СТО АлтГТУ 15.68.1.4692-2014 СТАНДАРТ ОРГАНИЗАЦИИ Система качества АлтГТУ

СТО АлтГТУ 15.68.1.4692-2014
СТАНДАРТ ОРГАНИЗАЦИИ
Система качества АлтГТУ
Образовательный стандарт
высшего профессионального образования АлтГТУ
ОБРАЗОВАТЕЛЬНЫЙ СТАНДАРТ
УЧЕБНОЙ ДИСЦИПЛИНЫ
«Инженерия знаний и системы искусственного интеллекта »
231000.68 «Программная инженерия»
(направление подготовки)
М1.Б2
(код дисциплины)
ФГБОУ ВПО «Алтайский государственный технический университет
им. И.И. Ползунова»
СТО АлтГТУ 15.68.1.4692-2014
Предисловие
1
РАЗРАБОТАН кафедрой прикладной математики АлтГТУ им. И.И.Ползунова.
2
Стандарт дисциплины разработан на основе учебных планов и ФГОС ВПО № 542
тех/дс от 09.11.2009 для направления подготовки 231000.68 «Программная инженерия»
квалификация (степень) магистр.
3
Стандарт дисциплины «Инженерия знаний и системы искусственного интеллекта»
по своему назначению, структуре и содержанию полностью соответствует требованиям
УМКД.
4
Введен впервые.
II
СТО АлтГТУ 15.68.1.4692-2014
СОДЕРЖАНИЕ
1 Область применения ……………………………………………………………........
2 Общие сведения о дисциплине. Паспорт дисциплины ………………………...
2.1 Выписка из рабочего учебного плана ООП……………………………………..
2.2 Цели и задачи освоения дисциплины. ………………………………………….
2.3 Место дисциплины в структуре ООП направления (специальности) ……..
2.4 Требования к результатам освоения дисциплины …………………………..
2.5 Объем и виды занятий по дисциплине………………………………………..
3 Рабочая программа дисциплины……………………………………………………
3.1 Содержание дисциплины………………………………………………………….
3.1.1 Тематический план дисциплины………………………………………………
3.1.2 Учебно-методическое и информационное обеспечение дисциплины…
3.1.3 Формы и содержание текущей и промежуточной аттестации по дисциплине
3.1.4 Учебно-методическая карта дисциплины…………………………………..
3.2 Условия освоения и реализации дисциплины……………………………….
3.2.1 Методические рекомендации студентам по изучению дисциплины ….
3.2.2 Организация самостоятельной работы студентов……………… ………..
3.2.3 Методические рекомендации преподавателю дисциплины….. ………...
3.2.4 Образовательные технологии…………………………………………………
3.2.5 Особенности преподавания дисциплины……………………………………
3.2.6 Материально-техническое обеспечение дисциплины…………………….
4 Лист согласования рабочей программы дисциплины……………………………
5 Изменения к стандарту дисциплины…………………………………………. ….....
Приложение А Методические указания к лабораторным работам
Приложение Б Примеры заданий на расчетное задание
Приложение В Комплект оценочных средств (контролирующих материалов) по
дисциплине
Приложение Г Силлабус (памятка) учебной дисциплины
1
1
1
2
2
2
4
4
4
4
7
8
9
9
9
10
11
12
12
13
14
14
16
20
22
33
III
СТО АлтГТУ 15.68.1.4692-2014
СТАНДАРТ ОРГАНИЗАЦИИ
Система качества АлтГТУ
Образовательный стандарт высшего
профессионального образования АлтГТУ
ОБРАЗОВАТЕЛЬНЫЙ СТАНДАРТ
Введён впервые
УЧЕБНОЙ ДИСЦИПЛИНЫ
__« Инженерия знаний и системы искусственного интеллекта» ___
(наименование дисциплины)
1 Область применения
1.1 Стандарт дисциплины устанавливает общие требования к содержанию, структуре,
объему дисциплины «Инженерия знаний и системы искусственного интеллекта» и
условиям ее реализации в АлтГТУ.
1.2 Действие стандарта распространяется:
- на студентов, обучающихся в магистратуре по направлению 231000.68
“Программная инженерия“;
- на преподавателей и сотрудников структурных подразделений, задействованных
в образовательном процессе по дисциплине.
2 Общие сведения о дисциплине. Паспорт дисциплины
2.1 Выписка из рабочего учебного плана ООП
М.1
7
8
9
12
13
14
15
Общенаучный цикл
Базовая часть
Инженерия
знаний и
1
16
В
В период
сессий
В семестре
СРС
Практические
11
Лабораторные
занятия
10
Из них
Лекции
6
Аудиторные занятия
5
Всего без СРС в
период сессий
Расчетные
задания
4
Всего
Курсовые
проекты
(работы)
3
Часы учебных занятий
РУП
зачеты
2
экзамены
циклов и дисциплин
Наименование
1
Трудоёмкость
ФГОС
Распределение по
семестрам
№
п.п.
СТО АлтГТУ 15.68.1.4692-2014
Б2
системы
искусственног
о интеллекта
1
1
5
5
180
144
45
15
30
0
99
36
Продолжение таблицы
2
3
III курс
4
5
В интерактивной форме
1
II курс
Перечень реализуемых
компетенций
I курс
Кафедра
Распределение по курсам
25
26
27
IV курс
6
7
8
Недель в семестре
15
10
15
17
Часов в неделю (лекции/лаб. зан./ практ. зан) / Часов СРС в семестре
17
18
19
20
21
22
23
24
ПМ
1 2 0 99
ОК6,
ПК6
2
2.2 Цели и задачи освоения дисциплины
Целью курса "Инженерия знаний и системы искусственного интеллекта" является
изучение основ построения и исследования математических моделей проблемных
ситуаций, систем распознавания образов и принципов функционирования различных
моделей нейрокомпьютерных систем, методов их обучения, анализу их применимости
в различных областях деятельности человека.
2.3 Место дисциплины в структуре ООП направления (специальности)
1.
Дисциплина «Инженерия знаний и системы искусственного интеллекта» рассчитан на
студентов, имеющих подготовку по курсам программирования, объектно-ориентированного
программирования, вычислительным методам, компьютерным сетям.
2.
Изучение дисциплин «Нечеткое моделирование и системы принятия решений» (3 семестр);
«Интеллектуальные технологии обработки изображений» (2 семестр) опирается на данную
дисциплину.
Изучается в 1 семестре
2.4 Требования к результатам освоения дисциплины
В результате освоения дисциплины студент должен:
 Знать:
основные модели искусственных нейронных сетей (персептрон, модель
обратного распространения ошибки, карты Кохонена);
основные методы обучения нейронных сетей прямое, обратное и
двунаправленное распространение
ошибки, обучение первого порядка
(адаптивный, пороговый, с возмущением, сопряженных градиентов),
обучение второго порядка (метод Бройдена-Флетчера-Гольдфарба-Шенно,
метод Левенберга-Маркварда);
основные принципы работы генетических алгоритмов и современных
моделирующих алгоритмов, типа муравьиных;
методы, используемые в экспертных системах;
2
СТО АлтГТУ 15.68.1.4692-2014
байесовский подход к построению экспертных систем.

Уметь:
создавать компьютерные программы, основанные на принципах обучения
нейронных сетей первого и второго порядка;
применять нейросетевые модели для решения задач распознавания образов и
анализа временных рядов;
разрабатывать программы на основе генетических алгоритмов для решения
сложных проблем с большой размерностью, не поддающихся традиционными
методами программирования;
использовать методы построения экспертных систем на основе баз знаний при
разработке сложных программных проектов;
применять байесовский подход для построения собственных несложных
экспертных систем при анализе плохо формализуемых проблемах.
 Владеть:
- методами анализа возможности применения технологии нейронных сетей для
конкретной проблемной ситуации и выбора наиболее пригодных методов обучения
нейронных сетей;
- навыками использования генетических алгоритмов для решения задач с большой
размерностью и сравнительным анализом работы генетических алгоритмов с
традиционным подходом к решению таких задач;
- Оценками качества работы экспертных систем на основе баз знаний и
байесовского подхода и выработкой рекомендаций по работе с экспертной
информацией с целью совершенствования экспертных систем.
Таблица 2
Код
компетенции по
ФГОС ВПО или
ООП
ОК-6
ПК-6
Содержание
компетенции
(или ее части)
Способность
самостоятельно
приобретать
с
помощью
информационных
технологий
и
использовать
в
практической
деятельности
новые
знания и умения, в том
числе
в
новых
областях
знаний,
непосредственно
не
связанных со сферой
деятельности
Способность
к
проектной
деятельности
в
профессиональной
сфере
на
основе
системного подхода ,
умение
строить
и
использовать модели
для
описания
и
прогнозирования
различных
явлений,
осуществлять
их
качественный
и
количественный
анализ
В результате изучения дисциплины
обучающиеся должны:
знать
уметь
владеть
- знать принципы
работы
генетических
алгоритмов и
использовать их для
различных сложных
задач в различных
областях
деятельности
- разрабатывать
программы на основе
генетических
алгоритмов
- качества работы
- принципы
построения
нейронных сетей и
различных методов
обучения
- - использовать
нейросетевые модели
для задач
распознавания образов
и анализа временных
рядов
методами анализа
возможности
применения
технологии
нейронных сетей для
конкретной
проблемной ситуации
и выбора наиболее
пригодных методов
обучения нейронных
сетей;
экспертных систем на
основе баз знаний и
байесовского подхода
3
СТО АлтГТУ 15.68.1.4692-2014
2.5 Объем и виды занятий по дисциплине
Объем и виды занятий по дисциплине представлены в Паспорте дисциплины:
Паспорт дисциплины
Кафедра «Прикладная математика»
Дисциплина
М.1.Б.2 «Инженерия знаний и системы искусственного интеллекта»
Статус дисциплины
базовая
Направление 231000.68 «Программная инженерия»
Форма обучения
очная
Объем дисциплины
180 часов
Общая трудоёмкость дисциплины 5 зачётных единиц
РАСПРЕДЕЛЕНИЕ ПО ВИДАМ ЗАНЯТИЙ
Учебные занятия (часы)
Аудиторные занятия
СРС
в
в
всего
практиче
Всего
сем
пер
Семестр
аудито
ские
лаборат.
ест иод
рных Лекц.
занятия
работы
ре сес
заняти
(семинар
сии
й
ы)
1
180
45
15
30
99
36
Наличие
курсовых
проектов
(КП),
курсовых
работ (КР),
расчетных
заданий (РЗ)
РЗ
Форма
промежуто
чной
аттестации
(зачёт,
экзамен)
ЭКЗАМЕН
3 Рабочая программа дисциплины
3.1 Содержание дисциплины
3.1.1 Тематический план дисциплины
3.1.1.1 Лекции (15 часов, [1-5])
3.1.1.1.1. Генетические алгоритмы, Литература [ 1-3,5]
Генетические алгоритмы как модель эволюции живых существ. Принципы
генетических алгоритмов: генетическая рекомбинация, мутации и естественный
отбор. Особенности применения генетических алгоритмов и их преимущества
перед традиционным подходом в ряде задач. 3 часа+6 час СРС.
3.1.1.1.2. Модель нейронной сети на основе обратного распространения
ошибки. Литература [4,6-7]
Вывод формулы коррекции весовых связей по аналогии с градиентным
методом многомерной оптимизации. Свойства нейронных сетей. Примеры
решения задач по распознаванию образов. Модификации градиентного метода
обучения первого и второго порядка. 4 часа + 8 час СРС.
3.1.1.1.3. Топологические карты Кохонена для построения кластеров в
4
СТО АлтГТУ 15.68.1.4692-2014
обучении без учителя. Литература [1,4,6-7]
Принцип топологической пространственной организации карты. Вывод
основных формул. Примеры использования. Представление многомерных данных в
двумерном пространстве. 2 часа + 4 час СРС.
3.1.1.1.4. Методы представления и использования знаний в экспертных
системах. Литература [1,4]
Экспертные системы, их свойства и методы построения. Классические
примеры экспертных систем, принципы их работы. Байесовский подход и подход
на основе правил в экспертных системах. Пример построения экспертной системы
для диагностики заболеваний 4 часа + 8 час СРС.
3.1.1.1.5. Алгоритмы моделирования поведения колонии муравьев для
решения задач на графах типа задачи коммивояжера. Литература [1,4]
Модель поведения колонии муравьев при поиске пищи. Ферменты, их
размещение муравьем при движении и испарение фермента. Сравнение алгоритма
движения муравьев с классическим алгоритмом ветвей и границ задачи
коммивояжера. 2 часа + 4 час СРС.
3.1.1.2 Лабораторные занятия (30 час.) Литература [1-5]
3.1.1.2.1. Построение генетического алгоритма для приближенного решения одной из
NP полных задач большой размерности. (4 часа)
3.1.1.2.2. Анализ решения, полученного генетическим алгоритмом при различных
параметрах и структурных изменениях (2 час)
3.1.1.2.3. Реализация алгоритма обратного распространения ошибки обучения
нейронных сетей для задачи распознавания образов (4 часа)
3.1.1.2.4. Реализация модификаций метода обратного распространения ошибки
первого порядка (4 часа)
3.1.1.2.5. Построение карты Кохонена на прямоугольной решетке для битовых
образов (2 часа)
3.1.1.2.6. Визуализация многомерного набора данных отображением на двумерную
область. Метод Сэммона (2 часа)
3.1.1.2.7. Разработка простейшей экспертной системы на одном из языков
программирования на основе фактов и правил по оценке проолжительности жизни (4
часа)
3.1.1.2.8. Разработка экспертной системы на основе байесовского подхода для
диагностики заболеваний (4 часа)
3.1.1.2.9. Реализация одного из типов муравьиного алгоритма для задач поиска пути
на графе (4 часа)
Методические указания к лабораторным работам и варианты заданий приведены в
Приложении А
3.1.1.3. Расчетное задание (15 час)
Расчетное задание является промежуточным этапом в изучении студентами
учебной дисциплины в общем объеме. Задачей расчетного задания является
формирование практических навыков построения и анализа одного из дополнительных
методов обучения нейронных сетей. При выполнении расчетного задания требуется
знания, полученные в результате изучения всего курса. В силу большого объема
количества часов, выделяемых для выполнения курсового проекта, предусмотрено, что
5
СТО АлтГТУ 15.68.1.4692-2014
студент самостоятельно изучает некоторые темы. Темы расчетного задания приведены в
приложении Б.
Расчетное задание включает в себя развернутую постановку задачи, разработку
пользовательского интерфейса, написание программы, оформление отчета о проделанной
работе.
Основными разделами курсового проекта являются:
1. Описание предметной области. (1 часа СРС )
2. Первичное проектирование интерфейса. Используется материал темы №№ 2,
4 (2 часов СРС)
3. Разработка ПО с реализацией метода обучения нейронных сетей как
дополнение к стандартным методам, разрабатываемым в лабораторных
работах. (7 часов СРС)
4. Подготовка обучающей выборки и тестирование реализованного метода (4
часов СРС).
5. Оформление отчета (1 час СРС)
По проделанной работе должны быть представлены:
1) отчет, написанный в соответствии с правилами оформления отчета.
2) работоспособный программный продукт.
[Литеpатуpа см. п. 3.1.2.]
Методические указания к выполнению расчетного задания
приведены в Приложении Б
и варианты заданий
3.1.1.4 Самостоятельная работа студентов (99 часов в семестре + 36 часов в период
сессии)
Самостоятельная работа заключается в подготовке к лабораторным работам,
изучении теоретического материала, выполнении расчетного задания. Примерное
распределение времени на самостоятельную работу (135 часов):
 изучение теоретического материала
30 часов;
 подготовка к лабораторным работам и их защите
54 часов,
 выполнение расчетного задания
15 час
 подготовка в период сессии
36 часов.
Вся необходимая информация для самостоятельной работы содержится в книгах [1-3], а
также в списке дополнительной литературы. Для углубленного изучения материала
служат книги [4-7]. Методические указания к лабораторным работам и варианты заданий
приведены в Приложении А.
3.1.2 Учебно-методическое и информационное обеспечение дисциплины
А) основная литература:
1. Ясницкий Л.Н. Искусственный интеллект. Учебное пособие. Издательство: "Бином.
Лаборатория знаний" ISBN: 978-5-9963-1481-2 Год: 2012 стр. 197.
http://e.lanbook.com/view/book/8775/
Б) дополнительная литература
2. Джонс М.Т. Программирование искусственного интеллекта в приложениях. Издательство:
"ДМКПресс" ISBN: 978-5-94074-746-8 Год: 2011 стр. 312.
http://e.lanbook.com/view/book/1244/
3. Ясницкий Л.Н. Черепанов Ф.М. Искусственный интеллект. Методическое пособие
Издательство: "Бином. Лаборатория знаний" ISBN: 978-5-9963-1482-9 Год: 2012 стр. 212.
http://e.lanbook.com/view/book/8776/
6
СТО АлтГТУ 15.68.1.4692-2014
4. Галушкин А.И. Нейронные сети: основы теории. Издательство: "Горячая линия-Телеком"
ISBN: 978-5-9912-0082-0 Год: 2010 стр. 496.
http://e.lanbook.com/view/book/5144/
5. Люггер Ф. Искусственный интеллект. Стратегии и методы решения сложных проблем.
Четвертое издание. М., Вильямс. 2003 [10 экз].
6. Оссовский С. Нейронные сети для обработки информации. М., Финансы и статистика. 2002
[4 экз].
7. Калан Р. Основные концепции нейронных сетей. М., Вильямс. 2001 [5 экз].
3.1.3 Формы и содержание текущей и промежуточной аттестации по
дисциплине
Форма промежуточной аттестации – экзамен.
Содержание промежуточной аттестации
раскрывается
в комплекте
контролирующих материалов, предназначенных для проверки соответствия уровня
подготовки по дисциплине требованиям ФГОС ВПО.
Контролирующие материалы по дисциплине содержат:
– тесты текущего контроля успеваемости по дисциплине (для текущих
аттестации);
– тесты промежуточной аттестации по дисциплине (для экзамена);
Комплект контролирующих материалов приведен в приложении В настоящего
стандарта.
Рейтинг студента формируется в течение семестра непрерывно по мере выполнения
учебных работ. Для эффективной организации и активизации самостоятельной учебной
работы студентов используется рейтинговая подсистема контроля и оценки учебной
деятельности, соответствующая «Положению о модульно-рейтинговой системе
квалиметрии учебной деятельности студентов» СМК ОПД 01-19-2008. Памятка
дисциплины приведена в приложении Г.
Оценка индивидуальной деятельности студентов по дисциплине складывается из
следующих видов работ:
Вид индивидуальной деятельности
1) защита выполненных работ
2) выполнение расчетного задания
3) сдача экзамена
Вес работы при
расчете рейтинга
0.5
0,1
0.4
Более подробно удельный вес каждого контрольного испытания (в долях единицы)
приведен также в п 3.1.4.
3.1.4 Учебно-методическая карта дисциплины
для направления 231000.68 “Программная инженерия”
на ____1____семестр
График аудиторных занятий, СРС, текущего контроля и промежуточной
аттестации
7
СТО АлтГТУ 15.68.1.4692-2014
Наименова
ние
Вида работ
Лекции
Лабораторн
ые работы
Номер недели
1
2
3
1
1
1
1,2
2
4
5
6
7
8
9
10
1 Аудиторные занятия 45часов
2
2,3
3,4
3
3
4
4
5
6
7
11
12
13
14
15
4
7
8
4,5
8
9
5
9
4
4
2 Самостоятельная работа 99 часов+ 36 час подготовка к экзамену
Подготовка
к текущим
лекциям(30
час)
Подготовка
к текущим
лабораторн
ым
работам(54
час)
Выполнени
е
расчетного
задания (15
час)
6
4
6
6
4
4
4
4
4
3
3
3
3
3
6
3
3
3
6
3
3
3
4
3 Формы текущей аттестации
Защита
работ
0,06 0,055
0,055
0,055 0,055 0,055
Расчетное
задание
Экзамен
0,07
0,055
0,04
0,1
4 Формы промежуточной аттестации
Экзамен в период сессии 0,4
Программа составлена в соответствии с требованиями ФГОС ВПО (№ 543 от 9.11.
2009 г.) с учетом рекомендаций и ПрООП ВПО по направлению и профилю подготовки
231000.68 «Программная инженерия».
3.2 Условия освоения и реализации дисциплины
3.2.1 Методические рекомендации студентам по изучению дисциплины
В настоящее время владение методами проектирования и реализации
параллельных и распределенных программных систем для выпускника данного
направления подготовки в магистратуре является обязательным атрибутом его
профессиональной пригодности.
Технология организации образовательного процесса
В соответствии с учебным планом на изучение дисциплины «Инженерия знаний
и системы искусственного интеллекта» в первом семестре отводится 180 часов. Из них 45
час — аудиторные занятия, которые включают теоретический лекционный курс (15 часов)
и лабораторные работы (30 часов); 99 часов — самостоятельная внеаудиторная работа,
которая предполагает подготовку к лекционным, лабораторным занятиям, выполнение
расчетного задания. В период сессии на подготовку к экзамену студенту отводится 36
часов.
Лекции. Лекции проводятся в интерактивном формате (лекция-дискуссия),
поэтому для успешного участия в обсуждении рассматриваемых тем необходимо знать
все определения, формулировки основных утверждений и методы решения проблем,
которые вводились и обсуждались на предыдущих занятиях. В случае пропуска лекции
8
СТО АлтГТУ 15.68.1.4692-2014
по уважительной причине долг гасится восстановлением пропущенного материала и
предъявлением справки; без уважительной причины — восстановлением пропущенного
материала и написанием реферата по теме модуля.
Лабораторные работы. Полноценное изучение дисциплины «Инженерия знаний
и системы искусственного интеллекта» невозможно без практической реализации
алгоритмов на лабораторных работах, самостоятельной проработки материала по темам
лабораторных работ. Поэтому практикум на ЭВМ является неотъемлемой частью этой
дисциплины. Цель работ состоит в закреплении теоретического материала, приобретении
практического опыта проектирования и реализации алгоритмов, используемых в системах
искусственного
интеллекта,
получении
навыков
тестирования
и
анализа
производительности реализованных программ.
Защита лабораторной работы осуществляется при наличии печатного или
рукописного отчета, если он предусмотрен для данной работы. На защиту предъявляются
выполненные задания в соответствии с перечнем для данной лабораторной работы (см. в
нормативных материалах на групповом сервере требования к оформлению отчетов).
Защита проводится в форме ответов на вопросы преподавателя о проделанной работе,
проверки работоспособности программы на предъявленных тестах. При защите
необходимо знать и уметь то, что перечислено в задании данной лабораторной работы.
Расчетное задание
Цель расчетного задания дисциплины «Инженерия знаний и системы
искусственного интеллекта» закрепить навык в реализации и исследования алгоритмов
обучения нейронных сетей.
Расчетное задание представляет собой реализацию одного из важных
практических методов обучения нейронных сетей, дополняющих лабораторные работы
дисциплины. Представленные варианты заданий являются более сложными в реализации
методами, чем стандартный набор методов первого порядка, но имеющие важное
практическое значение для решения задач большой размерности.
Защита расчетного задания осуществляется при наличии печатного или
рукописного отчета, если он предусмотрен для данной работы. Защита проводится в
форме ответов на вопросы преподавателя о проделанной работе, проверки
работоспособности программы на предъявленных тестах.
Контроль. Текущий контроль успеваемости включает учет сроков и результатов
защиты лабораторных работ, каждая из которых имеет вес, определяемый ее
информативностью, значимостью и прикладной направленностью. В результате
формируется текущий рейтинг по лабораторной части модулей. Оценка за выполненную
работу включает в себя:
 демонстрацию работоспособности программы 40 баллов;
 объяснение теоретических вопросов 55 баллов;
 отчет 5 баллов.
Рубежный контроль предусматривает тестирование по теоретической части курса в
соответствии с графиком учебного процесса, что позволяет получить сбалансированную,
реально отражающую текущий уровень знаний оценку. В результате формируется рейтинг
по лекционной части модулей. Итоговый контроль осуществляется в форме экзамена.
Студенты, сдавшие к моменту итогового занятия все работы и имеющие рейтинг не
менее 75, при их согласии, могут получить экзамен автоматически.
Для студентов с высоким текущим рейтингом по их желанию может быть
организовано углубленное изучение предмета, выдано дополнительное задание. В этом
случае для повышения рейтинга выдается дополнительное задание: либо в виде решения
дополнительных проблем, либо дополнительной лабораторной работы. После проведения
такого контроля (с оценкой R*), текущий рейтинг RT пересчитывается:
9
СТО АлтГТУ 15.68.1.4692-2014
R T  R T 
(100  R T )(R   50)
.
100
3.2.2 Организация самостоятельной работы студента по дисциплине
В соответствии с графиком учебного процесса на самостоятельную работу
студентов отводится более 75% часов от общей нагрузки. СРС включает подготовку ко
всем видам учебной деятельности (лекции, лабораторные работы, расчетное задание
экзамен). Для выполнения СРС, связанной с использованием компьютера,
предоставляются учебные аудитории 310-318 г.к. Источники учебно-методической
литературы, программные и информационные ресурсы для реализации указанных видов
СРС приведены выше. Регулярные консультации (не реже 1 раза в неделю) и контроль за
своевременной защитой лабораторных работ являются обязательным элементом
организации учебного процесса по дисциплине в рамках СРС. Элементы творчества
являются обязательными при выполнении лабораторных работ по дисциплине. Студенты
должны опираясь на общую технологию работы выполнить лабораторные работы по
индивидуальному варианту. При выполнении заданий студенты должны кроме основной
и дополнительной рекомендованной литературы использовать и другие источники
Индивидуальные
задания
предусматривают
получение
студентами
навыков
самостоятельной учебной деятельности в рамках требуемой тематики и
функциональности программной среды. Стимулом для использования элементов научного
поиска при изучении дисциплины является повышенный рейтинг при оценке отдельных
видов СРС. Возникающие затруднения в осуществлении обучения разрешаются с
преподавателем на занятиях или консультациях.
3.2.3 Методические рекомендации преподавателю дисциплины
В рамках дисциплины проводится изучение основных понятий искусственного
интеллекта, необходимых для последующего изучения моделей, методов и технологий
систем искусственного интеллекта. В курсе приводятся примеры современных моделей
искусственного интеллекта, рассматриваются методы обучения нейронных сетей,
принципы работы генетических алгоритмов, правила построения экспертных систем,
основы построения самообучающихся карт Кохонена.
Дисциплина изучается на лекциях и лабораторных работах.
На лекциях рассматриваются основополагающие теоретические вопросы и способы
решения задач прикладного и системного характера. Лекции строятся на
последовательном систематическом устном изложении преподавателем учебного
материала, представляющего логически законченное целое. Каждая лекция
сопровождается презентацией, содержащей краткий теоретический материал и
иллюстративный материал.
Каждая презентация построена по следующему шаблону: название лекционного
занятия, цель и задачи лекции, теоретический материал, в конце приведены итоги
лекционного занятия, обозначена тема следующей лекции, а также вопросы и
задания для самостоятельного изучения.
Презентации по лекционному курсу разбиты по темам, по отдельно взятой теме
может быть несколько лекций.
Лабораторные работы направлены на самостоятельную работу по практической
разработке моделей искусственного интеллекта. На лабораторной работе проводится
разбор выполненных работ, обсуждение проблем, связанных с алгоритмами и
программами данной работы, контролируется степень освоения студентами методов
искусственного интеллекта на конкретных примерах и алгоритмах. Студенты
10
СТО АлтГТУ 15.68.1.4692-2014
привлекаются к разбору и сравнительному анализу предлагаемых вариантов программных
реализаций решаемых задач.
В процессе самостоятельной работы студенты отрабатывают теоретические
положения, изложенные на лекциях, реализует задания по лабораторным работам.
Задания носят индивидуальный характер.
Организация занятий по дисциплине «Инженерия знаний и системы
искусственного интеллекта» предполагает применение следующих технологий:
 информационно-развивающей (интерактивные лекции);
 личностно-ориентированной (трехуровневые задания на лабораторные работы);
 визуализации (использование обычной или интерактивной доски, проектора).
В соответствии с рабочим планом дисциплины преподавание «Инженерия знаний и
системы искусственного интеллекта» включает такие формы обучения как лекция,
лабораторные работы, выполнение расчетного задания , СРС.
Рекомендуется применение следующих методов обучения:
 информационного (лекция-дискуссия, лекция-диалог, лекция-визуализация,
тестирование);
 поискового («слушай-думай-генерируй идеи» на лекции, «читай-думай-выполняй»
на лабораторных работах, поиск информации для мини-реферата по теме
лабораторной работы);
 мозговой штурм (проблемная задача на лекции, при защите лабораторной работы);
Чтение лекций проводится с использованием традиционных средств и средств
мультимедиа в ауд. 516-522 г.к.
Для проведения лабораторных работ требуются технические средства,
включающие персональные компьютеры, объединенные в локальную вычислительную
сеть. Лабораторные занятия проводятся на базе компьютерных аудиторий в форме
диалога с применением элементов поиска.
Использование рейтинговой подсистемы учета и контроля учебных достижений
студентов позволяет обеспечить:
 максимальную объективность в оценке результатов учебной деятельности
студентов;
 высокую дифференцирующую способность оценивания уровня усвоения учебного
материала;
 минимальные затраты времени преподавателя на вычисление текущего,
семестрового, итогового рейтингов;
 стимулирование ритмичной работы студентов в семестре;
 уменьшение психофизических нагрузок студентов и преподавателя в сессию;
 усиление обратной связи между преподавателем и студентом.
3.2.4 Образовательные технологии
Таблица. Рекомендации по использованию средств, форм и методов обучения в
преподавании дисциплины (в интерактивной форме- 2 час)
Применяемые
Применяемые формы
средства обучения обучения
ПК, проектор
диалог (1 час)
дискуссия (1 час)
Используемые методы обучения
информационный
поисковый
3.2.5 Особенности преподавания дисциплины
11
СТО АлтГТУ 15.68.1.4692-2014
Особенности преподавание дисциплины «Инженерия
искусственного интеллекта» описаны в пп. 3.2.1, 3.2.3
знаний
и
системы
3.2.6 Материально-техническое обеспечение дисциплины
При обучении по дисциплине «Инженерия знаний и системы искусственного
интеллекта» используются компьютеризованные учебные аудитории. В аудиториях
предусмотрены места для работы с портативными ПК и рабочие столы для выполнения
письменных заданий по лабораторным работам, проведения защит и тестирования. Для
проведения лекций используются мультимедиа-аудитории 516-522 главного корпуса.
12
СТО АлтГТУ 15.68.1.4692-2014
4 Лист согласования рабочей программы дисциплины
Лист согласования рабочей программы дисциплины
Наименование
дисциплин, изучение которых опирается на данную
дисциплину
1
3.
«Нечеткое моделирование и системы принятия
решений» (3 семестр)
4.
«Интеллектуальные технологии обработки изображений
«(2 семестр)
Кафедра- Предложен Подпись
разработч
ия
заведующег
ик
об
о
дисципли изменении согласующе
ны
рабочей й кафедры
программы
2
3
4
ПМ
Замечаний
нет
5 Лист изменений к стандарту дисциплины
ИЗМЕНЕНИЕ (ДОПОЛНЕНИЕ) № _____
Утверждено и введено в действие
__________________________________________________________________
(наименование документа)
от ________________________________
№ ___________
(дата (цифрой), месяц (прописью), год)
Дата введения
<*>
13
СТО АлтГТУ 15.68.1.4692-2014
14
СТО АлтГТУ 15.68.1.4692-2014
ПРИЛОЖЕНИЕ А
Методические указания к выполнению лабораторных работ при изучении
дисциплины «Инженерия знаний и системы искусственного интеллекта»
для магистратуры направления 231000.68 "Программная инженерия"
Лабораторная работа 1. Построение генетического алгоритма для приближенного
решения одной из NP полных задач большой размерности. (4 часа)
Цель работы
Освоить разработку генетических алгоритмов для приближенного решения NP полной
задачи большой размерности.
Формулировка задачи
По варианту задания предлагается одна из NP полных задач, допускающих простое
кодирование в виде битовых строк, являющихся организмами популяции. Требуется
представить решение в виде генетического алгоритма, предложив вариант
воспроизводства, мутаций и естественного отбора. Для отладки использовать небольшую
размерность, сравнив работу генетического алгоритма с традиционным переборным
алгоритмом. Для большой размерности сравнить лучшее решение в исходной популяции и
лучшее решение через большое число поколений организмов.
Лабораторная работа 2. Анализ решения, полученного генетическим алгоритмом
при различных параметрах и структурных изменениях (2 час)
Цель работы
Изучить зависимость полученного решения от основных параметров алгоритма
Формулировка задачи
Предложить наглядный интерфейс, позволяющий варьировать основные параметры
генетического алгоритма: коэффициент воспроизводства, уровень мутаций, шансы
выживания менее приспособленного в естественном отборе. Кроме этого, исследовать
зависимость качества решения и времени работы от величины популяции и метода
естественного отбора. Предложить рекомендации по решению данного типа NP полных
задач генетическими алгоритмами.
Лабораторная работа 3. Реализация алгоритма обратного распространения ошибки
обучения нейронных сетей для задачи распознавания образов (4 часа)
Цель работы
Реализовать алгоритм обратного распространения ошибки обучения нейронных сетей
и применить его для задачи распознавания битовых образов.
Формулировка задачи
Реализовать используя теоретический лекционный материал классический алгоритм
backpropagation. По варианту задания построить обучающую выборку для трех классов
битовых образов размерностью 6x6 . Провести обучение нейронной сети и проверить
качество обучения, путем подачи образов из тестового файла. При неудовлетворительном
обучении провести корректировку обучающей выборки. В интерфейсе предусмотреть
вывод на форму для корректирования основных параметров сети: число промежуточных
слоев нейронной сети, количество нейронов на каждом слое, число эпох обучения,
максимально допустимая ошибка обучения, шаг антиградиента весов связей нейронов
слоев сети, показатель сигмоида, шаг вывода графика текущей ошибки. Провести
исследование зависимости качества обучения сети от параметров.
15
СТО АлтГТУ 15.68.1.4692-2014
Лабораторная работа 4. Реализация модификаций метода обратного
распространения ошибки первого порядка (4 часа)
Цель работы
Реализовать различные модификации алгоритма обратного распространения ошибки
обучения нейронных сетей первого порядка и применить его для задачи распознавания
битовых образов.
Формулировка задачи
Реализовать основные модификации алгоритма backpropagation первого порядка:
адаптивный метод, метод моментов, упругий, метод сопряженных градиентов. Для
каждого из методов предусмотреть вывод на форму дополнительных параметров
настройки каждой модификации базового алгоритма. Сравнить работу каждого из
алгоритмов по времени обучения и точности распознавания образов для тестирующей
выборки.
Лабораторная работа 5. Построение карты Кохонена на прямоугольной решетке для
битовых образов (2 часа)
Цель работы
Реализовать вариант карт Кохонена для задачи классификации битовых образов.
Формулировка задачи
Построить карту Кохонена прямоугольной решетки для битовых образов
размерностью 6x6. Число нейронов взять максимально возможным по разрешению
экрана. Реализовать методы настройки карты: wta (победитель получает все), wtm
(победитель получает больше),wtm _m (модифицированный метод, победитель получает
больше), нейронный газ. Предусмотреть использование двух методов изменения
коэффициента обучения и радиуса модификации весов нейронов карты: линейный и
гиперболический. Построение карты должно выполняться в динамике, с некоторым шагом
происходит перерисовка карты. На окончательной карте провести неформальный анализ
структуры выборки.
Лабораторная работа 6. Визуализация многомерного набора данных отображением
на двумерную область. Метод Сэммона (2 часа)
Цель работы
Реализовать метод Сэммона визуализации многомерных данных первого и второго
порядка и применить его к выборке из битовых изображений 6x6.
Формулировка задачи
Реализовать Сэммона визуализации многомерных данных первого и второго порядка
для отображения 36 мерных образов (битовые изображения 6x6) в точки квадрата на
плоскости по вариантам. Провести анализ данных выборки методом первого порядка
(антиградиентная настрока координат двумерных объектов и методом второго порядка, с
использованием гессиана. Сравнить методы по скорости сходимости и оценки качества
полученной визуализпации.
Лабораторная работа 7. Разработка простейшей экспертной системы на одном из
языков программирования на основе фактов и правил по оценке продолжительности
жизни (4 часа)
Цель работы
16
СТО АлтГТУ 15.68.1.4692-2014
Построить простую экспертную систему на основе фактов и правил и применить ее к
конкретной проблемной ситуации
Формулировка задачи
Использовать готовый набор правил характеристик и поведения человека для оценки
возможной продолжительности жизни. Добавить ряд правил по вариантам задания.
Реализовать метод вывода заключения методом обратной резолюции. Собрать несколько
вариантов фактов о тестируемых и получить заключение экспертной системы о
возможной продолжительности жизни данного индивида. Вывести цепочку логического
вывода для пояснения хода логических рассуждений экспертной системы.
Лабораторная работа 8. Разработка экспертной системы на основе байесовского
подхода для диагностики заболеваний (4 часа)
Цель работы
Построить простую экспертную систему на основе байесовского подхода и
применить ее к задаче медицинской диагностики заболеваний.
Формулировка задачи
Реализовать экспертную систему на основе байесовского метода. Применить систему
для анализа заболеваний. Создать файл по вариантам болезней и частот их встречаемости,
используя справочные данные и файл справочника симптомов. Построить файл
вероятностных связей симптомов и заболеваний, вероятности симптомов при наличии
заболеваний и при отсутствии заболеваний получить из прилагаемого справочника. В
построенной системе с целью ускорения решения должен быть метод сокращения
возможных диагнозов и удаления симптомов, которые не могут повлиять на
окончательный
диагноз после очередного ответа пациента. Провести диалог с
построенной экспертной системой.
Лабораторная работа 9. Реализация одного из типов муравьиного алгоритма для
задач поиска пути на графе (4 часа)
Цель работы
Реализовать муравьиный алгоритм для решения одной из NP полных задач поиска
пути на графе.
Формулировка задачи
По варианту задания построить муравьиный алгоритм для одной из задач поиска пути
на графе (задача коммивояжера, китайский почтальон, сельский почтальон и др.).
Реализовать рекурсивный алгоритм ветвей и границ для решения задачи. Меняя
размерность задачи и генерацию случайных графов оценить эффективность муравьиного
алгоритма. Путем подбора параметров муравьиного алгоритма получить эффективное
решение задачи для выбранного графа.
17
СТО АлтГТУ 15.68.1.4692-2014
Приложение Б
Примеры заданий на расчетное задание
" Инженерия знаний и системы искусственного интеллекта "
для магистратуры направления 231000.68 "Программная инженерия"
1. Квазиньютоновский алгоритм обучения нейронных сетей 2 порядка Флетчера,
Гольдфарбома, Шанно.
2. Квазиньютоновский алгоритм секущих плоскостей OSS Баттити обучения
нейронных сетей.
3. Алгоритм обучения нейронных сетей 2 порядка Левенберга Марквардта.
4. Алгоритм золотого сечения GOL обучения нейронных сетей.
5. Алгоритм Брента BRE одномерного поиска, сочетание квадратичной интерполяции
и золотого сечения обучения нейронных сетей.
6. Алгоритм HYB одномерного поиска, сочетание квадратичной интерполяции и
половинного деления обучения нейронных сетей.
7. Алгоритм Чараламбуса CHA специальный алгоритм одномерного поиска, на
основе градиентного спуска обучения нейронных сетей.
8. Алгоритм BAC одномерного поиска, или алгоритм перебора с возвратами
обучения нейронных сетей.
18