Программа дисциплины Модели представления знаний для направления 010500. 62 «Прикладная математика и информатика» подготовки бакалавров



Скачать 146.09 Kb.
Дата26.07.2014
Размер146.09 Kb.
ТипПрограмма дисциплины
Правительство Российской Федерации
Федеральное государственное автономное образовательное учреждение высшего профессионального образования

«Национальный исследовательский университет

«Высшая школа экономики»
Факультет БИЗНЕС-ИНФОРМАТИКИ

Отделение ПРИКЛАДНОЙ МАТЕМАТИКИ И ИНФОРМАТИКИ



Программа дисциплины
Модели представления знаний
для направления 010500.62 «Прикладная математика и информатика» подготовки бакалавров

Автор: Большакова Е.И. (eibolshakova@hse.ru)





Рекомендована секцией УМС

«Прикладная математика

и информатика»
Председатель

__________________ Кузнецов С.О.

«_____» __________________ 20___ г.


Одобрена на заседании кафедры

Анализа данных

и искусственного интеллекта
Зав. кафедрой

__________________ Кузнецов С.О.

«_____» __________________ 20___ г.


Утверждена УС факультета

бизнес-информатики


Ученый секретарь

__________________ Фомичев В.А.

« ____» ___________________20___ г.





Москва



I.Пояснительная записка

Автор программы


кандидат физико-математических наук, доцент Е.И. Большакова,

Требования к студентам


Предполагаются базовые знания по дисциплинам «Дискретная математика» и «Информатика и программирование», полученные на 1-3 курсах бакалавриата.

Аннотация


Факультативный курс «Модели представления знаний» охватывает один из центральных разделов в области искусственного интеллекта. Подробно рассматриваются и сопоставляются основные формальные модели и методы представления знаний. Обсуждаются принципы работы с нечеткими знаниями. Излагается понятие онтологии предметной области, рассматриваются виды и примеры онтологий. Затрагиваются когнитивные и лингвистические аспекты проектирования онтологий. Дается обзор методов извлечения и приобретения знаний.

Кроме теоретического материала в форме лекций курс включает семинарские занятия для решения и обсуждения конкретных задач на представление знаний, а также домашние задания на применение основных моделей представления знаний и построение онтологий.


Учебные задачи курса


Основная задача курса – изучение основных принципов и методов формального представления знаний.
В результате изучения дисциплины студенты должны:

  • Знать существующие модели представления знаний, иметь представление об основных видах программных систем, основанных на знаниях;

  • Понимать принципы формального представления знаний и методы онтологического инжиниринга;

  • Уметь различать виды знаний, анализировать конкретную предметную область и выбирать для нее подходящую модель представления знаний из этой области.


II.Тематический план курса
«Модели представления знаний»




Название темы

Всего часов по дисциплине

Аудиторные часы

Самосто-ятельная работа

Лекции

Сем. и практика занятия

1

Введение

2

2

0

2

2

Логическая модель

16

4

4

8

3

Сетевая модель

15

3

4

8

4

Фреймовая модель

16

4

4

8

5

Продукционная модель

12

3

3

6

6

Нечеткие знания и их обработка

11

3

2

6

7

Онтологии предметных областей

16

4

4

8

8

Методы инженерии знаний

18

3

5

10




Итого

108

26

26

56


III.Источники информации

Базовый учебник – ридер «Модели представления знаний», составленный по следующим источникам:


  1. Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем. – СПб.: Издательство «Питер», 2000.

  2. Лапшин В.А. Онтологии в компьютерных системах. – М.: Научный Мир, 2010.

  3. Люгер Дж. Ф. Искусственный интеллект: стратегии и методы решения сложных проблем. – М.: Издательский дом «Вильямс», 2005.

Дополнительная литература


  1. Джарратано Дж., Райли Г. Экспертные системы. Принципы разработки и программирование – М.: ООО «И.Д. Вильямс», 2007

  2. Искусственный интеллект – В 3-х кн. Кн. 2. Модели и методы: Справочник./ Под ред. Д.А.  Поспелова – М.: Радио и связь, 1990.

  3. Логический подход к искусственному интеллекту: от классической логики к логическому программированию. – М.: Мир, 1990.

  4. Матвеев М.Г., Свиридов А.С., Алейникова Н.А. Модели и методы искусственного интеллекта. Применение в экономике: учеб. пособие. – М.: Финансы и Статистика; ИНФРА-М, 2008.

  5. Минский М. Фреймы для представления знаний – М.: Энергия, 1979.

  6. Рассел C., Норвиг П. Искусственный интеллект: современный подход, 2-е изд. // Пер. с англ. – М.: Издательский дом «Вильямс», 2006.

  7. Частиков А.П., Гаврилова Т.А., Белов Д.Л. Разработка экспертных систем. Среда CLIPS. – СПб.: БХВ-Петербург, 2003.

  8. Winston, P. Artificial Intelligence (Third Edition). Addison-Wesley Publishing Co., 1993.


IV.Формы контроля и структура итоговой оценки


Курс читается во втором и третьем модулях.

Текущий контроль – контрольная работа (80мин.) во втором модуле,

домашнее задание в третьем модуле.

Итоговый контроль – устный экзамен (60 мин.) в конце третьего модуля.

Результирующая оценка за текущий контроль рассчитывается следующим образом:

Отекущий = 0,3·Ок/р + 0,7·Од/з

Решения домашних заданий, выдаваемых к семинарским занятиям, оцениваются в баллах и учитываются в рабочей ведомости, в итоге по ним получается оценка Осам.работа.



Итоговая оценка по курсу выставляется по следующей формуле:

Оитоговая = 0,2 Оэкзамен + 0,4·Отекущий + 0,4·Осам. работа

где Оэкзамен – оценка за работу непосредственно на экзамене.


В случае пропусков занятий студент может досдать все домашние задания не позднее чем за 10 дней до экзамена – в этом случае они учитываются в итоговой оценке обычным способом.



Таблица соответствия оценок по десятибалльной и системе зачет/незачет


Оценка по 10-балльной шкале

Оценка по 5-балльной шкале

1

незачет

2

3

4

зачет

5

6

7

8

9

10


Таблица соответствия оценок по десятибалльной и пятибалльной системе


По десятибалльной шкале

По пятибалльной системе

1 – неудовлетворительно

2 – очень плохо

3 – плохо


неудовлетворительно – 2

4 – удовлетворительно

5 – весьма удовлетворительно



удовлетворительно – 3

6 – хорошо

7 – очень хорошо



хорошо – 4

8 – почти отлично

9 – отлично



10 – блестяще

отлично – 5


V.Содержание курса
«Модели представления знаний»

Тема 1. Введение


Данные и знания. Виды знаний: процедурные Vs. декларативные, понятийные Vs. фактографические. Метазнания. Основные модели представления знаний. Языки представления знаний. Понятие базы знаний. Роль инженера по знаниям.

Основная литература


  1. Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем. – СПб.: Издательство «Питер», 2000.

  2. Люгер Дж. Ф. Искусственный интеллект: стратегии и методы решения сложных проблем. – М.: Издательский дом «Вильямс», 2005.

Дополнительная литература


  1. Джарратано Дж., Райли Г. Экспертные системы. Принципы разработки и программирование – М.: ООО «И.Д. Вильямс», 2007.

  2. Частиков А.П., Гаврилова Т.А., Белов Д.Л. Разработка экспертных систем. Среда CLIPS. – СПб.: БХВ-Петербург, 2003.

Тема 2. Логическая модель


Понятие формальной теории. Формула исчисления предикатов первого порядка (ИП-1) как единица знаний. Этапы представления знаний на основе ИП-1. Сложности выбора сигнатуры ИП-1 и отображения логических связей. Логический вывод как обработка знаний. Дедуктивные базы знаний, примеры.

Основная литература


  1. Люгер Дж. Ф. Искусственный интеллект: стратегии и методы решения сложных проблем. – М.: Издательский дом «Вильямс», 2005.

  2. Логический подход к искусственному интеллекту: от классической логики к логическому программированию. – М.: Мир, 1990.

Дополнительная литература


  1. Искусственный интеллект – В 3-х кн. Кн. 2. Модели и методы: Справочник./ Под ред. Д.А.  Поспелова – М.: Радио и связь, 1990.

  2. Рассел C., Норвиг П. Искусственный интеллект: современный подход, 2-е изд. // Пер. с англ. – М.: Издательский дом «Вильямс», 2006.

  3. Winston, P. Artificial Intelligence (Third Edition). Addison-Wesley Publishing Co., 1993.

Тема 3. Сетевая модель


Понятие семантической сети. Представление в семантических сетях разнотипных объектов, ситуаций, процессов. Примеры семантических сетей. Свойство ассоциативности. Виды связей вершин, вывод на семантических сетях. Однородные сети, сценарии. Выразительная мощность: сравнение с логической моделью.

Основная литература


  1. Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем. – СПб.: Издательство «Питер», 2000.

  2. Люгер Дж. Ф. Искусственный интеллект: стратегии и методы решения сложных проблем. – М.: Издательский дом «Вильямс», 2005.

Дополнительная литература


  1. Искусственный интеллект – В 3-х кн. Кн. 2. Модели и методы: Справочник./ Под ред. Д.А.  Поспелова – М.: Радио и связь, 1990.

  2. Рассел C., Норвиг П. Искусственный интеллект: современный подход, 2-е изд. // Пер. с англ. – М.: Издательский дом «Вильямс», 2006.

  3. Частиков А.П., Гаврилова Т.А., Белов Д.Л. Разработка экспертных систем. Среда CLIPS. – СПб.: БХВ-Петербург, 2003.

  4. Winston, P. Artificial Intelligence (Third Edition). Addison-Wesley Publishing Co., 1993.

Тема 4. Фреймовая модель


Понятие фрейма в когнитивной психологии и искусственном интеллекте. Фрейм-прототип и фрейм-экземпляр. Структура фрейма. Присоединенные процедуры, их виды. Представление общелогических связей, вывод во фреймовых системах. Примеры фреймовых систем. Представление значений по умолчанию, немонотонный вывод.

Основная литература


  1. Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем. – СПб.: Издательство «Питер», 2000.

  2. Люгер Дж. Ф. Искусственный интеллект: стратегии и методы решения сложных проблем. – М.: Издательский дом «Вильямс», 2005.

  3. Минский М. Фреймы для представления знаний – М.: Энергия, 1979.

Дополнительная литература


  1. Логический подход к искусственному интеллекту: от классической логики к логическому программированию. – М.: Мир, 1990.

  2. Рассел C., Норвиг П. Искусственный интеллект: современный подход, 2-е изд. // Пер. с англ. – М.: Издательский дом «Вильямс», 2006.

  3. Winston, P. Artificial Intelligence (Third Edition). Addison-Wesley Publishing Co., 1993.

Тема 5. Продукционная модель


Понятие правила продукции и продукционной системы. Цикл работы продукционной системы. Управление выводом, метаправила. Продукционные языки, язык CLIPS.

Основная литература


  1. Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем. – СПб.: Издательство «Питер», 2000.

  2. Люгер Дж. Ф. Искусственный интеллект: стратегии и методы решения сложных проблем. – М.: Издательский дом «Вильямс», 2005.

Дополнительная литература


  1. Джарратано Дж., Райли Г. Экспертные системы. Принципы разработки и программирование – М.: ООО «И.Д. Вильямс», 2007

  2. Искусственный интеллект – В 3-х кн. Кн. 2. Модели и методы: Справочник./ Под ред. Д.А.  Поспелова – М.: Радио и связь, 1990.

  3. Матвеев М.Г., Свиридов А.С., Алейникова Н.А. Модели и методы искусственного интеллекта. Применение в экономике: учеб. пособие. – М.: Финансы и Статистика; ИНФРА-М, 2008.

  4. Рассел C., Норвиг П. Искусственный интеллект: современный подход, 2-е изд. // Пер. с англ. – М.: Издательский дом «Вильямс», 2006.

  5. Частиков А.П., Гаврилова Т.А., Белов Д.Л. Разработка экспертных систем. Среда CLIPS. – СПб.: БХВ-Петербург, 2003.

Тема 6. Нечеткие знания и их обработка


Виды и природа неопределенности. Нечеткая логика и ее использование. Коэффициент уверенности. Модель обработки нечетких знаний с использованием мер доверия и недоверия. Байесовский подход.

Основная литература


Джарратано Дж., Райли Г. Экспертные системы. Принципы разработки и программирование – М.: ООО «И.Д. Вильямс», 2007

Дополнительная литература


  1. Люгер Дж. Ф. Искусственный интеллект: стратегии и методы решения сложных проблем. – М.: Издательский дом «Вильямс», 2005.

  2. Матвеев М.Г., Свиридов А.С., Алейникова Н.А. Модели и методы искусственного интеллекта. Применение в экономике: учеб. пособие. – М.: Финансы и Статистика; ИНФРА-М, 2008.

  3. Рассел C., Норвиг П. Искусственный интеллект: современный подход, 2-е изд. // Пер. с англ. – М.: Издательский дом «Вильямс», 2006.

  4. Частиков А.П., Гаврилова Т.А., Белов Д.Л. Разработка экспертных систем. Среда CLIPS. – СПб.: БХВ-Петербург, 2003.

Тема 7. Онтологии предметных областей


Понятие онтологии в философии, когнитивной психологии, лингвистике, искусственном интеллекте. Виды онтологий: специальные и общие, лингвистические и понятийные. Примеры онтологий. Состав и структура онтологий, типы отношений концептов. Использование онтологий.

Основная литература


Лапшин В.А. Онтологии в компьютерных системах. – М.: Научный Мир, 2010.

Дополнительная литература


Джарратано Дж., Райли Г. Экспертные системы. Принципы разработки и программирование – М.: ООО «И.Д. Вильямс», 2007.

Тема 8. Методы инженерии знаний


Извлечение и приобретение знаний. Основные этапы и методы извлечения знаний. Методика структурирования знаний для построения онтологий. Редакторы онтологий. Представление онтологий во фреймовых системах.

Основная литература


  1. Лапшин В.А. Онтологии в компьютерных системах. – М.: Научный Мир, 2010.

  2. Частиков А.П., Гаврилова Т.А., Белов Д.Л. Разработка экспертных систем. Среда CLIPS. – СПб.: БХВ-Петербург, 2003.

Дополнительная литература


Матвеев М.Г., Свиридов А.С., Алейникова Н.А. Модели и методы искусственного интеллекта. Применение в экономике: учеб. пособие. – М.: Финансы и Статистика; ИНФРА-М, 2008.

VI.Тематика заданий по формам текущего контроля

Примеры заданий на контрольной работе


  1. Используя предикат parent(a,b), истинный когда a – родитель для b и предикат man(c), истинный когда c – мужчина, записать определение отношений:
    - has_uncle(X): у человека X есть дядя по отцовской линии;
    - grand_nephew(X,Y): X является внучатым племянником для Y (т.е. X – внук сестры или брата Y в исчислении предикатов 1-го порядка.

  2. Представить в виде семантической сети знания, заключенные в следующем предложении:
    Химические волокна различают искусственные (из природных полимеров, главным образом, их целлюлозы) и синтетические, сырьем для которых являются синтетические смолы, полученные из нефтегазового или угольного сырья

  3. Предложить структуру фрейма-прототипа для описания ситуации «Экзамен». Привести пример соответствующего фрейма-экземпляра.

  4. Сравнить логический и сетевой методы представления знаний (выразительная мощность, декларативность/процедурность, возможности логического вывода).

Примеры домашних заданий


    1. Для выбранного текста (из 7-10 предложений) в некоторой предметной области (энциклопедическая справка, газетное сообщение или др.) представить заключенное в нем знание в виде семантической сети, включающей среди прочего общелогические отношения.

    2. Составить сценарий из некоторой предметной области (кулинарный рецепт, поездка на электричке, получение денег в банкомате и т.п.) в виде однородной семантической сети, указав вид применяемого в нем отношения нестрогого порядка.

    3. Для выбранной предметной области (музыкальные инструменты, спортивные игры, товары определенного вида и т.п.) составить онтологию объектов/сущностей (не менее 25), указав вид отношений объектов и назначение онтологии.

VII.Вопросы для оценки качества освоения дисциплины


Тема 1.

  1. В чем общее и отличия данных и знаний?

  2. Какие способы классификации знаний применяются в области искусственного интеллекта (ИИ) и представления знаний (ПЗ)?

  3. Как можно охарактеризовать понятийные знания?

  4. Что такое метазнания? Приведите примеры.

  5. Перечислите основные формальные модели представления знаний.

  6. В чем роль инженера по знаниям?

  7. Что такое база знаний? Система ИИ, основанная на знаниях?

Тема 2.

  1. Что служит единицей представления в логической модели представления знаний?

  2. Объясните понятие формальной теории.

  3. Что такое сигнатура формальной теории?

  4. Перечислите основные этапы представления знаний в логической модели.

  5. В чем основные сложности применения логической модели ПЗ?

  6. Охарактеризуйте логический вывод как обработку знаний.

  7. Укажите достоинства и недостатки логической модели ПЗ.

Тема 3.

  1. Определите понятие семантической сети.

  2. В чем заключается свойство ассоциативности семантической сети.

  3. Охарактеризуйте сценарии как вид семантических сетей.

  4. Приведите пример вывода на семантической сети.

  5. Опишите разновидности вывода на семантических сетях.

  6. Укажите достоинства и недостатки сетевой модели ПЗ.

Тема 4.

  1. Объясните понятие фрейма в теории М. Минского.

  2. Чем отличается фрейм-прототип от фрейма-экземпляра?

  3. Опишите структуру фрейма-прототипа.

  4. Что такое присоединенная процедура? Приведите пример.

  5. Какие виды присоединенных процедур вы знаете?

  6. В каких задачах используется фреймовая модель ПЗ?

  7. Что такое немонотонный вывод?

Тема 5.

  1. Что такое правило продукции? Приведите пример.

  2. Укажите основные компоненты продукционной системы.

  3. Перечислите основные шаги цикла работы продукционной системы.

  4. Укажите достоинства и недостатки продукционной модели ПЗ.

  5. В каких задачах используется продукционная модель ПЗ?

Тема 6.

  1. Какие виды неопределенности присущи знаниям?

  2. Опишите правила нечеткой логики.

  3. Что такое коэффициент определенности?

  4. Какие модели обработки нечетких знаний вы знаете?

Тема 7.

  1. Что такое онтология? Приведите пример.

  2. Сравните понятие онтологии в лингвистике и искусственном интеллекте.

  3. Какие виды онтологий вы знаете? Приведите примеры.

  4. Укажите общую структуру онтологий.

  5. Какие отношения концептов используются в онтологиях?

  6. Для каких целей создаются и применяются онтологии?

Тема 8.

  1. Что характерно для процессов извлечения и приобретения знаний.

  2. Назовите основные методы извлечения знаний.

  3. Укажите основные этапы онтологического инжиниринга.

Автор программы: _____________________________/ Большакова Е.И. /




Похожие:

Программа дисциплины Модели представления знаний для направления 010500. 62 «Прикладная математика и информатика» подготовки бакалавров iconПрограмма дисциплины Практикум на ЭВМ для направления 010500. 62 Прикладная математика и информатика подготовки бакалавров
Программа дисциплины Практикум на ЭВМ (обработка данных сложной структуры) для подготовки бакалавров по направлению 010500. 62 (бакалаврская...
Программа дисциплины Модели представления знаний для направления 010500. 62 «Прикладная математика и информатика» подготовки бакалавров iconПрограмма дисциплины математический анализ и обыкновенные дифференциальные уравнения. Дополнительные главы для направления 010500. 62 «Прикладная математика и информатика»
Для направления 010500. 62 – «Прикладная математика и информатика» подготовки бакалавра. 2 курс
Программа дисциплины Модели представления знаний для направления 010500. 62 «Прикладная математика и информатика» подготовки бакалавров iconПрограмма дисциплины Численные методы для направления 010500. 62 «Прикладная математика и информатика» подготовки бакалавра
Программа предназначена для преподавателей, ведущих данную дисциплину, учебных ассистентов и студентов направления 010500. 62 «Прикладная...
Программа дисциплины Модели представления знаний для направления 010500. 62 «Прикладная математика и информатика» подготовки бакалавров iconПрограмма дисциплины Дифференциальные уравнения для направления 010500. 62 – «Прикладная математика и информатика»
Дифференциальные уравнения для направления 010500. 62 «Прикладная математика и информатика» подготовки бакалавра
Программа дисциплины Модели представления знаний для направления 010500. 62 «Прикладная математика и информатика» подготовки бакалавров iconПрограмма дисциплины Культурология для направления 010500. 62 «Прикладная математика и информатика» подготовки бакалавра

Программа дисциплины Модели представления знаний для направления 010500. 62 «Прикладная математика и информатика» подготовки бакалавров iconПрограмма дисциплины Современная прикладная алгебра для направления 010500. 62 Прикладная математика и информатика подготовки бакалавров
Доктор физико-математических наук С. О. Кузнецов, доктор физико-математических наук Д. И. Пионтковский
Программа дисциплины Модели представления знаний для направления 010500. 62 «Прикладная математика и информатика» подготовки бакалавров iconПрограмма дисциплины Математический анализ Для направления 010500. 62 «Прикладная математика и информатика» подготовки бакалавра

Программа дисциплины Модели представления знаний для направления 010500. 62 «Прикладная математика и информатика» подготовки бакалавров iconПрограмма дисциплины Дискретная математика 2 для направления 010500. 62 «Прикладная математика и информатика» подготовки бакалавра
Гэри М., Джонсон Д. Вычислительные машины и труднорешаемые задачи. М.: Мир, 1982
Программа дисциплины Модели представления знаний для направления 010500. 62 «Прикладная математика и информатика» подготовки бакалавров iconПрограмма дисциплины Алгоритмы и структуры данных для направления 010400. 62 «Прикладная математика и информатика» подготовки бакалавров

Программа дисциплины Модели представления знаний для направления 010500. 62 «Прикладная математика и информатика» подготовки бакалавров iconПрограмма дисциплины Математический анализ для направления 010500. 62 «Прикладная математика и информатика» подготовки бакалавра
Математические и статистические высшей математики методы в экономике на факультете экономики
Разместите кнопку на своём сайте:
ru.convdocs.org


База данных защищена авторским правом ©ru.convdocs.org 2016
обратиться к администрации
ru.convdocs.org