Дневная форма обучения
| № лекции
| Тема занятия и вопросы лекции
| Количество часов
| |
| Тема 1: Базовые понятия
Терминология
Философские аспекты проблемы систем ИИ (возможность существования, безопасность, полезность).
История развития систем ИИ.
|
| |
| Тема 2: Архитектура и основные составные части систем
Различные подходы к построению систем
Вспомогательные системы нижнего уровня (распознавание образов зрительных и звуковых, идентификация, моделирование, жесткое программирование) и их место в системах
|
| |
| Тема 3: Системы распознавания образов (идентификации)
Понятие образа
Проблема обучения распознаванию образов (ОРО)
Геометрический и структурный подходы.
Гипотеза компактности
|
| |
| Тема 3: Системы распознавания образов (идентификации)
Обучение и самообучение. Адаптация и обучение
Перцептроны
Нейронные сети
|
| |
| Тема 3: Системы распознавания образов (идентификации)
История исследований в области нейронных сетей
Модель нейронной сети с обратным распространением ошибки (back propagation)
Нейронные сети: обучение без учителя
|
| |
| Тема 3: Системы распознавания образов (идентификации)
Нейронные сети Хопфилда и Хэмминга
Метод потенциальных функций
Метод группового учета аргументов МГУА
|
| |
| Тема 3: Системы распознавания образов (идентификации)
Метод наименьших квадратов
Коллективы решающих правил
Методы и алгоритмы анализа структуры многомерных данных
|
| |
| Тема 3: Системы распознавания образов (идентификации)
Кластерный анализ
Иерархическое группирование
|
| |
| Тема 4. Логический подход к построению систем ИИ
Неформальные процедуры
Алгоритмические модели
Продукционные модели
Элементы нечеткой логики
|
| |
| Тема 4. Логический подход к построению систем ИИ
Язык Пролог
|
| |
| Итого:
|
|
Заочная форма обучения
| № лекции
| Тема занятия и вопросы лекции
| Количество часов
| |
| Тема 1: Базовые понятия
Терминология
Философские аспекты проблемы систем ИИ (возможность существования, безопасность, полезность).
История развития систем ИИ.
Архитектура и основные составные части систе
|
| |
| Тема2: Системы распознавания образов (идентификации)
Понятие образа
Проблема обучения распознаванию образов (ОРО)
Геометрический и структурный подходы.
Гипотеза компактности
Обучение и самообучение. Адаптация и обучение
Перцептроны
Нейронные сети
|
| |
| Тема 2: Системы распознавания образов (идентификации)
История исследований в области нейронных сетей
Модель нейронной сети с обратным распространением ошибки (back propagation)
Нейронные сети: обучение без учителя
|
| |
| Тема 3: Системы распознавания образов (идентификации)
Нейронные сети Хопфилда и Хэмминга
Метод потенциальных функций
Метод наименьших квадратов
Коллективы решающих правил
Методы и алгоритмы анализа структуры многомерных данных
|
| |
| Тема 3: Системы распознавания образов (идентификации)
Кластерный анализ
Иерархическое группирование
|
| |
| Тема 4. Логический подход к построению систем ИИ
Язык Пролог
|
| |
| Итого:
|
|
Тематический план лабораторных занятий
Дневная форма обучения
| №
занятия
| Тема занятия
| Количество часов
| |
| Работа 1. ИСПОЛЬЗОВАНИЕ СОСТАВНЫХ ОБЪЕКТОВ
|
| |
| Работа 2. РЕАЛИЗАЦИЯ АРИФМЕТИЧЕСКИХ ИЛОГИЧЕСКИХ ОПЕРАЦИИ
|
| |
| Работа 3. УПРАВЛЕНИЕ ПОИСКОМ РЕШЕНИЯ
|
| |
| Работа 4. ОБРАБОТКА СПИСКОВ
|
| |
| Работа 5. ОБРАБОТКА СТРОК
|
| |
| Работа 6. ХРАНЕНИЕ ФАЙЛОВ НА ВНЕШНИХ НОСИТЕЛЯХ
|
| |
| Итого:
|
|
Заочная форма обучения
| №
занятия
| Тема занятия
| Количество часов
| |
| Работа 1. ИСПОЛЬЗОВАНИЕ СОСТАВНЫХ ОБЪЕКТОВ, РЕАЛИЗАЦИЯ АРИФМЕТИЧЕСКИХ ИЛОГИЧЕСКИХ ОПЕРАЦИИ
|
| |
| Работа 2. УПРАВЛЕНИЕ ПОИСКОМ РЕШЕНИЯ, ОБРАБОТКА СПИСКОВ, ОБРАБОТКА СТРОК
|
| |
| Работа 3 ХРАНЕНИЕ ФАЙЛОВ НА ВНЕШНИХ НОСИТЕЛЯХ
|
| |
| Итого:
|
|
Содержание самостоятельной работы студентов по дисциплине
| №
| Наименование модулей и тем
Вопросы, выносимые на самостоятельную работу
| Кол-во часов
| |
| Введение в нейрокомпьютерные системы
Изучить: символьная и коннекционистская парадигмы искусственного интеллекта, понятие искусственной нейронной сети (НС), история возникновения и перспективы развития НС, отличия НС от традиционных вычислительных систем.
|
| |
| Модели нейронов
Изучить структуру и функции различных моделей нейрона: персептрон, сигмоидальный нейрон, адалайн, Паде-нейрон, нейрон с квадратичным сумматором, сигма-пи нейроны, нейрон Хебба, стохастическая модель нейрона, кубические модели нейронов.
|
| |
| Задача линейного разделения двух классов
Изучить: решение задачи линейного разделения двух классов методом центров масс, алгоритм обучения персептрона, виды обучения, геометрическая интерпретация задачи разделения двух классов.
|
| |
| Задача нелинейного разделения двух классов
Изучить: решение задачи нелинейного разделения двух классов методом максимума правдоподобия и многослойной сетью, реализация булевых функций посредством нейронной сети.
|
| |
| Виды нейронных сетей и способы организации их функционирования
Изучить: варианты многослойных сетей, режимы функционирования сетей, предобработка входных данных сети, виды интерпретации ответов НС, задача аппроксимации функций и оценка способности сети решить эту задачу.
|
| |
| Многослойные сети сигмоидального типа
Изучить: многослойный персептрон, алгоритм обратного распространения ошибки, подбор коэффициента обучения (одномерная минимизация), методы инициализации весов сети.
|
| |
| Градиентные алгоритмы обучения сети
Изучить: особенности задачи оптимизации, возникающей при обучении нейронных сетей; алгоритмы выбора направления минимизации: алгоритм наискорейшего спуска, партан-методы, одношаговый квазиньютоновский метод и сопряженные градиенты.
|
| |
| Методы глобальной оптимизации
Изучить: алгоритм имитации отжига, генетические алгоритмы, использование случайных возмущений в обучении (метод виртуальных частиц).
|
| |
| Радиальные нейронные сети Изучить математические основы радиальных сетей и методы их обучения. Производится сравнение радиальных и сигмоидальных нейронных сетей.
|
| |
| Рекуррентные сети как ассоциативные запоминающие устройства
Изучить: нейронная сеть Хопфилда как автоассоциативная память, обучаемая с использованием метода Хебба и проекционного метода; гетероассоциативная память на основе сети Хемминга и двунаправленная ассоциативная память
|
| |
| Решение задач комбинаторной оптимизации рекуррентными сетями
Рассматривается решение задачи коммивояжера сетью Хопфилда и машиной Больцмана. Оцениваются параметры функции энергии нейронных сетей, обеспечивающие решение задачи коммивояжера.
|
| |
| Рекуррентные сети на базе персептрона
Изучить многослойные рекуррентные сети (персептронная\break сеть с обратной связью, рекуррентная сеть Эльмана, сеть RTRN) и их использование для идентификации динамических объектов.
|
| |
| Самоорганизация (самообучение) нейронных сетей
Изучить: метод динамических ядер в классификации без учителя, алгоритмы обучения сетей с самоорганизацией и их применение к компрессии данных и прогнозированию.
|
| |
| Адаптивная резонансная теория (АРТ)
Изучить: вопрос о соотношении стабильности и пластичности при запоминании; архитектура, реализация, обучение и характеристики сети АРТ (адаптивной резонансной теории).
|
| |
| Нечеткие и гибридные нейронные сети
Изучить: математические основы нечетких систем, преимущества и алгоритмы обучения нечетких нейронных сетей, нечеткие сети с генетической настройкой, экспертные системы на основе гибридных НС
|
| |
| Методы аппаратной реализации нейрокомпьютеров
Изучить: электронные и оптические методы реализации нейрокомпьютеров.
|
| |
| Всего:
|
|
8. Содержание индивидуальной работы студентов по дисциплине*)
8.1. Темы для самостоятельной реферативной работы:
- История развития систем ИИ.
- Различные подходы к построению систем
- Распознавание образов зрительных и звуковых, идентификация, моделирование, жесткое программирование
- Геометрический и структурный подходы распознаванию образов.
- Обучение и самообучение. Адаптация и обучение
- Перцептрон
- Нейронные сети
- История исследований в области нейронных сетей
- Модель нейронной сети с обратным распространением ошибки (back propagation)
- Нейронные сети: обучение без учителя
- Метод потенциальных функций
- Метод наименьших квадратов
- Алгоритм с ковариациями и с квадратичными описаниями.
- Метод предельных упрощений (МПУ)
- Коллективы решающих правил
- Методы и алгоритмы анализа структуры многомерных данных
- Кластерный анализ
- Иерархическое группирование
- Алгоритмические модели
- Продукционные модели
- Элементы нечеткой логики
Шрифт зодчего Шрифт зодчего состоит из прописных (заглавных), строчных букв и цифр...
|
Картограммы и картодиаграммы Картограммы и картодиаграммы применяются для изображения географической характеристики изучаемых явлений...
|
Практические расчеты на срез и смятие При изучении темы обратите внимание на основные расчетные предпосылки и условности расчета...
|
Функция спроса населения на данный товар Функция спроса населения на данный товар: Qd=7-Р. Функция предложения: Qs= -5+2Р,где...
|
Условия, необходимые для появления жизни История жизни и история Земли неотделимы друг от друга, так как именно в процессах развития нашей планеты как космического тела закладывались определенные физические и химические условия, необходимые для появления и развития жизни...
Метод архитекторов Этот метод является наиболее часто используемым и может применяться в трех модификациях: способ с двумя точками схода, способ с одной точкой схода, способ вертикальной плоскости и опущенного плана...
Примеры задач для самостоятельного решения. 1.Спрос и предложение на обеды в студенческой столовой описываются уравнениями: QD = 2400 – 100P; QS = 1000 + 250P
1.Спрос и предложение на обеды в студенческой столовой описываются уравнениями: QD = 2400 – 100P; QS = 1000 + 250P...
|
Гидравлический расчёт трубопроводов Пример 3.4. Вентиляционная труба d=0,1м (100 мм) имеет длину l=100 м. Определить давление, которое должен развивать вентилятор,
если расход воздуха, подаваемый по трубе, . Давление на выходе . Местных сопротивлений по пути не имеется. Температура...
Огоньки» в основной период В основной период смены могут проводиться три вида «огоньков»: «огонек-анализ», тематический «огонек» и «конфликтный» огонек...
Упражнение Джеффа. Это список вопросов или утверждений, отвечая на которые участник может раскрыть свой внутренний мир перед другими участниками и узнать о других участниках больше...
|
|
