Tehisintellektisüsteemide praktiline kursuse õpetus. Teaduse ja hariduse kaasaegsed probleemid

S.G. TOLMATŠEV

TEHISINTELLEKT.

NEURAALVÕRGU MUDELID

Vene Föderatsiooni Haridus- ja Teadusministeerium Balti Riiklik Tehnikaülikool "Voenmeh"

Infotöötluse ja juhtimissüsteemide osakond

S.G. TOLMATŠEV

TEHISINTELLEKT.

NEURAALVÕRGU MUDELID

Õpetus

Peterburi

UDK 004.8(075.8) T52

Tolmachev, S.G.

T52 Tehisintellekti süsteemid. Närvivõrgu mudelid: õpik / S.G. Tolmatšov; Balt. olek tehnika. un-t. - Peterburi, 2011. 132 lk.

ISBN 978-5-85546-633-1

Antakse põhiteave tehisnärvivõrkude ülesehituse ja toimimise põhimõtete kohta. Käsitletakse formaalse neuroni funktsioneerimist, närvivõrkude klassifikatsiooni nende arhitektuuri ja õppimise liikide järgi, erinevate närvivõrguprobleemide tüüpilisi sõnastusi ja meetodeid nende lahendamiseks.

See on mõeldud abiturientidele, kes õpivad erialadel "Infosüsteemid ja -tehnoloogiad" ning "Info töötlemise ja juhtimise automatiseeritud süsteemid".

UDC 004.8(075.8)

Ekspertretsensendid: Dr. tech. teadused prof., juhataja. teaduslik OJSC "Concern "Granit-Electron"" töötaja S.N. pallid; cand. tehnika. teadused, prof., juhataja. kohvik I5 BSTU N.N. Smirnova

Kinnitatud ülikooli toimetuse ja kirjastuse poolt

SISSEJUHATUS

Üks võimsamaid tööriistu intelligentsete süsteemide loomiseks on tehisnärvivõrgud (ANN-id), mis modelleerivad inimese ajule omaseid põhilisi infotöötlusmehhanisme. On teada, et aju töötab põhimõtteliselt teistmoodi ja sageli tõhusamalt kui ükski inimese loodud arvuti. Just see asjaolu on aastaid motiveerinud teadlasi tehisnärvivõrkude loomise ja uurimisega tegelema.

Aju on äärmiselt keeruline infotöötlussüsteem. Sellel on võime organiseerida oma struktuurseid komponente, mida nimetatakse neuroniteks, nii, et need suudavad täita konkreetseid ülesandeid (mustrituvastus, sensoorne töötlemine, motoorsed funktsioonid) kordades kiiremini kui tänapäeva kiireimad arvutid. Sellise ülesande näide on tavaline nägemine. Visuaalse süsteemi ülesanne on luua maailma esitus sellisel viisil, mis annab võimaluse sellega interaktsiooniks. Aju täidab järjestikku äratundmisülesandeid (näiteks tuttava näo äratundmine võõras keskkonnas) ja kulutab selleks 100–200 ms. Sarnaste, väiksema keerukusega ülesannete täitmine arvutis võib kesta mitu tundi.

Et mõista tohutut väljakutset luua masinat, mis töötab sama ideaalselt kui meie aju, piisab, kui mõelda mõnele rutiinsele tegevusele, mida me iga päev teeme. Oletame, et istud oma laua taga ja sel ajal siseneb tuppa teie puhkuselt naasnud kolleeg. Tal on seljas uus T-särk, päevitunud näos päikeseprillid ja ta näeb veidi noorem välja, sest on habemest maha aetud. Kas tunned ta ära? Kahtlemata, kuna maskeerimine ei kuulu tema plaanidesse. Vestluse ajal küsib ta teilt: "Kus on raamat, mille ma teile lugeda andsin?". Te tõlgendate küsimust kui palvet raamat tagastada. Siis vaata oma lauda ja

näed raamatute ja paberivirnade vahel sellel lebavat raamatut, sirutad selle poole käe, eemaldad selle dokumendihunnikust ja annad kolleegile. Sellised igapäevased ülesanded ei nõua meilt erilist intellektuaalset pingutust, kuid igaühe lahendamine hõlmab palju täpselt arvutatud samme. Selliste probleemide lahendamise keerukus on tunda, kui proovite programmeerida arvutisüsteemi objekte nende välimuse või muude tunnuste järgi ära tundma, kontekstist sõltuvalt otsuseid langetama jne.

Lihtsam näide on nahkhiirte sonar, mis on aktiivne kajalokatsioonisüsteem. Lisaks teabe andmisele soovitud objekti kauguse kohta võimaldab see lokaator arvutada objekti parameetreid, nagu suhteline kiirus, üksikute elementide suurus ja liikumissuund. Selle teabe eraldamiseks vastuvõetud signaalist teeb nahkhiire pisike aju keerukaid närviarvutusi.

Mis võimaldab inimese või nahkhiire ajul selliseid tulemusi saavutada? Sündides on ajul juba täiuslik struktuur, mis võimaldab tal luua oma reeglid, mis põhinevad sellel, mida tavaliselt nimetatakse kogemuseks. Kogemused kogunevad aja jooksul kuni inimese viimaste elupäevadeni, kusjuures eriti ulatuslikud muutused toimuvad esimesel kahel eluaastal.

Neuronite arengut seostatakse aju plastilisuse kontseptsiooniga – võimega kohandada närvisüsteemi vastavalt keskkonnatingimustele. Plastilisus mängib kõige olulisemat rolli neuronite kui inimese aju põhiliste infotöötlusüksuste töös. Samamoodi häälestatakse ANN-is tehisneuroneid. Üldiselt on ANN masin, mis simuleerib seda, kuidas aju konkreetset probleemi lahendab. Seda võrku rakendatakse elektrooniliste komponentide (neuroprotsessorite) abil või modelleeritakse digitaalarvutis töötava programmi abil. Kõrge jõudluse saavutamiseks kasutavad ANN-id arvutuste elementaarrakkude – neuronite – vahel palju omavahelisi seoseid. Paljude närvivõrkude määratluste hulgas on kõige täpsem ANN-i kui adaptiivse masina määratlus: tehisnärvivõrksee on laiali jagatud

paralleelprotsessor, mis koosneb tüüpilistest teabetöötluselementidest, mis koguvad eksperimentaalseid teadmisi ja annavad neid edasiseks töötlemiseks. Närvivõrk sarnaneb ajuga kahel viisil:

1) teadmised satuvad keskkonnast närvivõrku

ja võrgustiku poolt õppeprotsessis kasutatav;

2) teadmiste kogumiseks kasutatakse neuronaalseid ühendusi, mida nimetatakse ka sünaptilisteks kaaludeks.

Õppeprotsessi läbiviimiseks kasutatavat protseduuri nimetatakse õppealgoritmiks. Selle ülesanne on muuta ANN-i sünaptilisi kaalusid teatud viisil, et võrk omandaks vajalikud omadused.

Kaalu muutmine on traditsiooniline viis ANN-ide õppimiseks. See lähenemine on lähedane juhtimiseks kasutatavate adaptiivsete lineaarsete filtrite teooriale. Kuid ANN-i jaoks on ka võimalus muuta oma topoloogiat, tuginedes asjaolule, et elavas ajus võivad neuronid surra ja luua uusi sünaptilisi ühendusi.

Seega realiseerivad ANN-id oma arvutusvõimsust tänu oma kahele põhiomadusele: paralleelselt jaotatud struktuur ning võime õppida ja saadud teadmisi üldistada. Üldistusomaduse all mõistetakse ANN-i võimet genereerida õigeid väljundeid sisendsignaalidele, mida õppeprotsessis (koolitus) ei arvestatud. Need kaks omadust muudavad ANN-i teabetöötlussüsteemiks, mis suudab lahendada keerulisi mitmemõõtmelisi probleeme, mis on praegu lahendamatud.

Tuleb märkida, et praktikas ei suuda autonoomne INS sageli valmislahendusi pakkuda. Need tuleb integreerida keerukatesse süsteemidesse. Keerulise ülesande saab jagada mitmeks lihtsamaks ülesandeks, millest mõnda saab lahendada närvivõrkude abil.

ANN-ide kasutusvaldkonnad on väga mitmekesised: teksti ja kõne tuvastamine ja analüüs, semantiline otsing, ekspertsüsteemid ja otsustustoetussüsteemid, aktsiahindade ennustamine, turvasüsteemid. ANN-ide kasutamisest erinevates valdkondades on mitmeid näiteid.

1. Transpordi turvasüsteemid. Ameerika firma

Science Application International Corporation on kasutanud ANN-i aastal

tema projekt TNA. Välja töötatud seade on mõeldud pakendatud pagasis leiduvate plastlõhkeainete tuvastamiseks. Pagasit pommitatakse sekundaarset kiirgust tekitavate osakestega, mille spektrit analüüsib närvivõrk. Seade tagab lõhkeainete tuvastamise tõenäosuse üle 97% ja on võimeline vaatama 10 pagasit minutis.

2. Närvivõrkude tarkvarapaketid finantsturgudel. American Chemical Bank kasutab Neural Data närvivõrgu süsteemi valuutavahetuste tehingute eeltöötlemiseks, filtreerides välja "kahtlased" tehingud. Citibank on närvivõrkude ennustusi kasutanud alates 1990. aastast. Automaatne tehingute tegemine näitab tootlust, mis on suurem kui enamikel maakleritel. Võib märkida, et seminari „Tehisintellekt on Wall Street" moodustavad mitu kopsakat mahtu.

3. Uudiste jälgimine ja automaatne rubriik. Asukoht

tekstsõnumite teema tundmine on veel üks näide ANN-ide kasutamisest. Convectise uudisteserver (ettevõtte Aptex Software Inc. toode) pakub sõnumite automaatset kategoriseerimist. Võrreldes sõnade tähendusi konteksti järgi, suudab Convectis teemasid reaalajas ära tunda ja kategoriseerida tohutuid tekstisõnumivooge, mida edastatakse Reutersi, NBC, CBS-i jne võrkude kaudu. Pärast sõnumi sõelumist esitatakse abstraktne, loend luuakse märksõnad ja pealkirjade loend, kuhu sõnum kuulub.

4. Mehitamata õhusõidukite autopiloot. 2,5 m pikkune mehitamata reaktiivlennuk LoFLYTE (Low-Observable Flight Test Experiment) töötas NASA ja USA õhujõudude jaoks välja Accurate Automation Corp. innovaatilise väikeettevõtluse toetusprogrammi raames. See on eksperimentaalne arendus uute piloteerimise põhimõtete uurimiseks. See sisaldab närvivõrke, mis võimaldavad autopiloodil õppida, kopeerides piloodi pilooditehnikaid. Aja jooksul omandavad närvivõrgud juhtimiskogemuse ning infotöötluse kiirus võimaldab äärmus- ja hädaolukordades kiiresti väljapääsu leida. LoFLYTE on mõeldud ülehelikiirusel lendudeks, kus piloodi reaktsiooniaeg ei pruugi olla piisav lennurežiimi muutustele adekvaatseks reageerimiseks.

Praegu on ANN-id arvutuskontseptsiooni oluline laiendus. Need on juba võimaldanud toime tulla mitmete keeruliste probleemidega ja lubavad luua uusi programme ja seadmeid, mis suudavad lahendada probleeme, mida seni saab teha ainult inimene. Kaasaegseid neuroarvuteid kasutatakse peamiselt tarkvaratoodete kujul ja seetõttu kasutatakse nende "paralleelsuse" potentsiaali harva. Tõelise paralleelse neuroarvutite ajastu algab kõne, video, staatiliste piltide ja muud tüüpi kujundliku teabe töötlemiseks mõeldud spetsiaalsete neurokiipide ja laiendusplaatide riistvararakenduste turule ilmumisega.

Teine ANN-ide rakendusvaldkond on nende kasutamine

sisse spetsialiseeritud tarkvara robotagendid, mis on loodud teabe töötlemiseks, mitte füüsiliseks tööks. Nutikad assistendid peaksid hõlbustama kasutajatel arvutiga suhtlemist. Nende tunnuseks on soov saada võimalikult hästi aru, mida neilt nõutakse, jälgides ja analüüsides oma "isand" käitumist. Püüab avastada

sisse Selles käitumises on teatud mustrid, intelligentsed agendid peavad pakkuma oma teenuseid õigeaegselt teatud toimingute tegemiseks, nagu uudisteate filtreerimine, kasutaja töötavate dokumentide varundamine jne. Seetõttu on ANN-id, mis on võimelised andmeid üldistama ja neis mustreid leidma, selliste tarkvaraagentide loomulikuks komponendiks.

1. ARVUTID JA AJU

1.1. bioloogiline neuron

Inimese närvisüsteemi saab lihtsustada kolmeastmelise struktuurina. Selle süsteemi keskpunkt on aju, mis koosneb neuronite võrgustikust (joonis 1.1). Ta saab teavet, analüüsib seda ja teeb asjakohaseid otsuseid. Retseptorid muudavad keskkonna ja siseorganite signaalid elektrilisteks impulssideks, mida tajub närvivõrk (aju). Retseptorid loovad meie aju ühenduse välismaailmaga, realiseerides visuaalse, kuulmis-, maitse-, haistmis- ja kombatava teabe voolu sellesse. ef-

Fektorid muudavad aju tekitatud elektrilised impulsid väljundsignaalideks, mis kontrollivad lihaseid, siseorganeid ja veresoonte seinu. Seega juhib aju südame tööd, hingamist, vererõhku, temperatuuri, hoiab veres soovitud hapnikusisaldust jne. Vahepealsed neuronid töötlevad sensoorsetelt neuronitelt saadud teavet ja edastavad selle efektorneuronitele.

Riis. 1.1. Närvisüsteemi lihtsustatud diagramm

Tuleb märkida, et aju koosneb kahte tüüpi rakkudest: gliiarakkudest ja neuronitest. Ja kuigi gliiarakkude roll näib olevat üsna märkimisväärne, usub enamik teadlasi, et peamine viis aju toimimise mõistmiseks on ühte ühendatud võrku ühendatud neuronite uurimine. Seda lähenemist kasutatakse tehisnärvivõrkude (ANN) ehitamisel.

Tuleb märkida, et on ka teisi arvamusi. Mõned teadlased usuvad, et peamised protsessid ei toimu mitte närvivõrgus, vaid rakkudes endis, nimelt nende tsütoskeletis, nn mikrotuubulites. Selle vaatenurga järgi määravad nii mälu kui ka teadvuse valkude muutused rakusiseste struktuuride ja nendega seotud kvantefektid.

Neuronite arvuks ajus hinnatakse 1010 ... 1011 . Bioloogilises neuronis saab eristada järgmisi struktuuriüksusi (joonis 1.2):

rakukeha (soma);

dendriidid on paljud hargnevad lühikesed (mitte rohkem kui 1 mm) närvikiud, mis koguvad teavet teistelt neuronitelt;

akson on ainus õhuke pikk (mõnikord üle meetri) närvikiud. Akson juhib impulssi ja edastab löögi teistele neuronitele või lihaskiududele. Oma lõpus ka akson hargneb ja moodustab kontakte teiste neuronite dendriitidega;

Föderaalne haridusagentuur

RIIKLIK HARIDUSASUTUS

KÕRGHARIDUS

"VOLGOGRADI RIIKLIK TEHNIKAÜLIKOOL"

KAMYSHINSKY TEHNOLOOGIAINSTITUUT (FIRAAL)

SEI HPE "VOLGOGRADI RIIK TEHNILINE ÜLIKOOL"

DISTSIPLIINI "TEHISTELLEKTI SÜSTEEMID" PRAKTILINE KURSUS

Hariduslik elektrooniline väljaanne

Volgograd

NL – loomulik keel

AI – tehisintellekt

LP - predikaatide loogika

otsustaja – otsustaja

MT - Turingi masin

PGA – lihtne geneetiline algoritm

PPF on hästi moodustatud valem

PRO – primitiivne rekursiivne operaator

PRF – primitiivne rekursiivne funktsioon

RF - rekursiivne funktsioon

SNI - tehisintellekti süsteem

FP - fitness-funktsioon

TF – sihtfunktsioon

ES - ekspertsüsteem

SISSEJUHATUS

Algselt peeti tehisintellekti mõtlemismasinate loomise teaduseks. Seda ala peeti arvutiteaduse pühaks graaliks. Aja jooksul on tehisintellekt muutunud pragmaatilisemaks distsipliiniks. See valdkond hõlmab endiselt mõtlemismehhanismide uurimist. Tehisintellekti raames vaadeldakse erinevaid strateegiaid keeruliste praktiliste probleemide arvutilahenduseks. Lisaks on tänaseks selgeks saanud, et intellekt ise on liiga keeruline entiteet, mida ei ole võimalik ühe teooria raames kirjeldada. Erinevad teooriad kirjeldavad seda erinevatel abstraktsioonitasemetel. Madalaimal tasemel õppimist pakuvad närvivõrgud, mis tunnevad ära masinad, geneetilised algoritmid ja muud arvutusviisid, mis modelleerivad võimet kohaneda, tajuda ja suhelda füüsilise maailmaga. Ekspertsüsteemide, intelligentsete agentide, stohhastiliste mudelite ja loomuliku keele mõistmise süsteemide loojad töötavad kõrgemal abstraktsioonitasemel. See tasand võtab arvesse sotsiaalsete protsesside rolli teadmiste loomisel, edasiandmisel ja ammutamisel. Kõrgeim abstraktsioonitase hõlmab loogilisi lähenemisviise, sealhulgas deduktiivseid, abduktiivseid mudeleid, tõe tugisüsteeme ja muid arutlusvorme ja -meetodeid.

See käsiraamat kirjeldab mõnede madala tasemega teooriate aluseid koos praktiliste ülesannetega nende teooriate sätetel põhinevate algoritmide uurimiseks. Eelkõige käsitletakse mustrituvastuse teooria põhialuseid, mille ülesanne on uurida lineaarseid diskrimineerivaid funktsioone ja sarnasusfunktsioone; tehisnärvivõrkude teooria koos tehisnärvivõrkude omaduste uurimise probleemi sõnastusega mustrituvastuse probleemi kohta; geneetilised algoritmid koos nende omaduste uurimise probleemi sõnastusega funktsiooni ekstreemumi otsimisel. Uurimisülesannete täitmiseks on vaja osata programmeerida mis tahes programmeerimiskeeles, eelistatavalt objektorienteeritud.

1.1. Tehisintellekti teooria päritolu

1.1.1. Tehisintellekti mõiste

Tähtaeg intelligentsus(intelligentsus) tuleb ladinakeelsest sõnast intellectus, mis tähendab inimese mõistust, mõistust, mõistust, vaimseid võimeid. Vastavalt tehisintellekt(AI, ingliskeelne vaste: tehisintellekt, AI) on automaatsete süsteemide omadus täita inimese intelligentsuse individuaalseid funktsioone.

Iga tehisintellekt on otsuste tegemise mudel, mille viib läbi inimese loomulik intelligentsus. Tehisintellekt võib väita, et seda võrreldakse loomuliku intelligentsusega, eeldusel, et loodud lahenduste kvaliteet ei ole keskmisest loomulikust intelligentsusest halvem.

1.1.2. Tehisintellekt automatiseerimisahelas

Sellistes süsteemides võetakse kasutusele juhtimisahel otsustaja(LPR).

Otsustajal on oma eelistuste süsteem objektihalduse kriteeriumi ja isegi objekti olemasolu eesmärgi osas. Otsustaja ei ole enamasti vähemalt osaliselt nõus traditsioonilise ACS-i pakutavate režiimidega. Otsustaja kontrollib reeglina süsteemi peamisi parameetreid, ülejäänud aga kohalike juhtimissüsteemide abil. Juhtkontuuris on otsustajate tegevuse automatiseerimise probleem.

AI on uurimissuund, mis loob mudeleid ja vastavaid tarkvaratööriistu, mis võimaldavad arvutite abil lahendada loovaid, mittearvutuslikke probleeme, mille lahendamise käigus on vaja apelleerida semantikale (tähenduse probleem).

AI on tarkvarasüsteem, mis simuleerib inimese mõtlemist arvutis. Sellise süsteemi loomiseks on vaja uurida otsustaja mõtlemisprotsessi, tuua välja selle protsessi põhietapid, töötada välja tarkvara, mis neid samme arvutis taastoodab.

1.1.3. Intellektuaalse ülesande ja tegevuse mõiste

Inimese intelligentsuse tunnuseks on võime lahendada intellektuaalseid probleeme teadmisi omandades, meelde jättes ja sihipäraselt ümber kujundades kogemustest õppimise ja erinevate oludega kohanemise protsessis.

Intellektuaalsed ülesanded- probleemid, mille lahenduse leidmise protsessi formaalne jaotamine eraldi elementaarseteks sammudeks osutub sageli väga keeruliseks, isegi kui nende lahendamine ise pole keeruline.

Aju tegevust, mis on suunatud intellektuaalsete probleemide lahendamisele, nimetame mõtlemiseks või intellektuaalseks tegevuseks.

Intellektuaalne tegevus eeldab võimet järeldada, genereerida, kujundada lahendus, mis pole süsteemis selgesõnaliselt ja valmis. Lahenduste tuletamine on võimalik ainult siis, kui süsteemis on teadmiste sisemine esitus ( välismaailma mudelid) - välismaailma puudutavate teadmiste formaliseeritud esitus (automatiseeritud ainevaldkond).

1.1.4. Esimesed sammud tehisintellekti ajaloos

Esimesed programmid, mis rakendavad intellektuaalse tegevuse funktsioone:

1. Masintõlge (1947). NSV Liidus on alates 1955. aastast töö masintõlke vallas seotud, . Masintõlke ülesanne nõudis teadmiste eraldamist koodist. Vahekeele ilmumine tähistas esimest katset luua keel teadmiste sisemiseks esitamiseks.

2. Automatiseeritud viitamine ja teabeotsing (1957, USA). Tesauruse kontseptsioonis sisalduva üksikute faktide vaheliste seoste-suhete süsteemi eraldamise idee.

3. Teoreemide tõestamine (1956, USA). Propositsiooniliste loogikateoreemide tõestamise programmi tekkimine: "Loogikateoreetik". 1965. aastal ilmus resolutsioonimeetod (J. Robinson, USA), 1967. aastal pöördmeetod (, NSVL). Meetodid viivad ellu kasutamise ideed heuristiline– eksperimentaalsed reeglid võimaluste loenduse vähendamiseks lahenduse tuletamisel.

4. Mustri äratundmine (60ndate algus). Tunnusteooria ideed, mis on seotud positiivsete ja negatiivsete näidete kogumi põhjal otsustusreegli leidmise õppimisega.

1956. aastal korraldasid K. Shannon, M. Minsky ja J. McCarthy Dartmouthis (USA) konverentsi, et võtta kokku intellektuaalsete programmide arendamise praktilised kogemused.

1.1.5. Teoreetilise baasi loomine

1969. aastal toimus Washingtonis esimene tehisintellekti rahvusvaheline konverents (IJCAI). 1976. aastal hakkas ilmuma rahvusvaheline ajakiri "Artificial Intelligence". 70ndatel kujunesid intelligentsete süsteemide uurimise peamised teoreetilised suunad:

− teadmiste esitus, väliskeskkonnaalaste teadmiste vormistamine, välismaailma sisemudeli loomine;

− suhtlus, suhtluskeelte loomine süsteemi ja kasutaja vahel;

− arutlemine ja planeerimine, otsuste tegemine alternatiivsetes olukordades;

− taju (masinnägemine), andmete saamine väliskeskkonnast;

− koolitus, ammutades teadmisi süsteemi toimimise kogemusest;

- aktiivsus, süsteemi aktiivne käitumine, mis põhineb tema enda toimimise eesmärkidel.

1.1.6. Tehisintellekti teooria filosoofilised probleemid

Selles alapeatükis on loetletud peamised küsimused ja mõned kommentaarid nende kohta tehisintellekti teooria sageli ja laialdaselt arutatud probleemide kohta.

Kas intelligentsust saab taastoota? Enesepaljundamine on teoreetiliselt võimalik. Põhimõttelise võimaluse intellektuaalsete probleemide lahendamist arvuti abil automatiseerida annab algoritmilise universaalsuse omadus. Siiski ei tasu arvata, et arvutid ja robotid suudavad põhimõtteliselt mingeid probleeme lahendada. Algoritmiliselt lahendamatuid probleeme on.

Mis on tehisintellekti loomise eesmärk? Oletame, et inimene on suutnud luua intellekti, mis ületab tema enda intellekti (kui mitte kvaliteedilt, siis kvantiteedilt). Mis saab nüüd inimkonnast? Millist rolli hakkab inimene mängima? Miks teda nüüd vaja on? Ja üldiselt, kas AI loomine on põhimõtteliselt vajalik? Ilmselt on kõige vastuvõetavam vastus nendele küsimustele mõiste "intelligentsusvõimendi".

Kas tehisintellekti loomine on ohutu? Inimese omast kordades suurema intelligentsuse ja suhtlusvõimega tehnoloogiast saab võimas sõltumatu jõud, mis suudab oma loojale vastu seista.

1.1.7. Kasutusvaldkonnad

1. Loomulike keelte töötlemine, kujutiste, kõne, signaalide tuvastamine, samuti intelligentsete liideste mudelite loomine, finantsprognoosimine, andmete eraldamine, süsteemi diagnostika, võrgu jälgimine, andmete krüpteerimine (suund - närvivõrgud).

2. Nanotehnoloogiad, paljudest samaaegselt toimivatest sõlmedest koosnevate süsteemide isekoosnemise, isekonfigureerimise ja iseparanemise probleemid, mitme agentuuriga süsteemid ja robootika (suund - evolutsiooniline arvutus).

3. Hübriidjuhtimissüsteemid, pilditöötlus, vahendid piltide otsimiseks, indekseerimiseks ja tähenduse analüüsimiseks, piltide äratundmiseks ja klassifitseerimiseks (suund – hägusloogika).

4. Meditsiiniline diagnostika, koolitus, nõustamine, automaatprogrammeerimine, programmide kvaliteedi kontrollimine ja analüüsimine, väga suurte integraallülituste projekteerimine, tehniline diagnostika ja soovituste tegemine seadmete remondiks, planeerimine erinevates ainevaldkondades ja andmete analüüs (suund - ekspertsüsteemid (ES )).

5. Transpordiprobleemid, hajutatud andmetöötlus, optimaalne ressursside laadimine (suund – loenduse vähendamise meetodid).

6. Suurte tarkvara projekteerimissüsteemide arendamine, koodi genereerimine, verifitseerimine, testimine, kvaliteedi hindamine, taaskasutamise võimaluse väljaselgitamine, probleemide lahendamine paralleelsüsteemidel (suund - intellektuaalne insener).

7. Täisautomaatsete kübertehaste loomine.

8. Mängud, inimese emotsioonide sotsiaalne käitumine, loovus.

9. Sõjatehnika.

1.2. Tehisintellekti süsteemide arhitektuur

1.2.1. AIS-i arhitektuuri elemendid

Tehisintellekti süsteemi arhitektuur(SII) - struktuuri korraldus, mille raames tehakse otsuseid ja rakendatakse teadmisi konkreetses valdkonnas. SII kõige üldisem skeem on näidatud joonisel fig. 1. Sellel kujul pole ühtegi tõelist AIS-i, teatud plokid võivad puududa. SII-s on alati ainult kaks plokki: teadmistebaas ja järeldusmootor.

Mõelge AIS-i peamistele tüüpidele automatiseeritud teabetöötlus- ja juhtimissüsteemides:

− SII protsessi juhtimine;

− IIS diagnoosimiseks;

− AIS planeerimiseks ja saatmiseks;

− intelligentsed robotid.

https://pandia.ru/text/78/057/images/image005_133.gif" width="357" height="360 src=">

Riis. 1. Üldine SII skeem

1.2.2. Protsessi juhtimine ISIS

Protsessijuhtimise ISIS arhitektuur on näidatud joonisel fig. 2.

Selle süsteemi omadused:

− tehnoloogilise informatsiooni kasutamine juhtimiseks (toote mõõdetud omadused seadme parameetrite ja struktuuri kohta);

− järeldusmehhanismi kasutatakse andmete muutmiseks ning soovituste ja kontrolliotsuste väljatöötamiseks;

− vajadus töötada reaalajas;

− vajadus rakendada ajalist arutlust (arvestades muutuvaid tingimusi).

Süsteemi töö on korraldatud kolmel tasandil:

- teadmistebaas (KB) sisaldab probleemide lahendamise reegleid, probleemide lahendamise protseduure, probleemvaldkonna andmeid, see tähendab, et teadmusbaaside tasemel on organiseeritud tehnoloogia ise ja kogu protsessi juhtimise strateegia;

− töömälu sisaldab teavet kindlaksmääratud omaduste kohta ja andmeid vaadeldava protsessi kohta (DB);

− järeldusmehhanism (tavalises süsteemis on selleks regulaator) sisaldab üldist kontrollmehhanismi lõppeesmärgi (aktsepteeritava lahenduse) saavutamiseks.

Oluliseks komponendiks on andmebaasiga tehnoloogilise protsessi ja teadmistebaasi vahelise suhtluse plokid (plokid "Andmeanalüüs" ja "Protsessiandmed"). Need tagavad kasutajale kõrgemal tasemel ligipääsu madalama taseme objektidelt pärinevale tootmisinfole tehnoloogilise protsessi kohta, st hoiavad andmebaasi sisu ja teadmistebaasi uuendamise kaudu ajakohasena. Plokid pakuvad ka jälgimisfunktsioone kriitiliste olukordade vältimiseks.

Süsteemi reageerimise tasakaalu ja adekvaatsuse põhjendatuse ja adekvaatsuse tootmisolukorra arengule pakuvad "Dialoogiliides" ja "Juhtandmete" plokid.

https://pandia.ru/text/78/057/images/image007_118.gif" width="357" height="149 src=">

Riis. 2. Protsessijuhtimise FIS-i struktuur

1.2.3. AIS diagnoosimiseks

See süsteem põhimõtteliselt ei erine eelmisest süsteemist. Ja kuna erinevate defektide tunnused võivad suures osas kokku langeda ja nende ilmingud võivad olla ebajärjekindlad, siis on nendes süsteemides täpsemad diagnoosi põhjendamise ja selgituse komponendid. Seetõttu juurutavad nad sellistes süsteemides väga sageli otsuste hindamist subjektiivse tõenäosuse alusel.

1.2.4. Robotliinide ja paindlike tootmissüsteemide AIS

Selliste süsteemide tunnuseks on maailmamudeli olemasolu. Robotsüsteem töötab oma spetsiifilistes tingimustes ja põhimõtteliselt on selle keskkonna üksikasjalik kirjeldus võimalik. Seda keskkonna matemaatilist mudelit nimetatakse välismaailma mudel. See on AI-roboti KB põhisisu ja KB teine osa on teadmised süsteemi eesmärkidest (joonis 3).

https://pandia.ru/text/78/057/images/image009_112.gif" width="294" height="100 src=">

Riis. 3. Robotliinide ja paindlike tootmissüsteemide AIS

Keskkonnaseisundi tajumise süsteem sisaldab:

− andurid, mis on vahetult ühendatud väliskeskkonnaga;

− eeltöötluse allsüsteem;

− tunnuste segmenteerimisplokk;

− keskkonnaseisundi sümboolne kirjeldus;

− keskkonnaseisundi semantiline kirjeldus;

− keskkonnaseisundi mudeli kujunemise plokk.

Järeldusmehhanism ehk käitumise planeerimise süsteem määrab hetkeolukorrast tulenevalt ja vastavalt globaalsele eesmärgile roboti tegevused väliskeskkonnas. Sisaldab:

− otsustussüsteemid;

− täiturmehhanismide liikumise planeerimise plokk.

Toimingute teostamise süsteem sisaldab:

− ajami juhtimise allsüsteem;

− sõita;

− täitevseadmed.

1.2.5. AIS planeerimine ja saatmine

Eesmärk: operatiivjuhtimise probleemide lahendamine, objekti toimimise monitooringu tulemuste võrdlemine planeeritud eesmärkide osas, samuti seire (joon. 4).

Järelevalve– signaalide pidev või perioodiline tõlgendamine ja teadete väljastamine sekkumist nõudvate olukordade ilmnemisel.

Nende süsteemide eripäraks on reaalajas toimimine, side integreeritud juhtimissüsteemi hajutatud andmebaasiga. Selline süsteem on vajalik, kuna IS-i andmed on osa juhtimissüsteemidest.

https://pandia.ru/text/78/057/images/image011_89.gif" width="365" height="167 src=">

Riis. 4. AIS planeerimine ja lähetamine

1.3. Teadmiste esituse probleem AIS-is

1.3.1. Teadmised ja andmed

Teadmiste esituse probleem kerkis esile AI ühe probleemina. Seda seostatakse meditsiinis, geoloogias ja keemias kasutatavate praktiliselt kasulike süsteemide, eeskätt ES loomisega. Selliste süsteemide loomine nõuab intensiivseid jõupingutusi vastavas teaduses kogutud teadmiste vormistamiseks.

Mõiste "teadmiste esitus" on seotud arvutitarkvara arendamise teatud etapiga. Kui esimesel etapil domineerisid programmid ja andmed mängisid "näljaste" programmide jaoks omamoodi "toiduna" abistavat rolli, siis järgmistel etappidel kasvas andmete roll pidevalt. Nende struktuur muutus keerulisemaks: ühes arvuti mälulahtris asunud masinsõnalt toimus üleminek vektoritele, massiividele, failidele, loenditele. Selle arengu krooniks olid abstraktsed andmetüübid – klassid. Andmestruktuuride järjepidev areng on viinud nende kvalitatiivse muutumiseni ja üleminekuni andmete esitusviisilt teadmiste esitusviisile.

teadmiste omandamine

Teadmiste esituse tase erineb andmete esituse tasemest mitte ainult keerukama struktuuri poolest, vaid ka oluliste tunnuste poolest: tõlgendatavus, salastatud seoste olemasolu, olemasolu. situatsioonilised suhted(samaaegsus, samas ruumipunktis olemine jne, need seosed määravad teatud mällu salvestatud teadmiste situatsioonilise ühilduvuse). Lisaks iseloomustavad teadmiste taset sellised tunnused nagu üldistamise eriprotseduuride olemasolu, süsteemis olemasolevate teadmiste täiendamine ja mitmed muud protseduurid.

Andmete esitamisel on passiivne aspekt: raamat, tabel, teabega täidetud mälu. AI teooria rõhutab teadmiste esindamise aktiivset aspekti: teadmiste omandamine peaks muutuma aktiivseks toiminguks, mis võimaldab mitte ainult pähe õppida, vaid ka tajutud (omandatud, assimileeritud) teadmisi nende põhjal arutlemiseks rakendada.

1.3.2. Isearendavate masinate idee

Tehisintellekti valdkonna teadusuuringud tekkisid küberneetika ideede mõjul - eelkõige idee elusorganismide, ühiskonna ja tehnoloogia, eriti arvutite, teabe kontrolli ja edastamise protsesside ühisusest.

AI-probleemi filosoofiline aktsepteeritavus selle traditsioonilisel kujul tulenes selle aluseks olevast arusaamast, et ideede järjekord ja seos on sama, mis asjade järjekord ja seos. Seega tähendas “ideede maailma” reprodutseeriva struktuuri loomine arvutis lihtsalt materiaalse maailma struktuuriga isomorfse struktuuri loomist, st “maailma elektroonilise mudeli” ehitamist. Seda mudelit peeti arvutimudeliks - inimeste teadmiste mudeliks maailma kohta. Inimmõtlemise protsessi tõlgendati arvutis kui mudeli taoliste teisenduste masinotsingut, mis pidi arvutimudeli mingisse lõppseisundisse viima. AIS-il oli vaja teada, kuidas teostada mudelolekuteisendusi, mis viivad ettemääratud eesmärgini – teatud omadustega olekuni. Alguses oli laialt levinud usk arvuti fundamentaalsesse võimesse iseseisvalt uurida sellesse salvestatud mudelit, st õppida ise strateegiat püstitatud eesmärgi saavutamiseks.

Seda hüpoteetilist võimet tõlgendati masinalise loovuse võimalusena, tulevaste "mõtlemismasinate" loomise alusena. Ja kuigi tegelikult väljatöötatud süsteemides saavutati eesmärgi saavutamine inimkogemuse põhjal algoritmide abil, mis põhinesid loodud mudelite ja nendega tehtud katsete tulemuste teoreetilisel analüüsil, enese ehitamise ideedel. -õppesüsteemid tundusid paljudele kõige lootustandvamad. Alles 1980. aastateks teadvustati inimeste tegelikkust puudutavate teadmiste kasutamise probleemi olulisust intellektuaalsetes süsteemides, mis tõi kaasa teadmistebaaside ja ekspertide isiklike teadmiste ammutamise meetodite tõsise väljatöötamise.

1.3.3. Refleksioon kui intellektuaalse tegevuse komponent

Selle suuna arendamisel tekkis refleksiivse kontrolli idee. Kuni selle hetkeni käsitleti küberneetikas juhtimist kui signaalide edastamist objektile, mis mõjutab otseselt selle käitumist ning juhtimise efektiivsus saavutati tagasiside abil - info saamine juhitava objekti reaktsioonide kohta. refleksiivne sama kontroll- toimub teabe edastamine, mis mõjutab objekti maailmapilti. Seega osutub tagasiside üleliigseks – subjekti olek on infot edastavale ehk objektile teada.

Traditsiooniline AIS põhineb eesmärgile orienteeritud käitumise ideoloogial, näiteks malemängul, kus mõlema partneri eesmärk on iga ohverduse hinnaga matt lüüa. Pole juhus, et maleprogrammid on osutunud tehisintellekti meetodite väljatöötamisel nii oluliseks.

Enda mudeli ehk "kogu ümbritseva reaalsuse" mudeli toimimise analüüs (ülesande raames), kontroll selle oleku üle, oleku prognoosimine pole midagi muud kui refleksiooni rakendamine. Peegeldus on teatud metatasand. Kõrgetasemeliste programmeerimiskeelte, nagu Prolog, kasutamisega, mis võimaldab sõnastada eesmärke ja teha loogilisi järeldusi nende eesmärkide saavutamise kohta, saab refleksiooni rakendamise ülesande juba osaliselt lahendada. Nende abiga saab ehitada mingi pealisehitise, mingi metatasandi, mis võimaldab hinnata eelmise käitumist. Kui aga mõelda mõistele “sügav peegeldus” või “mitmetasandiline peegeldus”, kerkib esile probleem mudelite ehitamisel süsteemi enda poolt. Siin tulevad appi abstraktsed andmetüübid. Need võimaldavad teil töötada mis tahes piiratud keerukusega andmestruktuuridega. Seega võime eeldada, et tehisintellektisüsteemid võivad sisaldada peegeldusmudelit.

Seega on võimatu pidada intellektuaalset süsteemi terviklikuks, kui puudub võime hinnata, "mõista" oma tegevust, see tähendab reflekteerida. Pealegi tuleks refleksiooni pidada üheks peamiseks vahendiks süsteemide käitumise konstrueerimiseks. Matemaatika keeles on refleksioon intellektuaalse süsteemi olemasolu vajalik tingimus.

1.3.4. Teadmiste esituskeeled

Teatud mõttes sisaldab iga arvutiprogramm teadmisi. Mullide sortimise programm sisaldab programmeerija teadmisi loendi elementide järjestamisest. Nimekirjade sortimise probleemi lahendava arvutiprogrammi olemuse mõistmine pole sugugi lihtne. See sisaldab programmeerija teadmisi probleemi lahendamise meetodi kohta, kuid lisaks neile teadmistele ka teisi:

− kuidas manipuleerida kasutatava programmeerimiskeele keelekonstruktsioonidega;

− kuidas saavutada programmi kõrge jõudlus;

- kuidas valida sobivaid meetodeid konkreetsete andmetöötlusprobleemide lahendamiseks, millel on siiski oluline roll lõpptulemuse saavutamisel, ning kuidas korraldada protsesside juhtimist.

Teadmiste esituskeeled on kõrgetasemelised keeled, mis on spetsiaalselt loodud selgesõnaliselt kodeerima inimteadmiste fragmente, nagu mõjutamisreeglid ja tüüpiliste objektide omaduste komplekt, ning keele kõrge tase väljendub selles, et teadmiste esituse tehnilised üksikasjad mehhanism on kasutaja eest peidetud nii palju kui võimalik. Erinevalt tavapärastest programmeerimiskeeltest on teadmiste esituskeeled koodi suuruse osas erakordselt ökonoomsed. See on suuresti tingitud sellest, et keele tõlk hoolitseb paljude pisiasjade eest.

Vaatamata selliste keelte eelistele ei tohiks unustada teatud probleemide olemasolu nende kasutamisel.

Üleminek ainevaldkonna teadmiste kirjeldamiselt kõigis arusaadavas "inimkeeles" nende esitamisele mingisuguse arvuti poolt tajutava formalismi vormis nõuab teatud oskust, kuna on võimatu (vähemalt täna) kirjeldada, kuidas mehaaniliselt. teostada selline teisendus. Kuna järeldamise võimalused, mida programm suudab rakendada, on otseselt seotud teadmiste esitusviisi valikuga, on ES-i kujundamise praktikas kitsaskohaks just teadmiste esitamine, mitte nende ammutamine.

Õpetus tutvustab lugejatele tehisintellekti ajalugu, teadmiste esitusmudeleid, ekspertsüsteeme ja närvivõrke. Kirjeldatakse intelligentsete süsteemide analüüsi, arendamise ja juurutamise põhisuundi ja meetodeid. Vaadeldakse teadmiste esituse mudeleid ja nendega töötamise meetodeid, ekspertsüsteemide arendamise ja loomise meetodeid. Raamat aitab lugejal omandada domeeniandmebaaside loogilise kujundamise ja programmeerimise oskused ProLog keeles.
Pedagoogikaülikoolide õpilastele ja õpetajatele, keskkoolide, gümnaasiumide, lütseumide õpetajatele.

Tehisintellekti mõiste.
Tehisintellekti (AI) süsteem on tarkvarasüsteem, mis simuleerib inimese mõtlemisprotsessi arvutis. Sellise süsteemi loomiseks on vaja uurida teatud probleeme lahendava või konkreetses valdkonnas otsuseid tegeva inimese mõtlemisprotsessi, tuua välja selle protsessi põhietapid ja välja töötada tarkvaratööriistad, mis neid arvutis reprodutseerivad. Seega hõlmavad AI meetodid lihtsat struktuurset lähenemist keerukate tarkvaraotsuste tegemise süsteemide väljatöötamisele.

Tehisintellekt on arvutiteaduse haru, mille eesmärk on arendada riist- ja tarkvaratööriistu, mis võimaldavad mitteprogrammeerival kasutajal seada ja lahendada oma traditsiooniliselt peetud intellektuaalseid ülesandeid, suheldes arvutiga piiratud loomuliku keele alamhulgas.

SISUKORD
Peatükk 1. Tehisintellekt
1.1. Sissejuhatus tehisintellektisüsteemidesse
1.1.1. Tehisintellekti mõiste
1.1.2. Tehisintellekt Venemaal
1.1.3. Tehisintellekti süsteemi funktsionaalne struktuur
1.2. Juhised tehisintellekti arendamiseks
1.3. Andmed ja teadmised. Teadmiste kujutamine intelligentsetes süsteemides
1.3.1. Andmed ja teadmised. Põhimääratlused
1.3.2. Teadmiste esitusmudelid
1.4. Ekspertsüsteemid
1.4.1. Ekspertsüsteemi ülesehitus
1.4.2. Ekspertsüsteemide arendamine ja kasutamine
1.4.3. Ekspertsüsteemide klassifikatsioon
1.4.4. Teadmiste kujutamine ekspertsüsteemides
1.4.5. Tööriistad ekspertsüsteemide ehitamiseks
1.4.6. Ekspertsüsteemide arendustehnoloogia
1. peatüki kontrollküsimused ja ülesanded
Kirjandus 1. peatüki jaoks
2. peatükk Loogiline programmeerimine
2.1. Programmeerimismetoodikad
2.1.1. Imperatiivse programmeerimise metoodika
2.1.2. Objektorienteeritud programmeerimise metoodika
2.1.3. Funktsionaalse programmeerimise metoodika
2.1.4. Loogilise programmeerimise metoodika
2.1.5. Piirangu programmeerimise metoodika
2.1.6. Närvivõrgu programmeerimise metoodika
2.2. Predikaatarvutuse ja teoreemi tõestamise lühitutvustus
2.3. Järeldusprotsess Prologis
2.4. Programmi struktuur Prologis
2.4.1. Liitobjektide kasutamine
2.4.2. Alternatiivsete domeenide kasutamine
2.5. Korduste korraldamine Prologis
2.5.1. Tagastusmeetod pärast ebaõnnestumist
2.5.2. Lõikamise ja tagasipööramise meetod
2.5.3. lihtne rekursioon
2.5.4. Üldine rekursioonireegli meetod (GRR)
2.6. Loendid Prologis
2.6.1. Toimingud loendites
2.7. Stringid Prologis
2.7.1. Tehted keelpillidel
2.8. Failid Prologis
2.8.1. Prologi predikaadid failidega töötamiseks
2.8.2. Faili domeeni kirjeldus
2.8.3. Kirjuta faili
2.8.4. Failist lugemine
2.8.5. Olemasoleva faili muutmine
2.8.6. Lisamine olemasoleva faili lõppu
2.9. Dünaamiliste andmebaaside loomine Prologis
2.9.1. Prologi andmebaasid
2.9.2. Dünaamilised andmebaasi predikaadid Prologis
2.10. Ekspertsüsteemide loomine
2.10.1. Ekspertsüsteemi ülesehitus
2.10.2. Teadmiste esitus
2.10.3. Väljundmeetodid
2.10.4. UI süsteem
2.10.5. Reeglipõhine ekspertsüsteem
2. peatüki kontrollküsimused ja ülesanded
Kirjandus 2. peatüki jaoks
3. peatükk Närvivõrgud
3.1. Sissejuhatus närvivõrkudesse
3.2. Kunstlik neuroni mudel
3.3. Närvivõrkude rakendamine
3.4. Närvivõrgu koolitus
3. peatüki kontrollküsimused ja ülesanded
Kirjandus 3. peatüki jaoks.

Laadige mugavas vormingus tasuta alla e-raamat, vaadake ja lugege:
Laadige alla raamat Tehisintellekti alused, Borovskaya E.V., Davydova N.A., 2016 - fileskachat.com, kiire ja tasuta allalaadimine.

Õpetus « DBMS: SQL-keel näidetes ja ülesannetes, autorid Astakhova I.F., Todstobrova A.P., Melnikova V.M., Fertikova V.V., mille FIZMATLIT avaldas 2007. aastal ning on sertifitseeritud Haridus- ja Teadusministeeriumi poolt, sisaldab valikut näiteid ja erineva keerukusega harjutusi anda andmebaasidega infosüsteemidele pühendatud koolituskursuse raames õppesuuna ja eriala „Rakendusmatemaatika ja informaatika“ praktilisi ja laboratoorseid tunde SQL keele aluste õppimisest. Andmebaase kasutavad infosüsteemid on praegu kaasaegse arvutitehnoloogia üks olulisemaid valdkondi. Selle valdkonnaga on seotud suur osa kaasaegsest tarkvaraturust. Arvestades SQL-keele hõivatud kohta kaasaegses infotehnoloogias, on selle teadmised vajalikud igale sellel alal töötavale spetsialistile. Seetõttu on selle praktiline arendamine andmebaasidega infosüsteemide uurimisele suunatud koolituste lahutamatu osa. Praegu on sellised kursused mitmete ülikoolide erialade õppekavades. Kahtlemata peab vastav koolituskursus, et anda õpilastele võimalus omandada stabiilseid SQL-keeleoskusi, lisaks teoreetilisele keele põhitõdedega tutvumisele tingimata sisaldama piisavalt suures mahus laboritunde selle praktilise kasutamise kohta. . Kavandatav õpik on suunatud eelkõige just sedalaadi tundide metoodiliseks toeks. Sellega seoses keskendutakse SQL-päringute koostamisel erineva keerukusega praktiliste näidete, ülesannete ja harjutuste valikule, mis võimaldavad õppesemestri jooksul läbi viia keeleõppe praktilisi tunde.

Õpik “Tehisintellekti süsteemid. Praktiline kursus”, mille autorid on Astakhova I.F., Tšuljukov V.A., Potapov A.S., Milovskoy L.S., Kashirina I.L., Bogdanova M.V., Prosvetova Yu.V. klassikaline ülikooliharidus ja mille on välja andnud kirjastused BINOM. TEADMISLABORAtoorium ja FIZMATLIT 2008. aastal, valmistunud loenguteks ja laboritundideks erialadel "Andmepangad ja ekspertsüsteemid", "Andmebaasid ja ekspertsüsteemid", "Tehisintellekti süsteemid", "Info intelligentsed süsteemid". See raamat on pühendatud informaatika suunale, kus viimastel aastatel on kõrgkoolidele mõeldud kodumaist õppekirjandust väga vähe. Tõlkeraamatud on pigem teadusväljaanded kui õpikud. Tuli välja mõelda palju näiteid, laboratoorseid ülesandeid, mida õpilased arvutis sooritaksid ja teadmisi, oskusi ja vilumusi omandaksid (pädevuspõhise hariduskäsituse mõttes).

Selle õpiku peamine eelis ja oluline erinevus sarnastest väljaannetest on umbes 100 näite, 235 harjutuse, 79 käsitletava materjali kordamise küsimuse, 11 laboritöö, milles uuritakse 6 erinevat tarkvaratoodet, olemasolu.

Bibliograafiline link

Astahhova I.F., Tolstobrov A.P., Tšuljukov V.A., Potapov A.S. ÕPETUSED "DBMS: SQL KEEL NÄIDETES JA ÜLESANDED", "TEHISTLIK. PRAKTILINE KURSUS” // Teaduse ja hariduse kaasaegsed probleemid. - 2009. - nr 1.;
URL: http://science-education.ru/ru/article/view?id=901 (juurdepääsu kuupäev: 17.09.2019). Juhime teie tähelepanu kirjastuse "Looduslooakadeemia" väljaantavatele ajakirjadele

See õpetus sisaldab Prologi keeles programmeerimise põhitõdesid, probleemide lahendamist otsingumeetodi abil, tõenäosuslikke meetodeid, närvivõrkude põhitõdesid, aga ka semantiliste võrkude abil teadmiste esitamise põhimõtteid. Kõik juhendi osad on varustatud praktilise ja laboratoorse tööga. Lisades on lühikirjeldused keskkonnast SWI-Prolog, närvivõrkude modelleerimisprogrammist NeuroGenetic Optimizer ja Semantic teadmiste visualiseerimise programmist Vastab kehtivatele Federal State Educational Standard for Higher Education nõuetele.Kõrgkoolide üliõpilastele, kes õpivad aastal inseneri- ja tehnikavaldkonnad.

raamat" Tehisintellekti süsteemid. Õpetus» autor Bessmertny Igor Aleksandrovich said KnigoGuide'i külastajate hinnangu ja tema lugejahinnang oli 0,00 10-st.
Tasuta vaatamiseks pakutakse: annotatsioon, väljaanne, ülevaated ja allalaaditavad failid.