МППР ИУ5
Прохождение дисциплины МППР
Обязательно к просмотру:
https://www.youtube.com/watch?v=SojDNENbjrQ&feature=youtu.be
Возможные направления работ при выполнении ВКРБ
Анализ данных и прогноз зависимостей, представленных в виде графа (на примере анализа и прогноза действий коллективов научных сотрудников или пользователей социальных сетей) с помощью эмбеддингов (результата процесса преобразования сущностей в числовой вектор) на геометрии Римана.
Обучение агента для управления робототехническим манипулятором с помощью обучения с подкреплением https://openai.com/blog/learning-dexterity/
Обучение агента в задаче следования робота за объектом с помощью компьютерного зрения на основе обучения с подкреплением.
Анализ эффективности метаграфовой модели описания взаимодействия пользователей в социальных сетях с помощью эмбеддингов.
Анализ и прогноз ледовой обстановки по спутниковым снимкам Северного морского пути методами глубокого обучения и когнитивной графики.
Разработка нейросетевой модели и алгоритма удаления шума в речи с применением глубокого обучения.
Сегментация объектов в облаке точек и видеоизображении для определения таксонометрических характеристик лесных насаждений.
Разработка нейросетевой модели и алгоритма синтеза речи на мобильном устройстве.
Разработка модели криптографической защиты набора данных с учетом сохранения семантики для обучения нейронных сетей (проблема приватности данных).
Нейросетевая модель взаимодействия дронов для оценки местности в инженерном отношении (https://d4mucfpksywv.cloudfront.net/emergent-tool-use/paper/Multi_Agent_Emergence_2019.pdf)
Разработка нейросетевой модели и алгоритма речевой идентификации пользователей.
Задача определения трека пешеходов с использованием многокамерной системы (Wildtrack dataset).
Нейросетевая модель и алгоритм решения задачи конкатенативного и параметрического синтеза речи.
Система распознавания агрессивного поведения людей в общественных местах.
Информационная система подбора одежды по известным параметрам (на примере одежды для домашних животных).
Рекомендательная система подбора коллективных мероприятий на основе музыкальных предпочтений.
Создание 3D объектов на основе их изображений с помощью ансамбля моделей машинного обучения.
Система распознавания людей на изображениях.
Автоматизированное определение характеристик объектов в плотном облаке точек.
Автоматизированная система идентификации лиц на видео.
Варианты вопросов экзамена по дисциплине
Часть 1. Классический искусственный интеллект
1. Основные направления искусственного интеллекта.
2. Интеллектуальные системы, как основа новых информационных технологий.
3. Понятие искусственного интеллекта. Определения и пути создания искусственного интеллекта.
4. Бионическое, эвристическое и эволюционное направления искусственного интеллекта.
5. Классификация систем искусственного интеллекта.
6. Основные понятия и определения формализации знаний в интеллектуальных системах.
7. Проблемная область формализации знаний в интеллектуальных системах.
8. Данные и знания. Свойства и характеристики знаний.
9. Процедурные и декларативные знания. Классификация знаний. Формальные языки.
10. Модели представления знаний. Классификация моделей знаний.
11. Методы инженерии знаний. Теоретические аспекты получения знаний. Методы извлечения явных и скрытых знаний.
12. Проблемы структурирования знаний. Проблема сборки знаний в единую модель предметной области.
13. Логическая модель представления знаний.
14. Исчисление высказываний.
15. Основы исчисления предикатов.
16. Семантические сети. Понятия, события и свойства. Виды семантических сетей.
17. Семантические сети Куиллиана. Интерпретация семантической сети.
18. Фреймы. Слоты. Структура фрейма. Указатели наследования и типа данных.
19. Слоты. Значение слота. Присоединенные процедуры.
20. Модель, основанная на правилах. Антецедент и консеквент. Продукционная система Поста и ее ограничения.
21. Марковский и rete-алгоритм. Триплет объект-атрибут-значение. Достоинства и недостатки продукционных систем.
22. База правил, рабочая память и механизм вывода. Компонента вывода и управляющая компонента. Операции цикла вывода.
23. Демоны, присоединенные процедуры и механизм наследования в интеллектуальной системе с фреймовой моделью представления знаний. Правила вывода в логических моделях.
24. Структура и классификация экспертных систем (ЭС), отличие ЭС от других программных продуктов, цикл работы ЭС, технология проектирования и разработки ЭС.
25. Нечеткая логика. Нечеткие множества. Строгое представление нечетких множеств. Основные характеристики нечетких множеств.
26. Операции над нечеткими множествами. Логические операции. Алгебраические операции.
27. Четкое множество «∝-уровня». Нечеткая и лингвистическая переменные. Нечеткие числа.
Часть 2. Вычислительный интеллект
1. Особенности человеческого восприятия информации и современных систем управления. Вычислительный интеллект (ВИ). Методы ВИ.
2. Искусственные нейронные сети. Основные проблемы, решаемые искусственными нейронными сетями.
3. Биологический нейрон. Искусственный нейрон. Активационная функция. Классификация и свойства искусственных нейронных сетей. Обучение искусственных нейронных сетей.
4. Теорема Колмогорова. Алгоритм обучения персептрона. Линейная разделимость и персептронная представляемость.
5. Нейронная сеть обратного распространения. Алгоритм обучения сети обратного распространения.
6. Нейронная сеть встречного распространения (сеть Кохонена). Алгоритм обучения сети Кохонена.
7. Двухслойная сеть встречного распространения и ее обучение. Входные и выходные звезды Гроссберга и их обучение.
8. Двухслойная сеть встречного распространения. Алгоритм обучения сети встречного распространения.
9. Стохастические методы обучения. Обучение Больцмана. Алгоритм обучения Больцмана. Обучение Коши.
10. Сети с обратными связями. Сеть Хопфилда.
11. Правило обучения Хебба. Ортогонализация образов.
12. Двунаправленная ассоциативная память.
13. Адаптивная резонансная теория.
14. Методы оптимизации комбинаторных задач различной степени сложности. Генетические алгоритмы.
15. Базовый генетический алгоритм. Последовательные модификации базового генетического алгоритма.
16. Параллельные модификации базового генетического алгоритма. Классификация генетических алгоритмов.
17. Когнитивная компьютерная графика. Определение. Степень организованности информации.
18. Задача сжатия информации. Анаморфозы (определение).
19. Метод анаморфирования.
20. Проблемы реализации анаморфоз.
21. Численные методы построения анаморфоз.
22. Основные законы гибридного интеллекта.
23. Основные методы гибридизации.
24. Общий подход к построению гибридной интеллектуальной системы.
25. Принципы построения гибридных интеллектуальных систем.
Лекции
Семестр 7
Модуль 1. Методы представления знаний
1. Цели и задачи курса. История развития и основные направления искусственного интеллекта
Цели и задачи курса. Структура дисциплины. История развития ИИ. Этап 1 (50-60-е годы). Этап 2 (60-70-е годы). Этап 3 (70-80-е годы). Этап 4 (80-90-е годы). Этап 5 (1990-2000-е годы). Этап 6 (2000-е годы по н.в.). Основные направления развития ИИ.
2. Интеллектуальные системы, как основа новых информационных технологий
Понятие ИИ. Определения и пути создания ИИ. Бионическое, эвристическое и эволюционное направления. Классификация систем ИИ.
3. Формализация знаний в ИС
Основные понятия и определения. Проблемная область. Данные и знания. Свойства, характеристики знаний. Процедурные и декларативные знания. Классификация знаний. Формальные языки. Модели представления знаний. Классификация моделей знаний. Логические, продукционные, сетевые, фреймовые модели представления знаний.
4. Инженерия знаний в интеллектуальных системах
Методы инженерии знаний. Теоретические аспекты получения знаний. Методы извлечения явных знаний. Методы выявления скрытых знаний. Про-блемы структурирования знаний. Проблема сборки знаний в единую модель предметной области.
5. Формальные логические модели
Логическая модель представления знаний. Исчисление высказываний. Основы исчисления предикатов.
6. Сетевые и фреймовые модели представления знаний
Семантические сети. Понятия, события и свойства. Виды семантических сетей. Семантические сети Куиллиана. Основной способ интерпретации семантической сети. Фреймы. Слоты. Структура фрейма. Указатели наследования и типа данных. Значение слота. Присоединенные процедуры.
7. Продукционная модель представления знаний
Модель, основанная на правилах. Антецедент и консеквент. Продукционная система Поста и ее ограничения. Марковский и rete-алгоритм. Триплет объект-атрибут-значение. Достоинства и недостатки продукционных систем.
Модуль 2. Методы поддержки принятия решений на основе экспертных систем и нечетких множеств
8. Вывод на знаниях
База правил, рабочая память и механизм вывода. Компонента вывода и управляющая компонента. Операции цикла вывода. Демоны, присоединен-ные процедуры и механизм наследования в ИС с фреймовой МПЗ. Правила вывода в логических моделях.
9. Экспертные системы
Структура и классификация ЭС, отличие ЭС от других программных продуктов, цикл работы ЭС, технология проектирования и разработки эксперт-ных систем.
10. Принятие решений в условиях неопределенности
Нечеткая логика. Нечеткие множества. Строгое представление НМ. Основные характеристики НМ. Операции над нечеткими множествами. Логические операции. Алгебраические операции. Четкое множество «∝-уровня». Нечеткая и лингвистическая переменные. Нечеткие числа.
11. Нечеткие экспертные системы
Архитектура нечетких систем. Работа нечеткой экспертной системы. Пакеты нечеткой логики.
Модуль 3. Методы поддержки принятия решений на основе методов вычислительного интеллекта
12. Искусственные нейронные сети. Машинное обучение на основе нейронных сетей
Особенности человеческого восприятия информации и современных систем управления. Вычислительный интеллект (ВИ). Методы ВИ. Искусственные нейронные сети (ИНС). Историческая справка. Основные проблемы, решаемые ИНС. Биологический нейрон. Искусственный нейрон. Активационная функция. Классификация и свойства искусственных нейронных сетей (ИНС). Обучение ИНС. Теорема Колмогорова. Алгоритм обучения персептрона. Линейная разделимость и персептронная представляемость.
13. Искусственные нейронные сети. Нейронные сети обратного распространения
Нейронная сеть обратного распространения. Алгоритм обучения сети обратного распространения. Сеть встречного распространения (сеть Кохонена). Алгоритм обучения сети Кохонена. Входные и выходные звезды и их обучение. Входные и выходные звезды Гроссберга и их обучение. Двухслойная сеть встречного распространения. Алгоритм обучения сети встречного распространения.
14. Искусственные нейронные сети. Стохастические сети и сети с обратными связями
Стохастические методы обучения. Обучение Больцмана. Алгоритм обучения Больцмана. Обучение Коши. Сети с обратными связями. Сеть Хопфилда. Правило обучения Хебба. Процедура ортогонализации образов. Сеть ДАП (двунаправленная ассоциативная память). Сеть APT (адаптивная резонансная теория).
15. Генетические алгоритмы
Методы оптимизации комбинаторных задач различной степени сложности. Генетические алгоритмы. Базовый генетический алгоритм. Последовательные модификации базового генетического алгоритма. Параллельные модификации базового генетического алгоритма. Классификация генетических алгоритмов.
16. Когнитивная компьютерная графика
Определение. Степень организованности информации. Задача сжатия информации. Анаморфозы. Метод анаморфирования. Проблемы реализации анаморфоз. Численные методы построения анаморфоз.
17. Гибридные интеллектуальные системы
Основные законы гибридного интеллекта и основные методы гибридизации. Общий подход к построению гибридной интеллектуальной системы. Принципы построения гибридных интеллектуальных систем.
Для саморазвития
Системы когнитивного моделирования
Сущность, определение и структура когнитивного моделирования. Система когнитивного моделирования. Применение когнитивных технологий.
Метод ситуационного анализа и проектирования модели предметной области
Методологические и теоретические основы ситуационного анализа. Концептуальная структура единичного решения. Концептуальная модель предметной области. Особенности элементов знания и технология проектирования концептуальной модели предметной области.
Онтологии и онтологические системы
Понятие онтологии. Формальная модель онтологии и онтологической системы. Технологии проектирования онтологий. Виды и операции над онтологиями. Основные задачи, решаемые с помощью онтологий. Инструменты инженерии онтологий. Методология инженерии знаний в онтологических системах.
Многоагентные системы
Понятие, окружение и архитектуры агентов. Языки программирования агентов. Многоагентные системы. Коммуникации между агентами. Архитектура и проблемы построения многоагентных систем.
Машинное обучение и интеллектуальный анализ данных
Проблемы обучения компьютерных систем. Обучение с учителем и без учителя. Типы закономерностей и моделей обучения. Методы извлечения знаний из данных. Интеллектуальный анализ данных (Data Mining). Кластеризация, классификация и ассоциация.
Основная и дополнительная литература по курсу "МППР"
Основная
1. 1. Методы принятия решений в системах организационного управления: учеб. пособие для вузов / Постников В. М., Черненький В. М. - М.: Изд-во МГТУ им. Н. Э. Баумана, 2014. - 205 с. - Библиогр.: с. 164-165. - ISBN 978-5-7038-3946-1.
Дополнительная
3. Чулюков В.А., Астахова И.Ф., Потапов А.С. и др. Системы искусственного интеллекта: Учебное пособие. Под ред. Астаховой И.Ф. – М.: БИНОМ. Лаборатория знаний, 2008. – 292 с.
4. Борисов В.В., Круглов В.В., Федулов А.С. Нечеткие модели и сети. –М.: Горячая линия - Телеком, 2007. – 284 с.
5. Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем. СПб.: Питер, 2001. 352
6. Гладков Л.А., Курейчик В.В., Курейчик В.М. Генетические алгоритмы: Учебник. – М.: Физматлит, 2010 – 366 с.
7. Гусейн-Заде С.М., Тикунов В.С. Анаморфозы: что это такое? –М.: Эдиториал УРСС, 1999. – 167 с.
8. Девятков В.В. Системы искусственного интеллекта. М.: Изд-во МГТУ им. Баумана, 2001.
9. Джексон П. Введение в экспертные системы. М. Издательский дом “Вильямс”, 2001. 624 с.
10. Колесников А.В. Гибридные интеллектуальные системы: теория и технология разработки. –СПб.: Изд-во СПбГТУ, 2001. – 600 с.
11. Комарцова Л.Г., Максимов А.В. Нейрокомпьютеры. –М.:Из-во МГТУ им. Н.Э. Баумана, 2004. -326 с.
12. Осовский С. Нейронные сети для обработки информации. –М.: Финансы и статистика, 2002. – 343 с.
13. Тарков М. С. Нейрокомпьютерные системы: Учебное пособие –М.: Интернет-Университет Информационных Технологий; БИНОМ. Лаборатория знаний. 2006, 140 с.
14. Терехов В.А., Ефимов Д. В., Тюкин И. Ю. Нейросетевые системы управления: Учебное пособие для вузов. –М.: Высшая школа, 2002.
15. Терехов В. И. Применение когнитивной компьютерной графики в системах поддержки принятия решения должностных лиц органов военного управления. Монография. – М.: Издательство «Общевойсковая академия ВС РФ», 2012, -150 с.
16. Хайкин С. Нейронные сети: полный курс. 2-е изд. Пер. с англ. М.: Издательский дом «Вильямс», 2006. 1104 с.
17. Ярушкина Н. Г. Основы теории нечетких и гибридных систем. – М.: Финансы и статистика, 2004. – 320с.
Перечень ресурсов сети интернет, рекомендуемых для самостоятельной работы при освоении дисциплины
1. Сайт кафедры ИУ5 «Системы обработки информации и управления»: http://e-learning.bmstu.ru/portal_iu5/
2. Сайты библиотеки МГТУ им. Н.Э. Баумана: http://library.bmstu.ru, http://ebooks.bmstu.ru/.
3. Ресурс для самостоятельной работы при освоении дисциплины на сайте https://sites.google.com/site/oksumorontv.
4. Открыть в Internet Explorer, Chrome, Firefox. Перейти на страницу «Методы поддержки принятия решений ИУ5» (https://sites.google.com/site/oksumorontv/metody-prinatia-resenij-iu-5).
5. Ресурс, предназначенный для изучения глубоких искусственных нейронных сетей http://caffe.berkeleyvision.org/
6. Ресурс, предназначенный для изучения методов машинного обучения http://www.deeplearningbook.org/
7. Информационно-поисковая система Российских патентных документов: http://www.fips.ru/wps/wcm/connect/content_ru/ru/inform_resources/inform_retrieval_system/
Полезные книги по ИИ
Классика жанра, развивающая когнитивные функции верхнего мозга
