Программа учебной дисциплины «Теория искусственного интеллекта» (стр. 4 )

ЧАСТОТНАЯ МОДУЛЯЦИЯ, изменение частоты колебаний по заданному закону, медленное по сравнению с периодом этих колебаний.

ШКАЛА – это способ классификации объектов по наименованиям или степени выраженности некоторого свойства. Понятие шкалы тесно связано с ключевым понятием когнитивной психологии: понятием конструкта, более того, практически является синонимом или формальным аналогом этого понятия.

ЭКСПЕРТНАЯ СИСТЕМА – это программа, которая в определенных отношениях заменяет эксперта или группу экспертов в той или иной предметной области.

Методические рекомендации для преподавателя, студента, слушателя

Для преподавателя:

использовать системный подход создания, применения и определения учебного процесса; применять инновационные методы обучения; использовать в процессе преподавания современные информационные технологии, в том числе мультимедийное оборудование; обсуждать популярные труды, монографии и периодические издания по вопросам искусственного интеллекта и моделирования систем; изучать индивидуальные способности студентов с целью выявления лиц, склонных к научной работе, и предлагать им более глубокие (развернутые) темы рефератов; практиковать обмен мнениями; использовать обратную (в том числе интерактивную в режиме он-лайн) связь со студентами.

Для студента:

следить за новинками изданий в области искусственного интеллекта; принимать активное участие в работе на занятиях; предлагать преподавателю новые формы работы на семинарах; в процессе проведения семинарских занятий накапливать опыт для написания дипломных работ (подготовка рефератов, докладов, выступлений).

Аттестация базируется на оценке работы студента на семинарских занятиях, оценки письменных контрольных работ, рефератов, презентаций и устного опроса по всем темам курса. Также учитывается посещение семинарских занятий.

Сборник задач и упражнений

Построение матриц парных сравнений:

выбрать предметную область исследования; выбрать 5 объектов исследования и 6 признаков сравнения; выбрать 7 экспертов; по каждому признаку построить матрицы парных сравнений; оформить результаты в виде отчета.

Для участвующих экспертов вычислить коэффициенты ранговой корреляции Спирмена. Проверить гипотезу о согласованности экспертных суждений. Оценить общую согласованность экспертов при помощи коэффициентов корреляции, проверить гипотезу о значимости дисперсионного коэффициента корреляции. Сделать выводы об общей согласованности. Построить групповой вектор приоритетов. Оценить степень значимости каждого критерия, построить вектор приоритетов критериев. Вычислить «интегральный» показатель значимости объектов. Сделать выводы.

Описание балльно-рейтинговой системы

Аттестация студентов по курсу «Теория искусственного интеллекта» проводится по системе зачетных единиц:

Максимальное количество баллов – 100.

Количество кредитов – 2.

Максимальное количество баллов за выполнение каждого вида работ:

опрос – 10 баллов выполнение ДЗ – 10 баллов работа на занятии – 20 баллов доклад – 10 баллов промежуточная КР – 20 баллов итоговая КР – 30 баллов

Оценка неудовлетворительно выставляется в форме F(2); FX(2+).

Оценка F(2) выставляется при условии, если студент набрал менее 30 баллов, оценка FX(2+) – 31-50 баллов. Оценка FX(2+) даёт возможность для пересдачи экзамена или зачёта.

Оценка удовлетворительно выставляется в форме E(3); D(3+). Оценка E(3) выставляется при условии, если студент набрал от 51 до 60 баллов. Оценка D(3+) – при условии наличия 61-68 баллов.

Оценка хорошо выставляется в форме C(4) при условии, если студент набрал 69-85 баллов.

Оценка отлично выставляется в форме B(5); A(5+). Оценка B(5) выставляется, если студент набрал 86-94 балла и свидетельствует о выполнении всех требуемых условий прохождения курса. Оценка A(5+) – 95-100 баллов выставляется не только при условии выполнения всех требований, но и с обязательным проявлением творческого отношения к предмету, умения находить оригинальные, не содержащиеся в учебниках ответы, умения работать с источниками, которые содержатся дополнительной литературе к курсу, умения соединять знания, полученные в данном курсе со знаниями других дисциплин.

Сводная оценочная таблица дисциплины
Раздел	Тема	Формы контроля уровня освоения ООП
Опрос	Выполнение ДЗ	Работа на занятии	Баллы темы (всего)	Баллы раздела (всего)	Доклад	Промежуточная КР	Итоговая КР
Основные понятия и задачи, решаемые методами искусственного интеллекта	Краткая история и терминология	1	1	2	4	16
Теоретические задачи, решаемые методами искусственного интеллекта.	1	1	2	4
Области практического применения методов искусственного интеллекта	1	1	2	4
Модели представления знаний	1	1	2	4
Основные модели в теории искусственного интеллекта	Логика	1	1	2	4	12
Семантические сети	1	1	2	4
Модели теории принятия решений: критериальный и вероятностный подходы. Экспертные методы. Нейронные сети.	1	1	2	4
Экспертные методы и экспертные системы	Экспертные системы. Общий обзор.	1	1	2	4	12
Технология разработки экспертных систем.	2	2	4	8
ИТОГО	100	10	10	20	40	40	10	20	30

Балльно-рейтинговая система оценки знаний, шкала оценок

Соответствие баллов и оценок

Баллы БРС	Традиционные оценки РФ	Оценки ECTS
95 – 100	Отлично – 5	A (5+)
86 – 94	B (5)
69 – 85	Хорошо – 4	C (4)
61 – 68	Удовлетворительно – 3	D (3+)
51 – 60	E (3)
31 – 50	Неудовлетворительно – 2	FX (2+)
0 – 30	F (2)
51 - 100	Зачет	Passed

Вопросы для самопроверки и обсуждений по темам

Тема 1.

История методов искусственного интеллекта.

Тема 2

Основные задачи, решаемые методами искусственного интеллекта.

Тема 3

Практическое применение методов искусственного интеллекта.

Тема 4

Представление знаний в моделях искусственного интеллекта.

Тема 5

Использование математической логики в моделях искусственного интеллекта.

Тема 6

Использование семантических сетей в моделях искусственного интеллекта.

Тема 7

Экскурс в модели принятия решений.

Тема 8

Сущность экспертных систем.

Тема 9

Принципы разработки экспертных систем.

Перечень рефератов и/или курсовых работ по темам

Новые технологии в искусственном интеллекте. Объектно-ориентированные технологии искусственного интеллекта. Основные принципы построения искусственного интеллекта. Создание нейросетевых моделей. Обеспечение процесса решения задач методами искусственного интеллекта. Применение экспертных систем.

Вопросы к рубежной аттестации

Задачи, решение которых требует применения методов искусственного интеллекта. Математическое описание задач — постановка абстрактных задач: выбор, поиск пути, генерация альтернатив, классификация. Абстрактные модели решения задачи: разновидности моделей, выбор наиболее подходящей для данной задачи. Хорошо и плохо структурированные предметные области. Эффективность решения практических задач методами искусственного интеллекта и критерии измерения эффективности. Принципы эффективного применения методов искусственного интеллекта. Принятие решений: определение выбора. Языки описания задач выбора (критериальный, бинарные отношения, статистика (многомерный статистический анализ, многомерное шкалирование) и др.). Вероятностные методы осуществления выбора. Гибридные модели. Методы получения экспертных оценок. Персептроны. Нейронные сети как основной тип современных моделей искусственного интеллекта. Необходимость экспертных систем в практических задачах человеческой деятельности. Определение экспертных систем. История развития и области применения. Задачи, решаемые экспертными системами. Технология применения экспертных систем и ее отличие от технологии применения «обычных» программ. Критерии необходимости применения экспертных систем. Типичные состав и структура экспертных систем. Языки представления знаний. Классификация знаний по глубине и жесткости. Классификация экспертных систем и современные тенденции в их развитии. Примеры практических экспертных систем. Этапы разработки экспертных систем и их отличие от разработки «обычного» ПО. Особенности разработки экспертных систем.

Разработчик:

Ведущий специалист ИПТИЭ, к. ф.-м. н.