НОВОСИБИРСКИЙ ГОСУДАРСТВЕННЫЙ ТЕХНИЧЕСКИЙ УНИВЕРСИТЕТ

Факультет прикладной математики и информатики (ФПМИ)

Программные системы и базы данных (ПСиБД)

“УТВЕРЖДАЮ”

Декан ФПМИ

“___ ”______________200 г.

РАБОЧАЯ ПРОГРАММА учебной дисциплины

Системы искусственного интеллекта

010500 Прикладная математика и информатика: бакалавриат

Факультет ФПМИ

Курс 4, семестр 8

Лекции 24 час.

Практические работы 0 час.

Лабораторные работы 12 час.

Курсовой проект (курсовая работа, РГЗ) - РГЗ

Самостоятельная работа 30

Экзамен 8 семестр

Всего 66

Новосибирск

2006

Рабочая программа составлена на основании Государственного образовательного стандарта высшего профессионального образования по направлению 010500 – ПРИКЛАДНАЯ МАТЕМАТИКА И ИНФОРМАТИКА

Специальность утверждена приказом Министерства образования Российской Федерации от 01.01.2001 г. № 000.

Шифр дисциплины по учебному плану_______________

Рабочая программа обсуждена на заседании кафедры ПСиБД, номер протокола заседания кафедры и дата его проведения______________________________________________

Программу разработал

Д. т.н., профессор _________________________________

Заведующий кафедрой

Д. т.н., профессор ___________________________

Ответственный за основную образовательную программу

Заведующий кафедрой

Д. т.н., профессор ____________________________

1. Внешние требования

Математик, системный программист должен быть подготовлен преимущественно к выполнению исследовательской деятельности в областях, использующих методы прикладной математики и компьютерные технологии; созданию и использованию математических моделей процессов и объектов; разработке и применению современных математических методов и программного обеспечения для решения задач науки, техники, экономики и управления; использованию информационных технологий в проектно-конструкторской, управленческой и финансовой деятельности.

Сферами профессиональной деятельности математика, системного программиста являются научно-исследовательские центры, государственные органы управления, образовательные учреждения и организации различных форм собственности, использующие методы прикладной математики и компьютерные технологии в своей работе.

Изучение систем искусственного интеллекта расширяет арсенал методов и средств прикладного математика и позволяет вместе с классическими подходами находить адекватные модели для представления сложных предметных областей в экономике, бизнесе, технике, биологии, медицине, образовании.

В результате изучения данного курса студент должен знать:

°  принципы разработки систем, основанных на знаниях;

°  теоретические аспекты инженерии знаний;

°  принципы моделирования рассуждений;

°  архитектуры интеллектуальных систем;

°  представление знаний в Интернете;

°  принципы извлечение знаний из данных.

2. Особенности (принципы) построения дисциплины

Особенность (принцип)

Содержание

Основание для введения курса

Требования Государственного образовательного стандарта высшего образования (ГОС) для специальности 010200 Прикладная математика и информатика (квалификация - математик, системный программист)

Адресат курса

Студент, обучающийся на степень бакалавра по направлению 050501-прикладная математика и информатика

Главная цель

Обеспечение базы естественно-научной подготовки, теоретическая и практическая подготовка в области прикладной математики и информатики, развитие инженерного мышления, приобретение знаний, необходимых для изучения последующих дисциплин

Изучив дисциплину, студент должен владеть знаниями, умениями и навыками извлечения и формализации знаний. В итоге студент должен научиться применять элементы технологии систем искусственного интеллекта, обеспечивающие построение адекватных моделей сложных плохоструктурированных предметных областей.

Ядро курса

Принципы разработки систем, основанных на знаниях; теоретические аспекты инженерии знаний; принципы моделирования рассуждений; метауровневые архитектуры интеллектуальных систем; представление знаний в Интернете; принципы Data Mining (извлечение знаний из данных).

Требования к начальной подготовке, необходимые для успешного усвоения Вашего курса

Для изучения данного курса студент должен иметь начальную подготовку, предполагающую знания дискретной математики, основ алгоритмизации, логического программирования, баз данных, Web-технологий.

Уровень требований по сравнению с ГОС

После изучения дисциплины студент будет уметь: выбирать способ представления знаний, адекватный предметной области; использовать методы работы с экспертами; выбирать адекватную архитектуру интеллектуальной системы, выбирать адекватный инструментарий для реализации системы; строить жизненный цикл проекта системы; управлять знаниями с помощью механизма вывода на знаниях; реализовывать программные проекты систем искусственного интеллекта в различных операционных средах; Адекватно использовать языки UML, C++, Java, Prolog, XML для спецификации и реализации проектов систем искусственного интеллекта.

Объём курса в часах

24 часов лекций. 12 часов лабораторных работ. 30 часов самостоятельной работы.

Описание основных "точек"

3. Цели учебной дисциплины

После изучения дисциплины студент будет:

Номер цели

Содержание цели

иметь представление

1

Об основных направлениях искусственного интеллекта (ИИ). Биологические и социальные модели интеллекта. Представление знаний и разум. Машинное обучение. Генетические алгоритмы. Эвристические методы. Формально-логические методы. Нейронные сети.

2

О множестве проблем, стоящих перед исследователями в ИИ. Тест Тьюринга. Понимание естественных языков и семантическое моделирование. Робототехника. Потенциальная сложность задач ИИ.

3

О современных направлениях исследований в области ИИ и смежные направления. Семантический Web. Онтологический инжиниринг. Управление знаниями. Системы бизнес-интеллекта.

знать

4

Принципы разработки систем, основанных на знаниях.

5

Теоретические аспекты инженерии знаний.

6

Принципы моделирования рассуждений.

7

Архитектуры интеллектуальных систем.

уметь

8

Выбирать способ представления знаний, адекватный предметной области.

9

Строить жизненный цикл проекта системы.

10

Управлять знаниями с помощью механизма вывода

11

Выбирать адекватную архитектуру интеллектуальной системы

иметь опыт

12

Реализации программных проектов систем искусственного интеллекта в различных операционных средах.

13

Использования языков программирования искусственного интеллекта (Lisp, Prolog)

14

Использования языков представления знаний (Семантические сети, фреймы, продукции, сценарии и пр.)

4. Содержание и структура учебной дисциплины

Темы лекционных занятий

Часы

Ссылки на цели

Семестр №8

Современное состояние ИИ. Парадигма ИИ. История развития. Направления развития. Классификация методов ИИ. Характеристика задач, решаемых методами ИИ. Особенности технологий ИИ. Обучение и самообучение. Распознавание образов. Игры. Интеллектуальные агенты. Многоагентные системы. Искусственная жизнь и эволюционное программирование. Новые архитектуры компьютеров. Нейронные сети. Когнитивная графика. Программное обеспечение систем ИИ.

2

1-3

Области применения ИИ. Системы поддержки принятия решений. Машинный перевод и разработка естественно-языковых интерфейсов. Интеллектуальный мониторинг и диагностика. Идентификация моделей. Планирование действий. Интеллектуальная поддержка процесса проектирования. Интеллектуальные роботы. Интеллектуальная логистика. Интернет-технологии. Машинное творчество.

2

1-3

Общие подходы к формализации и решению задач. Проблемы и задачи. Замкнутая форма представления задачи. Метод формирования пространства состояний. Метод генерации вариантов и проверки. Метод ветвей и границ. Эвристический поиск. Метод решения задач в ограничениях. Метод решения задачи, основанный на доказательстве теоремы. Решения игр. Альфа-бета алгоритмы. Проблемы сложности. Классификация задач по сложности. Методы борьбы со сложностью.

2

4-6

Логика предикатов первого порядка и формализация знаний. Теория предикатов первого порядка. Прикладные теории. Теория и модель. Адекватность, полнота и непротиворечивость теории. Эрбранова интерпретация и компактность. Сколемовские и клаузальные формы. Хорновское подмножество логики предикатов первого порядка. Приведение к хорновским дизъюнктам. Прикладные системы, основанные на логике. Логическое программирование. Декларативная семантика. Процедурная семантика. Моделирование предметных областей.

2

4-6

Автоматическое доказательство теорем. Принцип резолюции. Резольвента. Факторизация. Унификация. Теорема Робинсона. Линейная резолюция. Стратегии упрощения. Использование принципа резолюции в системах логического программирования.

2

4-6

Неклассические логики. Многочисленные роли логик. Логика и модифицируемые рассуждения. Логика умолчаний. Модальные логики. Модальные операторы. Автоэпистемические логики. Семантика возможных миров Криппке. Метауровневые архитектуры интеллектуальных систем. Моделирование самореферентности. Эго-системы.

2

4-6

Механизмы вывода. Дедукция. Индукция. Абдукция. Традукция. Натуральный вывод в логике предикатов первого порядка. Монотонность вывода. Немонотонные системы. Индуктивный вывод. Идентификация теории. Идентификация формальных грамматик. Идентификация в пределе. Вывод модели по Шапиро. Поиск противоречивой точки теории. Алгоритмы модификации теории. Синтез логических программ по примерам. Вывод по аналогии. Принцип Уинстона. Схема вывода по аналогии. Аналогия и дедукция. Сумма аналогий. Вывод по прецеденту.

3

4-6

Структурирование и представление знаний. Латентные структуры знаний и психосемантика. Метод метафор. Метод репертуарных решеток. Метод выявления конструктов. Структурный и объектный подходы к представлению знаний. Стратификация знаний. Семантические сети. Фреймы. Сценарии. Продукционные системы. Логика.

2

4-6,8

Выводы на знаниях. Выводы на семантических сетях. Выводы на фреймах. Выводы на продукционных правилах. Выводы на нечетких знаниях.

2

8

Архитектуры систем ИИ. Архитектура RBR-системы. Машина вывода. Когнитивное окно. Доска объявлений. База знаний. Архитектура CBR-систем. Механизм извлечения прецедента. Механизм адаптации прецедента. Механизм обучения. Архитектура гибридных систем. Включение нейронных сетей в RBR- архитектуру. Совмещение вычислительных механизмов и механизмов логического вывода. Архитектура мультиагентных систем. Структура агента. Взаимодействие агентов.

2

7,11

Онтологические системы и Интернет. Представление знаний в Интернет. Semantic Web. Модели онтологий и онтологические системы. Примеры онтологий. Средства представления онтологических знаний. Язык OWL. Формальное представление. Дискриптивная логика и ее связь с логикой предикатов. Механизмы вывода.

3

4-7

Темы лабораторных занятий

Учебная деятельность

Часы

Ссылки на цели

Семестр №8

Автоматическое доказательство теорем

Изучение машинных методов доказательства теорем для простых формальных систем. Метод резолюции. Анализ эффективности доказательства. Изучение методов повышения эффективности. Логика предикатов, агент-решатель.

3

8-14

Методы представления знаний

Освоение основных принципов при моделировании предметных областей с помощью семантических сетей и фреймов. Представление семантических сетей и фреймов на Прологе, С++ и других языках программирования.

3

8-14

Стратегии решения задач

Изучение основных стратегий решения задач:

°  представление в пространстве состояний;

°  сведения задач к подзадачам;

°  генерация вариантов и проверка;

°  поиск в глубину с возвратом;

°  поиск в ширину;

°  эвристический поиск;

°  распространение ограничений;

°  сведение задачи к доказательству теоремы.

Приобретение навыков выбора адекватных стратегий в зависимости от типа задач. Выбор инструмента для реализации этих стратегий.

3

8-14

Экспертные системы

Изучение архитектуры экспертной системы.

3

8-14

5. Учебная деятельность

Модель учебной деятельности, принятая в данном курсе, базируется на современной парадигме обучения, для которой характерно смещение акцента с локального ресурса знаний преподавателя на глобальный ресурс, доступ к которому возможен в сети Интернет. В связи с этим коренным образом меняется роль преподавателя, который от «монопольного» (авторского) обладания ресурсом знаний, представленного в виде лекций, методических пособий, переходит к способу обучения, помогающему студенту извлекать нужные знания из глобальных ресурсов. При этом важным моментом является обязательная мотивация студента к изучению данного материала. Одним из самых простых мотивов, например, может быть необходимость выполнения лабораторных работ. Более сложные способы мотивации могут быть связаны с конкретными студенческими научными проектами.

Из за большого объема этот материал размещен на нескольких страницах:
1 2 3 4