Содержание
- 3. Самообучающиеся системы В основе самообучающихся систем лежат методы автоматической классификации примеров ситуаций реальной практики (обучения на
- 4. Обучающая выборка может быть: «с учителем» - для каждого примера задается в явном виде значение признака
- 5. В результате обучения системы автоматически строятся обобщенные правила или функции, определяющие принадлежность ситуаций классам, которыми обученная
- 6. Недостатки самообучающихся систем: Возможна неполнота и/или зашумленность (избыточность) обучающей выборки => относительная адекватность БЗ возникающим проблемам;
- 7. Индуктивные системы Обобщение примеров по принципу от частного к общему сводится к выявлению подмножеств примеров, относящихся
- 8. Процесс классификации примеров осуществляется следующим образом: Выбирается признак классификации из множества заданных (либо последовательно, либо по
- 9. 2. По значению выбранного признака множество примеров разбивается на подмножества; 3. Выполняется проверка, принадлежит ли каждое
- 10. 5. Для подмножеств примеров с несовпадающим значением классообразующего признака процесс классификации продолжается, начиная с п.1. (Каждое
- 11. Процесс классификации может быть представлен в виде дерева решений, в котором в промежуточных узлах находятся значения
- 12. Таблица
- 13. Дерево решений Каждая ветвь дерева соответствует одному правилу решения: Если Спрос = «низкий» и Издержки =«маленькие»
- 14. Нейронные сети В результате обучения на примерах строятся математические решающие функции (передаточные функции или функции активации),
- 15. Решающая функция – «нейрон» Каждая такая функция, называемая по аналогии с элементарной единицей человеческого мозга –
- 16. Решающие функции используются в задачах классификации на основе сопоставления их значений при различных комбинациях значений входных
- 17. Функциональная зависимость может быть линейной. Чаще используется сигмоидальная форма, которая позволяет вычленять более сложные пространства значений
- 18. Логистическая (сигмоидальная) функция U нейрон «выкл» нейрон «вкл»
- 19. Нейронная сеть
- 20. Алгоритм обратного распространения ошибки Наиболее распространенный алгоритм обучений нейронной сети. Целевая функция по этому алгоритму должна
- 21. Сущность алгоритма обратного распространения ошибки: Задать произвольно небольшие начальные значения весов связей нейронов. Для всех обучающих
- 22. Вычислить веса на (t+1) шаге по формуле: Выполнить шаг 2.
- 23. Достоинство нейронных сетей (по сравнению с индуктивными) Решение не только классифицирующих, но и прогнозных задач. Построение
- 24. Примеры внедрения нейронных сетей: Система прогнозирования динамики биржевых курсов для Chemical Bank (фирма Logica); Система прогнозирования
- 25. Инструментальные средства разработки нейронных сетей NeurOn-Line (фирма GENSYM) Neural Works Professional II/Plus (фирма Neural Ware) FOREX-94
- 26. Системы, основанные на прецедентах (Case-based reasoning) В данных системах база знаний содержит сами ситуации или прецеденты.
- 27. Абдуктивный выводу от частного к частному: Получение подробной информации о текущей проблеме; Сопоставление полученной информации со
- 28. В случае необходимости выполняется адаптация выбранного прецедента к текущей проблеме; Проверка корректности каждого полученного решения; Занесение
- 29. Так же, как и для индуктивных систем, прецеденты описываются множеством признаков, по которым строятся индексы быстрого
- 30. Системы, основанные на прецедентах, применяются как системы распространения знаний с расширенными возможностями или как в системах
- 31. Устранение неполадок печати
- 36. Пример инструментального средства поддержки баз знаний прецедентов – система CBR-Express (Inference, дистрибьютор фирма Метатехнология).
- 37. Информационные хранилища (Data Warehouse) Хранилище извлеченной значимой информации из оперативной базы данных, которое предназначено для оперативного
- 38. Типичные задачи оперативного ситуационного анализа: Определение профиля потребителей конкретного товара; Предсказание изменений ситуации на рынке; Анализ
- 39. Для извлечения значимой информации из БД используются специальные методы (Data Mining или Knowledge Discovery), основанные на
- 40. Применение информационных хранилищ на практике демонстрирует необходимость интеграции интеллектуальных и традиционных информационных технологий, комбинированное использование различных
- 41. Разработкой и распространением информационных хранилищ занимаются: IBM (Intelligent Miner) Silicon Graphics (MineSet) Intersolv (DataDirect, SmartData) Oracle
- 42. Адаптивные информационные системы (ИС) Требования к адаптивности ИС: ИС в каждый момент времени должна адекватно поддерживать
- 43. Адаптивность ИС немыслима без интеллектуализации ее архитектуры. Ядром адаптивной ИС является постоянно развиваемая модель проблемной области
- 44. Проектирование и адаптация ИС Построение модели проблемной области Своевременная корректировка модели
- 45. При проектировании адаптивной ИС используются: Оригинальное проектирование или Типовое проектирование
- 46. Оригинальное проектирование Разработка ИС «с чистого листа» в соответствии с требованиями экономического объекта Реализуется на основе
- 47. Типовое проектирование Адаптация типовых разработок к особенностям экономического объекта Реализуется на основе применения систем компонентного (сборочного)
- 48. Достоинство применения модельно-ориентированных компонентных систем Накапливание опыта проектирования ИС для различных отраслей и типов производства в
- 49. Конфигурация адаптивной информационной системы на основе компонентной технологии
- 50. содержит описание объектов, функций (операций), процессов (совокупности операций), которые реализуются в программных модулях компонентной системы. Большое
- 51. Типовые модели соответствуют типовым конфигурациям ИС, выполненным для определенных отраслей (автомобильная, электронная, нефтегазовая) или типов производства
- 52. Модель предприятия (проблемной области) Строится либо путем привязки или копирования фрагментов основной или типовой моделей в
- 54. Скачать презентацию