(ФГБОУ ВО Чувашский ГАУ)
и научной работе
Направленность (профиль) Интеллектуальные системы управления эксплуатацией транспортно-технологических комплексов
(<Курс>.<Семестр на курсе>)
Направленность (профиль) Интеллектуальные системы управления эксплуатацией транспортно-технологических комплексов, одобренный Ученым советом ФГБОУ ВО Чувашский ГАУ от 28.02.2023 г., протокол № 11.
ции
ракт.
подг.
Состав знаний СИИ. Организация знаний СИИ. Модели представления знаний. /Лек/
/Пр/
Подготовка к практическим занятиям.
Основные направления развития исследований в области систем искусственного интеллекта для решения задач инжиниринга в транспортной сфере.
Задания для самостоятельной работы. /Ср/
/Лек/
/Ср/
Новые архитектуры компьютеров для нечетких вычислений, элементная база нечетких компьютеров и контроллеров, инструментальные средства разработки систем нечеткой логики. Задачи, решаемые с использованием нечетких вычислений, инженерные методы расчета и разработки нечетких систем управления, нечеткие системы ИИ.
/Лек/
/Пр/
/Ср/
/Пр/
/Ср/
/Ср/
/Ср/
2. Организация логического вывода это?
3. Описание проблемной области экспертных систем, это -.
4. Операции и последовательность выполнения генетического алгоритма.
5. Определите, в какой области информационных технологий может быть реализован запрос: определить сумму, имеющуюся на счете отдельного клиента.
6. Для решения каких задач предназначены экспертные системы?
7. Задачи, для которых не эффективно использование хранилищ данных .
8. Выбор генотипа и фенотипа при реализации генетического алгоритма, это -.
9. Определите, в какой области информационных технологий реализуется обучение методом проб и ошибок.
10. Стратегии принятия решений не используемые в экспертных системах и в …
11. Задачи из области NP .
12. Инструментальные средства проектирования экспертных систем.
13. С помощью каких моделей не может осуществляться поиск закономерности в обозримом пространстве данных в системах раскопок данных.
14. Модели представления знаний, это - .
15. Элементы классификации нейронных сетей.
16. Принципы функционирования генетических алгоритмов.
17. Понятия «фенотип», «генотип», «особь», «мутация», «селекция».
18. Последовательные этапы стохастической эволюционной оптимизации.
19. Основные отличия знаний от данных.
20. Назовите технологию. Статистические задачи, реализующие байесовские классификаторы, работающие в условиях
отсутствия знания функции распределения вероятностей.
21. Инструменты моделирования предметной области при разработке ЭС.
23. Комбинация многомерного и реляционного подходов организации данных.
24. Примеры слабоструктурированной информации.
25. Прямая и обратная цепочки логических рассуждений.
26. Использование эвристик при разработке систем искусственного интеллекта
27. Способы привлечения знаний экспертов для решения плохо формализованных задач.
28. Последовательные этапы стохастической эволюционной оптимизации.
29. Инструменты моделирования предметной области для разработки ЭС.
30. Эволюция систем искусственного интеллекта.
31. Понятие сингулярности. Этические проблемы эволюционного развития систем, технологий и инструментальных средств искусственного интеллекта.
20. Назовите технологию. Статистические задачи, реализующие байесовские классификаторы, работающие в условиях отсутствия знания функции распределения вероятностей.
21. Инструменты моделирования предметной области при разработке ЭС.
22. Продукционные правила и продукционные системы.
23. Комбинация многомерного и реляционного подходов организации данных.
24. Примеры слабоструктурированной информации.
25. Прямая и обратная цепочки логических рассуждений.
1. Сформулируйте отличия систем искусственного интеллекта от традиционных систем обработки данных и назовите примеры успешного применения технологии ЭС.
2. Схема интеграции онтологий и выделяемые на ее основе виды онтологий.
3. Экспертная система: определение, функции, архитектура.
4. Основные структурные элементы программирования в ЭО CLIPS.
5. Основные отличия данных и знаний.
6. Опишите общую схему функционирования ЭС, разработанных в CLIPS.
7. Сложность задач, решаемых с помощью систем искусственного интеллекта.
8. Стратегии принятия решений.
9. Описание проблемной области. Таксономическая классификационная схема.
10. Особенности реализации логического вывода в ЭОCLIPS и КАРРА.
11. Онтология предметной области и способы ее организации.
12. Организация логического вывода при различных способах моделировании знаний.
13. Особенности представления знаний при разработке информационного приложения.
14. Организация логического вывода в формальной интеллектуальной системе.
15. Модели представления знаний.
16. Способы привлечения знаний экспертов для решения плохо формализованных задач.
17. Использование эвристик при разработке систем искусственного интеллекта.
18. Опишите технологию. Статистические задачи, реализующие байесовские классификаторы, работающие в условиях
отсутствия знания функции распределения вероятностей.
19. Основные типы задач, решаемых экспертными системами.
20. Организация логического вывода. Прямая и обратная цепочки логических рассуждений.
21. Последовательность разработки информационного приложения, использующего представление знаний.
22. Подсистемы моделирования инструментальных оболочек для разработки ЭС.
23. Инструментальные средства для разработки систем искусственного интеллекта и ЭС.
24. Организация базы знаний.
25. Этапы процесса создания онтологий.
26. Продукционные правила и продукционные системы.
27. Особенности функции обучения, реализуемые ЭС.
28. Определить в какой области информационных технологий и в каких структурах может быть реализован запрос: каким будет объем продаж железнодорожных билетов в денежном выражении с учетом сезонных колебаний.
29. Понятие и примеры слабоструктурированной информации.
30. Неопределенность и методы определения неопределенности.
31. Принципы построения систем, ориентированных на анализ данных.
32. Упрощенная логическая схема аналитической системы.
33. Модели данных, используемые для построения хранилищ.
34. основные понятия многомерной модели.
35. Основные операции манипулирования измерениями.
36. Комбинация многомерного и реляционного подходов.
37. Прогнозирование с использованием нейронных сетей.
38. Основные понятия и термины, используемые в области применения генетических алгоритмов.
39. Обучение нейронной сети.
40. Инструментальные средства реализации нейронных сетей, генетических алгоритмов.
41. Основы нечеткой логики.
42. Системы, основанные на нечеткой логике.
43. С развитием каких технологий связана эволюция систем искусственного интеллекта
44. Понятие сингулярности. Этические проблемы эволюционного развития систем, технологий и инструментальных средств искусственного интеллекта.
1. Декларативными знаниями не являются…
1.Констатация факта.
2.Вычисление значения данных в процессе работы ЭС.
3.Предложения с фиксированными значениями данных.
4.Неизменное значение слота.
2. Описание проблемной области экспертных систем, это -.
1.графики, диаграммы
2.вербальное представление.
3.результат работы эксперта.
4.таксономическая классификационная схема
3. Операции и последовательность выполнения генетического алгоритма
1.Скрещивание - Выбор альтернативных решений - Мутация и выбор оптимальных решений
2. Селекция – Кроссинговер - Мутация
3. Скрещивание - Вычисление функции активации - Выбор оптимальных решений
4. Кроссинговер – Мутация - Выбор альтернативных решений
4. Задачи, для которых не эффективно использование хранилищ данных
1.Выявление аномалий
2.Реинжинириг бизнеса
3.Кластеризация и классификация
4.Прогнозирование
5. Задачи из области NP
1.Экспоненциальные
2.Неопределенные полиномиальные
3.Полиномиальные
4.Со сложным итерационным алгоритмом.
Занятия лекционного типа дают систематизированные знания по дисциплине, концентрируют внимание на наиболее сложных и важных вопросах. Во время лекционных занятий рекомендуется вести конспектирование учебного материала; обращать внимание на формулировки и категории, раскрывающие суть проблемы, явления или процесса; зафиксировать выводы и практические рекомендации.
Подготовка к занятиям включает ознакомление с планом практического занятия; работу с конспектом лекций, выполнение домашнего задания, работу с учебной и учебно-методической литературой, научными изданиями и электронными образовательными ресурсами, рекомендованными рабочей программой дисциплины.
Содержание самостоятельной работы определяется рабочей программой дисциплины, оценочными и методическими материалами, заданиями и указаниями преподавателя. Самостоятельная работа может осуществляться в аудиторной и внеаудиторной формах. Эффективным средством осуществления самостоятельной работы является электронная информационно-образовательная среда университета, которая обеспечивает доступ к
образовательной программе, рабочей программе дисциплины, к электронным библиотечным системам, профессиональным базам данных и информационным справочным системам.
Периодичность проведения, формы текущего контроля успеваемости, система оценивания хода освоения дисциплин представлены в рабочей программе.
в 20___ /20___ учебном году
в 20___ /20___ учебном году
в 20___ /20___ учебном году
в 20___ /20___ учебном году
в 20___ /20___ учебном году
в 20___ /20___ учебном году