МИНИСТЕРСТВО СЕЛЬСКОГО ХОЗЯЙСТВА

РОССИЙСКОЙ ФЕДЕРАЦИИ

Федеральное государственное образовательное учреждение

высшего профессионального образования

КУБАНСКИЙ ГОСУДАРСТВЕННЫЙ АГРАРНЫЙ УНИВЕРСИТЕТ

РАБОЧАЯ ПРОГРАММА

Дисциплины: Интеллектуальные информационные системы

для специальности: 080801.65 – Прикладная информатика (по областям) Ведущая кафедра: компьютерных технологий и систем Дневная форма обучения Вид учебной работы Всего Курс, семестр часов Лекции 5 курс, 9 семестр Практические занятия (семинары) Лабораторные работы 5 курс, 9 семестр Всего аудиторных занятий 5 курс, 9 семестр Самостоятельная работа 5 курс, 9 семестр Производственная практика Контрольные работы Курсовой проект (работа) Зачёт - Экзамен Да 5 курс, 9 семестр Всего по дисциплине

1. ЦЕЛИ И ЗАДАЧИ ДИСЦИПЛИНЫ

1.1. Цель изучения дисциплины Данная дисциплина обеспечивает приобретение студентами знаний, умений и навыков по "Интеллектуальные информационные системы" в соответствии с государственным образовательным стандартом (ГОС) высшего профессионального образования по специальности 080801.65 "Прикладная информатика (по областям)". Она входит в цикл специальных дисциплин специальности.

Дисциплина "Интеллектуальные информационные системы" является теоретическим и прикладным фундаментом для изучения дисциплин специальности 080801.65, связанных с обработкой информации при мониторинге, анализе, прогнозировании и управлении в экономике и юриспруденции. Знания, умения и навыки, полученные студентами при качественном освоении курса "Интеллектуальные информационные системы" могут использоваться ими при изучении других учебных дисциплин, а также при разработке курсовых и дипломных работ.

Изложение учебного материала дисциплины, согласно представленного в рабочей программе календарно-тематического плана, учитывает специфику деятельности специалиста в области экономики и юриспруденции. Оно ориентировано на то, что работа выпускников по данной специальности будет связанна с выявлением фактов непосредственно из эмпирических данных, накоплением фактов, выявлением причинно-следственных взаимосвязей между ними и использованием этих знаний для решения разнообразных задач идентификации, прогнозирования и выработки рекомендаций по управлению (поддержка принятия управленческих решений). Поэтому при преподавании дисциплины упор делается на прикладные аспекты эффективного применения ими интеллектуальных информационных технологий.

Цель – обеспечить высокую профессиональную подготовку информатиков в области разработки и практического применения интеллектуальных информационных технологий по профилю будущей специальности.

1.2. Задачи изучения дисциплины В результате обучения по дисциплине "Интеллектуальные информационные системы" студенты должны приобрести знания, умения и навыки для решения следующих задач:

– формальная постановка задачи, когнитивная структуризация и формализация предметной области;

– подготовка обучающей выборки и управлению ею;

– синтез модели предметной области, включая ее Парето-оптимизацию;

– исследование модели на адекватность, сходимость и устойчивость;

– решение задач идентификации и прогнозирования;

– решение обратных задач идентификации и прогнозирования, поддержка принятия решений по управлению, информационные портреты классов и семантические портреты факторов;

– кластерный анализ классов и факторов, графическое отображение результатов кластерного анализа в форме семантических сетей;

– конструктивный анализ классов и факторов;

– содержательное сравнение обобщенных образов классов и факторов, отображение результатов содержательного сравнения в графической форме когнитивных диаграмм;

– решение задач с применением интеллектуальных информационных технологий в различных предметных областях.

2. ТРЕБОВАНИЯ К УРОВНЮ ОСВОЕНИЯ СОДЕРЖАНИЯ ДИСЦИПЛИНЫ

В результате обучения по данной дисциплине студенты должны:

а) знать:

– историю, принципы и перспективные направления развития интеллектуальных информационных систем;

– критерии выбора математических методов и реализующих их программных средств для решения конкретных задач в различных предметных областях.

б) уметь:

ставить и решать задач, сформулированные в п.1.2 данной рабочей программы, в различных предметных областях.

в) иметь представление:

о перспективах развития интеллектуальных информационных технологий.

Перечень дисциплин, усвоение которых студентами необходимо для изучения данной дисциплины (перечень необходимо согласовать с методической комиссией факультета) Наименование Наименование разделов /тем/ дисциплины ОПД.Ф.03. Базы Базы данных (БД). Принципы построения. Жизненный цикл БД. Организация данных процессов обработки данных в БД. Информационные хранилища. Проблема создания и сжатия больших информационных массивов, информационных хранилищ и складов данных. Управление складами данных.

3. СОДЕРЖАНИЕ ДИСЦИПЛИНЫ

РАЗДЕЛ 1. ВВЕДЕНИЕ В ИНТЕЛЛЕКТУАЛЬНЫЕ ИНФОРМАЦИОННЫЕ СИСТЕМЫ

Тема-1. Интеллектуальные информационные системы, как закономерный и неизбежный этап развития средств труда.

Основные положения информационно-функциональной теории развития техники. Информационная теория стоимости. Интеллектуализация – генеральное направление и развития информационных технологий. Логический и эвристический методы рассуждения в ИИС. Рассуждения на основе дедукции, индукции, аналогии. Нечеткий вывод знаний. Немонотонность вывода. Приобретение знаний. Извлечение знаний из данных.

Тема-2. Определение и критерии идентификации систем искусственного интеллекта.

Данные, информация, знания. Системно-когнитивный анализ как развитие концепции смысла Шенка-Абельсона. Понятие: "Система искусственного интеллекта", место СИИ в классификации информационных систем. Определение и классификация систем искусственного интеллекта, цели и пути их создания. Информационная модель деятельности специалиста и место систем искусственного интеллекта в этой деятельности. Жизненный цикл системы искусственного интеллекта и критерии перехода между этапами этого цикла. Понятие интеллектуальной информационной системы (ИИС), основные свойства. Классификация ИИС.

РАЗДЕЛ 2. ТЕОРЕТИЧЕСКИЕ ОСНОВЫ И ПРИМЕНЕНИЕ УНИВЕРСАЛЬНОЙ

КОГНИТИВНОЙ АНАЛИТИЧЕСКОЙ СИСТЕМЫ "ЭЙДОС"

Тема-3. Теоретические основы системно-когнитивного анализа.

Системный анализ, как метод познания. Когнитивная концепция и синтез когнитивного конфигуратора. СК-анализ, как системный анализ, структурированный до уровня базовых когнитивных операций. Место и роль СК-анализа в структуре управления.

Тема-4. Системная теория информации и семантическая информационная модель.

Теоретические основы системной теории информации. Семантическая информационная модель СК-анализа. Некоторые свойства математической модели (сходимость, адекватность, устойчивость и др.). Взаимосвязь математической модели СК-анализа с другими моделями Тема-5. Методика и технология численных расчетов в СК-анализе Принципы формализации предметной области и подготовки эмпирических данных.

Иерархическая структура данных и последовательность численных расчетов в СК-анализе.

Обобщенное описание алгоритмов СК-анализа. Детальные алгоритмы СК-анализа.

Тема-6. Технология синтеза и эксплуатации приложений в системе «Эйдос».

Назначение и состав системы "ЭЙДОС". Пользовательский интерфейс, технология разработки и эксплуатации приложений в системе "ЭЙДОС". Технические характеристики и обеспечение эксплуатации системы "ЭЙДОС" (версии 12.5). АСК-анализ, как технология синтеза и эксплуатации рефлексивных АСУ активными объектами.

РАЗДЕЛ 3. ПРИНЦИПЫ ПОСТРОЕНИЯ ИНТЕЛЛЕКТУАЛЬНЫХ

ИНФОРМАЦИОННЫХ СИСТЕМ

Интеллектуальные интерфейсы. Понятие интеллектуального интерфейса и классификация систем с интеллектуальными интерфейсами. Системы с биологической обратной связью (БОС).

Системы, поведение которых зависит от психофизиологического состояния пользователя. Использование систем с биологической обратной связью в медицине для лечения заболеваний путем осознания ранее не осознаваемых процессов в организме (Фрейд) и освоения навыков управления ими. Системы с семантическим резонансом (СР). Системы, поведение которых зависит от состояния сознания пользователя, в частности от его интересов. Использование систем с семантическим резонансом для тестирования пользователя и реагирования на его интересы.

Компьютерные -технологии и интеллектуальный подсознательный интерфейс. Системы подсознательного тестирования и модификации подсознания пользователя. Вызванные потенциалы и различие между восприятием и осознанием. Фильтры сознания (эксперимент со студентами по установке интеллектуальных фильтров на осознание восприятий, положительные и отрицательные галлюцинации). Возможность использования подсознательной реакции пользователя на воспринимаемые, но неосознаваемые изображения для тестирования пользователя и реагирования на его интересы и принадлежность к тем или иным идентифицируемым группам, в частности профессиональным группам («профессиограммы»). Возможность сообщения информации пользователю непосредственно в подсознание, минуя критику и фильтры сознания (компьютерное нейролингвистическое программирование – НЛП). Виртуальная реальность. Системы виртуальной реальности и критерии реальности, принцип эквивалентности виртуальной и истинной реальности. Виртуальные устройства ввода-вывода. Эффекты присутствия, деперсонализации, модификация сознания пользователя и переноса центра интересов ценностей и мотиваций в виртуальную реальность («реалы и виртуалы»). Рассмотрение перспективных и патологических измененных форм сознания, возникающих в системах с интеллектуальными интерфейсами. Вопросы соблюдения моральных норм в системах виртуальной реальности и последствия их несоблюдения. Использование информации, снимаемой с головного мозга (в частности электроэнцефалограммы), для дистанционного управления кибернетическими системами с помощью мышления о них, т.е. без использования мышечных усилий: «телепатический» интерфейс и ментальные игры. Системы с дистанционным микротелекинетическим интерфейсом, обеспечивающие дистанционное управление кибернетическими системами без использования физического тела. Проект Vega-72, история и перспектива. Работы лаборатории Princeton Engineering Anomalies Research (PEAR) (Princeton University, at Princeton, N.J. USA): http://www.

princeton.edu/~pear/ Тема-8. Автоматизированные системы распознавания образов Основные понятия и определения, связанные с системами распознавания образов. Проблема распознавания образов. Классификация методов распознавания образов. Применение распознавания образов для идентификации и прогнозирования. Сходство и различие в содержании понятий "идентификация" и "прогнозирование". Роль и место распознавания образов в автоматизации управления сложными системами. Методы кластерного анализа. Машинное обучение на примерах.

Тема-9. Математические методы и автоматизированные системы Многообразие задач принятия решений. Языки описания методов принятия решений. Выбор в условиях неопределенности. Решение как компромисс и баланс различных интересов. О некоторых ограничениях оптимизационного подхода. Экспертные методы выбора. Юридическая ответственность за решения, принятые с применением систем поддержки принятия решений. Условия корректности использования систем поддержки принятия решений. Хранилища данных для принятия решений.

Базовые понятия. Методика построения. Этап-1 синтеза ЭС: "Идентификация". Этап- синтеза ЭС: "Концептуализация". Этап-3 синтеза ЭС: "Формализация". Этап-4 синтеза ЭС:

"Разработка прототипа". Этап-5 синтеза ЭС: "Экспериментальная эксплуатация". Этап-6 синтеза ЭС: "Разработка продукта". Этап-7 синтеза ЭС: "Промышленная эксплуатация". Экспертные системы. Составные части экспертной системы: база знаний, механизм вывода, механизмы приобретения и объяснения знаний, интеллектуальный интерфейс. Организация базы знаний.

Этапы проектирования экспертной системы: идентификация, концептуализация, формализация, реализация, тестирование, опытная эксплуатация. Участники процесса проектирования:

эксперты, инженеры по знаниям, конечные пользователи. Статические и динамические экспертные системы.

Биологический нейрон и формальная модель нейрона Маккалоки и Питтса. Возможность решения простых задач классификации непосредственно одним нейроном. Однослойная нейронная сеть и персептрон Розенблата. Линейная разделимость и персептронная представляемость. Многослойные нейронные сети. Проблемы и перспективы нейронных сетей. Модель нелокального нейрона и нелокальные интерпретируемые нейронные сети прямого счета.

Нейронные сети.

Тема-12. Генетические алгоритмы и моделирование биологической эволюции Основные понятия, принципы и предпосылки генетических алгоритмов. Пример работы простого генетического алгоритма. Достоинства и недостатки генетических алгоритмов. Примеры применения генетических алгоритмов.

Определение основных понятий: "Когнитивное моделирование" и "Классическая когнитивная карта", их связь с когнитивной психологией и гносеологией. Когнитивная (познавательно-целевая) структуризация знаний об исследуемом объекте и внешней для него среды на основе PEST-анализа и SWOT-анализа. Разработка программы реализации стратегии развития исследуемого объекта на основе динамического имитационного моделирования (при поддержке программного пакета Ithink).

Тема-14. Выявление знаний из опыта (эмпирических фактов) и Интеллектуальный анализ данных (data mining). Типы выявляемых закономерностей data mining. Математический аппарат data mining. Области применения технологий интеллектуального анализа данных. Автоматизированные системы для интеллектуального анализа данных.

РАЗДЕЛ 4. ПРИМЕНЕНИЕ И ПЕРСПЕКТИВЫ СИСТЕМ ИСКУССТВЕННОГО

ИНТЕЛЛЕКТА

Тема-15. Области применения систем искусственного интеллекта.

Обзор опыта применения АСК-анализа для управления и исследования социальноэкономических систем. Поддержка принятия решений по выбору агротехнологий, культур и пунктов выращивания. Прогнозирование динамики сегмента рынка. Анализ динамики макроэкономических состояний городов и районов на уровне субъекта Федерации в ходе экономической реформы (на примере Краснодарского края) и прогнозирование уровня безработицы (на примере Ярославской области) Тема-16. Перспективы развития систем искусственного интеллекта, в т.ч. в Internet.

Ограничения АСК-анализа и обоснованное расширение области его применения на основе научной индукции. Перспективы применения АСК-анализа в управлении. Развитие АСКанализа. Другие перспективные области применения АСК-анализа и систем искусственного интеллекта.

4. ПРАКТИЧЕСКИЕ (СЕМИНАРСКИЕ) ЗАНЯТИЯ

НЕ ПРЕДУСМАТРИВАЮТСЯ

Общий объем

5. ЛАБОРАТОРНЫЙ ПРАКТИКУМ

Лабораторный практикум включает по выбору преподавателя любые шесть из десяти перечисленных в приведенной таблице лабораторных работ разработанных и описанных в авторском учебном пособии по интеллектуальным информационным системам и научно0методических статьях автора УМК. Все лабораторные работы основаны на системе «Эйдос». Каждая работа выполняется 4 часа (две пары), которые, как правило, идут одна за одной.

Цель проведения лабораторных занятий заключается в закреплении студентами полученных на лекциях теоретических знаний путем самостоятельного решения учебных научноисследовательских задач.

Основной формой проведения лабораторных занятий является самостоятельного решения студентами учебных научно-исследовательских задач в реальной системе искусственного интеллекта «Эйдос».

В обязанности преподавателя входят методическое руководство и консультирование студентов по лабораторным работам.

Номер Номер ЛЗ раздела Синтез и исследование семантической информационной модели: «Прогнозирование вероятных пунктов назначения Синтез и исследование семантической информационной модели: "Прогнозирование учебных достижений студентов на Синтез и исследование семантической информационной модели: "Прогнозирование учебных достижений студентов на Синтез и исследование семантической информационной модели: "Прогнозирование учебных достижений студентов на Синтез и исследование семантической информационной моделей: "Идентификация слов по входящим в них буквам" и "Атрибуция анонимных и псевдонимных текстов" Синтез и исследование семантической информационной модели: «Идентификация трехмерных тел по их проекциям»

Синтез и исследование семантической информационной модели: «Исследование RND-модели при различных объемах Синтез и исследование семантической информационной модели: «Системно-когнитивный подход к синтезу эффективного алфавита» Синтез и исследование семантической информационной модели: «Исследование свойств натуральных чисел»

НЕ ПРЕДУСМАТРИВАЮТСЯ.

Общий объем

7. КОНТРОЛЬНЫЕ РАБОТЫ

8. КУРСОВОЕ ПРОЕКТИРОВАНИЕ

9. ПРОИЗВОДСТВЕННАЯ (УЧЕБНАЯ) ПРАКТИКА

10. САМОСТОЯТЕЛЬНАЯ РАБОТА СТУДЕНТОВ ПОД КОНТРОЛЕМ

ПРЕПОДАВАТЕЛЯ ПО ДИСЦИПЛИНЕ

10.1. Виды и объём самостоятельной работы статей в Научном журнале КубГАУ по результатам проведенных исследований) 10.2. Задания для самостоятельной работы:

10.2.1. Перечень вопросов для самостоятельной работы студентов Раздел 4. Применение и перспективы систем искус- Перспективы развития интеллектуальных интерфейсов ственного интеллекта. Тема-15. Области применения систем искусственного интеллекта Раздел 4. Применение и перспективы систем искус- Различные подходы к исследованию соотношения данственного интеллекта. Тема-15. Области применения ных, информации и знаний систем искусственного интеллекта Раздел 4. Применение и перспективы систем искус- Управление знаниями в торговой фирме ственного интеллекта. Тема-15. Области применения систем искусственного интеллекта Раздел 4. Применение и перспективы систем искус- Управление знаниями в производственной фирме ственного интеллекта. Тема-15. Области применения систем искусственного интеллекта Раздел 4. Применение и перспективы систем искус- Управление знаниями и Интеллектуальные информациственного интеллекта. Тема-15. Области применения онные системы в IT-компании систем искусственного интеллекта Раздел 4. Применение и перспективы систем искус- Синтез и исследование семантической информационной ственного интеллекта. Тема-15. Области применения модели: «Оценка рисков правонарушений по признакам систем искусственного интеллекта почерка (психографология)».

Раздел 4. Применение и перспективы систем искус- Синтез и исследование семантической информационной ственного интеллекта. Тема-15. Области применения модели: «Оценка рисков страхования и кредитования систем искусственного интеллекта юридических лиц по их кредитным историям».

Раздел 4. Применение и перспективы систем искус- Синтез и исследование семантической информационной ственного интеллекта. Тема-15. Области применения модели: «Оценка рисков страхования и кредитования систем искусственного интеллекта физических лиц по их кредитным историям».

Раздел 4. Применение и перспективы систем искус- Синтез и исследование семантической информационной ственного интеллекта. Тема-15. Области применения модели: «Прогнозирование рисков совершения ДТП систем искусственного интеллекта (дорожно-транспортных происшествий) по видам и Раздел 4. Применение и перспективы систем искус- Синтез и исследование семантической информационной ственного интеллекта. Тема-15. Области применения модели: «Прогнозирование успешности деятельности систем искусственного интеллекта фирмы на основе оценки ее персонала».

Раздел 4. Применение и перспективы систем искус- Синтез и исследование семантической информационной ственного интеллекта. Тема-15. Области применения модели: «Прогнозирование продолжительности жизни систем искусственного интеллекта пациентов, перенесших сердечный приступ, по данным Раздел 4. Применение и перспективы систем искус- Синтез и исследование семантической информационной ственного интеллекта. Тема-15. Области применения модели: «Классификация животных по внешним присистем искусственного интеллекта знакам на основе базы данных репозитария UCI».

Раздел 4. Применение и перспективы систем искус- Синтез и исследование семантической информационной ственного интеллекта. Тема-15. Области применения модели: «Диагностика фитопатологии по симптоматике систем искусственного интеллекта и выработка рекомендаций по плану лечения на основе Раздел 4. Применение и перспективы систем искус- Синтез и исследование семантической информационной ственного интеллекта. Тема-15. Области применения модели: «Идентификация изображений различных мест систем искусственного интеллекта на территории КубГАУ по вербальным описаниям их Раздел 4. Применение и перспективы систем искус- Синтез и исследование семантической информационной ственного интеллекта. Тема-15. Области применения модели: «Прогнозирование успеваемости по ИИС на систем искусственного интеллекта основе данных по социальному статусу студентов и их Раздел 4. Применение и перспективы систем искус- Синтез и исследование семантической информационной ственного интеллекта. Тема-15. Области применения модели: «Прогнозирование направления деятельности систем искусственного интеллекта фирмы на основе данных о расположении и внешнем Раздел 4. Применение и перспективы систем искус- Синтез и исследование семантической информационной ственного интеллекта. Тема-15. Области применения модели: «Выбор автомобиля для приобретения по его систем искусственного интеллекта признакам (обучающую выборку взять на автомобильном рынке). СК-анализ семантической информационной Раздел 4. Применение и перспективы систем искус- Синтез и исследование семантической информационной ственного интеллекта. Тема-15. Области применения модели: «Выбор вариантов приобретения жилья по его систем искусственного интеллекта признакам. СК-анализ семантической информационной Раздел 4. Применение и перспективы систем искус- Синтез и исследование семантической информационной ственного интеллекта. Тема-15. Области применения модели: «Оценка важности различных видов городского систем искусственного интеллекта транспорта и различных маршрутов в разрезе по остановкам. СК-анализ семантической информационной Раздел 4. Применение и перспективы систем искус- Сравнительное исследование систем: FineReader, Cunie ственного интеллекта. Тема-15. Области применения Form и других систем ввода текстов со сканера. Исслесистем искусственного интеллекта довать зависимость качества распознавания текста от Раздел 4. Применение и перспективы систем искус- Сопоставительное исследование систем Stylus (Promt), ственного интеллекта. Тема-15. Области применения Сократ, и других систем автоматизированного перевосистем искусственного интеллекта да. Сравнить качество автоматизированного перевода с русского языка на английский язык и обратно для текстов различной направленности (юридические, технические, художественные, стихи) и с различной длиной и Раздел 4. Применение и перспективы систем искус- Исследовать реальную систему распознавание образов, ственного интеллекта. Тема-15. Области применения идентификации и прогнозирования при решении задач систем искусственного интеллекта лабораторных работ.

Раздел 4. Применение и перспективы систем искусИсследовать реальную систему поддержки принятия ственного интеллекта. Тема-15. Области применения систем искусственного интеллекта Раздел 4. Применение и перспективы систем искусИсследовать реальную экспертную систему при решественного интеллекта. Тема-15. Области применения систем искусственного интеллекта Раздел 4. Применение и перспективы систем искус- Исследовать реальную систему класса: "Нейронная ственного интеллекта. Тема-15. Области применения сеть" на примере пакета NeuroOffice при решении задач систем искусственного интеллекта лабораторных работ.

Раздел 4. Применение и перспективы систем искус- Исследовать реальную систему, реализующую генетиственного интеллекта. Тема-15. Области применения ческие алгоритмы при решении задач лабораторных Раздел 4. Применение и перспективы систем искусИсследовать реальную систему когнитивного моделиственного интеллекта. Тема-15. Области применения систем искусственного интеллекта Раздел 4. Применение и перспективы систем искус- Исследовать реальную систему выявления знаний из ственного интеллекта. Тема-15. Области применения опыта (эмпирических фактов) и интеллектуального анасистем искусственного интеллекта лиза данных при решении задач лабораторных работ.

Раздел 4. Применение и перспективы систем искус- Решение задач идентификации и прогнозирования на ственного интеллекта. Тема-15. Области применения основе данных репозитория UCI по различным направсистем искусственного интеллекта лениям.

10.2.2. Выполнение домашних заданий, домашних контрольных работ

11. ТЕСТОВЫЕ ЗАДАНИЯ ПО ДИСЦИПЛИНЕ

12. ИННОВАЦИОННЫЕ ТЕХНОЛОГИИ, ИСПОЛЬЗУЕМЫЕ В ПРЕПОДАВАНИИ

ДИСЦИПЛИНЫ

12.1 Формы инновационных технологий 1. Использование мультимедийных средств – форма учебной работы, когда во время чтения лекций, проведения лабораторных занятий и самостоятельной работы студента под руководством преподавателя активно используются средства мультимедиа: комплексное сочетание данных нескольких видов в одном слайде (текстовых, графических, звуковых и видеоданных). Мультимедиа подразумевает как особый тип документа, так и особый класс программноаппаратного обеспечения информационных технологий. Мультимедийные документы, в отличии от обычных документов содержат звуковые и музыкальные объекты, анимированную графику (мультипликацию), видеофрагменты. Мультимедийное программное обеспечение - это программные средства, предназначенные для создания и/или воспроизведения мультимедийных объектов и документов. Мультимедийные аппаратные средства – это оборудование необходимое для создания, хранения и воспроизведения мультимедийного программного обеспечения (для воспроизведения телевизионных сигналов /тюнеры/ и цифровых видеодисков и записи на них /дисководы/, обработки сжатой видеоинформации /декодеры/ и др.).

Стандартные средства мультимедиа в дисциплине "Интеллектуальные информационные системы" используется по всем лекциям.

2. Исследовательский подход – это использование исследовательского метода в обучении. Он организует творческий поиск и применение знаний, является условием формирования интереса, потребности в творческой деятельности, в самообразовании.

Основная идея исследовательского метода обучения заключается в использовании научного подхода к решению конкретной учебной задачи. Работа студентов в этом случае строится по логике проведения классического научного исследования с использованием всех научноисследовательских методов и приемов, характерных для деятельности ученых. Основные этапы организации учебной деятельности на базе исследовательского подхода:

1. Определение противоречия в предмете или объекте исследования.

2. Выявление и формулирование характера взаимодействия противоречий, обуславливающих развитие объекта (предмета) исследования.

3. Формулировка гипотез, отражающих это развитие.

4. Определение методов сбора и компьютерной обработки данных в подтверждение выдвинутых гипотез.

5. Сбор и компьютерная обработка данных, их образное представление для анализа.

6. Обсуждение полученных результатов анализа.

7. Проверка гипотез (их подтверждение или изменение).

8. Формулировка понятий, обобщений, выводов, описывающих реальный механизм взаимодействия противоречий (развитие объекта /предмета/).

9. Разработка предложений по практическому применению результатов исследования.

Данный комплекс методов обучения используется в учебном процессе при выполнении студентами всех лабораторных работ по дисциплине:

• ЛР-1. Синтез и исследование семантической информационной модели: «Прогнозирование вероятных пунктов назначения железнодорожных составов»

• ЛР-2. Синтез и исследование семантической информационной модели: "Прогнозирование учебных достижений студентов на основе их имеджевых фотороботов" • ЛР-3. Синтез и исследование семантической информационной модели: "Прогнозирование учебных достижений студентов на основе особенностей их почерка" • ЛР-4. Синтез и исследование семантической информационной модели: "Прогнозирование учебных достижений студентов на основе информации об их социальном статусе" • ЛР-5. Синтез и исследование семантической информационной моделей: "Идентификация слов по входящим в них буквам" и "Атрибуция анонимных и псевдонимных текстов" • ЛР-6. Синтез и исследование семантической информационной модели: «Идентификация трехмерных тел по их проекциям»

• ЛР-7. Синтез и исследование семантической информационной модели: «Исследование RND-модели при различных объемах выборки»

• ЛР-8. Синтез и исследование семантической информационной модели: «Системнокогнитивный подход к синтезу эффективного алфавита» Синтез и исследование семантической информационной модели: «Исследование свойств натуральных чисел»

12.2 Методические указания по реализации инновационных технологий Используемые формы инновационных технологий обеспечивают активность учебной работы, в рамках которой студенты целенаправленно углубляют свои знания и оттачивают умения и навыки их эффективного применения на практике. Использование любой из перечисленных форм предполагает тщательную подготовку студентов к выполнению любого практического задания (работы) в процессе обучения по дисциплине. Это заставляет его четко планировать свою работу путем фиксации и обдумывания всех ее этапов, предполагаемых конечных результатов. Он фиксирует свою индивидуальную позицию в непринужденном, оригинальном изложении в виде реферата или тезиса, ориентированных на разговорную речь.

Реферат – краткое изложение работы (исследования), сущности решаемого вопроса.

Тезисы – форма записи, отражающая по пунктам основные положения работы (исследования), при помощи которой окружающим кратко передается ее основное содержание.

Реферат и тезисы формируют краткую и образную модель развития объекта, продукта, изделия, а также описывают механизм или средства ее реализации. Это позволяет студентам публично и экономно (в диалоге или дискуссии) обсуждать свои идеи и способы их реализации.

Публичная защита своих идей и конечных результатов их практической реализации вырабатывает у студентов волевые и ораторские качества, приучает их, с пониманием относится к доводам оппонентов и практиков, для своей же пользы.

Целесообразно, в начале проведения лабораторных занятий, организовывать небольшие научной дискуссии, посвященные спорным вопросам обеспечения автоматизированных интеллектуальных технологий, где студенты кратко отстаивают свои взгляды. Перед началом дискуссии студенты обязательно распределяются по проблемным группам в соответствии с темами и их рефератов (тезисов). Процедура дискуссии должна включает в себя два этапа:

1) выступление студента с тезисами (рефератом) по проблемному вопросу;

2) открытая дискуссия обсуждаемому вопросу.

Желательно, чтобы каждый выступающий получал две оценки: за презентацию и ответы на вопросы. В ходе дискуссии проводятся различные конкурсы: на самого лучшего докладчика или активного оппонента, на лучший вопрос и т.д. По результатам научной дискуссии составляется рейтинг студентов, позволяющий им лучше осознать свои сильные и слабые стороны при защите своих идей и достижений. Как правило, преподаватель обобщает результаты дискуссии и дает краткую характеристику ее участникам.

13.1. Теоретические вопросы На экзамен выносятся вопросы, приведенные как контрольные вопросы к лекциям и лабораторным работам в авторском учебном пособии по системам искусственного интеллекта.

1. Основные положения информационно-функциональной теории развития техники.

2. Процессы труда и познания, как информационные процессы снятия неопределенности.

3. Организм человека и средства труда как информационные системы.

4. Законы развития техники.

5. Детерминация формы сознания человека функциональным уровнем средств труда.

6. Неизбежность возникновения компьютеров, информационных систем и систем искусственного интеллекта.

7. Информационная теория стоимости.

8. Связь количества и качества информации с меновой и потребительной стоимостью.

9. Информация, как сырье и как товар: абсолютная, относительная и аналитическая информация. Данные, информация, знания.

10. Стоимость и амортизация систем искусственного интеллекта и баз знаний.

11. Источники экономической эффективности систем искусственного интеллекта и интеллектуальной обработки данных с позиций информационной теории стоимости (повышение уровня системности и "охлаждение" объекта управления).

12. Интеллектуализация - генеральное направление и развития информационных технологий.

13. От электронных вычислительных машин к компьютерам. Функциональное определение компьютера.

14. Эволюция понятия: "Обработка информации" от информационного сырья к информационному продукту.

15. Эволюция технологий создания и поддержки информационных систем: автоматизация функций посредников.

16. Перспективы информационных технологий: интеллектуализация, создание самообучающихся, саморазвивающихся (эволюционирующих) и самовоспроизводящихся систем.

1. Данные, информация, знания. Системно-когнитивный анализ как развитие концепции смысла Шенка-Абельсона.

2. Когнитивная концепция СК-анализа и синтез когнитивного конфигуратора.

3. Мышление как вычисление смысла и реализация операций со смыслом в инструментарии СК-анализа - системе "Эйдос".

4. Понятие: "Система искусственного интеллекта", место СИИ в классификации информационных систем.

5. Определение и классификация систем искусственного интеллекта, цели и пути их создания.

6. Тест Тьюринга и критерии "интеллектуальности" информационных систем. Может ли машина мыслить? Может ли искусственный интеллект превзойти своего создателя?

7. Классификация систем искусственного интеллекта.

8. Особенности технологии создания систем искусственного интеллекта (обучение, "социализация", как технологический этап).

9. Информационная модель деятельности специалиста и место систем искусственного интеллекта в этой деятельности.

10. Жизненный цикл системы искусственного интеллекта и критерии перехода между этапами этого цикла.

1. Системный анализ, как метод познания.

2. Принципы системного анализа.

3. Методы и этапы системного анализа.

4. Этапы когнитивного анализа.

5. Обобщенная схема системного анализа, ориентированного на интеграцию с когнитивными технологиями.

6. Когнитивная концепция и синтез когнитивного конфигуратора.

7. Понятие когнитивного конфигуратора и необходимость естественно-научной (формализуемой) когнитивной концепции.

8. Формализуемая когнитивная концепция 9. Когнитивный конфигуратор и базовые когнитивные операции системного анализа.

10. Задачи формализации базовых когнитивных операций системного анализа.

11. СК-анализ, как системный анализ, структурированный до уровня базовых когнитивных операций.

12. Место и роль СК-анализа в структуре управления.

13. Структура типовой АСУ.

14. Параметрическая модель адаптивной АСУ сложными системами.

15. Модель рефлексивной АСУ активными объектами и понятие мета-управления.

16. Двухконтурная модель РАСУ в АПК.

1. Предполсылки и теоретические основы системной теории информации.

2. Требования к математической модели и численной мере СТИ.

3. Выбор базовой численной меры СТИ.

4. Конструирование системной численной меры на основе базовой в СТИ.

5. Семантическая информационная модель СК-анализа.

6. Формализм динамики взаимодействующих семантических информационных пространств. Двухвекторное представление данных.

7. Применение классической теории информации К.Шеннона для расчета весовых коэффициентов и мер сходства.

8. Математическая модель метода распознавания образов и принятия решений, основанного на системной теории информации.

9. Некоторые свойства математической модели СК-анализа (сходимость, адекватность, устойчивость и др.).

10. Непараметричность модели. Робастные процедуры и фильтры для исключения артефактов в математической модели СК-анализа.

11. Зависимость информативностей факторов от объема обучающей выборки.

12. Зависимость адекватности семантической информационной модели от объема обучающей выборки (адекватность при малых и больших выборках).

13. Семантическая устойчивость модели СК-анализа.

14. Зависимость некоторых параметров модели СК-анализа от ее ортонормированности.

15. Взаимосвязь математической модели СК-анализа с другими моделями.

16. Взаимосвязь системной меры целесообразности информации со статистикой Х2 и новая мера уровня системности предметной области.

17. Сравнение, идентификация и прогнозирование как разложение векторов объектов в ряд по векторам классов (объектный анализ).

18. Системно-когнитивный и факторный анализ. СК-анализ, как метод вариабельных контрольных групп.

19. Семантическая мера целесообразности информации и эластичность.

20. Связь семантической информационной модели с нейронными сетями.

21. Математический метод СК-анализа в свете идей интервальной бутстрепной робастной статистики объектов нечисловой природы.

1. Принципы формализации предметной области и подготовки эмпирических данных.

2. Иерархическая структура данных и последовательность численных расчетов в СКанализе 3. Обобщенное описание алгоритмов СК-анализа 4. БКОСА-2.1. "Восприятие и запоминание исходной обучающей информации".

5. БКОСА-2.2. "Репрезентация. Сопоставление индивидуального опыта с коллективным (общественным)".

6. БКОСА-3.1.1. "Обобщение (синтез, индукция). Накопление первичных данных".

7. БКОСА-3.1.2. "Обобщение (синтез, индукция). Исключение артефактов".

8. БКОСА-3.1.3. "Обобщение (синтез, индукция). Расчет степени истинности содержательных смысловых связей между предпосылками и результатами (обобщенных таблиц решений)".

9. БКОСА-3.2. "Определение значимости шкал и градаций факторов, уровней Мерлина".

10. БКОСА-3.3. "Определение значимости шкал и градаций классов, уровней Мерлина".

11. БКОСА-4.1. "Абстрагирование факторов (снижение размерности семантического пространства факторов)".

12. БКОСА-4.2. "Абстрагирование классов (снижение размерности семантического пространства классов)".

13. БКОСА-5. "Оценка адекватности информационной модели предметной области".

14. БКОСА-7. "Сравнение, идентификация и прогнозирование. Распознавание состояний конкретных объектов (объектный анализ)".

15. БКОСА-9.1. "Дедукция и абдукция классов (семантический анализ обобщенных образов классов, решение обратной задачи прогнозирования)".

16. БКОСА-9.2. "Дедукция и абдукция факторов (семантический анализ факторов)".

17. БКОСА-10.1.1. "Классификация обобщенных образов классов".

18. БКОСА-10.1.2. "Формирование бинарных конструктов классов".

19. БКОСА-10.1.3. "Визуализация семантических сетей классов".

20. БКОСА-10.2.1. "Классификация факторов".

21. БКОСА-10.2.2. "Формирование бинарных конструктов факторов".

22. БКОСА-10.2.3. "Визуализация семантических сетей факторов".

23. БКОСА-10.3.1. "Содержательное сравнение классов".

25. БКОСА-10.3.2. "Расчет и отображение многомногозначных когнитивных диаграмм, в т.ч. диаграмм Вольфа Мерлина".

26. БКОСА-10.4.1. "Содержательное сравнение факторов".

27. БКОСА-10.4.2. "Расчет и отображение многомногозначных когнитивных диаграмм, в т.ч. инвертированных диаграмм Мерлина".

28. БКОСА-11. "Многовариантное планирование и принятие решения о применении системы управляющих факторов".

29. Детальные алгоритмы СК-анализа.

1. Назначение и состав системы "Эйдос".

2. Цели и основные функции системы "Эйдос".

3. Обобщенная структура системы "Эйдос".

4. Пользовательский интерфейс, технология разработки и эксплуатации приложений в системе "ЭЙДОС".

5. Начальный этап синтеза модели: когнитивная структуризация и формализация предметной области, подготовка исходных данных (подсистема "Словари") (БКОСА-1, БКОСА-2).

6. Синтез модели: пакетное обучение системы распознавания (подсистема "Обучение") (БКОСА-3).

7. Оптимизация модели (подсистема "Оптимизация") (БКОСА-4).

8. Верификация модели (оценка ее адекватности) (БКОСА-5).

9. Эксплуатация приложения в режиме адаптации и периодического синтеза модели (БКОСА-7, БКОСА-9, БКОСА-10).

10. Технические характеристики и обеспечение эксплуатации системы "ЭЙДОС" (версии 12.5).

11. Состав системы "Эйдос": Базовая система, системы окружения и программные интерфейсы импорта данных.

12. Отличия системы "Эйдос" от аналогов: экспертных и статистических систем.

13. Некоторые количественные характеристики системы "Эйдос".

14. Обеспечение эксплуатации системы "Эйдос".

15. АСК-анализ, как технология синтеза и эксплуатации рефлексивных АСУ активными объектами.

1. Интеллектуальные интерфейсы. Использование биометрической информации о пользователе в управлении системами.

2. Идентификация и аутентификация личности по почерку. Понятие клавиатурного почерка.

3. Соотношение психографологии и атрибуции текстов.

4. Идентификация и аутентификация личности пользователя компьютера по клавиатурному почерку.

5. Прогнозирование ошибок оператора по изменениям в его электроэнцефалограмме.

6. Системы с биологической обратной связью (БОС).

7. Мониторинг состояния сотрудников сборочного конвейера с целью обеспечения высокого качества продукции.

8. Компьютерные тренажеры, основанные на БОС, для обучения больных навыкам управления своим состоянием.

9. Компьютерные игры с БОС.

10. Системы с семантическим резонансом. Компьютерные (-технологии и интеллектуальный подсознательный интерфейс.

11. Системы виртуальной реальности и критерии реальности. Эффекты присутствия, деперсонализации и модификация сознания пользователя.

12. Классическое определение системы виртуальной реальности.

13. "Эффект присутствия" в виртуальной реальности.

14. Применения систем виртуальной реальности.

15. Модификация сознания и самосознания пользователя в виртуальной реальности.

16. Авторское определение системы виртуальной реальности.

17. Критерии реальности при различных формах сознания и их применение в виртуальной реальности.

18. Принципы эквивалентности (относительности) Галилея и Эйнштейна и критерии виртуальной реальности.

19. Системы с дистанционным телекинетическим интерфейсом.

Контрольные вопросы по лекции 1. Основные понятия и определения, связанные с системами распознавания образов.

2. Признаки и образы конкретных объектов, метафора фазового пространства.

3. Признаки и обобщенные образы классов.

4. Обучающая выборка и ее репрезентативность по отношению к генеральной совокупности. Ремонт (взвешивание) данных.

5. Основные операции: обобщение и распознавание.

6. Обучение с учителем (экспертом) и самообучение (кластерный анализ).

7. Верификация, адаптация и синтез модели.

8. Проблема распознавания образов.

9. Классификация методов распознавания образов.

10. Применение распознавания образов для идентификации и прогнозирования. Сходство и различие в содержании понятий "идентификация" и "прогнозирование".

11. Роль и место распознавания образов в автоматизации управления сложными системами.

12. Обобщенная структура системы управления.

13. Место системы идентификации в системе управления.

14. Управление как задача, обратная идентификации и прогнозированию.

15. Методы кластерного анализа.

16. Метод кластеризации: "Древовидная кластеризация".

17. Метод кластеризации: "Двувходовое объединение".

18. Метод кластеризации: "Метод K средних".

1. Многообразие задач принятия решений.

2. Принятие решений, как реализация цели.

3. Принятие решений, как снятие неопределенности (информационный подход).

4. Связь принятия решений и распознавания образов.

5. Классификация задач принятия решений.

6. Языки описания методов принятия решений.

7. Критериальный язык.

8. Язык последовательного бинарного выбора.

9. Обобщенный язык функций выбора.

10. Групповой выбор.

11. Выбор в условиях неопределенности.

12. Информационная (статистическая) неопределенность в исходных данных.

13. Неопределенность последствий.

14. Расплывчатая неопределенность.

15. Решение как компромисс и баланс различных интересов. О некоторых ограничениях оптимизационного подхода.

16. Экспертные методы выбора.

17. Юридическая ответственность за решения, принятые с применением систем поддержки принятия решений.

18. Условия корректности использования систем поддержки принятия решений.

19. Хранилища данных для принятия решений.

1. Экспертные системы, базовые понятия.

2. Экспертные системы, методика построения.

3. Этап-1 синтеза ЭС: "Идентификация".

4. Этап-2 синтеза ЭС: "Концептуализация".

5. Этап-3 синтеза ЭС: "Формализация".

6. Этап-4 синтеза ЭС: "Разработка прототипа".

7. Этап-5 синтеза ЭС: "Экспериментальная эксплуатация".

8. Этап-6 синтеза ЭС: "Разработка продукта".

9. Этап-7 синтеза ЭС: "Промышленная эксплуатация".

1. Биологический нейрон и формальная модель нейрона Маккалоки и Питтса.

2. Возможность решения простых задач классификации непосредственно одним нейроном.

3. Однослойная нейронная сеть и персептрон Розенблата.

4. Линейная разделимость и персептронная представляемость.

5. Многослойные нейронные сети.

6. Многослойный персептрон.

7. Модель Хопфилда.

8. Когнитрон и неокогнитрон Фукушимы.

9. Проблемы и перспективы нейронных сетей.

10. Модель нелокального нейрона и нелокальные интерпретируемые нейронные сети прямого счета.

11. Метафора нейросетевого представления семантической информационной модели.

12. Соответствие основных терминов и понятий.

13. Гипотеза о нелокальности нейрона и информационная нейросетевая парадигма.

14. Решение проблемы интерпретируемости весовых коэффициентов (семантическая мера целесообразности информации и закон Фехнера).

15. Семантическая информационная модель, как нелокальная нейронная сеть.

16. Гипотеза о физической природе нелокального взаимодействия нейронов в нелокальной нейронной сети.

17. Решение проблемы интерпретируемости передаточной функции.

18. Решение проблемы размерности.

19. Решение проблемы линейной разделимости.

20. Моделирование причинно-следственных цепочек в нейронных сетях и семантической информационной модели.

21. Моделирование иерархических структур обработки информации.

22. Нейронные сети и СК-анализ.

23. Графическое отображение нейронов, Паррето-подмножеств нелокальной нейронной сети, семантических сетей, когнитивных карт и диаграмм в системе "Эйдос".

1. Основные понятия, принципы и предпосылки генетических алгоритмов.

2. Пример работы простого генетического алгоритма.

3. Достоинства и недостатки генетических алгоритмов.

4. Примеры применения генетических алгоритмов.

Контрольные вопросы по лекции 1. Определение основных понятий: "Когнитивное моделирование" и "Классическая когнитивная карта", их связь с когнитивной психологией и гносеологией.

2. Когнитивная (познавательно-целевая) структуризация знаний об исследуемом объекте и внешней для него среды на основе PEST-анализа и SWOT-анализа.

3. Разработка программы реализации стратегии развития исследуемого объекта на основе динамического имитационного моделирования (при поддержке программного пакета Ithink).

1. Интеллектуальный анализ данных (data mining).

2. Типы выявляемых закономерностей data mining: ассоциация, последовательность, классификация, кластеризация, прогнозирование.

3. Математический аппарат data mining: деревья решений, регрессионный анализ, нейронные сети, временные ряды.

4. Области применения технологий интеллектуального анализа данных: розничная торговля, банковская деятельность, страховой бизнес, производство, автоматизированные системы для интеллектуального анализа данных.

1. Обзор опыта применения АСК-анализа для управления и исследования социальноэкономических систем.

2. Применение СИИ для синтеза и решения задач управления качеством подготовки специалистов.

3. Применение СИИ в экономических исследованиях.

4. Применение СИИ в социологических и политологических исследованиях.

5. Поддержка принятия решений по выбору агротехнологий, культур и пунктов выращивания.

6. Поддержка принятия решений по выбору агротехнологий.

7. Поддержка принятия решений по выбору культур и пунктов выращивания.

8. Применение СИИ для прогнозирования динамики сегмента рынка.

9. Когнитивная структуризация и формализация предметной области.

10. Формирование точечных и средневзвешенных прогнозов.

11. Оценка адекватности модели. Зависимость достоверности прогнозирования от разброса точечных прогнозов.

12. Детерминистские и бифуркационные участки траектории развития активных систем.

13. Прогнозирования времени перехода системы в бифуркационное состояние 20. Системно-когнитивный анализ семантической информационной модели.

21. Анализ динамики макроэкономических состояний городов и районов на уровне субъекта Федерации в ходе экономической реформы (на примере Краснодарского края) и прогнозирование уровня безработицы (на примере Ярославской области) 1. Ограничения АСК-анализа и обоснованное расширение области его применения на основе научной индукции.

2. Перспективы применения АСК-анализа в управлении.

3. Оценка рисков страхования и кредитования предприятий.

4. Мониторинг, прогнозирование и управление в финансово-экономической сфере.

5. Некоторые перспективные области применения АСК-анализа.

6. Развитие АСК-анализа.

7. Многоагентные распределенные системы обнаружения, накопления и использования знаний в Internet.

8. Развитие АСК-анализа с применением теории нечетких множеств и неклассической логики.

9. Динамика взаимодействующих семантических пространств и создание континуального АСК-анализа.

10. Перспективные области применения АСК-анализа и систем искусственного интеллекта.

1. Что такое классификационные и описательные шкалы и градации?

2. Какие существуют виды шкал?

3. Как шкалы связаны с конструктами и с познанием?

4. Чем обусловлена возможность текстового описания объектов обучающей и распознаваемой выборки на естественном языке?

1. Что понимается под формализацией задачи.

2. Как создать классификационные и описательные шкалы в системе "Эйдос"?

3. Как собрать исходную фактографическую информацию и ввести в систему обучающую выборку?

4. Как осуществить синтез и верификацию модели?

5. Как оценить ценность признаков для прогнозирования и выделить признаки, наиболее существенные для решения поставленной задачи?

6. Как провести анализ модели, чтобы ответить на следующие вопросы:

– как посещаемость занятий по системам искусственного интеллекта влияет на успеваемость по этой дисциплине?

– как сказывается пол на посещаемости?

– как выглядят конструкты "Пол", "Город-деревня", "Учебная группа", "Успеваемость", "Посещаемость"?

– какие студенты являются "типичными представителями" для своих учебных групп, а какие обладают своеобразием и выраженной индивидуальностью;

7. Как отобразить результаты анализа в графической форме нелокальных нейронов и семантических сетей признаков. На их основе построить классические когнитивные карты для хорошо и плохо успевающих студентов.

1. Какие работы выполняются на этапе формализации задачи?

2. Как в системе "Эйдос" ввести классификационные шкалы и градации, выбрав в качестве классов – различные уровни учебных достижений по различным дисциплинам, перечень которых взять из зачетной книжки?

3. Как в системе "Эйдос" ввести описательные шкал и градации, использовав характеристики подчерка?

4. Каким образом подготовить и ввести в систему "Эйдос" обучающую выборку?

5. Как осуществить синтез и верификацию (измерение адекватности) семантической информационной модели в системе "Эйдос"?

6. Что включает системно-когнитивный анализ модели?

7. Как решаются задачи идентификации и прогнозирования в системе "Эйдос"?

8. В каких подсистемах и режимах системы "Эйдос" генерируются информационные портреты классов и факторов и отображаются в графической форме двухмерных и трехмерных профилей классов и факторов)?

9. Каким образом в системе "Эйдос" провести кластерно-конструктивный анализ классов и факторов и отобразить его в форме семантических сетей классов и факторов?

10. Как в системе "Эйдос" осуществить содержательное сравнение классов и факторов и отобразить результаты в форме когнитивных диаграмм классов и факторов?

11. Как в системе "Эйдос" построить нелокальные нейроны и интерпретируемые нейронные сети?

12. Как в системе "Эйдос" построить классические когнитивные модели и отобразить их в форме когнитивных карт?

13. Как в системе "Эйдос" построить интегральные когнитивные модели и отобразить в форме интегральных когнитивных карт?

1. Какие работы выполняются на этапе формализации задачи?

2. Как в системе "Эйдос" ввести классификационные шкалы и градации, выбрав в качестве классов – различные уровни учебных достижений по различным дисциплинам, перечень которых взять из зачетной книжки?

3. Как в системе "Эйдос" ввести описательные шкал и градации, использовав характеристики подчерка?

4. Каким образом подготовить и ввести в систему "Эйдос" обучающую выборку?

5. Как осуществить синтез и верификацию (измерение адекватности) семантической информационной модели в системе "Эйдос"?

6. Что включает системно-когнитивный анализ модели?

7. Как решаются задачи идентификации и прогнозирования в системе "Эйдос"?

8. В каких подсистемах и режимах системы "Эйдос" генерируются информационные портреты классов и факторов и отображаются в графической форме двухмерных и трехмерных профилей классов и факторов)?

9. Каким образом в системе "Эйдос" провести кластерно-конструктивный анализ классов и факторов и отобразить его в форме семантических сетей классов и факторов?

10. Как в системе "Эйдос" осуществить содержательное сравнение классов и факторов и отобразить результаты в форме когнитивных диаграмм классов и факторов?

11. Как в системе "Эйдос" построить нелокальные нейроны и интерпретируемые нейронные сети?

12. Как в системе "Эйдос" построить классические когнитивные модели и отобразить их в форме когнитивных карт?

13. Как в системе "Эйдос" построить интегральные когнитивные модели и отобразить в форме интегральных когнитивных карт?

14. Кто такой "респондент"?

15. Что понимается под "социальным статусом" респондента?

Контрольные вопросы по лабораторной работе 1. Каким образом провести анализ устойчивости модели к неполноте информации и наличию шума?

2. Каким образом можно проверить способность модели правильно идентифицировать классы, один из которых является подмножеством другого?

3. Как оценить ценность букв для идентификации слов. Сравнить суммарную ценность для этой цели гласных и согласных букв?

1. Что такое атрибуция текстов?

2. Каким образом выполняется когнитивная структуризация предметной области?

3. В чем состоит формализацию предметной области и как ее осуществить в системе "Эйдос"?

4. Какие средства формирования обучающей выборки используются в системе "Эйдос" при решении задач атрибуции текстов?

5. В какой подсистеме и в каком режиме системы "Эйдос" осуществляется синтез семантической информационной модели и в чем он состоит?

6. В чем заключается оптимизация семантической информационной модели и как она осуществляется в системе "Эйдос"?

7. Как семантическая информационная модель проверяется на адекватность?

8. Как связана адекватность модели с внутренней и внешней, дифференциальной и интегральной валидностью?

9. Каким образом можно в системе "Эйдос" выполнить адаптацию модели и измерить, как изменилась ее адекватность?

10. Как в системе "Эйдос" осуществить пересинтез модели и измерить, как изменилась ее адекватность?

11. Чем отличается адаптация модели от пересинтеза в системе "Эйдос"?

12. В каких подсистемах и режимах системы "Эйдос" можно вывести информационные портреты?

13. В каких подсистемах и режимах системы "Эйдос" можно выполнить кластерноконструктивный анализ модели?

1. Какие свойства натуральных чисел мы рассматривали в качестве их признаков?

2. Какие образом выполняется когнитивная структуризация предметной области?

3. В чем состоит формализацию предметной области и как ее осуществить в системе "Эйдос" при изучении свойств натуральных чисел?

4. Какие средства формирования обучающей выборки используются в системе "Эйдос" при изучении свойств натуральных чисел?

1. Что называется ортогональными проекциями тел?

2. В чем заключается сложность идентификации тел по их ортогональным проекциям?

3. За счет чего облегчается задача идентификации тел по их проекциям при наблюдении с нескольких точек или в движении?

1. Что выбирается в качестве классов распознавания и что в качестве факторов в задаче прогнозирования урожая?

2. Что такое "шкала качества" и "шкала количества"? Какие градации у этих шкал?

3. Как классифицировать факторы, влияющие на урожай?

4. В чем состоит задача прогнозирования количественных и качественных результатов выращивания сельхозкультур?

5. В чем состоит задача поддержки принятия решений при выборе зон и подзон выращивания, культур для выращивания, агротехнологий?

6. Каким образом можно научно обоснованно заменять одни факторы другими?

7. С какими проблемами сталкивается разработчик и исследователь при решении задачи прогнозирования урожая?

1. Что такое "случайная модель"?

2. Почему необходимо исследовать свойства случайной модели?

3. Какие средства для генерации и исследования случайных моделей есть в системе "Эйдос"?

13.2. Практические задания 1. Описать этапы разработки приложения в системе "Эйдос", обеспечивающее прогнозирования продолжительности жизни пациентов, перенесших сердечный приступ, по данным эхокардиограммы на основе базы данных репозитория UCI и провести СК-анализ семантической информационной модели.

2. Описать этапы разработки приложения в системе "Эйдос", обеспечивающее принятие решения о выборе очередного хода в игре "крестики-нолики" в зависимости от расположения крестиков и ноликов и провести СК-анализ семантической информационной модели.

3. Описать этапы разработки приложения в системе "Эйдос", обеспечивающее классификацию животных по внешним признакам на основе базы данных репозитория UCI и провести СК-анализ семантической информационной модели 4. Описать этапы разработки приложения в системе "Эйдос", обеспечивающее диагностику фитопатологии по симптоматике и выработку рекомендаций по плану лечения на основе информации, содержащейся в учебнике, и провести СК-анализ семантической информационной модели 5. Описать этапы разработки приложения в системе "Эйдос", обеспечивающее идентификацию изображений различных мест на территории КубГАУ по вербальным описаниям их фотографий (взять с сайта КубГАУ: http://kubagro.ru) и провести СК-анализ семантической информационной модели 6. Описать этапы разработки приложения в системе "Эйдос", обеспечивающее прогнозирование успеваемости по ИИС на основе данных по социальному статусу их родителей и провести СК-анализ семантической информационной модели 7. Описать этапы разработки приложения в системе "Эйдос", обеспечивающее прогнозирование направления деятельности фирмы на основе данных о расположении и внешнем виде ее офиса и провести СК-анализ семантической информационной модели 8. Описать этапы разработки приложения в системе "Эйдос", обеспечивающее выбор автомобиля для приобретения по его признакам (обучающую выборку взять на автомобильном рынке) и провести СК-анализ семантической информационной модели 9. Описать этапы разработки приложения в системе "Эйдос", обеспечивающее выбор вариантов приобретения жилья по его признакам и провести СК-анализ семантической информационной модели 10. Описать этапы разработки приложения в системе "Эйдос", обеспечивающее идентификацию трехмерных тел (шар, куб, тетраэдр, конус, цилиндр, пирамида, призма и других) по их проекциям и провести СК-анализ семантической информационной модели 11. Описать этапы разработки приложения в системе "Эйдос", обеспечивающее оценку важности различных видов городского транспорта и различных маршрутов в разрезе по остановкам и провести СК-анализ семантической информационной модели 12. Осуществить постановку задачи и формализацию предметной области, включая подготовку обучающей выборки, для решения задачи: "Идентификация трехмерных тел по полным и частичным наборам их ортогональных проекций (шар, куб, тетраэдр, конус, цилиндр, пирамида, призма)".

13. Осуществить постановку задачи и формализацию предметной области, включая подготовку обучающей выборки, для решения задачи: "Идентификация и классификация натуральных чисел по их свойствам (делимости на натуральные делители)".

14. Осуществить постановку задачи и формализацию предметной области, включая подготовку обучающей выборки, для решения задачи: "Идентификация и классификация студентов по их имиджу.

15. Осуществить постановку задачи и формализацию предметной области, включая подготовку обучающей выборки, для решения задачи: "Прогнозирование пунктов назначения железнодорожных составов".

16. Осуществить постановку задачи и формализацию предметной области, включая подготовку обучающей выборки, для решения задачи: "Прогнозирование количественных и качественных результатов выращивания зерновых колосовых".

17. Осуществить постановку задачи и формализацию предметной области, включая подготовку обучающей выборки, для решения задачи: "Разработка обобщенных имеджевых фотороботов студентов по их успеваемости".

18. Осуществить постановку задачи и формализацию предметной области, включая подготовку обучающей выборки, для решения задачи: "Идентификация изображений по их вербальным описаниям".

19. Осуществить постановку задачи и формализацию предметной области, включая подготовку обучающей выборки, для решения задачи: "Атрибуция анонимных и псевдонимных текстов (определение вероятного авторства)".

20. Осуществить постановку задачи и формализацию предметной области, включая подготовку обучающей выборки, для решения задачи: "Оценка рисков правонарушений по признакам подчерка (психографология)".

21. Осуществить постановку задачи и формализацию предметной области, включая подготовку обучающей выборки, для решения задачи: "Оценка рисков страхования и кредитования предприятий по их описаниям".

22. Осуществить постановку задачи и формализацию предметной области, включая подготовку обучающей выборки, для решения задачи: "Оценка рисков совершения ДТП по данным о владельце и автомобиле".

23. Привести пример интегрального критерия.

24. Привести пример коллизии при двухэтапном групповом принятии решения.

25. Привести пример многокритеральной задачи принятия решений.

26. Привести пример, поясняющий различие между статистической и причинноследственной связью.

27. Привести примеры критерия, параметра, фактора. Указать различия между ними.

28. Спланировать этапы исследования зависимости качества распознавания текста от разрешения сканирования в системах FineReader, Cunie Form и другие системах разных версий.

Оценку качества производить по количеству ошибок распознавания. Составить рейтинг систем и версий, дать рекомендации. After Scan. Оценить тоже самое, после использования After Scan.

29. Спланировать этапы исследования качества переводов текстов в системах Stylus (Promt), Сократ, и других системах автоматизированного перевода разных версий. Сравнить качество автоматизированного перевода с русского языка на английский и обратно для текстов различной направленности (юридические, технические, художественные, стихи) и с различной длиной и сложностью предложений (статистика). Составить рейтинг систем и версий, дать рекомендации. Оценку качества перевода осуществлять путем обобщения экспертных оценок экспертов с разным уровнем компетентности (студенты).

30. Спланировать этапы исследования реальной системы выявления знаний из опыта (эмпирических фактов) и интеллектуального анализа данных при решении реальных задач.

31. Спланировать этапы исследования реальной системы класса: "Нейронная сеть" при решении задач.

32. Спланировать этапы исследования реальной системы когнитивного моделирования при решении реальных задач.

33. Спланировать этапы исследования реальной системы поддержки принятия решений при решении реальных задач.

34. Спланировать этапы исследования реальной системы распознавание образов, идентификации и прогнозирования при решении реальных задач.

35. Спланировать этапы исследования реальной системы, реализующей генетические алгоритмы при решении реальных задач.

36. Спланировать этапы исследования реальной экспертной системы при решении реальных задач.

13.3. Вопросы, относящиеся к дисциплине "ИИС", выносящиеся на государственный экзамен 1. Интеллектуальные информационные системы, как закономерный и неизбежный этап развития информационных систем.

2. Определение и критерии идентификации систем искусственного интеллекта. Тест Тьюринга.

3. Системы с интеллектуальной обратной связью.

4. Автоматизированные системы распознавания образов.

5. Системы поддержки принятия решений.

6. Экспертные системы.

7. Нейронные сети.

8. Генетические алгоритмы и моделирование эволюции.

9. Когнитивное моделирование.

10. Выявление знаний из опыта (эмпирических фактов) и интеллектуальный анализ данных (data mining).

11. Области применения систем искусственного интеллекта 12. Перспективы развития систем искусственного интеллекта, в т.ч. в Internet.

13. Абсолютная, относительная и аналитическая информация. Данные, информация, знания. Классификация СИИ.

14. Базы данных для поддержки принятия решений.

15. Автоматизированный системно-когнитивный анализ и универсальная когнитивная аналитическая система "Эйдос".

14. УЧЕБНО-МЕТОДИЧЕСКОЕ ОБЕСПЕЧЕНИЕ ДИСЦИПЛИНЫ

14.1. Рекомендуемая литература 1. Луценко Е. В. Интеллектуальные информационные системы: Учебное пособие для студентов специальности "Прикладная информатика (по областям)" и другим экономическим специальностям. 2-е изд., перераб. и доп.– Краснодар: КубГАУ, 2008. – 615 с.

2. Луценко Е. В. Лабораторный практикум по интеллектуальным информационным системам: Учебное пособие для студентов специальности "Прикладная информатика (по областям)" и другим экономическим специальностям. 2-е изд., перераб. и доп. – Краснодар: КубГАУ, 2008. – 318с.

Луценко Е.В. Универсальная автоматизированная система распознавания образов "Эйдос" (версия 4.1): Монография (научное издание). – Краснодар: КЮИ МВД РФ, 1995. –76с.

Луценко Е.В. Теоретические основы и технология адаптивного семантического анализа в поддержке принятия решений (на примере универсальной автоматизированной системы распознавания образов "ЭЙДОС-5.1"): Монография (научное издание). – Краснодар: КЮИ МВД РФ, 1996. –280с.

Симанков В.С., Луценко Е.В. Адаптивное управление сложными системами на основе теории распознавания образов: Монография (научное издание). – Краснодар: ТУ КубГТУ, 1999.

–318с.

Симанков В.С., Луценко Е.В., Лаптев В.Н. Системный анализ в адаптивном управлении:

Монография (научное издание). /Под науч. ред. В.С.Симанкова. – Краснодар: ИСТЭК КубГТУ, 2001. –258с.

Луценко Е.В. Автоматизированный системно-когнитивный анализ в управлении активными объектами (системная теория информации и ее применение в исследовании экономических, социально-психологических, технологических и организационно-технических систем): Монография (научное издание). – Краснодар: КубГАУ. 2002. – 605с.

Луценко Е.В. Интеллектуальные информационные системы: Учебное пособие с грифом УМО для студентов специальности 351400 "Прикладная информатика (по отраслям)". – Краснодар: КубГАУ. 2004. – 633с.

Луценко Е.В., Лойко В.И., Семантические информационные модели управления агропромышленным комплексом: Монография (научное издание). – Краснодар: КубГАУ. 2005. –480с.

Наприев И.Л., Луценко Е.В., Чистилин А.Н. Образ-Я и стилевые особенности деятельности сотрудников органов внутренних дел в экстремальных условиях: Монография (научное издание). – Краснодар: КубГАУ. 2008. –262с.

Луценко Е. В., Лойко В.И., Великанова Л.О. Прогнозирование и принятие решений в растениеводстве с применением технологий искусственного интеллекта: Монография (научное издание). – Краснодар: КубГАУ, 2008. –257с.

Трунев А.П., Луценко Е.В. Астросоциотипология: Монография (научное издание). – Краснодар: КубГАУ, 2008. –264с.

Луценко Е.В., Коржаков В.Е., Лаптев В.Н. Теоретические основы и технология применения системно-когнитивного анализа в автоматизированных системах обработки информации и управления (АСОИУ) (на примере АСУ вузом): Под науч. ред. д.э.н., проф. Е.В.Луценко. Монография (научное издание). – Майкоп: АГУ. 2009. – 536 с.

Сотник С. Л., Конспект лекций по курсу "Основы проектирования систем искусственного интеллекта". 1998. –187 с.

Терехов С.А. Лекции по теории и приложениям искусственных нейронных сетей. Лаборатория Искусственных Нейронных Сетей НТО-2, ВНИИТФ: –Снежинск. 2004. -200 с.

Райков А.Н. Интеллектуальные информационные технологии: Учебное пособие. – М.:

МГИРЭА(ТУ), 2000. - 96с.

Дюк В.А. Обработка данных на ПК в примерах. – СПб: Питер, 1997. – 240с.

Дюк В.А. Компьютерная психодиагностика. - СПб: Братство, 1994. - 365с.

Боровиков В.П. Прогнозирование в системе STATISTICA® в среде Windows. Основы теории и интенсивная практика на компьютере: Учеб. пособие. – М.: Финансы и статистика, 2000.

– 384с.

Сайт автора учебного пособия: http://lc.narod.ru, http://lc.kubagro.ru.

http://ej.kubagro.ru (статьи в электронном Научном журнале КубГАУ о применении системы "Эйдос" для решения задач СИИ в различных предметных областях.) Базы данных репозитория UCI: http://www.ics.uci.edu/~mlearn/MLRepository.html http://datadiver.nw.ru/ http://www.dialog-21.ru http://alephegg.narod.ru/Refs/Diagonal.htm http://www.orc.ru/~stasson/neurox.html http://www.statsoft.ru/home/textbook/modules/stneunet.html http://www.finbridge.ru/net.shtml http://alife.narod.ru/ http://www.businesstest.ru/default.asp?topic_id= Сайты, обнаруживаемые в поисковых системах Yandex.ru, Aport.ru и Rambler.ru по запросам:

– "Интеллектуальная обработка данных (data mining)";

– "Распознавание образов";

– "Поддержка принятия решений";

– "Экспертные системы".

– "Когнитивное моделирование";

– "Нейронные сети";

– "Генетические алгоритмы";

– "Моделирование эволюции (машинная эволюция)";

– "Клавиатурный почерк";

– "Биометрическая идентификация пользователя";

– "Биологическая обратная связь";

– "Семантический резонанс".

14.2. Средства обеспечения освоения дисциплины Учебно-методическая документация по дисциплине (имеющиеся на кафедре методических указаний по каждому виду работы) 1. Луценко Е. В. Интеллектуальные информационные системы: Учебное пособие для студентов специальности "Прикладная информатика (по областям)" и другим экономическим специальностям. 2-е изд., перераб. и доп.– Краснодар: КубГАУ, 2009. – 615 с.

2. Луценко Е. В. Лабораторный практикум по интеллектуальным информационным системам: Учебное пособие для студентов специальности "Прикладная информатика (по областям)" и другим экономическим специальностям. 2-е изд., перераб. и доп. – Краснодар: КубГАУ, 2009. – 318с.

3. Луценко Е.В. Интеллектуальные информационные системы: Учебное пособие для студентов специальности: 080801.65 "Прикладная информатика (по отраслям)". – Краснодар:

КубГАУ. 2009. – 633 с.

14.3. Пакеты прикладных программ для проведения лабораторно-практических занятий Операционные системы Программы под MS Windows MS Word – текстовый редактор;

MS Excel – табличный процессор;

PhotoShop – графический редактор;

Windows & Total Commmander;

TeamViewer 5;

Универсальная когнитивная аналитическая система "Эйдос" версии 12.5 или выше.

Технические средства обучения (наглядные пособия, диафильмы, дидактические материалы, технические средства обучения по дисциплине) Презентация к лекциям по дисциплине.

15. МАТЕРИАЛЬНО–ТЕХНИЧЕСКОЕ ОБЕСПЕЧЕНИЕ

Лекции читаются в мультимедийных лекционных залах общей площадью 250 кв. м., оборудованных специализированной мебелью, современными мультимедийными средствами и средствами информационно–коммуникационных технологий:

- Мультимедийные проекторы – 2, - эпидиаскопы – 2, - киноэкраны – 2, - видеомагнитофоны - 2, - магнитофоны - 2, - микрофон - 6, - усилитель –2, - акустические системы - 2, - лазерная указка - 2, - устройства затемнения - 12, - устройства обеспечения безопасности - 4, - устройства поддержания микроклимата – 5, - Сервер –2;

- АРМ лектора, включая компьютер для удаленного управления – 2;

- выход в Internet;

- Программные средства для поддержки мультимедийных презентаций;

- Системное, прикладное и инструментальное обеспечение, демонстрация которого необходима для усвоения лекционного материала;

- Столы – 2;

- трибуна – 2;

- Доски - 2, - Парты – 150.

Все лабораторные занятия и часть самостоятельной работы проводятся со студентами в 6 компьютерных классах кафедры КТС общей площадью 623 кв.м., оборудованных:

- 96 ПК на базе Pentium IV со средствами мультимедиа и специализированным ПО;

- выход в Internet;

- Столы – 90;

- Стулья – 180;

- Доски - 6.