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 |



