3.2.3 Методические рекомендации преподавателю дисциплины
В рамках дисциплины проводится изучение основных понятий искусственного интеллекта, необходимых для последующего изучения моделей, методов и технологий систем искусственного интеллекта. В курсе приводятся примеры современных моделей искусственного интеллекта, рассматриваются методы обучения нейронных сетей, принципы работы генетических алгоритмов, правила построения экспертных систем, основы построения самообучающихся карт Кохонена.
Дисциплина изучается на лекциях и лабораторных работах.
На лекциях рассматриваются основополагающие теоретические вопросы и способы решения задач прикладного и системного характера. Лекции строятся на последовательном систематическом устном изложении преподавателем учебного материала, представляющего логически законченное целое. Каждая лекция сопровождается презентацией, содержащей краткий теоретический материал и иллюстративный материал.
Каждая презентация построена по следующему шаблону: название лекционного занятия, цель и задачи лекции, теоретический материал, в конце приведены итоги лекционного занятия, обозначена тема следующей лекции, а также вопросы и задания для самостоятельного изучения.
Презентации по лекционному курсу разбиты по темам, по отдельно взятой теме может быть несколько лекций.
Лабораторные работы направлены на самостоятельную работу по практической разработке моделей искусственного интеллекта. На лабораторной работе проводится разбор выполненных работ, обсуждение проблем, связанных с алгоритмами и программами данной работы, контролируется степень освоения студентами методов искусственного интеллекта на конкретных примерах и алгоритмах. Студенты привлекаются к разбору и сравнительному анализу предлагаемых вариантов программных реализаций решаемых задач.
В процессе самостоятельной работы студенты отрабатывают теоретические положения, изложенные на лекциях, реализует задания по лабораторным работам. Задания носят индивидуальный характер.
Организация занятий по дисциплине «Инженерия знаний и системы искусственного интеллекта» предполагает применение следующих технологий:
· информационно-развивающей (интерактивные лекции);
· личностно-ориентированной (трехуровневые задания на лабораторные работы);
· визуализации (использование обычной или интерактивной доски, проектора).
В соответствии с рабочим планом дисциплины преподавание «Инженерия знаний и системы искусственного интеллекта» включает такие формы обучения как лекция, лабораторные работы, выполнение расчетного задания, СРС.
Рекомендуется применение следующих методов обучения:
· информационного (лекция-дискуссия, лекция-диалог, лекция-визуализация, тестирование);
· поискового («слушай-думай-генерируй идеи» на лекции, «читай-думай-выполняй» на лабораторных работах, поиск информации для мини-реферата по теме лабораторной работы);
· мозговой штурм (проблемная задача на лекции, при защите лабораторной работы);
Чтение лекций проводится с использованием традиционных средств и средств мультимедиа в ауд. 516-522 г. к.
Для проведения лабораторных работ требуются технические средства, включающие персональные компьютеры, объединенные в локальную вычислительную сеть. Лабораторные занятия проводятся на базе компьютерных аудиторий в форме диалога с применением элементов поиска.
Использование рейтинговой подсистемы учета и контроля учебных достижений студентов позволяет обеспечить:
· максимальную объективность в оценке результатов учебной деятельности студентов;
· высокую дифференцирующую способность оценивания уровня усвоения учебного материала;
· минимальные затраты времени преподавателя на вычисление текущего, семестрового, итогового рейтингов;
· стимулирование ритмичной работы студентов в семестре;
· уменьшение психофизических нагрузок студентов и преподавателя в сессию;
· усиление обратной связи между преподавателем и студентом.
3.2.4 Образовательные технологии
Таблица. Рекомендации по использованию средств, форм и методов обучения в преподавании дисциплины (в интерактивной форме - 2 час)
Применяемые средства обучения | Применяемые формы обучения | Используемые методы обучения |
ПК, проектор | диалог (1 час) дискуссия (1 час) | информационный поисковый |
3.2.5 Особенности преподавания дисциплины
Особенности преподавание дисциплины «Инженерия знаний и системы искусственного интеллекта» описаны в пп. 3.2.1, 3.2.3
3.2.6 Материально-техническое обеспечение дисциплины
При обучении по дисциплине «Инженерия знаний и системы искусственного интеллекта» используются компьютеризованные учебные аудитории. В аудиториях предусмотрены места для работы с портативными ПК и рабочие столы для выполнения письменных заданий по лабораторным работам, проведения защит и тестирования. Для проведения лекций используются мультимедиа-аудитории 516-522 главного корпуса.
4 Лист согласования рабочей программы дисциплины
Лист согласования рабочей программы дисциплины
Наименование дисциплин, изучение которых опирается на данную дисциплину | Кафедра-разработчик дисциплины | Предложения | Подпись |
1 | 2 | 3 | 4 |
3. «Нечеткое моделирование и системы принятия решений» (3 семестр) 4. «Интеллектуальные технологии обработки изображений «(2 семестр) | ПМ | Замечаний нет |
5 Лист изменений к стандарту дисциплины
ИЗМЕНЕНИЕ (ДОПОЛНЕНИЕ) № _____
Утверждено и введено в действие
__________________________________________________________________
(наименование документа)
от ________________________________ № ___________
(дата (цифрой), месяц (прописью), год)
ПРИЛОЖЕНИЕ А
Методические указания к выполнению лабораторных работ при изучении дисциплины «Инженерия знаний и системы искусственного интеллекта»
для магистратуры направления 231000.68 "Программная инженерия"
Лабораторная работа 1. Построение генетического алгоритма для приближенного решения одной из NP полных задач большой размерности. (4 часа)
Цель работы
Освоить разработку генетических алгоритмов для приближенного решения NP полной задачи большой размерности.
Формулировка задачи
По варианту задания предлагается одна из NP полных задач, допускающих простое кодирование в виде битовых строк, являющихся организмами популяции. Требуется представить решение в виде генетического алгоритма, предложив вариант воспроизводства, мутаций и естественного отбора. Для отладки использовать небольшую размерность, сравнив работу генетического алгоритма с традиционным переборным алгоритмом. Для большой размерности сравнить лучшее решение в исходной популяции и лучшее решение через большое число поколений организмов.
Лабораторная работа 2. Анализ решения, полученного генетическим алгоритмом при различных параметрах и структурных изменениях (2 час)
Цель работы
Изучить зависимость полученного решения от основных параметров алгоритма
Формулировка задачи
Предложить наглядный интерфейс, позволяющий варьировать основные параметры генетического алгоритма: коэффициент воспроизводства, уровень мутаций, шансы выживания менее приспособленного в естественном отборе. Кроме этого, исследовать зависимость качества решения и времени работы от величины популяции и метода естественного отбора. Предложить рекомендации по решению данного типа NP полных задач генетическими алгоритмами.
Лабораторная работа 3. Реализация алгоритма обратного распространения ошибки обучения нейронных сетей для задачи распознавания образов (4 часа)
Цель работы
Реализовать алгоритм обратного распространения ошибки обучения нейронных сетей и применить его для задачи распознавания битовых образов.
Формулировка задачи
Реализовать используя теоретический лекционный материал классический алгоритм backpropagation. По варианту задания построить обучающую выборку для трех классов битовых образов размерностью 6x6 . Провести обучение нейронной сети и проверить качество обучения, путем подачи образов из тестового файла. При неудовлетворительном обучении провести корректировку обучающей выборки. В интерфейсе предусмотреть вывод на форму для корректирования основных параметров сети: число промежуточных слоев нейронной сети, количество нейронов на каждом слое, число эпох обучения, максимально допустимая ошибка обучения, шаг антиградиента весов связей нейронов слоев сети, показатель сигмоида, шаг вывода графика текущей ошибки. Провести исследование зависимости качества обучения сети от параметров.
Лабораторная работа 4. Реализация модификаций метода обратного распространения ошибки первого порядка (4 часа)
Цель работы
Реализовать различные модификации алгоритма обратного распространения ошибки обучения нейронных сетей первого порядка и применить его для задачи распознавания битовых образов.
Формулировка задачи
Реализовать основные модификации алгоритма backpropagation первого порядка: адаптивный метод, метод моментов, упругий, метод сопряженных градиентов. Для каждого из методов предусмотреть вывод на форму дополнительных параметров настройки каждой модификации базового алгоритма. Сравнить работу каждого из алгоритмов по времени обучения и точности распознавания образов для тестирующей выборки.
|
Из за большого объема этот материал размещен на нескольких страницах:
1 2 3 4 5 |
Основные порталы (построено редакторами)