Реферат: Базы знаний как современные интеллектуальные информационные системы - текст реферата. Скачать бесплатно.
Банк рефератов, курсовых и дипломных работ. Много и бесплатно. # | Правила оформления работ | Добавить в избранное
 
 
   
Меню Меню Меню Меню Меню
   
Napishem.com Napishem.com Napishem.com

Реферат

Базы знаний как современные интеллектуальные информационные системы

Банк рефератов / Информатика, информационные технологии

Рубрики  Рубрики реферат банка

закрыть
Категория: Реферат
Язык реферата: Русский
Дата добавления:   
 
Скачать
Microsoft Word, 144 kb, скачать бесплатно
Заказать
Узнать стоимость написания уникального реферата

Узнайте стоимость написания уникальной работы

14 РЕФЕРАТ Базы знаний как современные интеллектуальные инфо р мационные сист е мы Содержание Введение 1 Общие положения 1.1 Классификация баз знаний 1.2 Применение баз знаний 2 Интеллектуальная информационная система 2.1 Классификация задач, решаемых ИИС 3 Базы знаний в интеллектуальной системе 3.1 Машинное обучение 3.1.1 Общая постановка задачи обучения по прецедентам 3.1.2 Способы машинного обучения 3.1.3 Классические задачи решаемые с помощью машинного обучения 3.1.4 Типы входных данных при обучении 3.1.5 Типы функционалов качества 3.1.6 Практические сферы применения 3.2 Автоматическое доказательство Введение База знаний, БЗ (англ. Knowledge base, KB) — это особого рода база да нных, разработанная для управления знаниями (метаданными), то есть сборо м, хранением, поиском и выдачей знаний. Раздел искусственного интеллекта , изучающий базы знаний и методы работы со знаниями, называется инженери ей знаний. Под базами знаний понимает ся со вокупность фактов и правил вывода, допускающих логический вывод и осмыс ленную обработку информация. Например, в языке Пролог базы знаний описываются в форме конкретных факто в и правил логического вывода над базами данных и процедурами обработки информации, представляющих сведения и знания о людях, предметах, фактах событиях и процессах в логической форме. Наиболее важным свойством информации, хранящейся в базах знаний, являет ся достоверность конкретных и обобщенных сведений в базе данных и релев антности информации, получаемой с использованием правил вывода, заложе нных в базу знаний. В ответах на простейшие запросы к базам знаний систем ы логического программирования Пролог, выдает значения «истина» и «лож ь» в зависимости от наличия соответствующих фактов. Обобщенные сведения в языке Про лог задаются с помощью правил логического вывода, выполняющих роль опре деления понятий, а также логических процедур, состоящих из наборов прави л логического вывода. Достоверность обобщенных сведений зависит от нал ичия необходимых фактов и достоверности данных в базах знаний. Наиболее важный параметр БЗ — качество содержащих ся знаний. Лучшие БЗ включают самую релевантную, достоверную и свежую ин формацию, имеют совершенные системы поиска информации и тщательно прод уманную структуру и формат знаний. 1 . Общие положения 1 .1 Классифика ция баз знаний В зависимости от уровня сложности систем, в которых п рименяются базы знаний, различают: 1) БЗ всемирного масштаба — напр имер, Интернет или Википедия 2) БЗ национальные — например, Ви кипедия 3) БЗ отраслевые— например, Авто мобильная энциклопедия 4) БЗ организаций 5) БЗ экспертных систем 6) БЗ специалистов 1.2 Применение баз знаний Простые базы знаний могут использоваться для созда ния экспертных систем и хранения данных об организации: документации, ру ководств, статей технического обеспечения. Главная цель создания таких баз — помочь менее опытным людям найти существующее описание способа р ешения какой-либо проблемы предметной области. Онтология может служить для представления в базе знаний иерархии понят ий и их отношений. Онтология, содержащая еще и экземпляры объектов не что иное, как база знаний. База знаний — важный компонент интеллектуальной системы. Наиболее изв естный класс таких программ — экспертные системы. Они предназначены дл я построения способа решения специализированных проблем, основываясь на записях БЗ и на пользовательском описании ситуации. Создание и использование систем искусственного интеллекта потребует о громных баз знаний. 2 . Интеллектуальная информацион ная система Интеллектуальная информационная система (ИИС) — это один из видов автоматизированных информационных систем, иногда ИИС наз ывают системой, основанных на знаниях. ИИС представляет собой комплекс п рограммных, лингвистических и логико-математических средств для реали зации основной задачи: осуществление поддержки деятельности человека и поиска информации в режиме продвинутого диалога на естественном язык е. ИИС могут размещаться на каком-либо сайте, где пользователь задает систе ме вопросы на естественном языке (если это вопросно-ответная система) ил и, отвечая на вопросы системы, находит необходимую информацию (если это э кспертная система). Но, как правило, ЭС в интернете выполняют рекламно-инф ормационные функции (интерактивные баннеры), а серьезные системы (такие, как, например, ЭС диагностики оборудования) используются локально, так к ак выполняют конкретные специфические задачи. Интеллектуальные поисковики отличаются от виртуальных собеседников т ем, что они достаточно безлики и в ответ на вопрос выдают некоторую выжим ку из источников знаний (иногда достаточно большого объема), а собеседни ки обладают «характером», особой манерой общения (могут использовать сл енг, ненормативную лексику), и их ответы должны быть предельно лаконичны ми (иногда даже просто в форме смайликов, если это соответствует контекс ту :-)). Для разработки ИИС раньше использовались логические языки (Пролог, Лисп и т. д.), а сейчас используются различные процедурные языки. Логико-математ ическое обеспечение разрабатывается как для самих модулей систем, так и для состыковки этих модулей. Однако на сегодняшний день не существует ун иверсальной логико-математической системы, которая могла бы удовлетво рить потребности любого разработчика ИИС, поэтому приходится либо комб инировать накопленный опыт, либо разрабатывать логику системы самосто ятельно. В области лингвистики тоже существует множество проблем, напри мер, для обеспечения работы системы в режиме диалога с пользователем на естественном языке необходимо заложить в систему алгоритмы формализац ии естественного языка, а эта задача оказалась куда более сложной, чем пр едполагалось на заре развития интеллектуальных систем. Еще одна пробле ма — постоянная изменчивость языка, которая обязательно должна быть от ражена в системах искусственного интеллекта. 2.1 Классификация задач, решаемых ИИС 1) Интерпретация данных. Это одна из традиционных задач для экспертных систем. Под интерпретацией понимается процесс определе ния смысла данных, результаты которого должны быть согласованными и кор ректными. Обычно предусматривается многовариантный анализ данных. 2) Диагностика. Под диагностикой понимается процесс соотношения объекта с некоторым классом объектов и/или обнаружение неисправности в некотор ой системе. Неисправность — это отклонение от нормы. Такая трактовка по зволяет с единых теоретических позиций рассматривать и неисправность оборудования в технических системах, и заболевания живых организмов, и в севозможные природные аномалии. Важной спецификой является здесь необ ходимость понимания функциональной структуры («анатомии») диагностиру ющей системы. 3) Мониторинг. Основная задача мониторинга — непрерывная интерпретация данных в реальном масштабе времени и сигнализация о выходе тех или иных параметров за допустимые пределы. Главные проблемы — «пропуск» тревож ной ситуации и инверсная задача «ложного» срабатывания. Сложность этих проблем в размытости симптомов тревожных ситуаций и необходимость учё та временного контекста. 4) Проектирование. Проектирование состоит в подготовке спецификаций на с оздание «объектов» с заранее определёнными свойствами. Под спецификац ией понимается весь набор необходимых документов -- чертёж, пояснительна я записка и т.д. Основные проблемы здесь — получение чёткого структурно го описания знаний об объекте и проблема «следа». Для организации эффект ивного проектирования и в ещё большей степени перепроектирования необ ходимо формировать не только сами проектные решения, но и мотивы их прин ятия. Таким образом, в задачах проектирования тесно связываются два осно вных процесса, выполняемых в рамках соответствующей ЭС: процесс вывода р ешения и процесс объяснения. 5) Прогнозирование. Прогнозирование позволяет предсказывать последств ия некоторых событий или явлений на основании анализа имеющихся данных. Прогнозирующие системы логически выводят вероятные следствия из задан ных ситуаций. В прогнозирующей системе обычно используется параметрич еская динамическая модель, в которой значения параметров «подгоняются » под заданную ситуацию. Выводимые из этой модели следствия составляют о снову для прогнозов с вероятностными оценками. 6) Планирование. Под планированием понимается нахождение планов действи й, относящихся к объектам, способным выполнять некоторые функции. В таки х ЭС используются модели поведения реальных объектов с тем, чтобы логиче ски вывести последствия планируемой деятельности. 7) Обучение. Под обучением понимается использование компьютера для обуче ния какой-то дисциплине или предмету. Системы обучения диагностируют ош ибки при изучении какой-либо дисциплины с помощью ЭВМ и подсказывают пра вильные решения. Они аккумулируют знания о гипотетическом «ученике» и е го характерных ошибках, затем в работе они способны диагностировать сла бости в познаниях обучаемых и находить соответствующие средства для их ликвидации. Кроме того, они планируют акт общения с учеником в зависимос ти от успехов ученика с целью передачи знаний. 8) Управление. Под управлением понимается функция организованной систем ы, поддерживающая определенный режим деятельности. Такого рода ЭС осуще ствляют управление поведением сложных систем в соответствии с заданны ми спецификациями. 9) Поддержка принятия решений. Поддержка принятия решения — это совокуп ность процедур, обеспечивающая лицо, принимающее решения, необходимой и нформацией и рекомендациями, облегчающие процесс принятия решения. Эти ЭС помогают специалистам выбрать и/или сформировать нужную альтернати ву среди множества выборов при принятии ответственных решений. В общем случае все системы, основанные на знаниях, можно подразделить на системы, решающие задачи анализа, и на системы, решающие задачи синтеза. О сновное отличие задач анализа от задач синтеза заключается в том, что ес ли в задачах анализа множество решений может быть перечислено и включен о в систему, то в задачах синтеза множество решений потенциально не огра ничено и строится из решений компонент или под-проблем. Задачами анализа являются: интерпретация данных, диагностика, поддержка принятия решени я; к задачам синтеза относятся проектирование, планирование, управление . Комбинированные: обучение, мониторинг, прогнозирование. 3 . Базы зн аний в интеллектуальной системе Ниже перечислены интересные особенности, которые м огут (но не обязаны) быть у интеллектуальной системы, и которые касаются баз знаний. 1) Машинное обучение: Это модифик ация своей БЗ в процессе работы интеллектуальной системы, адаптация к пр облемной области. Аналогична человеческой способности «набирать опыт» . 2) Автоматическое доказательств о (вывод): Способность системы выводить новые знания из старых, находить з акономерности в БЗ. Некоторые авторы считают, что БЗ отличается от базы д анных наличием механизма вывода. 3) Интроспекция: Нахождение проти воречий, нестыковок в БЗ, слежение за правильной организацией БЗ. 4) Доказательство заключения: Спо собность системы «объяснить» ход её рассуждений по нахождению решения, причем «по первому требованию». 3 .1 Машинное обучение Машинное обучение (англ. Machine Learning) — обширный подраздел искусственного интеллекта, изучающий методы построения алгоритмов, сп особных обучаться. Различают два типа обучения. Обучение по прецедентам , или индуктивное обучение, основано на выявлении закономерностей в эмпи рических данных. Дедуктивное обучение предполагает формализацию знани й экспертов и их перенос в компьютер в виде базы знаний. Дедуктивное обуч ение принято относить к области экспертных систем, поэтому термины маши нное обучение и обучение по прецедентам можно считать синонимами. Машинное обучение находится на стыке математической статистики, метод ов оптимизации и дискретной математики, но имеет также и собственную спе цифику, связанную с проблемами вычислительной эффективности и переобу чения. Многие методы индуктивного обучения разрабатывались как альтер натива классическим статистическим подходам. Многие методы тесно связ аны с извлечением информации, интеллектуальным анализом данных. 3 .1.1 Общая постановка задачи обуч ения по прецедентам Имеется множество объектов (ситуаци й) и множество возможных ответов (откликов, реакций). Существует некотора я зависимость между ответами и объектами, но она не известна. Известна то лько конечная совокупность прецедентов — пар «объект, ответ», называем ая обучающей выборкой. На основе этих данных требуется восстановить зав исимость, то есть построить алгоритм, способный для любого объекта выдат ь достаточно точный ответ. Для измерения точности ответов определённым образом вводится функционал качества. Данная постановка является обобщением классических задач аппроксимац ии функций. В классических задачах аппроксимации объектами являются де йствительные числа или векторы. В реальных прикладных задачах входные д анные об объектах могут быть неполными, неточными, нечисловыми, разнород ными. Эти особенности приводят к большому разнообразию методов машинно го обучения. 3 .1.2 Способы машинного обучения Так как раздел машинного обучения, с одной стороны, образовался в результате разделения науки о нейросетях н а методы обучения сетей и виды топологий архитектуры сетей, а с другой, во брал в себя методы математической статистики, то указанные ниже способы машинного обучения исходят из нейросетей. То есть базовые виды нейросет ей, такие как перцептрон и многослойный перцептрон (а так же их модификац ии) могут обучаться как с учителем, без учителя, с подкреплением, и активно . Но некоторые нейросети и большинство статистических методов можно отн ести только к одному из способов обучения. Поэтому если нужно классифици ровать методы машинного обучения в зависимости от способа обучения, то, касательно нейросетей, не корректно их относить к определенному виду, а правильнее классифицировать алгоритмы обучения нейронных сетей. 1) Обучение с учителем - для каждого прецедента задаётся пара «ситуация, требуемое реш ение»: - Метод коррекции ошибки - Метод обратного распространен ия ошибки 2) Обучение б ез учителя - для каждого прецедента задаётся только «ситуация», требуетс я сгруппировать объекты в кластеры, используя данные о попарном сходств е объектов, и/или понизить размерность данных: - Альфа-система подкрепления - Гамма-система подкрепления - Метод ближайших соседей 3) Обучение с подкреплением - для каждого прецедента имеется пара «ситуация, принятое решение»: 4) Активное о бучение - отличается тем, что обучаемый алгоритм имеет возможность самос тоятельно назначать следующую исследуемую ситуацию, на которой станет известен верный ответ: 5) Обучение с частичным привлечением учителя (semi-supervised learning) - для части прецедентов задается пара «ситуация, требуемое решение», а для части - только «ситуация» 6) Трансдукти вное обучение (transduction) - обучение с частичным привлечением учителя, когда про гноз предполагается делать только для прецедентов из тестовой выборки 7) Многозадач ное обучение (multi-task learning) - одновременное обучение группе взаимосвязанных зад ач, для каждой из которых задаются свои пары «ситуация, требуемое решени е» 8) Многовариа нтное обучение (multi-instant learning) - обучение, когда прецеденты могут быть объединены в группы, в каждой из которых для всех прецедентов имеется «ситуация», но только для одного из них (причем, неизвестно какого) имеется пара «ситуац ия, требуемое решение» 3 .1.3 Классические задачи решаемы е с помощью машинного обучения - Классификация к ак правило, выполняется с помощью обучения с учителем на этапе собственн о обучения. - Кластеризация как правило, выпо лняется с помощью обучения без учителя - Регрессия как правило, выполняе тся с помощью обучения с учителем на этапе тестирования, является частны м случаем задач прогнозирования. - Понижение размерности данных и их визуализация выполняется с помощью обучения без учителя - Восстановление плотности расп ределения вероятности по набору данных - Одноклассовая классификация и выявление новизны - Построение ранговых зависимос тей 3 .1.4 Типы входных данных при обуче нии - Признаковое опи сание объектов — наиболее распространённый случай. - Описание взаимоотношений межд у объектами, чаще всего отношения попарного сходства, выражаемые при пом ощи матрицы расстояний, ядер либо графа данных - Временной ряд или сигнал. - Изображение или видеоряд. 3 .1.5 Типы функционалов качества При обучении с учителем - функционал качества может определяется как средняя ошибка ответов. Предполагаетс я, что искомый алгоритм должен его минимизировать. Для предотвращения пе реобучения в минимизируемый функционал качества часто в явном или неяв ном виде добавляют регуляризатор. При обучении без учителя - функционалы качества могут определяться по-ра зному, например, как отношение средних межкластерных и внутрикластерны х расстояний. При обучении с подкреплением - функционалы качества определяются физич еской средой, показывающей качество приспособления агента. 3 .1.6 Практические сферы применен ия Целью машинного обучения является ч астичная или полная автоматизация решения сложных профессиональных за дач в самых разных областях человеческой деятельности. - Машинное обучение имеет широки й спектр приложений: - Распознавание речи - Распознавание изображений - Распознавание рукописного вво да - Техническая диагностика - Медицинская диагностика - Прогнозирование временных ряд ов - Биоинформатика - Обнаружение мошенничества - Обнаружение спама - Категоризация документов - Биржевой технический анализ - Финансовый надзор - Кредитный скоринг - Предсказание ухода клиентов - Хемоинформатика Сфера применений машинного обучения постоянно расширяется. Повсеместн ая информатизация приводит к накоплению огромных объёмов данных в наук е, производстве, бизнесе, транспорте, здравоохранении. Возникающие при э том задачи прогнозирования, управления и принятия решений часто сводят ся к обучению по прецедентам. Раньше, когда таких данных не было, эти задач и либо вообще не ставились, либо решались совершенно другими методами. 3 .2 Автоматическое доказательств о Автоматическое доказательство— доказательство, р еализуемое программно. В основе лежит аппарат математической логики. Ис пользуются идеи теории искусственного интеллекта. Процесс доказательс тва основывается на логике высказываний и логике предикатов. Логика высказываний (или пропозициональная логика) — это формальная те ория, основным объектом которой служит понятие логического высказыван ия. С точки зрения выразительности, её можно охарактеризовать как класси ческую логику нулевого порядка. Логика высказываний является простейш ей логикой, максимально близкой к человеческой логике неформальных рас суждений и известна ещё со времён античности. Логика первого порядка (исчисление предикатов) — формальное исчислени е, допускающее высказывания относительно переменных, фиксированных фу нкций, и предикатов. Расширяет логику высказываний. В свою очередь являе тся частным случаем логики высшего порядка.
1Архитектура и строительство
2Астрономия, авиация, космонавтика
 
3Безопасность жизнедеятельности
4Биология
 
5Военная кафедра, гражданская оборона
 
6География, экономическая география
7Геология и геодезия
8Государственное регулирование и налоги
 
9Естествознание
 
10Журналистика
 
11Законодательство и право
12Адвокатура
13Административное право
14Арбитражное процессуальное право
15Банковское право
16Государство и право
17Гражданское право и процесс
18Жилищное право
19Законодательство зарубежных стран
20Земельное право
21Конституционное право
22Конституционное право зарубежных стран
23Международное право
24Муниципальное право
25Налоговое право
26Римское право
27Семейное право
28Таможенное право
29Трудовое право
30Уголовное право и процесс
31Финансовое право
32Хозяйственное право
33Экологическое право
34Юриспруденция
 
35Иностранные языки
36Информатика, информационные технологии
37Базы данных
38Компьютерные сети
39Программирование
40Искусство и культура
41Краеведение
42Культурология
43Музыка
44История
45Биографии
46Историческая личность
47Литература
 
48Маркетинг и реклама
49Математика
50Медицина и здоровье
51Менеджмент
52Антикризисное управление
53Делопроизводство и документооборот
54Логистика
 
55Педагогика
56Политология
57Правоохранительные органы
58Криминалистика и криминология
59Прочее
60Психология
61Юридическая психология
 
62Радиоэлектроника
63Религия
 
64Сельское хозяйство и землепользование
65Социология
66Страхование
 
67Технологии
68Материаловедение
69Машиностроение
70Металлургия
71Транспорт
72Туризм
 
73Физика
74Физкультура и спорт
75Философия
 
76Химия
 
77Экология, охрана природы
78Экономика и финансы
79Анализ хозяйственной деятельности
80Банковское дело и кредитование
81Биржевое дело
82Бухгалтерский учет и аудит
83История экономических учений
84Международные отношения
85Предпринимательство, бизнес, микроэкономика
86Финансы
87Ценные бумаги и фондовый рынок
88Экономика предприятия
89Экономико-математическое моделирование
90Экономическая теория

 Анекдоты - это почти как рефераты, только короткие и смешные Следующий
Главный юрисконсульт Петров в большой обиде на своих родителей:
- Это ж надо было дать такое имя - Главный юрисконсульт!
Anekdot.ru

Узнайте стоимость курсовой, диплома, реферата на заказ.

Обратите внимание, реферат по информатике и информационным технологиям "Базы знаний как современные интеллектуальные информационные системы", также как и все другие рефераты, курсовые, дипломные и другие работы вы можете скачать бесплатно.

Смотрите также:


Банк рефератов - РефератБанк.ру
© РефератБанк, 2002 - 2016
Рейтинг@Mail.ru