Рабочая программа Системы искусственного интеллекта

Министерство образования и науки Российской Федерации
Государственное образовательное учреждение высшего
профессионального образования
«Новгородский государственный университет имени Ярослава Мудрого»
Кафедра информационных технологий и систем
УТВЕРЖДАЮ
Директор ИЭИС
___________ Б.И. Селезнев
подпись
И.О.Фамилия
_____ __________2
число
г.
месяц
СИСТЕМЫ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА
Дисциплина по направлению 230100 – Информатика и вычислительная техника
Рабочая программа
СОГЛАСОВАНО
Начальник УМУ
___________ _Е.И. Грошев_
подпись
И.О.Фамилия
_____ __________2
число
месяц
г.
Разработал
Доцент кафедры ИТиС
____________ __Д.В. Михайлов__
подпись
И.О.Фамилия
_____ __________2
число
г.
месяц
____________
______________
Заслуженный работник высшей школы,
Профессор кафедры ИТиС
____________ __Г.М. Емельянов__
подпись
И.О.Фамилия
_____ __________2
число
г.
месяц
Принято на заседании кафедры
Заведующий кафедрой
____________ _А.Л. Гавриков_
подпись
И.О.Фамилия
_____ __________2
число
месяц
г.
2
1 Цели и задачи дисциплины
В соответствии с основной образовательной программой специальности 230100 целью
изучения данной дисциплины является формирование целостного представления о
современном состоянии теории и практики построения интеллектуальных систем различного
назначения.
Необходимые для достижения поставленной цели задачи состоят в следующем:
 Выработать навыки представления задач в пространстве состояний и оптимизации
поиска решений;
 Приобрести навыки сведения сложных задач к подзадачам с применением графов
"И/ИЛИ";
 Изучить модели представления знаний в интеллектуальных системах;
 Получить представление о принципах организации интерфейса на естественном языке
к базе знаний интеллектуальной системы.
 Изучить вопросы организации машинных словарей для решения задач компьютерной
обработки текстов естественном языке.
2 Место дисциплины в структуре ООП
Дисциплина "Системы искусственного интеллекта" для специальности 230100
относится к вариативной части профессионального цикла основной образовательной
программы и читается в 6-м и 7-м семестрах. Для изучения данной дисциплины студент
должен обладать следующими Общекультурными Компетенциями (ОК):
 владеть культурой мышления, быть способным обобщать, анализировать,
воспринимать информацию, ставить цель и выбирать пути её достижения (ОК-1);
 уметь использовать основные законы естественнонаучных дисциплин в
профессиональной деятельности, применять методы математического анализа и
моделирования, теоретического и экспериментального исследования (ОК-10).
Кроме того, значимыми здесь являются следующие профессиональные компетенции (ПК):
 способность представить адекватную современному уровню знаний научную
картину мира на основе знания основных положений, законов и методов
естественных наук и математики (ПК-1);
 способность выявить сущность проблем, возникающих в ходе профессиональной
деятельности, привлечь для их решения соответствующий понятийный и
математический аппарат (ПК-2);
 способность собирать, обрабатывать, анализировать и систематизировать
научно-техническую информацию по тематике исследования (ПК-6).
 владение
методиками
использования
инструментального
программного
обеспечения для решения прикладных задач (ПК-9);
 способность разрабатывать базы данных как компоненты информационных систем
(ПК-11);
 умение обосновывать принимаемые проектные решения, осуществлять постановку и
выполнять эксперименты по проверке корректности и эффективности принимаемых
решений (ПК-13);
 умение сопрягать аппаратные и программные средства в составе информационных
и автоматизированных систем (ПК-19);
3
 владение методиками инсталляции и настройки программного обеспечения для
информационных и автоматизированных систем (ПК-20).
Указанные компетенции формируются у студентов в ходе изучения дисциплин
“Функциональное и логическое программирование”, “Базы данных” и “Операционные
системы”.
Дисциплина "Системы искусственного интеллекта" входит в число дисциплин
окончательного формирования общекультурных и профессиональных компетенций
выпускника и служит опорой для подготовки к его итоговой государственной аттестации.
3 Требования к результатам освоения дисциплины
Процесс изучения дисциплины направлен на формирование следующих компетенций:
а) общекультурных:
 совершенствование культуры мышления, развитие способностей к анализу и
обобщению информации, умений ставить цель и изыскивать пути ее
достижения (ОК-1);
б) профессиональных:
 развитие умений использовать знания естественных наук и математики для
построения адекватной научной картины мира (ПК-1);
 готовность учитывать современные тенденции развития вычислительной
техники и информационных технологий в своей профессиональной
деятельности (ПК-3);
 способность разрабатывать компоненты программных комплексов, баз
данных и знаний, применять современные инструментальные средства и
технологии программирования (ПК-12);
 способность осуществлять сбор и анализ научно-технической информации,
обобщать отечественный и зарубежный опыт в области информатики и
вычислительной техники, проводить анализ патентной литературы (ПК-15).
В результате изучения дисциплины студент должен:
а) знать:
 модели представления знаний и их взаимосвязь;
 уровни представления языковой и предметной информации в интеллектуальных
информационных системах;
 принципы организации подсистем обработки естественного языка для
различных прикладных задач;
 тенденции развития лингвистических ресурсов в сфере интеллектуальных
информационных технологий;
б) уметь:
 представлять задачи в пространстве состояний;
 выполнять сравнительный анализ различных моделей представления знаний для
решения прикладных задач компьютерного моделирования интеллектуальной
деятельности человека;
 реализовывать модели представления знаний (включая их симбиоз) на языках
логического и функционального программирования;
 выделять содержательные особенности задач моделирования интеллектуальной
деятельности, позволяющие сократить пространство поиска решений;
 использовать лингвистические информационные ресурсы для решения
прикладных задач обработки конструкций естественного языка;
4
в) владеть:
 приемами сведения задач к совокупности подзадач с применением графов
“И/ИЛИ”;
 методиками представления задач в пространстве состояний и оптимизации
поиска решений.
4 Объем дисциплины и виды учебной работы
Общая трудоемкость дисциплины составляет 7 зачетных единиц.
Таблица 4.1 – Распределение видов учебных занятий
Вид учебной работы
Аудиторные занятия (всего)
В том числе:
- лекции
- практические занятия
- лабораторные работы
Руководство СРС и консультации, всего:
В том числе:
- расчетно-графическая работа:
- другие виды СРС
Вид итогового контроля
(зачет, экзамен)
Общая трудоемкость
Всего часов
108
Семестры
6
7
54
54
36
30
42
108
18
10
26
18
18
20
16
90
108
18
90
зачет
экзамен
72
2
180
5
час. 252
зач. ед. 7
5 Содержание дисциплины
Таблица 5.1 – Содержание разделов дисциплины
№ Наименование раздела
п/п дисциплины
1.
Искусственный
интеллект как научная
область.
2.
Теоретические аспекты
инженерии знаний1.
3.
Представление задач в
пространстве
состояний.
1
Содержание раздела
Предмет изучения. Основные направления исследований в
области Искусственного Интеллекта (ИИ). Предпосылки
возникновения. Основные приложения ИИ. Подходы к ИИ.
Компьютерное понимание Естественного Языка (ЕЯ) как
важнейшая составляющая моделирования интеллектуальной
деятельности человека.
Понятие поля знаний. Предметный язык. Семиотическая
модель поля знаний. Стратегии получения знаний.
Лингвистический аспект извлечения знаний: понятийная
структура и словарь пользователя. Структурирование знаний.
Состояния и операторы. Пространство состояний.
Представление операторов системой продукций. Выбор
оптимального представления задачи.
Т.А. Гаврилова, В.Ф. Хорошевский Базы знаний интеллектуальных систем. С. 59-98
5
Продолжение таблицы 5.1
№ Наименование раздела
п/п дисциплины
4.
Методы поиска в
пространстве
состояний.
5.
6.
7.
8.
9.
10.
2
Содержание раздела
Поиск на графе. Полный перебор. Метод равных цен. Метод
перебора в глубину. Перебор на произвольных графах.
Использование эвристической информации. Использование
оценочных функций. Алгоритм упорядоченного поиска.
Оптимальный алгоритм перебора. Выбор эвристической
функции. Критерии качества работы методов перебора.
Сведение задачи к
Описание состояний. Графическое представление множеств
совокупности подзадач. подзадач. "И/ИЛИ" граф. Разрешимость вершин в "И/ИЛИ"
графе. Использование механизмов планирования. Ключевые
операторы. Вычисляемые различия.
Методы поиска при
Разрешимость и неразрешимость вершин. Этапы перебора на
сведении задач к
"И/ИЛИ" графах. Основные отличия процесса раскрытия
совокупности подзадач. вершин при построении "И/ИЛИ" графа перебора. Взаимные
различия методов перебора на "И/ИЛИ" графах: полный
перебор, перебор в глубину, упорядоченный перебор. Перебор
на деревьях и произвольных графах "И/ИЛИ". Суммарная и
максимальная стоимости деревьев решений. Оптимальное
дерево решения. Использование оценок стоимости для
прямого перебора. Потенциальное дерево решения. Алгоритм
упорядоченного перебора для деревьев "И/ИЛИ".
Представление знаний
Представление знаний как направление исследований по ИИ.
в интеллектуальных
Данные и знания: основные определения. Отличительные
системах.
особенности знаний. Модели данных. Табличная модель.
Языки описания и манипулирования данными.
Отличительные особенности основных моделей
представления знаний.
2
Семантические сети .
Модель семантической сети Куиллиана. Формализация
семантической сети. Описание иерархической структуры
понятия и диаграмма представления. Процедурные
семантические сети. Разделение семантической сети. Вывод с
помощью семантической сети. Применение семантических
сетей в задаче понимания речи.
Представление знаний
Основные определения. Структура продукционной системы.
правилами и
Прямой и обратный вывод. Разрешение конфликтов. Анализ
логический вывод.
контекста применения правила. Представление системы
продукций "И/ИЛИ" графом. Вывод при наличии нечеткой
информации. Проблема управления выводом. Установка
ограничений на генерацию конфликтного набора. Вывод по
приоритету глубины. Повышение эффективности системы
продукций. Модель доски объявлений.
Представление знаний
Основные требования к языку представления знаний
фреймами.
интеллектуальной системы. Преимущества фреймового
представления знаний. Фреймы и фреймовые системы:
основные определения. Основные свойства фреймов.
Структура данных фрейма. Демоны и присоединенные
процедуры. Способы управления выводом.
Представление и использование знаний: под ред. X.Уэно, М.Исидзука. - М.: Мир, 1989, С. 98-119
6
Продолжение таблицы 5.1
№ Наименование раздела
п/п дисциплины
11. Моделирование
языковой
деятельности3.
12.
Понимание запросов на
естественном языке в
интеллектуальных
системах.
13.
Анализ формальных
понятий как
инструмент
концептуальной
кластеризации.
14.
Лингвистические
информационные
ресурсы и их
применение для задач
компьютерной
обработки конструкций
естественного языка.
15.
Автоматическая
компрессия текстов и
распознавание
смысловой
эквивалентности.
3
Содержание раздела
Теория моделей общения. Обобщенная схема ЕЯ-систем.
Модели и методы обработки ЕЯ в автоматизированных
системах. Методы моделирования языковой деятельности.
Основные этапы автоматического анализа и синтеза текста.
Основные требования к процессу понимания запросов на
естественном языке. Представление языковых и предметных
знаний. Структура словарной подсистемы. Морфологический
анализ словоформ. Синтаксический анализ предложения
русского языка с построением дерева зависимостей.
Семантическая и синтаксическая сочетаемость предикатного
слова. Распознавание именных групп. Обработка оборотов и
придаточных предложений. Синтаксические и семантические
фильтры. Построение неструктурированного семантического
графа предложения: обработка предикатных слов и именных
групп. Квантификация предложения. Сопоставление
семантического графа запроса с моделью предметной области
и формирование ответа в виде предложения русского языка.
Объекты и признаки. Базовая теорема Анализа Формальных
Понятий (АФП). Формальный контекст. Решетка формальных
понятий. Многозначные контексты. Шкалирование. Базис
импликаций формального контекста. Информативность
признака и критерий полезности решетки формальных
понятий. Специализированные пакеты программ,
реализующие методы АФП.
Компьютерные словари для задач семантического анализа
текстов в рамках подхода “СмыслТекст”. Электронные
WordNet-тезаурусы. Русский общесемантический словарь и
его использование при построении формального
семантического образа текста русского языка. Семантические
характеристики и таксономические категории лексем.
Описание структуры семантических валентностей
предикатного слова. Иерархизация лексических значений
слов предметно-ориентированного подмножества русского
языка на основе методов АФП.
Семантическая эквивалентность и ситуация языкового
употребления. Уровень глубинного синтаксиса. Грамматики
деревьев (∆-грамматики). Понятие класса смысловой
эквивалентности. Концептуальная модель процесса
распознавания смысловой взаимной дополняемости фраз
естественного языка. Построение системы целевых выводов в
∆-грамматике. Моделирование построения образа суммарного
смысла. Служебная информация правил ∆-грамматики и
относительность синонимических преобразований деревьев.
Пример построения образа сверхфразового единства для
четырех простых распространенных предложений русского
языка.
Заболеева-Зотова А.В. Лингвистическое обеспечение автоматизированных систем. С. 81-116
7
Продолжение таблицы 5.1
№ Наименование раздела
п/п дисциплины
16. Ситуация смысловой
эквивалентности
текстов как основа
формирования знаний о
синонимии.
17.
18.
Семантическая
кластеризация текстов
естественного языка на
основе синтаксических
контекстов
существительных.
Методы нахождения
семантического
расстояния между
текстами предметного
языка.
Содержание раздела
Лексическое значение слова и его формализация на языке
логики предикатов первого порядка. Прецеденты
семантических отношений для ситуаций синонимии на основе
стандартных лексических функций. Семантика
расщепленного значения и смысловые валентности
предикатного слова. Пример формирования прецедентов
смысловой эквивалентности на материале тезауруса по
анализу изображений. Формирование отношений в
естественном языке на основе множеств семантически
эквивалентных ЕЯ-фраз.
Семантика синтаксиса как основа кластеризации.
Концептуальная кластеризация текстов на основе результатов
синтаксического разбора предложений. Расщепленные
предикатные значения и конверсивы в составе
синтаксических контекстов существительных.
Синтаксические и семантические связи в ситуации языкового
употребления. Формальный контекст ситуации языкового
употребления и методы его построения. Тезаурус предметной
области и схожесть ситуаций языкового употребления.
Интерпретация меры схожести формальных понятий для
формальных контекстов. Семантическая схожесть фраз
предметно-ориентированного подмножества естественного
языка. Сжатие текстовой информации на основе теоретикорешеточного подхода: проблемы и перспективы.
Таблица 5.2 – Разделы дисциплины и связи с формируемыми компетенциями
№
п/п
Код
компетенции
1.
2.
3.
4.
5.
ОК-1
ПК-1
ПК-3
ПК-12
ПК-15
№ разделов данной дисциплины, необходимых для формирования
компетенции
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
+ + +
+
+ + + + + +
+ + +
+ + +
+ + +
+ + + + +
+ + +
+ +
+ +
+ +
+
+
+
+ + +
+
+
+
+ +
+
+ + +
+
18
+
+
+
Таблица 5.3 – Разделы дисциплины и виды занятий
№
п/п
1.
2.
3.
Наименование раздела дисциплин
Лекц.
Лаб.
раб.
2
СРС
1
Практ.
зан.
4
1
Всего
часов
8
Искусственный интеллект как научная
область.
Теоретические аспекты инженерии
знаний.
Представление задач в пространстве
состояний.
2
6
2
2
12
1
0
1
2
4
8
Продолжение таблицы 5.3
№
п/п
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
16.
17.
18.
Наименование раздела дисциплин
Лекц.
Лаб.
раб.
1
СРС
3
Практ.
зан.
0
2
Всего
часов
6
Методы поиска в пространстве
состояний.
Сведение задачи к совокупности
подзадач.
Методы поиска при сведении задач к
совокупности подзадач.
Представление знаний в
интеллектуальных системах.
Семантические сети.
Представление знаний правилами и
логический вывод.
Представление знаний фреймами.
Моделирование языковой деятельности.
Понимание запросов на естественном
языке в интеллектуальных системах.
Анализ формальных понятий как
инструмент концептуальной
кластеризации.
Лингвистические информационные
ресурсы и их применение для задач
компьютерной обработки конструкций
естественного языка.
Автоматическая компрессия текстов и
распознавание смысловой
эквивалентности.
Ситуация смысловой эквивалентности
текстов как основа формирования знаний
о синонимии.
Семантическая кластеризация текстов
естественного языка на основе
синтаксических контекстов
существительных.
Методы нахождения семантического
расстояния между текстами предметного
языка.
2
0
1
1
4
2
0
1
2
5
1
0
4
2
7
2
2
0
0
10
6
2
2
14
10
2
2
4
0
4
4
6
1
3
2
12
12
10
19
23
2
2
0
10
14
2
2
1
12
17
2
2
1
10
15
2
2
1
12
17
2
2
1
12
17
2
2
0
10
14
6 Лабораторный практикум
Таблица 6.1 – Содержание лабораторных занятий
№
п/п
№ раздела
дисциплины
1.
2.
1
2
3.
3,4,5,6
Наименование лабораторных работ
Реализация экспертных систем на языке Пролог.
Простейший интерфейс на естественном языке с
использованием ключевых слов.
Методы поиска в пространстве состояний.
Трудоем
кость
(час.)
2
2
4
9
Продолжение таблицы 6.1
№
п/п
№ раздела
дисциплины
Наименование лабораторных работ
4.
5.
6.
7.
7,9
7,8
7,10
9,11,12
8.
9,12,15,16,17
9.
8,10,12,14
Продукционная модель представления знаний.
Представление знаний на основе семантической сети.
Представление знаний фреймами.
Интерфейс на естественном языке: морфологический
анализатор.
Интерфейс на естественном языке: синтаксический анализ
фраз русского языка.
Интерфейс на естественном языке: семантический анализ и
генерация ответа на запрос.
Трудоем
кость
(час.)
6
6
6
6
4
6
7 Практические занятия (семинары)
Таблица 7.1 – Содержание практических занятий
№
п/п
№ раздела
дисциплины
1.
2.
3.
1,2,7,11
2,11,12
1,11
4.
5.
6.
11
11
2,11
7.
8.
9.
11
8,11,12
11,12
10.
10,12
11.
15,16
12.
11,13,14,16
13.
13,16,17
14.
13,14
15.
15,16,17,18
Тематика практических занятий (семинаров)
Естественный язык и формализация предметных знаний
Модель языка как преобразователя “СмыслТекст”
Информационный поиск и семантический анализ корпуса
текстов
Текстовые процессоры
Машинный перевод
Применение методов машинного обучения для борьбы с
плагиатом
Вопросно-ответные системы
Системы автоматического реферирования
Морфология и синтаксис в задаче семантической
кластеризации
Семантические отношения как основа формирования классов
смысловой эквивалентности
Кластеризация семантических знаний в задаче распознавания
ситуаций смысловой эквивалентности
Сортовая классификация лексики русского языка и ее
использование при формировании семантических классов
слов
Автоматизация накопления знаний о синонимии и
семантическая схожесть текстов предметного языка
Методы анализа формальных понятий в задаче
автоматизированного пополнения лингвистических ресурсов
Машинное понимание текстов в общей задаче распознавания
образов
Трудоем
кость
(час.)
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
10
8 Примерная тематика рефератов в рамках самостоятельной работы студентов
Таблица 8.1 – Ориентировочная тематика рефератов
№
п/п
1.
2.
3.
4.
Тема
Трудоем
кость
(час.)
Автоматизация пополнения словаря словоформ для морфологического
18
анализа слов русского языка.
Автоматизация пополнения словаря основ для морфологического анализа
18
слов русского языка.
Применение методов анализа формальных понятий для автоматизации
18
формирования стратегий синтаксического анализа текстов.
Применение методов анализа формальных понятий для автоматизации
18
формирования тезауруса предметной области.
9 Учебно-методическое и информационное обеспечение дисциплины
9.1 Основная литература
1. Гаврилова Т.А. Базы знаний интеллектуальных систем [Текст] / Т.А. Гаврилова, В. Ф.
Хорошевский. СПб.: Питер, 2000. – 384 с.
2. Представление и использование знаний [Текст] / под ред. X.Уэно, М.Исидзука. М.:
Мир, 1989. – 220 с.
3. Заболеева-Зотова А.В. Лингвистическое обеспечение автоматизированных систем:
учебное пособие [Текст] / А.В. Заболеева-Зотова, В.А. Камаев. М.: Высш. шк., 2008. –
244 с.
4. Ясницкий Л.Н. Введение в искусственный интеллект: учебное пособие для студентов
высших учебных заведений [Текст] / Л.Н. Ясницкий. М.: Издательский центр
“Академия”, 2005. – 176 с.
5. Всеволодова А.В. Компьютерная обработка лингвистических данных: учебное
пособие [Текст] / А.В. Всеволодова. Ярославль: МУБиНТ, 2005. – 67 с.
6. Попов С.В. Логическое моделирование [Текст] / С.В. Попов. М.: Тровант, 2006. – 256
с.
7. Михайлов Д.В. Теоретические основы построения открытых вопросно-ответных
систем. Семантическая эквивалентность текстов и модели их распознавания:
монография [Текст] / Д. В. Михайлов, Г. М. Емельянов. Великий Новгород: НовГУ
им. Ярослава Мудрого, 2010. – 286 с.
8. Гаскаров Д.В. Интеллектуальные информационные системы: учебное пособие для
вузов [Текст] / Д.В. Гаскаров. М.: Высшая школа, 2003. – 431 с.
9. Чулюков В.А. Системы искусственного интеллекта. Практический курс: учебное
пособие [Текст] / [В.А. Чулюков, И.Ф. Астахова, А.С. Потапов и др.; под ред. И.Ф.
Астаховой]. М.: БИНОМ. Лаборатория знаний, 2008. – 292 с.
10. Соснин П.И. Человеко-компьютерная диалогика [Текст] / П.И. Соснин. Ульяновск:
УлГТУ, 2001. – 285 с.
11. Нильсон Н. Искусственный интеллект: пер. с англ. [Текст] / Н. Нильсон. М.:Мир,1973.
– 270 с.
12. Ganter, B. Formal Concept Analysis – Mathematical Foundations [Текст] / B. Ganter, R.
Wille. Berlin: Springer-Verlag, 1999. – 284 с.
13. Мельников, Г. П. Системная типология языков: Принципы, методы, модели [Текст] /
Г. П. Мельников. М.: Наука, 2003. – 395 c.
11
14. Мельчук, И. А. Опыт теории лингвистических моделей "СмыслТекст": Семантика,
синтаксис [Текст] / И. А. Мельчук. М.: Языки рус. культуры, 1999. – 345 с.
15. Осипов Г.С. Приобретение знаний интеллектуальными системами: Основы теории и
технологии [Текст] / Г.С. Осипов. М.: Наука, 1997. – 112 с.
16. Попов, Э. В. Общение с ЭВМ на естественном языке [Текст] / Э. В. Попов. М.: Наука,
1982. – 360 с.
9.2 Дополнительная литература
1. Братко И. Алгоритмы искусственного интеллекта на языке PROLOG: пер. с англ.
[Текст] / И. Братко. М.: Издательский дом "Вильямс", 2004. – 640 с.
2. АОТ: Автоматическая Обработка Текстов [Электронный ресурс]. Режим доступа:
http://www.aot.ru/ (дата обращения: 19.12.2010).
3. Белоногов Г.Г. Автоматизация процессов накопления, поиска и обобщения
информации [Текст] / Г.Г. Белоногов, А.П. Новоселов. М.: Наука, 1979. – 256 с.
4. Белоногов Г.Г. Автоматизированные информационные системы [Текст] / Г.Г.
Белоногов, В.И. Богатырев. М.: Сов. радио, 1973. – 328 с.
5. Леонтьева, Н. Н. Русский общесемантический словарь (РОСС): структура, наполнение
[Текст] / Н. Н. Леонтьева // Научно-техническая информация. М.: ВИНИТИ, 1997. №
12. Сер. 2. С. 5-20.
6. Mel'cuk, Igor A. Explanatory Combinatorial Dictionary of Modern Russian. SemanticoSyntactic Studies of Russian Vocabulary [Текст] / Igor A. Mel'cuk, Alexander K.
Zholkovsky. Wienna, 1984. – 992 с.
7. Адаменко А.Н. Логическое программирование и Visual Prolog [Текст] / А.Н.
Адаменко, А.М. Кучуков. СПб.: БХВ-Петербург, 2003. – 992 с., ил.
8. Удо Хан Системы автоматического реферирования [Электронный ресурс] / Удо Хан,
Индерджиет Мани // Открытые системы, 2000, № 12. Режим доступа:
http://www.olap.ru/basic/refer.asp (дата обращения: 25.12.2010).
9.3 Программное обеспечение
При выполнении лабораторных работ используются компиляторы языков
программирования высокого уровня C++, Delphi и Visual Prolog, имеющиеся в распоряжении
кафедры ИТиС.
Для выполнения лабораторных работ также может быть использовано следующее
свободно распространяемое программное обеспечение:
1. Язык Common Lisp. Режим доступа: http://clisp.cons.org/ (дата обращения: 19.12.2010).
2. Язык newLISP. Режим доступа: http://newlisp.org (дата обращения: 19.12.2010).
3. The Concept Explorer. Режим доступа: http://conexp.sourceforge.net (дата обращения:
18.11.2009).
9.10 Базы данных, информационно-справочные и поисковые системы
При изучении дисциплины используются материалы профессионального
информационно-аналитического ресурса MachineLearning.ru, посвященного машинному
обучению, распознаванию образов и интеллектуальному анализу данных. Режим доступа:
http://machinelearning.ru (дата обращения: 19.12.2010).
10. Материально-техническое обеспечение дисциплины
Для выполнения цикла лабораторных работ необходимы компьютеры с
установленной операционной системой Windows, либо Linux-подобной ОС. Указанное
12
оборудование имеется в распоряжении кафедры ИТиС. Рекомендуемое число компьютеров в
учебном классе должно быть не менее 10.
В распоряжении кафедры ИТиС имеется 4 класса IBM-совместимых персональных
компьютеров по 10 машин.
11. Методические рекомендации по организации изучения дисциплины
Курс "Системы искусственного интеллекта" нацелен прежде всего на формирование
у студентов целостного представления о современном состоянии теории и практики
построения интеллектуальных систем различного назначения. Исходя из этого, в структуре
содержания курса следует выделить две важнейшие составляющие:
 теоретико-методологические вопросы построения интеллектуальных систем;
 специализированные разделы, определяемые сферой научных интересов
преподавателя, читающего данный курс.
В целях формирования у студентов адекватного представления об основных задачах,
которые актуальны при построении интеллектуальной системы для любой области знаний,
первоочередное внимание должно быть уделено вопросам представления знаний и
оптимизации поиска решений.
С учетом того, что курс "Системы искусственного интеллекта" читается на
завершающем этапе подготовки бакалавра по направлению 230100, показанная особенность
данной дисциплины дает возможность поставить конечной целью изучения студентами
данной дисциплины более четкую постановку задачи выпускной квалификационной работы,
а также мотивацию студента к самостоятельной исследовательской деятельности.
При изложении материала курса наряду с традиционным, ориентированным на знания
подходом (лекционные и лабораторные занятия), используется рефлексивный подход
(практические занятия). Суть применения рефлексивного подхода здесь заключается в
искусственном создании проблемной ситуации в рамках предложенной темы
самостоятельной работы (реферата, либо научной статьи), проведении исследования и
сопоставлении точек зрения на проблему у преподавателя и студента. При этом каждое
практическое занятие представляет собой семинар по некоторой теме, наиболее близкой
ряду тематически связанных между собой работ. В настоящем документе приведены
ориентировочные названия тем практических занятий, которые могут корректироваться по
результатам рефлексивной оценки каждым студентом результатов своей исследовательской
деятельности в рамках предложенной темы исследования, а также интегрированной оценки
преподавателем формируемых компетенций ОК-1, ПК-1, ПК-2, ПК-6, ПК-13 по всем
студентам группы (потока). При этом желательно проведение параллельно нескольких
практических занятий для подгрупп студентов, выполняющих исследования по близким
темам, либо совместно реализующих проект по одной теме. Преподаватель, ответственный
за данный курс, может привлекать к проведению таких занятий помощников из числа
аспирантов и студентов старших курсов.
Перед проведением цикла практических занятий все студенты знакомятся с
предложенными им темами для самостоятельного исследования. В результате у большинства
студентов возникает затруднение. Это связано с тем, что студентам во время разрешения
проблемы необходимо задействовать теоретический материал соответствующих лекционных
занятий и рекомендованной литературы. Появляются идеи решения как предложенных задач,
так и тех задач, которые студенты формулируют уже сами, конкретизируя цель своего
исследования. Здесь студенты еще не могут аргументировать предложенные решения ввиду
отсутствия нужных знаний. Практическое занятие завершается фиксаций разных позиций,
что создает мотивационную ситуацию для исследования и построения нового знания самими
студентами к следующему практическому занятию.
13
Для текущего контроля успеваемости и промежуточной аттестации используются
контрольные вопросы.
Примерный перечень контрольных вопросов по общетеоретическому модулю:
1) Искусственный интеллект как научная область. Основные направления исследований.
Классификация интеллектуальных систем.
2) Проблемная область интеллектуальной системы. Характеристики предметной области
и решаемых задач.
3) Понятие поля знаний. Предметный язык. Семиотическая модель поля знаний.
Стратегии получения знаний. Лингвистический аспект извлечения знаний:
понятийная структура и словарь пользователя. Структурирование знаний.
4) Представление задач в пространстве состояний. Состояния и операторы.
Представление операторов системой продукций.
5) Методы поиска в пространстве состояний. Поиск на графе. Слепой перебор.
6) Методы поиска в пространстве состояний: метод полного перебора.
7) Методы поиска в пространстве состояний: метод равных цен.
8) Методы поиска в пространстве состояний: метод перебора в глубину.
9) Перебор на произвольных графах.
10) Методы поиска в пространстве состояний: использование эвристической информации.
11) Оценочная функция и ее свойства. Алгоритм упорядоченного поиска.
12) Оптимальный алгоритм перебора. Выбор эвристической функции. Эвристическая
сила алгоритма упорядоченного поиска.
13) Критерии качества работы методов перебора.
14) Представления, допускающие сведение задач к подзадачам. "И/ИЛИ" графы.
15) Разрешимость вершин в "И/ИЛИ" графе.
16) Использование механизмов планирования при сведении задачи к совокупности
подзадач.
17) Ключевые операторы и вычисляемые различия.
18) Этапы перебора на "И/ИЛИ" графах при сведении задач к совокупностям подзадач.
19) Взаимные различия методов перебора на "И/ИЛИ" графах. Основные трудности
организации перебора на "И/ИЛИ" графе.
20) "И/ИЛИ" дерево. Стоимости деревьев решений.
21) Оптимальное дерево: использование оценок стоимости для прямого перебора.
22) Потенциальное дерево решения. Алгоритм упорядоченного перебора для деревьев
"И/ИЛИ".
23) Представление знаний как направление исследований по искусственному интеллекту.
24) Данные и знания. Отличительные особенности знаний.
25) Экстенсиональные и интенсиональные представления в моделях данных. Языки
описания и манипулирования данными.
26) Модели представления знаний в интеллектуальных системах: сравнительная
характеристика.
27) Представление знаний правилами. Структура продукционной системы.
28) Прямой и обратный вывод. Разрешение конфликтов. Анализ контекста применения
правила.
29) Представление системы продукций "И/ИЛИ" графом. Вывод при наличии нечеткой
информации.
30) Управление выводом в продукционной системе. Установка ограничений на генерацию
конфликтного набора. Вывод по приоритету глубины. Проблемы реализации
стратегий поиска вывода.
31) Пути повышения эффективности функционирования продукционной системы.
32) Основные требования к языку представления знаний интеллектуальной системы.
14
33) Модель семантической сети Куиллиана. Формализация семантической сети. Описание
иерархической структуры понятия и диаграмма представления.
34) Процедурные семантические сети. Разделение семантической сети. Вывод с помощью
семантической сети.
35) Понятие фрейма. Особенности фреймового представления знаний.
36) Основные свойства фреймов. Слоты. Фреймовые системы.
37) Структура данных фрейма. Демоны и присоединенные процедуры. Способы
управления выводом.
Примерный перечень контрольных вопросов по специализированным разделам:
1) Обработка Естественного Языка на ЭВМ. Основные области применения.
2) Интерфейс на естественном языке в интеллектуальных системах: основные
требования к процессу понимания запросов. Общая схема анализа высказывания.
3) Представление предметных знаний и структура словаря для вопросно-ответной
системы на базе подходя "СмыслТекст".
4) Лексическое значение слова и его описание средствами лингвистических
информационных ресурсов. Фреймовое представление ситуации действительности и
модель управления предикатного слова: сравнительный анализ.
5) Интерфейс на естественном языке: этап синтаксического анализа входного
предложения.
6) Основные принципы построения правил и стратегий синтаксического анализа фраз
естественного языка для задач компьютерной обработки текстов.
7) Типы синтаксических фильтров. Общая структура алгоритма синтаксического анализа
фразы русского языка (без рассмотрения оборотов).
8) Распознавание семантической эквивалентности и ситуация языкового употребления.
Описание синонимических замен на уровне абстрактной лексики.
9) Интерфейс на естественном языке: этап семантического анализа входного
предложения. Особенности интерфейса на естественном языке для интеллектуальной
системы с фреймовой моделью в основе представления предметных знаний. Типы
вопросительных ситуаций.
10) Интерфейс на естественном языке: обработка пустых и функциональных предикатов
на этапе семантического анализа входного предложения.
11) Интерфейс на естественном языке: построение семантического графа входного
предложения. Замена обстоятельственных отношений семантическими отношениями
при обработке предикатных слов в запросах к фреймовой сети.
12) Интерфейс на естественном языке: этап интерпретации входного предложения и
синтеза семантического графа ответа.
13) Интерфейс на естественном языке: этап синтеза синтаксической структуры ответа.
14) Интерфейс на естественном языке: определение порядка слов и морфологический
синтез словоформ ответа.
15) Анализ формальных понятий (the Formal concept analysis): основные понятия и
определения.
16) Автоматизация пополнения словаря для предметно-ориентированного подмножества
русского языка на основе методов анализа формальных понятий: основные идеи и
перспективы.
15
Разработчики:
Доцент кафедры ИТиС НовГУ,
к.ф.- м.н., доцент
Д.В. Михайлов
Профессор кафедры Информационных технологий и систем (ИТиС) Новгородского
государственного университета имени Ярослава Мудрого (НовГУ),
д.т.н., профессор
Г.М. Емельянов
Эксперты:
Заместитель директора Института электронных и информационных систем НовГУ
д.ф.-м.н., профессор
А.В. Колногоров
Заслуженный деятель науки и техники РФ,
профессор кафедры прикладной математики и информатики НовГУ,
д.т.н., профессор
Б.Ф. Кирьянов