств при формализации лингвистической неопределенности и нечетких знаний 18. Функция принадлежности нечеткого множества 19. Нечеткие отношения 20. Нечеткая и лингвистическая переменные 21. Операции с нечеткими множествами 22. Лингвистические критерии и отношения предпочтения 23. Нечеткая алгебра как расширение булевой 24. Нечеткие высказывания и операции над ними 25. Нечеткие множества. Основные свойства нечетких множеств 26. Понятие нечеткой и лингвистической переменной. 27. Нечеткие числа. Операции над нечеткими числами 28. Сравнение нечетких чисел 29. Лингвистические неопределенности 30. Вычисление значений лингвистических переменных 31. Нечеткие отношения 32. Операции над нечеткими отношениями 33. Свойства нечетких отношений 34. Способы определения нечеткой импликации 35. Специальные типы нечетких отношений 36. Композиции нечетких соответствий 37. Алгоритм Мамдами 38. Алгоритм Цукамото 39. Алгоритм Сугено 40. Алгоритм Ларсена 41. Упрощенный алгоритм нечеткого вывода 42. Методы приведения к четкости 43. Нисходящие нечеткие выводы 44. Механизмы логического вывода 45. Нечеткое моделирование 46. Нечеткие контроллеры 47. Моделирование нечетких систем логического вывода 48. Возможности мозга по обработке информации 49. Градиентные алгоритмы обучения 50. Биологические основы функционирования нейрона, базовая модель нейрона 51. Обучение нейронной сети на основе самоорганизации 52. Нейронные сети с радиальными базисными функциями (RBF) 53. Структура и метод обучения сети Хопфилда 54. Биологические основы функционирования нейрона, базовая модель нейрона 55. Создание слоя линейных нейронов 56. Парадигмы нейрокомпьютинга 57. Сети Кохонена 58. Структура и метод обучения сети Хопфилда 59. Классификация базовых нейроархитектур 60. Персептроны их возможности 61. Обучение с обратным распространением ошибки 62. Обучение без учителя. Прототипы задач 63. Персептроны их возможности 64. Хеббовское обучение 65. Создание слоя линейных нейронов 66. Сети Кохонена 67. Обучение с обратным распространением ошибки. 68. Создания нейронной сети Хопфилда 69. Обучение нейронной сети на основе самоорганизации 70. Нечеткие нейронные сети 71. Кодирование пространства поиска 72. Начальная популяция 73. Оценка приспособленности 74. Оператор отбора (селекции) 75. Оператор скрещивания 76. Оператор мутаций 77. Критерии останова 78. Основные понятия теории агентов. 79. Свойства интеллектуальных агентов. 80. Агенты в распределенных компьютерных системах. 81. Поисковые мультиагентные системы № контрольной точки 6.8 Рейтинговая оценка знаний обучающихся Вид контроля Итоговое тестирование по модулю №1 2. Итоговое тестирование по модулю №2 3. Итоговое тестирование по модулю №3 4. Итоговое тестирование по модулю №4 5. Защита отчетов о выполнении лабораторных работ 6. Защита курсового проекта Сумма баллов за семестр Поощрительные баллы Рейтинг 1. Срок сдачи № недели Максимальное значение в баллах на семестр 4 0-15 7 0-15 11 0-15 13 0-15 15 0-20 17 10 0-90 0-10 0-100 7. Учебно-методическое и информационное обеспечение дисциплины: а) основная литература: 1. Ясницкий, Л. Н. Введение в искусственный интеллект: учеб. пособие для студентов вузов по мат. направлениям и специальностям / Л. Н. Ясницкий. – 3-е изд., стер. – М.: Академия, 2010. – 176 с. 2. ЭБС Университетская библиотека ONLINE: Матвеев, М. Г. Модели и методы искусственного интеллекта. Применение в экономике: учебное пособие / М. Г. Матвеев, А. С. Свиридов, Н. А. Алейникова. – М.: Финансы и статистика, 2011. – 448 с. 3. ЭБС Университетская библиотека ONLINE: Рыбина, Г. В. Основы построения интеллектуальных систем: учебное пособие / Г. В. Рыбина. – М.: Финансы и статистика, 2010. – 432 с. 4. ЭБС Университетская библиотека ONLINE: Пегат, А. Нечеткое моделирование и управление / А. Пегат. – М.: БИНОМ. Лаборатория знаний, 2013. – 804 с. б) дополнительная литература: 1. Теория информационных процессов и систем : учебник для студентов вузов по направлению "Информ. системы" / под ред. Б. Я. Советова ; отв. ред. Ю. И. Димитриенко. – М. : Академия, 2010. – 432 с. – (Университетский учебник. Прикладная математика и информатика. Гр. УМО). 2. ЭБС Университетская библиотека ONLINE: Дьяконов, В. П. MATLAB 6.5 SP1/7/7 SP1/7 SP2 + Simulink 5/6. Инструменты искусственного интеллекта и биоинформатики / В. П. Дьяконов, В. В. Круглов. – М.: СОЛОН-ПРЕСС, 2006. – 454 с. Список литературы согласован: Директор НБ Обновленская М. В. в) программное обеспечение и Интернет-ресурсы 1. Аналитическая платформа Deductor Studio. 2. http://www.aiportal.ru/ – портал искусственного интеллекта, роботы с искусственным интеллектом. 3. http://www.visual-prolog.com/ – Prolog Development Center. 4. http://matlab.exponenta.ru/ – Консультационный Центр MATLAB. 5. http://www.basegroup.ru BaseGroup Labs – профессиональный поставщик программных продуктов и решений в области анализа данных. 8. Материально-техническое обеспечение дисциплины: 1. Требования к аудиториям (помещениям, местам) для проведения занятий: наличие проектора, интерактивной доски для реализации интерактивных форм занятий; 2. Требования к оборудованию рабочих мест преподавателя и обучающихся: наличие ПЭВМ на каждого обучаемого при проведении лабораторных занятий; наличие установленного на рабочие станции прикладного и специального программного обеспечения. Программа составлена в соответствии с требованиями Федерального государственного образовательного стандарта ВПО по направлению 38.03.05– «Бизнес-информатика» и учебного плана по профилю подготовки «Архитектура предприятия» Автор: к.т.н., доцент Сахнюк П.А. Рецензенты: д.т.н., профессор Будко П.А. к.т.н., профессор Жук А.П. _________________ _________________ _________________ Рабочая программа рассмотрена на заседании кафедры протокол №1 от «29» августа 2015 г. и признана соответствующей требованиям ФГОС и учебного плана по направлению 38.03.05– «Бизнес-информатика» по профилю подготовки «Архитектура предприятия» Зав. кафедрой ______________________ (П.А. Сахнюк) Рабочая программа рассмотрена на заседании учебно-методической комиссии экономического факультета протокол № 1 от «31» августа 2015 г. и признана соответствующей требованиям ФГОС и учебного плана по направлению 38.03.05– «Бизнесинформатика» по профилю подготовки «Архитектура предприятия»
