Модели и методы искусственного интеллекта (курс лекций, И.А.Матвеев)

Материал из MachineLearning.

Перейти к: навигация, поиск

Содержание

В курсе рассматриваются основные модели и методы, связанные с извлечением, преобразованием и представлением знаний, с правилами вывода и принятием решений в прикладных интеллектуальных системах.

Целью курса является изучение методов и моделей, применяемых в системах распознавания и искусственного интеллекта (ИИ).

Курс читается студентам 3 курса кафедры «Интеллектуальные системы / проектирование и организация систем» ФУПМ МФТИ. Программа лекционного курса рассчитана на 32 часа (семестр), предусмотрены семинарские занятия (16 часов) и лабораторные работы (16 часов).

Замечания для студентов

Программа курса

Введение в курс. Структура предметной области, основные методы и модели.

  • Основные этапы становления области знаний под названием "искусственный интеллект".
  • Классификация интеллектуальных задач.
  • Структура предметной области, основные методы и модели.

Нейронные сети

  • Структура сети и нейрона.
  • Нейрон как адаптивный линейный сумматор.
  • Однослойные и многослойные сети.
  • Алгоритм обратного распространения ошибок.

Генетические алгоритмы

  • Аналогия с естественной эволюцией и терминология.
  • Классический ГА: инициализация – оценка приспособленности – селекция хромосом – применение генетических операторов – создание новой популяции.

Нечеткие множества, числа, вывод, управление

  • Алгебра нечетких множеств и чисел.
  • Нечеткие варианты правил вывода modus ponens и modus tollens.
  • Треугольные нормы T и S.
  • Принцип расширения, нечеткое управление.
  • Нечеткое управление Такаги-Сугено.

Структура и стратегии поиска в пространстве состояний

  • Представление задачи в пространстве состояний.
  • Поиск на основе данных от цели, поиск в глубину и ширину.
  • Представление рассуждений в пространстве состояний.

Эвристический поиск

  • Жадный алгоритм поиска.
  • Допустимость, монотонность и информированность эвристики.
  • Процедура минимакса, альфа-бета усечение.

Представление данных в системах ИИ

  • Способ организации и запоминания данных человеком.
  • Ассоционистская теория смысла.
  • Теория концептуального отношения, концептуальные графы.
  • Сценарии.
  • Фреймы.

Сильные методы решения задач

  • Системы, основанные на правилах, продукционные системы.
  • Объяснения и прозрачность рассуждений на основе цели.

Рассуждения в условиях неопределённости

  • Абдуктивный вывод.
  • Системы поддержки истинности.
  • Неточный вывод на основе фактора уверенности.
  • Теория доказательства Демпстера-Шефера.
  • Байесовские рассуждения, сети доверия.
  • Рассуждения с нечёткими множествами.

Семинары

  1. Генетические алгоритмы.
  2. Нечеткие множества, числа, вывод, управление.
  3. Эвристический поиск.
  4. Представление данных в системах ИИ.

Лабораторные работы

  1. Изучение эвристик в играх. Исследование влияния качества эвристики и глубины перебора на силу игрока.
  2. Изучение примера системы нечёткого управления.
  3. Генетические алгоритмы в оптимизационных задачах. Игры типа «бой в памяти» как примеры генетических алгоритмов.
  4. Использование концептуального графа для перевода текстов.


Литература

Основная литература

  1. Рутковская Д., Пилиньский М. Нейронные сети, генетические алгоритмы и нечеткие системы. М., Горячая линия - Телеком, 2006 – 452 с.
  2. Люгер Дж.Ф. Искусственный интеллект: стратегии и методы решения сложных проблем. М., Издательский дом «Вильямс». 2005 – 864 с.
  3. Рассел С., Норвиг П. Искусственный интеллект: современный подход. М., Издательский дом «Вильямс». 2006 – 1408 с.
  4. Хант Э. Искусственный интеллект / Под ред. В. Л. Стефанюка. - М.: Мир, 1978. — 558 с.

Дополнительная литература

  1. Ясницкий Л.Н. Введение в искусственный интеллект. М., Издательский центр «Академия», 2005 – 176 с.
  2. Смолин Д.В. Введение в искусственный интеллект: конспект лекций. М., Физматлит. 2004 – 208 с.
  3. Девятков В. В. Системы искусственного интеллекта / Гл. ред. И. Б. Фёдоров. - М.: Изд-во МГТУ им. Н. Э. Баумана, 2001. - 352 с.
  4. Лорьер Ж.-Л. Системы искусственного интеллекта. - М.: Мир, 1991. - 568 с.
  5. Заде Л. Понятие лингвистической переменной и его применение к принятию приближенных решений. М.: Мир, 1976. 166c.
  6. Молодцов Д.А. Теория мягких множеств. М., Едиториал УРСС, 2004 – 360 с.
  7. Батыршин И.З., Недосекин А.О., Стецко А.А., Тарасов В.Б., Язенин А.В., Ярушкина Н.Г. Теория и практика нечетких гибридных систем. Под ред. Н.Г. Ярушкиной. М.: Физматлит, 2007.
  8. Круглов В. В., Дли М. И., Голунов Р. Ю. Нечёткая логика и искусственные нейронные сети. Учеб. пособие. М.: Издательство Физико-математической литературы, 2001. - 224 c.
  9. Кофман А. Введение в теорию нечетких множеств. М.: Радио и связь, 1982. - 432 с.
  10. Нечеткие множества и теория возможностей: Последние достижения. Под редакцией Р.Р. Ягера. - М.: Радио и связь, 1986.
  11. Орлов А. И. Задачи оптимизации и нечеткие переменные. М.: Знание, 1980. - 64 с.
  12. Каллан Р. Основные концепции нейронных сетей. М., Издательский дом «Вильямс», 2001 – 287 с.
  13. Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика. - 1-е. - М.: Горячая линия - Телеком, 2001. - 382 c.
  14. Терехов В.А., Ефимов Д.В., Тюкин И.Ю. Нейросетевые системы управления. - 1-е. - Высшая школа, 2002. - С. 184.
  15. Уоссермен, Ф. Нейрокомпьютерная техника: Теория и практика - М.: Мир, 1992. - 240 с.
  16. Хайкин C. Нейронные сети: полный курс - 2-е. - М.: «Вильямс», 2006. - 1104 c.
  17. Гладков Л.А., Курейчик В.В. Генетические алгоритмы. М., Физматлит, 2006 – 320 с.

Электронные ресурсы, включая доступ к базам данных и т.д.

  1. Подборка книг по искусственному интеллекту URL и экспертным системам URL
  2. Подборка книг по нечеткой логике URL
  3. Подборка книг по искусственному интеллекту, машинному обучению, компьютерному зрению, по языкам ЛИСП, Пролог. URL, URL


Программу составил
И.А. Матвеев, профессор, д.т.н.

См. также

Список подстраниц

Модели и методы искусственного интеллекта (курс лекций, И.А.Матвеев)/Вопросы