Правительство Российской Федерации
Федеральное государственное автономное образовательное учреждение высшего профессионального образования
"Национальный исследовательский университет
"Высшая школа экономики"
Факультет бизнес-информатики
Программа дисциплины
Интеллектуальные системы
для направления 080500.62 Бизнес-информатика
подготовки бакалавра
Автор программы: , д. т.н, yasn@psu.ru
Одобрена на заседании кафедры информационных технологий в бизнесе «___»_______ 20 г
Зав. кафедрой _______________________
Утверждена Учебно-методическим Советом НИУ ВШЭ - Пермь «___»_____________201 г.
Председатель ________________________
Пермь, 2013
Настоящая программа не может быть использована другими подразделениями университета и другими вузами без разрешения кафедры-разработчика программы.
I. Пояснительная записка
1. Автор программы:
доктор технических наук, профессор
2. Требования к студентам:
Студенты должны владеть базовыми знаниями в области высшей математики, экономики, бизнес-информатики, умением обращаться с современным программным обеспечением, навыками работы с пакетами прикладных программ.
3. Аннотация:
Цель изучения дисциплины состоит в освоении математического аппарата и программного обеспечения, предназначенного для создания интеллектуальных систем, а также в приобретении навыков нейросетевого математического моделирования бизнес-процессов и экономических явлений. Студенты осваивают дисциплину в ходе посещения лекций и практических занятий в компьютерном классе, а также при выполнении комплекса лабораторных работ (www. *****), выполнения индивидуальных заданий и изучении специальной литературы.
4. Учебная задача курса:
В результате изучения курса студент должен:
· Знать принципы создания интеллектуальных систем.
· Уметь решать практические задачи прогнозирования и оптимизации бизнес-процессов и экономических явлений методом нейросетевого моделирования.
· Иметь представление об экспертных системах.
· Обладать навыками нейросетевого моделирования бизнес-процессов.
5. Формы контроля:
· Текущий контроль путем экспресс-опроса перед каждой лекцией и каждым практическим занятием.
Опрос производится с целью – вспомнить пройденный материал для облегчения восприятия нового материала. Всем присутствующим задается вопрос из списка Приложения 2. Отвечает тот, кто первым поднял руку. Если желающих не находится, то называется фамилия из списка группы..
· Текущий контроль по каждой лабораторной работе, а также по выполненному и защищенному индивидуальному домашнему заданию.
· Итоговый контроль в форме зачета. Студентам раздаются билеты с одним вопросом по темам пройденного теоретического материала. Во время ответа задается одни или два дополнительных вопроса из списка Приложения 2.
В НИУ ВШЭ – Пермь принята следующая система весов:
20% результирующей оценки – оценка за работу на семинарских занятиях;
40% результирующей оценки – взвешенная сумма оценок за контрольные мероприятия;
40% результирующей оценки – оценка за итоговый (или промежуточный контроль).
Таким образом, 60% результирующей оценки – это накопительная оценка и 40% – это оценка за итоговый (или промежуточный контроль).
Результирующая оценка рассчитывается с помощью взвешенной суммы накопительной оценки и оценки за экзамен (или зачет).
Накопительная оценка рассчитывается с помощью взвешенной суммы оценок за отдельные формы текущего контроля. К формам текущего контроля относятся: работа на семинарских занятиях, контрольные мероприятия (контрольные работы, эссе, коллоквиумы и пр.), которые определены учебным планом.
Формулы расчета оценок:
О текущая = n1∙Од/з
где n1 = 1, при этом
О накопительная = k1∙Отекущая + k2∙Оаудиторная
где ki – вес текущей и аудиторной оценки, при этом k1=2/3, k2=1/3
О результирующая = q1∙Онакопительная + q2∙Оитог. контроль
где qi – вес накопительной оценки и оценки за итоговый контроль, при этом q1=0,6, q2=0,4
II. Содержание программы
Раздел 1
Предмет, история, основные стратегии и направления развития
дисциплины «Интеллектуальные системы»
Тема 1. Предмет и история искусственного интеллекта (ИИ) и интеллектуальных информационных систем (ИИС).
Предмет ИИ и две даты его рождения. Деление ИИ на две основные школы: кибернетику «черного ящика» и нейрокибернетику, понятие об эволюционном программировании. Понятие интеллектуальной информационной системы.
Тема 2. Основные стратегии и направления развития ИИ и ИИС.
Стратегии создания ИИС: высокоуровневая, низкоуровневая, эволюционное моделирование. Представление и приобретение знаний во всех трех стратегиях.
Раздел 2
Экспертные системы
Тема 3 .Методы представления знаний в экспертных системах.
Данные и знания. Декларативная и процедурная формы представления знаний, Методы представления знаний: продукционные правила, семантические сети, фреймы. Понятие нечетких знаний, коэффициенты доверия, нечеткий вывод.
Тема 4. Составные части экспертной системы и их взаимодействие.
База знаний как ядро экспертной системы, механизм вывода, механизмы приобретения и объяснения знаний, интеллектуальный интерфейс: интерфейс разработчика и интерфейс пользователя.
Организация базы знаний.
Тема 5. Этапы проектирования экспертной системы.
Приобретение знаний. Извлечение знаний из данных. Идентификация, концептуализация, формализация, реализация, тестирование, опытная эксплуатация. Участники процесса проектирования: эксперты, инженеры по знаниям, программисты, пользователи и конечные пользователи.
Раздел 3
Машинное обучение на примерах. Нейронные сети
Тема 6. Персептрон и его развитие.
Мозг и компьютер. Математический нейрон Мак-Каллока – Питса. Персептрон Розенблатта и правила Хебба. Дельта-правило, его обобщение и распознавание букв. Дальнейшее развитие персептрона Уидроу и Хоффом. Ограниченность однослойного персептрона. Многослойный персептрон и алгоритм обратного распространения ошибки. Виды активационных функций.
Тема 7. Возможности и сферы применения персептронов.
Новый инструмент получения научных знаний. Диагностика в медицине. Диагностика неисправностей сложных технических устройств. Нейросетевой детектор лжи. Прогнозирование результатов выборов президента страны. Нейросети в банковском деле: скоринг и прогнозирование банкротств. Модель рынка жилой недвижимости города. Прогнозирование валютных курсов и котировок ценных бумаг. Невербальность и «шестое чувство» нейросетей. Круг решаемых задач.
Тема 8. Проблемы проектирования и обучения персептронов.
Теоремы существования. Проблемы и методы проектирования. Обучение персептронов. Проблемы и методы обучения. Генетические алгоритмы. Дополнительные рекомендации по проектированию и обучению персептронов.
Раздел 4
Заключительная часть
Тема 9. Настоящее и будущее искусственного интеллекта и интеллектуальных информационных систем.
Искусственный интеллект и интеллектуальные информационные системы. Нейронные сети и экспертные системы. Нейросетевые технологии и технологии регрессионного анализа. Философские проблемы искусственного интеллекта и интеллектуальных информационных систем.
Практические занатия
№ и названия разделов и тем | Цель и содержание лабораторной работы | Результаты лабораторной работы |
Лабораторная работа № 1«Математический нейрон» | ||
Тема 6. Персептрон и его развитие. Мозг и компьютер. Математический нейрон Мак-Каллока – Питса. | Подобрать параметры нейрона Мак-Каллока-Питтса. Попытки моделирующего логических функций «И», «ИЛИ», «Иксключающее ИЛИ» | Понимание принципа действия математического нейрона Мак-Каллока-Питтса. |
Лабораторная работа № 2: «Классификация чисел на четные и нечетные» | ||
Персептрон Розенблатта и правила Хебба. Ограниченность однослойного персептрона. | Обучить персептрон классификации чисел на четные и нечетные. | Понимание принципа действия персептрона. |
Лабораторная работа № 3: «Распознавание печатных букв» | ||
Понимание принципа действия персептрона. | Обучить персептрон распознавать печатные буквы русского алфавита. | Понимание принципа действия и возможностей персептрона. |
Лабораторная работа № 4: «Распознавание печатных и рукописных букв» | ||
Дельта-правило, его обобщение и распознавание букв. Дальнейшее развитие персептрона Уидроу и Хоффом | Обучить персептрон распознавать печатные и рукописные буквы русского алфавита. | Понимание принципа действия и возможностей персептрона. |
Лабораторная работа № 5: «Двухслойный персептрон» | ||
Многослойный персептрон и алгоритм обратного распространения ошибки. Виды активационных функций. | Обучить двухслойный персептрон моделированию логических функций «И», «ИЛИ», «Исключающее ИЛИ». | Понимание принципа действия и возможностей многослойного персептрона, изучение влияние его параметров на процесс обучения. |
Лабораторная работа № 6: «Медицинская диагностика – один диагноз» | ||
Тема 7. Возможности и сферы применения персептронов. Новый инструмент получения научных знаний. Диагностика в медицине. | Создать множество обучающих примеров и обучить персептрон ставить один диагноз. | Умение ставить задачи и создавать нейросетевые модели медицинской диагностики. |
Лабораторная работа № 7«Медицинская диагностика – несколько диагнозов» | ||
Диагностика в медицине. | Создать множество обучающих примеров и обучить персептрон ставить четыре диагноза. | Умение ставить задачи и создавать нейросетевые модели медицинской диагностики. |
Лабораторная работа № 8: «Моделирование таблицы умножения» | ||
Тема 8. Проблемы проектирования и обучения персептронов. Теоремы существования. Проблемы и методы проектирования. Обучение персептронов. Проблемы и методы обучения. | Создать множество обучающих примеров, спроектировать персептрон и обучить его таблице умножения. добиться максимальных обобщающих свойств. | Умение выполнять проектирование, оптимизацию и обучение персептронов. |
Лабораторная работа № 9: «Моделирование таблиц умножения и сложения» | ||
Теоремы существования. Проблемы и методы проектирования. Обучение персептронов. Проблемы и методы обучения. | Создать множество обучающих примеров, спроектировать персептрон и обучить его таблице умножения. добиться максимальных обобщающих свойств. | Умение выполнять проектирование, оптимизацию и обучение персептронов. |
Лабораторная работа № 10: «Прогнозирование выборов президента страны» | ||
Тема 7. Возможности и сферы применения персептронов. Новый инструмент получения научных знаний. Прогнозирование результатов выборов президента страны. | Создать нейросетевую модель прогнозирования результатов выборов президента страны. Исследовать модель на предмет получения полезных рекомендаций. | Умение ставить задачи, создавать интеллектуальные информационные системы в политологии и выполнять их исследование с целью получения полезных выводов. |
Лабораторная работа № 11: «Прогнозирование результатов гонки в классе «Формула 1»» | ||
Возможности и сферы применения персептронов. Новый инструмент получения научных знаний. | Создать нейросетевую модель прогнозирования результатов автомобильых гонок. Исследовать модель на предмет получения полезных рекомендаций. | Умение ставить задачи, создавать интеллектуальные информационные системы в области спорта и выполнять их исследование с целью получения полезных выводов. |
Лабораторная работа № 12: «Прогнозирование индексов потребительских цен» | ||
Возможности и сферы применения персептронов. Новый инструмент получения научных знаний. | Создать нейросетевую модель прогнозирования результатов автомобильых гонок. Исследовать модель на предмет получения полезных рекомендаций. | Умение ставить задачи, создавать интеллектуальные информационные системы в области экономики и выполнять их исследование с целью получения полезных выводов. |
Лабораторная работа № 13: «Моделирование рынка жилой недвижимости города» | ||
Возможности и сферы применения персептронов. Новый инструмент получения научных знаний. Модель рынка жилой недвижимости города. | Создать нейросетевую модель рынка жилой недвижимости г. Перми. Исследовать модель на предмет получения полезных рекомендаций. | Умение ставить задачи, создавать интеллектуальные информационные системы в области экономики и выполнять их исследование с целью получения полезных выводов. |
Лабораторная работа № 14: «Оценка экономических рисков: скоринг, прогноз банкротств» | ||
Возможности и сферы применения персептронов Нейросети в банковском деле: скоринг и прогнозирование банкротств. | Создать нейросетевую модель прогнозирования экономических рисков. Исследовать модель на предмет получения полезных рекомендаций. | Умение ставить задачи, создавать интеллектуальные информационные системы в области экономики и выполнять их исследование с целью получения полезных выводов. |
Лабораторная работа № 15: «Консультации по выполнению курсовых работ» | ||
Возможности и сферы применения персептронов. | Создать нейросетевую модель в заданной предметной области. Исследовать модель на предмет получения полезных рекомендаций. | Умение ставить задачи, создавать интеллектуальные информационные системы в заданных предметных областях и выполнять их исследование с целью получения полезных выводов. |
III. Учебно-методическое обеспечение дисциплины:
Литература:Базовый учебник
Ясницкий в искусственный интеллект. Издание 3. Москва: Издательский центр «Академия», 2010. – 176.
Основная
Ясницкий интеллект. Элективный курс: Учебное пособие. – М.: БИНОМ. Лаборатория знаний, 2011. – 240c.
, Черепанов интеллект. Элективный курс: Методическое пособие по преподаванию. – М.: БИНОМ. Лаборатория знаний, 2012. – 216с.
Дополнительная
1. Нейронные сети для обработки информации / Пер. с польского. – М.: Финансы и статистика, 2002. – 342с.
2. , Круглов нейронные сети. Теория и практика. – М.: Горячая линия-Телеком, 2002. – 382с.
3. , Данилевич проблемы науки. – М.: БИНОМ. Лаборатория знаний, 2011. – 294c.
4. Ясницкий научная школа искусственного интеллекта и ее инновационные проекты / , , и др.; под ред. . – 2-е изд. – Москва-Ижевск: НИЦ «Регулярная и хаотическая динамика», 2008. – 75 с.
5. Нейронные сети: Полный курс: пер. с англ. / С. Хайкин. – М.: Вильямс, 200с.
Источники в Интернете:
1. Пермская научная школа искусственного интеллекта. http://www. *****.
2. Лабораторный практикум по нейронным сетям. http://www. *****.
Тематика заданий по различным формам текущего контроляТекущий контроль состоит из экспресс-опроса перед каждым занятием (студентам задаются вопросы из списка Приложения 2) и защиты в форме презентаций индивидуальных домашних (самостоятельных) заданий.
Темы самостоятельных заданий студенты выбирают из приведенного ниже списка, либо придумывают сами исходя из своих личных интересов, связанных с их работой и темами курсовых и дипломных работ.
Тематика заданий по самостоятельным заданиям:
1. Интеллектуальная система диагностики сложных технических устройств.
2. Интеллектуальная система распознавания криминальных ситуаций по данным видеонаблюдений.
3. Интеллектуальная система оценки жилой недвижимости.
4. Интеллектуальная система оценки стоимости подержанных автомобилей.
5. Интеллектуальная система прогнозирования курсов валют, котировок акций и ценных бумаг (с учетом влияния большого количества факторов).
6. Интеллектуальная система оценки банковских рисков.
7. Интеллектуальная система оценки кредитоспособности физических лиц.
8. Интеллектуальная система выявления клиентов-мошенников страховых компаний.
9. Интеллектуальная система оценки вероятности банкротств организаций.
10. Интеллектуальная система прогнозирования расхода зданиями тепловой и электрической энергии.
11. Интеллектуальная система прогнозирования индексов потребительских цен.
12. Интеллектуальная система прогнозирования результатов голосований.
13. Интеллектуальная система прогнозирования результатов выборов в Законодательное собрание области, края.
14. Интеллектуальная система-советчик выбора профессии.
15. Интеллектуальная система поддержки принятия решений руководителя фирмы.
16. Интеллектуальная система формирования коэффициентов исхода спортивных матчей (прогнозирование букмекерских коэффициентов).
17. Интеллектуальная система прогнозирования результатов автомобильных гонок, скачек и пр.
18. Интеллектуальная система прогнозирования вероятности дорожно-транспортных происшествий.
19. Интеллектуальная система оптимального распределения бюджета бизнес-структур.
20. Интеллектуальная система подбора кадров для коммерческой структуры.
Методические рекомендации (материалы) преподавателю:Технологии создания интеллектуальных информационных систем на базе нейросетевых технологий в настоящее время находятся в авангарде научно-технического прогресса и с успехом побивают все рекорды по темпам развития и по количеству практических приложений в самых разных областях человеческой деятельности.
По нашим личным наблюдениям, существует две категории людей, активно интересующихся и занимающихся искусственным интеллектом и интеллектуальными информационными системами.
Первая категория людей ставит перед собой цель разобраться в самом смысле человеческого бытия, в принципах мироздания: как устроен человеческий мозг; в чем смысл жизни человека; каково его предназначение; как и откуда он появился на планете Земля и что с ним будет дальше?
Для второй категории исследователей, наоборот, характерен прагматизм. Это создатели компьютеров и программного обеспечения, которые применяют методы искусственного интеллекта в самых что ни на есть практических целях. Они поняли, что добиться высокой эффективности создаваемой ими продукции можно путем копирования, моделирования, имитации структуры и принципов деятельности человеческого мозга. И они изучают мозг, выдвигают новые идеи и гипотезы, реализуют их, проверяют их в работе при решении конкретных жизненных проблем. Термин «искусственный интеллект» они стараются не употреблять, оставляя его философам и фантастам. Их термины звучат более приземлено: «интеллектуальная информационная система», «система искусственного интеллекта».
В учебном курсе изучаются три основных стратегических подхода к созданию систем искусственного интеллекта: нейроинформационных технологий, технологии генетических алгоритмов, теория нечетких множеств.
Изучение материала ведется с соблюдением хронологической последовательности развития технологии нейронечетких систем так, что каждая новая идея, каждый новый метод появляются не случайно, а являются закономерным ответом на возникшие проблемы и парадоксы.
Большое внимание уделяется вопросам практического применения методов искусственного интеллекта, в частности, при решении задач распознавания образов, прогнозирования, управления, диагностики, оптимизации бизнес-процессов и экономических явлений.
Основным учебным источником является учебное пособие для вузов, выпущенное издательским центром «Академия» в 2005 г и дважды переизданное в 2007 и 2010гг. Опыт преподавания курса «Интеллектуальные информационные системы» в российских вузах на основе этого учебного пособия показал чрезвычайную его востребованность и заинтересованность студентов, которая сопровождалась множеством курсовых, дипломных и диссертационных работ, посвященных применению идей и методов нейросетевых технологий в бизнесе, экономике, промышленности, политологии, социологии, психологии, криминалистики и других сферах человеческой деятельности. Многие из этих экспериментальных студенческих работ стали основой смелых, и в то же время вполне реальных инновационных проектов, которые в настоящее время активно развиваются кафедрами вузов и внедряются продвинутыми IT-фирмами. Все это позволило открыть в г. Перми Пермское отделение Научного совета РАН по методологии искусственного интеллекта. Образовалось то, что принято называть научной школой. Некоторые результаты инновационной деятельности Пермской научной школы искусственного интеллекта нашли отражение в книгах автора и сотне научных публикаций (*****).
В ходе апробации нового учебного курса в вузах авторам удалось выстроить его так, что, несмотря на изначальную сложность, материал с легкостью усваивался студентами с совершенно разными уровнями подготовки.
Лабораторные работы оснащены современным интерфейсом. В основу лабораторных работ заложена идея азартной компьютерной игры так, что их выполнение обходится практически без вмешательства преподавателя или лаборанта. Между учащимися и компьютерами завязывается активный диалог, в ходе которого учащиеся последовательно осваивают одну идею искусственного интеллекта за другой, иногда наталкиваясь на подводные камни и попадая в «ловушки», в которых порой оказывались ученые-создатели науки «Искусственный интеллект». Такой способ освоения материала, по-нашему мнению, способствует глубокому проникновению в суть проблем, и не позволит в будущем повторять вошедшие в историю заблуждения и ошибки.
В ходе выполнения лабораторных работ учащиеся осваивают специально созданный для них программный инструмент – «Симулятор нейронных сетей» «Нейросимулятор 1.0». (Свидетельство об отраслевой регистрации разработки № 000. Зарегистрировано в Отраслевом фонде алгоритмов и программ 12.07.2007). С помощью этого инструмента они создают любые структуры нейронных сетей персептронного типа, подбирают их параметры, оптимизируют, обучают решению конкретных практических задач. Некоторые задачи из области моделирования бизнес-процессов в промышленности, медицине, политологии, социологии, экономике и др. учащимся предлагается решить самостоятельно с помощью освоенного ими инструмента.
Методические указания студентам:Изучение дисциплины предполагается в классическом варианте: лекции, включающие компьютерную презентацию (не более 3% времени) чередуются с лабораторными работами.
Лабораторные работы оснащены современным интерфейсом. В их основу заложена идея азартной компьютерной игры так, что их выполнение обходится практически без вмешательства преподавателя или лаборанта.
В ходе выполнения лабораторных работ учащиеся осваивают специально созданный для них программный инструмент – «Симулятор нейронных сетей». С помощью этого инструмента они могут создавать любые структуры нейронных сетей персептронного типа, подбирать их параметры, обучать решению широкого круга практических задач. Некоторые из таких задач из области моделирования бизнес-процессов в промышленности, медицине, политологии, социологии, экономике и др. учащимся предлагается решить с помощью освоенного ими инструмента. Студентам также предоставляется возможность самим придумывать и ставить проблемы и самим их решать методами нейронечеткого моделирования. Это задачи прогнозирования, диагностики, оптимизации, классификации и распознавания. Студенты сами ставят проблему, сами находят или подбирают обучающие примеры, создают, оптимизируют и обучают нейронную сеть, получая нейросетевую математическую модель предметной области, затем исследуют эту модель, получая полезные для практического применения результаты. Самостоятельные работы, которые впоследствии выполняют студенты, являются логическим продолжением лабораторного практикума.
Наработанный таким образом опыт создания интеллектуальных информационных систем, предназначенных для моделирования бизнес-процессов и экономических явлений, может быть использован при выполнении дипломных работ, а также использован в будущей научной, производственной, коммерческой и педагогической деятельности. В отличие от лабораторных и курсовых темы дипломных работ должны преимущественно иметь экономическую направленность. Это прогнозирование финансовых рынков, котировок акций и курсов валют, интеллектуальные системы оценки экономического состояния предприятий, прогнозирования кризисного состояния и банкротств предприятий, оценки финансовых рисков, скоринговые системы, интеллектуальные системы оценки недвижимости, товаров и услуг, индексов потребительских цен и т. п.
Автор программы __________________________
V. Тематический расчет часов
Названия разделов и тем | Всего часов по учебному плану | Виды учебных занятий | |||
Аудиторные занятия, в том числе | Самостоятельная работа | ||||
лекции | практ. занятия, семинары | лабор. работы | |||
Раздел 1 Предмет, история, основные стратегии и направления развития дисциплины «Интеллектуальные системы» | |||||
1. Предмет и история искусственного интеллекта (ИИ) и интеллектуальных информационных систем (ИИС). | 2 | 2 | - | - | |
2. Основные стратегии и направления развития ИИ и ИИС. | 2 | 2 | - | - | |
Раздел 2 Экспертные системы | |||||
3 .Методы представления знаний в экспертных системах. | 2 | 2 | - | - | |
4. Составные части экспертной системы и их взаимодействие. | 2 | 2 | - | - | |
5. Этапы проектирования экспертной системы. | 2,6 | 2 | - | 0,6 | |
Раздел 3 Машинное обучение на примерах. Нейронные сети | |||||
6. Персептрон и его развитие. | 12 | 2 | 10 | - | - |
7. Возможности и сферы применения персептронов. | 18 | 8 | 10 | - | - |
8. Проблемы проектирования, обучения и практического применения персептронов. | 48 | 16 | 32 | - | - |
Раздел 4 Заключительная часть | |||||
9. Настоящее и будущее искусственного интеллекта и интеллектуальных информационных систем. | 2 | 2 | - | - | |
Итого | 114,85 | 44 | 52 | 0,6 |
Автор программы __________________________
Приложение 1
Вопросы для самоконтроля
1. Назовите несколько отличительных признаков в принципах действия современного компьютера, выполненного по схеме Фон Неймана, от мозга.
Сколько нейронов имеет человеческий мозг? Сколько дендритов и сколько аксонов может иметь нейрон? Каково их назначение? Сколько нервных волокон соединяющих нейроны между собой имеет человеческий мозг? В каком виде хранится информация в человеческом мозге? Объясните на языке электротехники значение термина «сила синаптической связи». В каких единицах она измеряется? Какой объем памяти имеет человеческий мозг. Сколько входов и сколько выходов может иметь математический нейрон Мак-Каллока – Питтса? Напишите формулы, с помощью которых происходит преобразование сигналов в математическом нейроне Мак-Каллока – Питтса. Нарисуйте графическое изображение активационной функции математического нейрона Мак-Каллока – Питтса. Нарисуйте математические нейроны, реализующие логические функции «И», «ИЛИ», «НЕТ» и приведите соответствующие им значения сил синаптических связей и порогов. Нарисуйте математический нейрон и напишите формулы, по которым он работает, с использованием понятия смещения вместо порога. Какой вид при этом имеет активационная функция нейрона? Чем весовые коэффициенты
отличаются от синаптических весов и от сил синаптических связей? Чем нейронное смещение b отличается от порога чувствительности 
? Чем отличается нейронная сеть от нейрокомпьютера? Каким образом вырабатываются входные сигналы 
, 
, 
… персептрона, классифицирующего числа на четные и нечетные? Каким образом задаются первоначальные значения синаптических весов 
, 
, 
и как они затем корректируются? В каком виде персептрон хранит знания, необходимые для распознавания цифр? Какая теорема считается самой доказанной в мире теоремой? Дайте формулировку теоремы сходимости персептрона. Что подразумевается под введенными нами обозначениями 
и 
? Чем они отличаются? Напишите формулы, по которым согласно алгоритму дельта-правила корректируются синаптические веса и нейронные смещения. Что такое коэффициент скорости обучения, для чего он нужен и в каких пределах его обычно задают? Чем отличается схема персептрона, предназначенного для классификации чисел на четные и нечетные, от схемы персептрона, распознающего буквы русского алфавита? Какое количество выходных нейронов должен иметь персептрон, предназначенный для распознавания букв латинского алфавита? Какое количество выходных нейронов должен иметь персептрон, предназначенный для распознавания не только букв, но и цифр? Что понимается под свойством обобщения, которым обладает мозг человека и его модель – персептрон? Как научить персептрон распознавать не только печатные, но и рукописные буквы? Нарисуйте графическое изображение сигмоидной активационной функции и напишите ее математическую формулу. Чем сигмоидная функция активации лучше (или хуже) функции-ступеньки? Чем сигмоидная активационная функция отличается от логистической? Напишите формулу для вычисления квадратичной ошибки персептрона. От каких величин она зависит? Для чего нужен множитель ½ в формуле для квадратичной ошибки обучения персептрона? Что будет, если этот множитель не использовать? В виде какой геометрической фигуры изображается квадратичная ошибка обучения персептрона? Чем гиперпсевдопараболоид отличается от псевдопараболоида? Что из себя представляет градиент функции? В какую сторону он направлен? В чем суть метода градиентного спуска? Попробуйте применить алгоритм метода градиентного спуска к задаче поиска точки минимума функции 
. Напишите формулы итерационного процесса, соответствующего обобщенному дельта-правилу. Можно ли применять алгоритм обычного (необобщенного) дельта-правила для обучения персептрона с сигмоидными активационными функциями? Можно ли применять обобщенное дельта-правило для обучения персептрона со ступенчатыми активационными функциями? Нарисуйте таблицы истинности логических функций «И», «ИЛИ», «Исключающее ИЛИ». Нарисуйте персептрон, моделирующий функцию «Исключающее ИЛИ». С помощью формул, описывающих работу математического нейрона, убедитесь, что нарисованный Вами персептрон действительно моделирует функцию «Исключающее ИЛИ». Попробуйте изобразить другой персептрон (другой структуры) тоже способный моделировать логическую функцию «Исключающее ИЛИ». Почему не удается применять известные Вам алгоритмы обучения (правила Хебба, дельта-правило, обобщенное дельта-правило) для обучения персептронов, моделирующих функцию «Исключающее ИЛИ»? Попытайтесь придумать алгоритм обучения персептрона, содержащего один скрытый слой. Объясните, в чем состоит идея алгоритма обратного распространения ошибки? Отражает ли название алгоритма его идею? Какую роль в методе обратного распространения ошибки выполняет коэффициент скорости обучения 
. Попробуйте запрограммировать алгоритм обратного распространения ошибки на каком-либо алгоритмическом языке. Сколько алгоритмов обучения нейронных сетей Вам известно? Назовите их и охарактеризуйте их возможности. Годится ли алгоритм обратного распространения ошибки для обучения персептрона со ступенчатыми активационными функциями? Годятся ли правила Хебба для обучения персептрона с нейронами, имеющими сигмоидные функции активации? Годится ли дельта-правило для обучения персептрона с нейронами, имеющими сигмоидные функции активации? Назовите преимущества и недостатки алгоритма обратного распространения ошибки по сравнению со всеми изученными ранее методами обучения нейронных сетей. Приведите примеры активационных функций, используемых в современных нейросетях. Постройте их графики. Укажите их области определений и области значений. 57. Какие алгоритмы обучения персептронов годятся для работы со ступенчатыми активационными функциями?
81. Невозврат кредитов, выдаваемых банками фирмам и частным лицам, не раз являлся причиной банкротства банков. Раз это так опасно, то почему банки продолжают выдавать кредиты фирмам и частным лицам? Смогли бы они обойтись без этого вида деятельности?
82. Кто и на каком основании принимает решение о выдаче или отказе в выдаче кредита частным лицам и фирмам?
83. Объясните принцип действия персептрона, способного распознавать потенциально ненадежных клиентов банка?
84. Чем объяснить, что английские банкиры успешно применяют нейросети для выявления потенциально ненадежных клиентов, а в России это не получается?
85. Поясните суть метода скользящих окон.
86. Перечислите, какие факторы могут оказывать влияние на курсы валют. Каким образом их можно учитывать при нейросетевом прогнозировании?
87. Какая информация использовалась для создании обучающего множества примеров при построении программы, прогнозирующей результаты президентских выборов в России?
88. Попробуйте создать программу, прогнозирующую результаты президентских выборов, используя в качестве обучающих примеров отечественный опыт.
89. Перечислите положительные и отрицательные свойства, которые персептрон наследовал от своего прототипа – человеческого мозга.
90. Какие знания называются невербальными?
91. Вспомните, каким образом вербализуются выводы, получаемые с помощью экспертных систем.
92. Подумайте над тем, как можно вербализовать нейросетевые знания.
93. В чем состоит задача оптимизации моделируемого объекта или процесса, и как она решается с помощью нейросетевых технологий? Приведите примеры.
94. В чем состоит задача прогнозирования моделируемого объекта, явления, процесса, и как она решается с помощью нейросетевых технологий? Приведите примеры.
95. В чем состоит задача управления моделируемым объектом, процессом, и как она решается с помощью нейросетевых технологий? Приведите примеры.
96. В чем состоит задача распознавания (классификации) образов, и как она решается с помощью нейросетевых технологий? Приведите примеры.
97. Чем отличается искусственная нейронная сеть от нейрокомпьютера?
В чем состоит процесс проектирования персептронов? Как задается число входов персептрона? Как задается число выходов персептрона? Как задается число нейронов в скрытых слоях персептрона? От каких параметров задачи зависит оптимальное количество нейронов скрытых слоев персептрона? Как задается вид активационных функций нейронов? Чем отличается погрешность обучения от погрешности обобщения? Нарисуйте примерные графики зависимости обеих погрешностей от количества нейронов скрытых слоев персептрона. Чем объяснить, что при чрезмерном увеличении количества нейронов скрытых слоев персептрона его погрешность обобщения растет? К какому нежелательному последствию может привести чрезмерное уменьшение количества нейронов в скрытых слоях персептрона? К какому нежелательному последствию может привести чрезмерное увеличение нейронов в скрытых слоях персептрона? Как на практике подбирается количество нейронов скрытых слоев персептрона?109. Дайте определение градиента функции. Куда он направлен?
110. Что такое линии уровня (изолинии) функции? Приведите пример из географии.
111. Как направлен градиент функции по отношению к линиям уровня функции?
112. Почему метод градиентного спуска плохо работает в случаях, когда поверхность, изображающая целевую функцию, имеет овраги?
113. Опишите приемы, направленные на преодоление проблемы оврагов.
114. В чем состоит идея метода упругого обратного распространения? Дайте его геометрическую интерпретацию.
В чем состоит суть естественного отбора? Что такое ген и что такое мутация? Что принимается в качестве функции фитнеса при оптимизации весовых коэффициентов персептрона? Как формируются хромосомы и что принимается в качестве особей? Почему проектирование и обучение нейронных сетей иногда называют искусством, а не наукой? Опишите два способа выявления незначимых входных параметров. Назовите причины появления посторонних выбросов в статистической информации (в множествах обучающих примеров)? Каким образом можно обнаружить посторонние выбросы с помощью нейронной сети? Что такое «паралич сети»? С помощью каких формул можно масштабировать входные и выходные сигналы персептрона?