МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РФ
ВОЛЖСКИЙ ПОЛИТЕХНИЧЕСКИЙ ИНСТИТУТ (ФИЛИАЛ)
ВОЛГОГРАДСКИЙ ГОСУДАРСТВЕННЫЙ ТЕХНИЧЕСКИЙ УНИВЕРСИТЕТ
КАФЕДРА «АВТОМАТИКА, ЭЛЕКТРОНИКА И ВЫЧИСЛИТЕЛЬНАЯ
ТЕХНИКА»
УТВЕРЖДАЮ
Зам. директора
по учебной работе
_____________
“___”_____________2004 г.
ОБРАЗОВАТЕЛЬНЫЙ СТАНДАРТ
по направлению подготовки дипломированных специалистов
654600 «Информатика и вычислительная техника»
по специальности 220200 “Автоматизированные системы обработки
информации и управления”
РАБОЧАЯ ПРОГРАММА
по дисциплине “Системы искусственного интеллекта ”
Факультет: инженерно-экономической
Курс 5
Семестр 9
Всего аудиторных занятий, час 51
Лекции, час 34
Практические занятия, час 17
ОргСРС 51
Курсовая работа (зачет) +
Экзамен 9
Волжский 2004
Рабочая программа составлена на основании Государственного образовательного стандарта высшего профессионального образования утвержденного 27.03.2000г. и учебного плана.
Составитель рабочей программы
к. т.н., доцент кафедры «ВАЭ и ВТ»________________________
Согласовано
Зав. кафедры «ВАЭ и ВТ» _______________________________
Рабочая программа утверждена на заседании кафедры “Автоматика, электроника и вычислительная техника”
“___”______________2004 г.
Заведующий кафедрой «ВАЭ и ВТ» ____________________
Одобрено научно-методическим советом инженерно - экономического факультета «___»___________________ 2004 г.
Председатель научно-методического совета ______________
Декан факультета__________________________________
1.Цели и задачи учебной дисциплины
Цель настоящего курса - дать студентам сведения о современных системах искусственного интеллекта, их характеристиках, а также тенденциях их развития.
Задачи курса:
1) изучить методы и средства представления и обработки данных и знаний системами искусственного интеллекта;
2) объяснить студентам математические и логические принципы функционирования систем искусственного интеллекта;
3) научить студентов разрабатывать алгоритмы для управления системами искусственного интеллекта.
Изучение данной дисциплины опирается на учебный материал, излагаемых в курсах: высшая математика, вычислительная техника, физика, электротехника и электроника.
Практические занятия имеют целью научить студентов самостоятельно строить структурные алгоритмы интеллектуальной обработки баз данных и знаний. Особое внимание уделяется примерам конкретных методов распознавания изображений и звуков. Темы практических занятий соответствуют лекционному материалу.
Семестровые работы выполняются по темам, посвященным конкретным системам и их методическому и программному обеспечению.
2.Содержание дисциплины
Таблица 2.1. Содержание учебной дисциплины
№ темы | Название темы, и наименования вопросов, изучаемых на лекциях | Кол-во лекционных часов | Практи-ческие занятия | Лаб. работы | Метод. указа-ния | Форма контроля |
1. | Машинное творчество. Моделирование литературных и музыкальных произведений. Сценарии. | 2 | 1 | экзамен | ||
2. | Распознавание образов и анализ изображений. Математические модели процесса распознавания. | 2 | 1 | экзамен | ||
3. | Модели обучения. Самообучающиеся системы. Поступки и поведение. | 2 | 1 | экзамен | ||
4. | Восприятие и первичная обработка зрительной информации. Восприятие двухмерных и трехмерных сцен | 2 | 1 | экзамен | ||
5. | Уровни понимания. Понимание текстов на естественном языке. Синтез связанных текстов. | 2 | 1 | экзамен | ||
6. | Свойства однослойных, двухслойных и трехслойных нейронных сетей (НС). | 2 | 1 | экзамен | ||
7. | Свойства НС Хопфилда и Хемминга. | 2 | 1 | экзамен | ||
8. | Генетические операторы обучения НС. Самоорганизующаяся коммуникационная система. | 2 | 1 | экзамен | ||
9. | Алгоритм обучения персептрона. Метод обратного распространения ошибки. | 2 | 1 | экзамен | ||
10. | Вероятностные методы распознавания образов, использующие методы принятия решений. | 2 | 1 | экзамен | ||
11. | Распознавание с применением критериев Байеса, минимакса и Неймана - Пирсона. | 2 | 1 | экзамен | ||
12. | Процедуры обучения с применением критерия Байеса. | 2 | 1 | экзамен | ||
13. | Процедуры самообучения с применением критерия Байеса. | 2 | 1 | экзамен | ||
14. | Модели представления данных и знаний. Логические языки и логические модели данных. | 2 | 1 | экзамен | ||
15. | Продукционные модели знаний. Управление системой продукций. | 2 | 1 | экзамен | ||
16. | Дедуктивный вывод на знаниях. Обратный метод вывода. Принцип резолюций. Семантическая и линейная резолюции. | 2 | 1 | экзамен | ||
17. | Структура микросхем, реализующих НС элементы. Архитектура, спец. команды, структура ячейки. | 2 | 1 | экзамен | ||
Итого | 34 | 17 |
3. Практические занятия
№ п. п. | Темы практических занятий | Часы |
1. | Корреляционные характеристики изображений и оценка их влияния на распознавание. | 2 |
2. | Построение векторов разделяющих гиперповерхностей для множества смещенных изображений. | 2 |
3. | Вычисление идентификационных порогов для критериев распознавания Байеса, минимакса и Неймана-Пирсона. | 2 |
4. | Оценка влияния фильтрации на корреляционные характеристики распознаваемых изображений. | 2 |
5. | Тождества и преобразования алгебры логики. Логические выражения и приведение их к заданным формам. | 2 |
6. | Формализация качественных знаний. Методика вычисления резолюций. | 2 |
7. | Преобразование логических выражений в матричном виде. Методика дедуктивного вывода. | 2 |
8. | Методы неточного вывода. | 2 |
9. | Отчетное занятие. | 1 |
Всего | 17 |
Список литературы
1. Искусственный интеллект. Справочник. - В 3-х кн. М.: “Радио и связь”, 1990.
2. Принципы искусственного интеллекта. М.: Мир. 1985.
3. , Палютин логика. М.: ”Наука”. 1979.
4. Теория возможностей. М.: “Радио и связь”, 1990.
5. , Скрипкин распознавания. М.: “Высшая школа”. 1984.
6. Фомин теория обучаемых опознающих систем. Л.: “Издательство Ленинградского университета”. 1976.
7. Гиндикин логики в задачах. М.: “Высшая школа”. 1972.
8. , Лапа случайных процессов. Киев.: «Наукова думка», 1971.
9. СБИС для распознавания образов и обработки изображений. М.: «Мир», 1988.
МИНИСТЕРСТВО ОБРАЗОВАНИЯ РОССИЙСКОЙ ФЕДЕРАЦИИ
ВОЛЖСКИЙ ПОЛИТЕХНИЧЕСКИЙ ИНСТИТУТ (филиал)
ВОЛГОГРАДСКИЙ ГОСУДАРСТВЕННЫЙ ТЕХНИЧЕСКИЙ УНИВЕРСИТЕТ
КАФЕДРА «АВТОМАТИКА, ЭЛЕКТРОНИКА И ВЫЧИСЛИТЕЛЬНАЯ
ТЕХНИКА»
СОГЛАСОВАНО УТВЕРЖДАЮ
Декан ФЭИ Зав. кафедры «ВАЭ и ВТ»
______________ ____________
«____» ___________ 2004 г. “___”____________ 2004 г.
МЕТОДИКА РЕЙТИНГОВОГО КОНТРОЛЯ
знаний студентов по дисциплине
"Системы искусственного интеллекта»
по направлению подготовки дипломированных специалистов
654600 «Информатика и вычислительная техника»
по специальности 220200 “Автоматизированные системы обработки
информации и управления”
Курс 5
Семестр 9
Разработал: доцент кафедры ВАЭ и ВТ _______________
Рейтинговая оценка включает теоретическую и практическую часть курса, курсовую работу. В таблице 1 приведено распределение баллов по видам занятий.
Таблица 1
Виды занятий | Распределение баллов в семестре | |
мин. | макс. | |
Теоретические занятия | - | - |
Практические занятия | 28 | 40 |
Курсовая работа | 13 | 20 |
Экзамен | 20 | 40 |
Итого | 61 | 100 |
Методика рейтинговой оценки по практическим занятиям.
Рабочей программой предусмотрено в течении семестра выполнение студентом восьми практических занятий. Практическое занятие считается выполненным после представления студентом результатов выполнения задания и устного теоретического отчета, после чего оценивается следующим рейтингом:
“удовлетворительно” – 3,5 балла,
“хорошо” - 4 балла,
“отлично” - 5 баллов.
Итого, за восемь выполненных практических занятий студент может набрать:
минимум - (8 пр. зан.)*(3,5 балла)=28 баллов,
максимум - (8 пр. зан.)*(5 баллов)=40 баллов.
Методика рейтинговой оценки курсовой работы.
Самостоятельная работа студентов заключается в выполнении курсовой работы. Минимальная оценка выставляется за выполненную курсовую работу при условии ее успешной защиты, а дополнительными баллами оценивается качество выполнения работы и полнота знаний, показанная студентом при защите курсовой работы.
Курсовая работа оценивается следующим рейтингом:
“удовлетворительно” - 13 баллов,
“хорошо” - 16 баллов,
“отлично” - 20 баллов.
Методика рейтинговой оценки на экзамене.
К экзамену не допускаются студенты, не выполнившие учебный план по дисциплине. В этом случае необходимое число баллов студент добирает за счет выполнения предусмотренных учебным планом практических занятий, курсовой работы и отчетов по теоретическому материалу.
Экзамен по дисциплине «Системы искусственного интеллекта «оценивается следующим образом:
“удовлетворительно” - 20 баллов,
“хорошо” - 30 баллов,
“отлично” - 40 баллов.
