Технологии искусственного интеллекта. Задача выбора признаков при обучении без учителя. Анализ главных компонент и факторный анализ.

Ермоленко Татьяна Владимировна, к.т.н., доцент кафедры КТ. Технологии искусственного интеллекта

Общие вопросы

Технологии искусственного интеллекта. Представление знаний с использованием логики предикатов. Логическое программирование.

Технологии искусственного интеллекта. Продукционные модели.

Технологии искусственного интеллекта. Представление знаний с помощью фреймов.

Технологии искусственного интеллекта. Сетевая модель представления знаний.

Технологии искусственного интеллекта. Представление нечетких знаний. Нечеткая логика.

Технологии искусственного интеллекта. Представление знаний нейронными сетями.

Технологии искусственного интеллекта. Генетические алгоритмы.

Технологии искусственного интеллекта. Упрощенная структура экспертных систем.

Технологии искусственного интеллекта. Основные понятия распознавания образов.

Технологии искусственного интеллекта. Метод опорных векторов.

Технологии искусственного интеллекта. Классификация образов в рамках статистического подхода. Байесовский подход к распознаванию образов.

Технологии искусственного интеллекта. Распознавание без учителя. Методы кластеризации.

Технологии искусственного интеллекта. Задача выбора признаков при обучении с учителем.

Технологии искусственного интеллекта. Задача выбора признаков при обучении без учителя. Анализ главных компонент и факторный анализ.

15. Технологии искусственного интеллекта. Интеллектуальные информационные системы: назначение, проектирование и архитектура.

Список ссылок для самостоятельной подготовки к экзамену:

1. Потапов А.С. Технологии искусственного интеллекта: учебное пособие / А.С. Потапов – СПб: СПбГУ ИТМО, 2010. – 218 с.

2. Золотов С.И. Интеллектуальные информационные системы: учебное пособие / С.И. Золотов – Воронеж: Научная книга, 2007. –140с.

3. Представление знаний в информационных системах [Электронный ресурс] // URL: https://www.habarov.spb.ru/bz

4. Представление знаний [Электронный ресурс] // URL: https://itteach.ru/predstavlenie-znaniy

Завершив изучение курса студен т должен знать:

- методы и модели представления знаний;

- упрощенную структуру экспертной системы;

- логический вывод;

- искусственные нейронные сети;

- генетические алгоритмы;

- основы теории распознавания образов;

- методы машинного обучения;

- основы статистических методов анализа данных;

- архитектуру интеллектуальных информационных систем.

Завершив изучение курса студен т должен уметь:

- решать прикладные вопросы интеллектуальных систем с использованием объектно-ориентированных языков программирования;

- проектировать экспертные системы с прямым и обратным логическим выводом (включая базы знаний);

- разрабатывать SVM -классификаторы, классификаторы с помощью нейронных сетей и генетических алгоритмов, используя пакет MATLAB.