ОБЧИСЛЮВАЛЬНИЙ ІНТЕЛЕКТ
Робоча програма навчальної дисципліни (Силабус)
Реквізити навчальної дисципліни
| Рівень вищої освіти | Перший (бакалаврський) |
|---|---|
| Галузь знань | 12 Інформаційні технології |
| Спеціальність | 121 Інформаційні системи та технології |
| Освітня програма | Інтегровані інформаційні системи |
| Статус дисципліни | Нормативна за вибором студентів |
| Форма навчання | очна(денна)/заочна/дистанційна |
| Рік підготовки, семестр | 4 курс, осінній семестр |
| Обсяг дисципліни | 105 годин (36 годин – Лекції, 18 годин – Лабораторні, 51 годин – СРС) |
| Семестровий контроль/ контрольні заходи | Залік |
| Розклад занять | http://rozklad.kpi.ua |
| Мова викладання | Українська |
| Інформація про керівника курсу / викладачів |
Лектор: доц., к.т.н., с.н.с. Кравець Петро Іванович Лабораторні: ст.викладач Шимкович Володимир Миколайович, |
| Розміщення курсу | https://campus.kpi.ua |
Програма навчальної дисципліни
Опис навчальної дисципліни, її мета, предмет вивчання та результати навчання
Опис дисципліни. Навчальна програма дисципліни “Обчислювальний інтелект” визначає зміст і обсяг знань, необхідних для фахівця з інтелектуальних технологій. Дисципліна обіймає проблематику вивчення сучасного стану технологій обчислювального інтелекту, що використовуються для формалізації та обробки знань в технологіях функціонування систем, вивчення сучасних програмних засобів і технологій проектування і реалізації інтелектуальних систем та їх налагодження і дослідження. Для практичного засвоєння навчальних матеріалів ряд тем дисципліни поглиблено вивчається на лабораторних заняттях.
Предметом вивчення навчальної дисципліни: є сучасні технології обчислювального інтелекту, які використовуються для формалізації знань та побудови інтелектуальних систем, що вирішують різного роду задачі в умовах інформаційної невизначеності.
Міждисциплінарні зв’язки. Основою для успішного засвоєння матеріалу дисципліни є знання основ дисциплін “Вища математика”, „Комп’ютерна техніка та технології”, „Теорія інформаційних процесів”, “Сучасні технології в інформаційній техніці”, “Моделювання процесів та систем” та інші.
Знання, одержані при вивчені даної дисципліни використовуються в дисциплінах: «Проектування інформаційних систем», «Комп'ютеризовані системи управління», «Розпізнавання образів», «Технології прийняття рішень», у курсовому та дипломному проектуванні.
Мета навчальної дисципліни. Метою вивчення дисципліни є формування у майбутніх фахівців знань та вмінь застосування сучасних методів та засобів проектування, розробки та дослідження інтелектуальних систем на технологіях обчислювального інтелекту і одержання навиків використання таких систем та технологій своїй практичній роботі.
Основні завдання навчальної дисципліни
Знання:
- теоретичні основи базових технологій обчислювального інтелекту;
- методи, алгоритми роботи, технологію проектування, засоби реалізації та технології налагодження інтелектуальних систем з використанням технологій обчислювального інтелекту;
- сучасні програмні засоби для реалізації технологій обчислювального інтелекту.
Уміння:
обґрунтовано вибирати конкретні технології обчислювального інтелекту при розв’язані відповідних практичних задач;
здійснювати підготовку та первинну обробку даних для побудови моделей систем методами обчислювального інтелекту;
вирішувати задачі автоматизації підтримки рішень, розпізнавання образів, діагностики, класифікації, оптимізації та аналізу даних методами обчислювального інтелекту;
використовувати сучасні програмні засоби для реалізації технологій обчислювального інтелекту;
Пререквізити та постреквізити дисципліни (місце в структурно-логічній схемі навчання за відповідною освітньою програмою)
Пререквізити: Студенти повинні мати знання з дисциплін “Вища математика”, „Комп’ютерна техніка та технології”, „Теорія інформаційних процесів”, “Сучасні технології в інформаційній техніці”, “Моделювання процесів та систем” та інші.
Постреквізити: Після вивчення дисципліни студенти зможуть використати набуті знання та вміння в галузі обчислювального інтелекту при проектуванні, моделюванні та налагодженні інформаційних систем, комп'ютеризованих систем управління, систем і технологій розпізнавання образів та прийняття рішень, використовуючи для цього сучасні програмні середовища.
Зміст навчальної дисципліни
Лекційні заняття
Розділ 1.. Інтелектуальні системи - нові технології на основі систем штучного інтелекту.
Розділ 2. Нечіткі моделі і методи обчислювального інтелекту
Розділ 3. Генетичні алгоритми та емпіричні методи оптимізації в інтелектуальних системах
Розділ 4. Нейромережеві методи обчислювального інтелекту
Розділ 5 Приклади практичного застосування систем обчислювального інтелекту
Лабораторні заняття
Дослідження способів формування нечітких множин і операцій над ними
Дослідження алгоритму нечіткої кластеризації
3 Нечітке управління динамічними процесами
Регулювання з використанням нечіткого контролера
Застосування генетичних алгоритмів в задачах оптимізації
Застосування MATLAB для моделювання нейронної мережі Хебба
Нейро-нечітке моделювання в середовищі MATLAB
Вирішення задачі прогнозування за допомогою нечітких нейронних мереж
Навчальні матеріали та ресурси
Базова література
Згуровский М.З., Зайченко Ю.П. Основы вычислительного интеллекта. – К.: Наукова думка, 2013. – 408 с.
Системи штучного інтелекту в плануванні, моделюванні та управлінні [Текст] : підруч. для студ. вищ. навч. закл. / Л. С. Ямпольський , Б. П. Ткач, О. І. Лісовиченко ; Міжрегіон. акад. упр. персоналом (МАУП). - К. : Персонал, 2011. - 543 с.іл.
Ямпольський Л.С. Нейротехнології та нейрокомпютерні системи. Л.С.Ямпольський, О.І.Лісовиченко, В.В.Олійник. – К.: «Дорадо-Друк», 2016. – 576 с.:іл..
Рутковская Д., Пилинський М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы. Пер. с польск. И.Д.Рудинского. М: Горячая линия –Телеком. 2007 – 452 с.
Круглов В.В., Дли М.И., Голунов Р.Ю. Нечеткая логика и искусственные нейронные сети. Физматлит, 2001. - 224 с
Васильев В.И., Ильясов Б.Г. Интеллектуальные системи управления. Теория и практика: учебное пособие. – М.: Радиотехника. 2009.- 392 с.
Допоміжна література
Поспелов Д.А. Ситуационное управление: теория и практика. - М.: Наука. -Гл.ред.физ-мат. лит., 1986. - 288 с..
Комплект методичних посібників виданих кафедрою, конспект лекцій. .
Навчальний контент
Методика опанування навчальної дисципліни (освітнього компонента)
Лекційні заняття
| № з/п | Назва теми лекції та перелік основних питань (перелік дидактичних засобів, посилання на літературу та завдання на СРС) |
|---|---|
| 1 | Розділ1. Інтелектуальні системи - нові технології на основі технологій штучного інтелекту. Тема 1. Структура, мета та задачі курсу. РСО. Загальні поняття дисципліни. Лекція 1.. Історичний шлях розвитку технологій штучного інтелекту. .Поняття та характеристика інтелектуальних систем. Парадигма обчислювального інтелекту. Основні технології обчислювального інтелекту. Компоненти обчислювального інтелекту: технології, моделі, методи та прикладні задачі обчислювального інтелекту: прогнозування, класифікація, розпізнавання образів, кластерізація, інтелектуальний аналіз даних, оптимізація прийняття рішень. Основні напрями досліджень у галузі обчислювального інтелекту. Застосування обчислювального інтелекту для розв'язання практичних задач в різних галузях професійної діяльності. Література: [1,.8] Завдання на СРС Поглиблене вивчення матеріалів лекції. |
| 2 | Розділ 2.. Нечіткі моделі і методи обчислювального інтелекту Тема 2.1. Нечітка логіка в задачах обчислювального інтелекту Лекція 2. Стохастичні методи та нечітка логіка в задачах обчислювального інтелекту. Нечіткі методи побудови інтелектуальних систем. Особливості розробки нечітких моделей. Література: [1,4,5,8] Завдання на СРС. Поглиблене вивчення матеріалів лекції. |
| 3 | Тема 2.2 Нечіткі множини Лекція 3. Базові засади теорії нечітких множин. Нечіткі множини. Основні характеристики нечітких множин: приклади нечітких множин, методи побудови функцій приналежності нечітких множин. Різновиди функцій приналежності. Література: [1, 4,5,8] Завдання на СРС. Поглиблене вивчення матеріалів лекції. |
| 4 | Тема 2.3. Нечітка логіка і . багатозначні логіки. Лекція 4. . Операції над нечіткими множинами: наочне представлення операцій над нечіткими множинами. Сутність теорії нечіткої логіки. Нечітка логіка і . багатозначні логіки. Література: [1, 4,5,8] Завдання на СРС. Поглиблене вивчення матеріалів лекції. |
| 5 | Тема 2.4. Регресійні моделі об’єктів з нечіткими параметрами Лекція 5. . Моделі об’єктів управління в середовищі нечітких множин. Регресійні моделі об’єктів з нечіткими параметрами. Методи ідентифікації об’єктів з нечіткими параметрами. Методологічні засади нечіткого моделювання. Нечітка і лінгвістична змінні. Нечіткі висловлення і нечіткі моделі систем: на множині значень фіксованої лінгвістичної змінної. Системи нечіткого логічного виведення (висновку). Загальна структура нечіткого обчислювача. Література: [1, 4,5,8] Завдання для СРС. Поглиблене вивчення матеріалів лекції. |
| 6 | Тема 2.5. Моделі прийняття рішень Лекція 6. «Нечіткі» алгоритми. Основні принципи побудови „нечітких” алгоритмів. Алгоритми класифікації та композиції. Моделі прийняття рішень на основі алгоритмів класифікації та композиції. Переваги нечітких систем. Застосування нечітких систем. Література: [5.8] Завдання для СРС. Поглиблене вивчення матеріалів лекції. |
| 7 | Розділ 3. Генетичні алгоритми та емпіричні методи оптимізації в інтелектуальних системах Тема 3.1. Класичний генетичний алгоритм. Лекція 7. . Генетичні алгоритми і традиційні методи оптимізації. Основні поняття генетичних алгоритмів. Класичний генетичний алгоритм. Література: [1,4,8] Завдання для СРС.. Поглиблене вивчення матеріалів лекції. |
| 8 | Тема 3.1. Класичний генетичний алгоритм. Лекція 8 Модифікації класичного генетичного алгоритму. Генетичні алгоритми для багатокритеріальної оптимізації. Головні принципи побудови генетичних алгоритмів. Література: [1,4,8] Завдання для СРС. Поглиблене вивчення матеріалів лекції. .Підготовка до контрольної роботи. |
| 9 | Тема 3.2. Еволюційні алгоритми Лекція 9. Еволюційні алгоритми. Еволюційні стратегії. Методи еволюційного програмування. Еволюційні алгоритми в нейромережевих структурах. Література: [1,4,8], Завдання для СРС. Поглиблене вивчення матеріалів лекції. |
| 10 | Тема 3.3. Роєві алгоритми Лекція 10 Емпіричні методи оптимізації - алгоритм мурашки, роєвий алгоритм, мультиагентні системи. Література: [8] Завдання для СРС. Поглиблене вивчення матеріалів лекції. |
| 11 | Розділ 4. Нейромережеві методи обчислювального інтелекту Тема 4.1. Основні поняття штучних нейронних мереж Лекція 11. Основні поняття штучних нейронних мереж: біологічній нейрон, модель нейрона, базовий процесорний елемент, функція активації. Різновиди функцій активації нейрона. .Класифікація штучних нейронних мереж. Властивості багатошарових нейромережевих структур. Модульна контрольна робота Література: [1,3,5,8] Завдання для СРС. Поглиблене вивчення матеріалів лекції. |
| 12 | Тема 4.2. Різновиди нейромережевих структур Лекція 12. Різновиди нейромережевих структур, їх характеристики, принцип дії та застосування. Перцептрони. Статичні одно- та багатошарові нейронні мережі. Нейромережі з радіально-базовими функціями. Література: [!,3,5,8] Завдання для СРС.. Поглиблене вивчення матеріалів лекції. |
| 13 | Тема 4.3. Динамічні багатошарові нейромережі Лекція 13. Динамічні багатошарові нейромережі. Нейромережі Хопфілда та Кохонена. Нейронні мережі зустрічного поширення. Ймовірнісні нейромережі, Когнітрони, Згортаючі нейронні мережі, АРТ- та осциляторні нейромережі. Література: [!,3,5,8] Завдання для СРС. Поглиблене вивчення матеріалів лекції. |
| 14 | Тема 4.4. Технології навчання штучних нейронних мереж Лекція 14. Технології навчання штучних нейронних мереж. Основні алгоритми навчання: градієнтний, спряжених градієнтів, генетичний. Метод та алгоритм зворотної передачі похибки. Динамічні алгоритми навчання багатошарових нейромережевих структур. Алгоритми самоорганізації: базовий алгоритм Кохонена, модифіковані алгоритми з пам’яттю та функцією сусідства.. Література: [1,3,5,8] Завдання для СРС. Поглиблене вивчення матеріалів лекції. |
| 15 | Тема 4.5 Нейро-фаззі технології. Лекція 15. Нейро-фаззі технології. «Нечіткі» нейронні мережі – нова технологія обчислювального інтелекту, яка об’єднує переваги технологій нейронних мереж та систем нечіткої логіки. Новий клас нечітких нейромереж – каскадні неофаззи-нейромережі, їх архітектура, властивості, алгоритми навчання. Модульна контрольна робота Література: [1, 4] Завдання для СРС. Поглиблене вивчення матеріалів лекції. |
| 16 | Тема 4.6. Конструювання штучних нейромереж Лекція 16. Модель процесу конструювання та вибору топології штучних нейронних структур. Підготовка даних для навчання штучних нейромереж. Методи спрощення нейромережевих структур. Література: [3,8] Завдання для СРС. Поглиблене вивчення матеріалів лекції. |
| 17 | Тема 4.7. Технології реалізації штучних нейронних мереж. Лекція 17 Технології реалізації штучних нейронних структур. Нейроконтролери та нейрокомпютери. Розробка та застосовування методів синтезу моделей, розпізнавання об'єктів, нечітких систем, нейромереж в процесі їх реалізації на сучасних високопродуктивних системах, які широко застосовуються в задачах автоматичної класифікації та кластерного аналізу, аналізу та візуалізації багатовимірних даних. Література: [3,8] Завдання для СРС Поглиблене вивчення матеріалів лекції. |
| 18 | Розділ 5 Приклади практичного застосування систем обчислювального інтелекту Тема 5.1. Задачі підтримки прийняття рішень, розпізнавання образів, діагностики, класифікації Лекція 18. . Теорія розпізнавання образів. Задача розпізнавання образів. Основні поняття та методи теорії розпізнавання образів. Задача відбору і критерії оцінювання інформативності ознак на основі евристичного, інформаційного, статистичного та імовірнісного підходів. Принципи створення гібридних інтелектуальних систем на основі розпізнавання образів. Моделі прийняття рішень на основі теорії розпізнавання образів. Задачі автоматизації підтримки прийняття рішень, розпізнавання образів, діагностики, класифікації Література: [6,.8] Завдання для СРС. Поглиблене вивчення матеріалів лекції. |
Лабораторні заняття
| № | Назва лабораторної роботи | Кількість ауд. годин |
|---|---|---|
| 1 | Лабораторна робота 1. Дослідження способів формування нечітких множин і операцій над ними. Література: [7] |
2 |
| 2 | Лабораторна робота 2 Дослідження алгоритму нечіткої кластеризації Література: [7] |
2 |
| 3 | Лабораторна робота 3 Нечітке управління динамічними процесами Література: [7] |
2 |
| 4 | Лабораторна робота 4. Застосування генетичних алгоритмів в задачах оптимізації Література: [7] |
2 |
| 5 | Лабораторна робота 5 Регулювання з використанням нечіткого контролера Література: [7] |
2 |
| 6 | Лабораторна робота 6. Застосування MATLAB для моделювання нейронної мережі Хебба . Література: [7] |
2 |
| 7 | Лабораторна робота 7. Нейро-нечітке моделювання в середовищі MATLAB Література: [7] |
2 |
Лабораторна робота 8. Вирішення задачі прогнозування за допомогою нечітких нейронних мереж Література: [7] |
4 |
Самостійна робота студента/аспіранта
|
Назва теми, що виноситься на самостійне опрацювання | Кількість годин СРС |
|---|---|---|
| 1 | Розділ1. Тема1 Інтелектуальні системи - нові технології на основі технологій штучного інтелекту Література: [1,.8] |
2 |
| 2 | Розділ 2.. Тема 2.1. Нечітка логіка в задачах обчислювального інтелекту Література: [1,4,5,8] |
2 |
| 3 | Розділ 2.. Тема 2.2 Нечіткі множини Література: [1,4,5,8] |
4 |
| 4 | Розділ 2.. Тема 2.3 Нечітка логіка і . багатозначні логіки. Література: [1,4,5,8] |
2 |
| 5 | Розділ 2.. Тема 2.4 Регресійні моделі об’єктів з нечіткими параметрами Література: [1,4,5,8] |
4 |
| 6 | Розділ 2.. Тема 2.5 Моделі прийняття рішень Література: [5.8] |
2 |
| 7 | Розділ 3.. Тема 3.1 Класичний генетичний алгоритм Література: [1,4,8]. |
2 |
| 8 | Розділ 3.. Тема 3.2 Класичний генетичний алгоритм. Література: [1,4,8] |
2 |
| 9 | Розділ 3.. Тема 3.3 Еволюційні алгоритми Література: [1,4,8] |
4 |
| 10 | Розділ 3.. Тема 3.4 Роєві алгоритми Література: [8] |
4 |
| 11 | Розділ 4.. Тема 4.1 Нейромережеві методи обчислювального інтелекту Література: [1,3,5,8] |
2 |
| 12 | Розділ 4.. Тема 4.2 Різновиди нейромережевих структур Література: [1,3,5,8] |
2 |
| 13 | Розділ 4.. Тема 4.3 Динамічні багатошарові нейромережі Література: [1,3,5,8] |
2 |
| 14 | Розділ 4.. Тема 4.4 Технології навчання штучних нейронних мереж Література: [1,3,5,8] |
2 |
| 15 | Розділ 4.. Тема 4.5 Нейро-фаззі технології. Література: [1, 4] |
2 |
| 16 | Розділ 4.. Тема 4.6 Конструювання штучних нейромереж Література: [3,8] |
4 |
| 17 | Розділ 4.. Тема 4.7 Технології реалізації штучних нейронних мереж. Література: [3,8] |
2 |
| 18 | Розділ 5.. Тема 5.1 Задачі підтримки прийняття рішень, розпізнавання образів, діагностики, класифікації Література: [6,.8] |
4 |
Політика та контроль
Політика навчальної дисципліни (освітнього компонента)
Система вимог, які ставляться перед студентом:
відвідування лекційних та лабораторних занять є обов’язковою складовою вивчення матеріалу;
на лекції викладач користується власним презентаційним матеріалом; відпрацьовує практичну частину на віртуальній машині з встановленою відповідною РСУБД; використовує гугл-диск для викладання матеріалу поточної лекції, додаткових ресурсів, лабораторних робіт та інше; викладач відкриває доступ до певної директорії гугл-диска для скидання електронних лабораторних звітів та відповідей на МКР;
на лекції заборонено відволікати викладача від викладання матеріалу, усі питання, уточнення та ін. студенти задають в кінці лекції у відведений для цього час;
лабораторні роботи захищаються у два етапи – перший етап: студенти виконують завдання на допуск до захисту лабораторної роботи; другий етап – захист лабораторної роботи. Бали за лабораторну роботу враховуються лише за наявності електронного звіту;
модульні контрольні роботи пишуться на лекційних заняттях без застосування допоміжних засобів (мобільні телефони, планшети та ін.); результат пересилається у файлі до відповідної директорії гугл-диску;
заохочувальні бали виставляються за: активну участь у підготовці лекційних матеріалів; участь у факультетських та інститутських олімпіадах з навчальних дисциплін, участь у конкурсах робіт, підготовка оглядів наукових праць; презентацій по одній із тем СРС дисципліни тощо. Кількість заохочуваних балів на більше 10;
штрафні бали виставляються за: невчасне відпрацювання та здачу лабораторної роботи
.
Види контролю та рейтингова система оцінювання результатів навчання (РСО)
Рейтинг студента з дисципліни складається з балів, що він отримує за:
виконання та захист 7 лабораторних робіт;
виконання 2 модульних контрольних робіт (МКР);
заохочувальних та штрафних балів.
Система рейтингових балів та критерії оцінювання
Лабораторні роботи
Загальна кількість балів – 50. Оцінка:
«відмінно», повна відповідь на питання під час захисту (не менш ніж 90% потрібної інформації) та оформлений належним чином електронний протокол до лабораторної роботи – 7 балів;
«добре», достатньо повна відповідь на питання під час захисту (не менш ніж 75% потрібної інформації) та оформлений належним чином електронний протокол до лабораторної роботи – 4-5 балів;
«задовільно», неповна відповідь на питання під час захисту (не менш ніж 50% потрібної інформації), незначні помилки та оформлений належним чином електронний протокол до лабораторної роботи – 3 бали;
«достатньо», неповна відповідь на питання під час захисту (не менш ніж 30% потрібної інформації), незначні помилки та оформлений належним чином електронний протокол до лабораторної роботи – 1-2 бали;
«незадовільно», незадовільна відповідь та/або не оформлений належним чином електронний протокол до лабораторної роботи – 0 балів.
За кожне запізнення з поданням лабораторної роботи до захисту від встановленого терміну оцінка знижується на 1 бал.
Модульні контрольні роботи
Загальна кількість балів – 30. Кожна модульна контрольна робота містить три теоретичних запитання (завдання). Кожне запитання (завдання) оцінюється у 5 балів. Перелік питань наведений у додатках.
Оцінка:
«відмінно», повна відповідь (не менш ніж 90% потрібної інформації) – 13-15 балів;
«добре», достатньо повна відповідь (не менш ніж 75% потрібної інформації), або повна відповідь з незначними помилками – 10-12 балів;
«задовільно», неповна відповідь (але не менш ніж 60% потрібної інформації) та незначні помилки – 7-9 бали;
«достатньо», неповна відповідь на питання під час захисту (не менш ніж 30% потрібної інформації), незначні помилки та оформлений належним чином електронний протокол до лабораторної роботи – 3-6 бали;
«незадовільно» - 0-2 бали. Незадовільна відповідь (неправильний розв’язок задачі), потребує обов’язкового повторного написання в кінці семестру.
Заохочувальні бали
– за виконання творчих робіт з кредитного модуля (наприклад, участь у факультетських та інститутських олімпіадах з навчальних дисциплін, участь у конкурсах робіт, підготовка оглядів наукових праць тощо); за активну роботу на лекції (питання, доповнення, зауваження за темою лекції, коли лектор пропонує студентам задати свої питання) 1-2 бали, але в сумі не більше 10;
– презентації по СРС – від 1 до 5 балів.
Міжсесійна атестація
За результатами навчальної роботи за перші 7 тижнів максимально можлива кількість балів –37 (3 лабораторні роботи та МКР-1). На першій атестації (8-й тиждень) студент отримує «зараховано», якщо його поточний рейтинг не менший ніж 10 балів.
За результатами 14 тижнів навчання максимально можлива кількість балів – 65 балів (5 лабораторні та МКР-2. На другій атестації (14-й тиждень) студент отримує «зараховано», якщо його поточний рейтинг не менший ніж 20 балів.
Максимальна сума вагових балів контрольних заходів протягом семестру складає:
RD = 7*rлаб+2*rмкр + (rз - rш ) = 80 + (rз - rш),
де rлаб – бал за лабораторну роботу;
rмкр – бал за написання МКР ;
rз – заохочувальні бали за активну участь на лекціях, презентації, участь в олімпіадах, конкурсі роботи, наукові роботи за тематикою дисципліни (0…10);
rзш – штрафні бали.
Залік
Умовою допуску до заліку є зарахування всіх лабораторних робіт, написання обох модульних контрольних робіт та стартовий рейтинг не менше 30 балів.
На заліку студенти виконують письмову контрольну роботу. Кожен білет містить три теоретичних запитання (завдання). Перелік теоретичних питань наведений у додатках 1 та 2. Кожне запитання (завдання) оцінюється у 7 балів.
Система оцінювання питань
Загальна кількість балів – 20. Оцінка:
«відмінно», повна відповідь, не менше 90% потрібної інформації, що виконана згідно з вимогами до рівня «умінь», (повне, безпомилкове розв’язування завдання) – 18-20 балів;
«добре», достатньо повна відповідь, не менше 75% потрібної інформації, що виконана згідно з вимогами до рівня «умінь або є незначні неточності (повне розв’язування завдання з незначними неточностями) – 14-17 балів;
«задовільно», неповна відповідь, не менше 50% потрібної інформації, що виконана згідно з вимогами до «стереотипного» рівня та деякі помилки (завдання виконане з певними недоліками) – 10-13 балів;
«достатньо», неповна відповідь на питання під час захисту (не менш ніж 30% потрібної інформації), незначні помилки та оформлений належним чином електронний протокол до лабораторної роботи – 6-9 балів;
«незадовільно», відповідь не відповідає умовам до «задовільно» – 0-5 балів.
Сума стартових балів та балів за екзаменаційну контрольну роботу переводиться до екзаменаційної оцінки згідно з таблицею:
Таблиця 1. Переведення рейтингових балів до оцінок за університетською шкалою
| Кількість балів | Оцінка |
| 100-95 | Відмінно |
| 94-85 | Дуже добре |
| 84-75 | Добре |
| 74-65 | Задовільно |
| 64-60 | Достатньо |
| Менше 60 | Незадовільно |
Є не зараховані лабораторні роботи або не зарахована модульна контрольна робота |
Не допущено |
Додаткова інформація з дисципліни (освітнього компонента)
- перелік теоретичних питань, які виносяться на семестровий контроль наведено в Додатку 1;
Робочу програму навчальної дисципліни (Силабус):
Складено доцент, к.т.н., с.н.с. Кравець Петро Іваноович
Ухвалено кафедрою АУТС (протокол № 1 від 27.08.2020 р.)
Погоджено Методичною комісією факультету[1] (протокол № 1 від 02.09.2020 р.)
Додаток 1
Перелік теоретичних питань на залік по першій частині курсу
1 Коротко охарактеризуйте основні технології Обчислювального інтелекту.
2 Охарактеризуйте технологію нечітких множин і її використання в інтелектуальних системах..
3 Опишіть основні поняття і визначення теорії нечітких множин..
4 Опишіть правила і дії над нечіткими множинами.
5 Опишіть поняття функції приналежності, наведіть приклади різновидів функцій приналежності та методик їх побудови.
6 Охарактеризуйте поняття нечіткої логіки.
7 Опишіть багатозначні логіки.
8 Охарактеризуйте різновиди моделей об’єктів і систем в середовищі нечітких множин.
9 Опишіть регресійні моделі об’єктів і систем з нечіткими параметрами.
10 Опишіть поняття лінгвістичної змінної та змінних на основі нечітких множин.
11 Охарактеризуйте лінгвістичну модель об’єктів і систем.
12 Опишіть алгоритм побудови лінгвістичної моделі.
13 Дайте визначення поняттю „Нечіткий алгоритм” та опишіть основні принципи побудови „нечітких” алгоритмів.
14 Охарактеризуйте модель класифікації на основі лінгвістичної моделі.
15 Охарактеризуйте модель композиції на основі лінгвістичної моделі.
16 Охарактеризуйте алгоритм прийняття рішень на основі моделей класифікації.
17 Охарактеризуйте алгоритм прийняття рішень на основі моделей композиції.
18 Охарактеризуйте алгоритми ситуаційного прийняття рішень в інтелектуальних системах..
19 Опишіть складові елементи „нечітких” регуляторів: фазіфікація даних, дефазіфікація даних, база знань, таблиця лінгвістичних правил.
20 Опишіть технології дефазіфікації нечітких значень .
21 Опишіть структуру обчислювача, що реалізує технологію обчислення лінгвістичних моделей і регуляторів.
22 Охарактеризуйте шлях розвитку іі основні поняття штучних нейронних мереж.
23 Опишіть базову модель штучного нейрона.
24 Опишіть різновиди моделей штучного нейрона.
25 Опишіть класифікацію штучних нейронних мереж.
26 Опишіть методику підготовки даних для навчання нейронних мереж.
27 Охарактеризуйте стратегії та методи навчання штучних нейронних мереж.
28 Охарактеризуйте правила навчання нейронних мереж.
29 Охарактеризуйте метод зворотного поширення похибки.
30 Охарактеризуйте нейронні мережі прямого поширення.
31 Охарактеризуйте нейронні мережі зустрічного поширення.
32 Охарактеризуйте асоціативні нейронні мережі.
33 Охарактеризуйте нейромережі Хопфілда.
34 Охарактеризуйте нейросітки радіально-базисних функцій.
35 Охарактеризуйте динамічні рекурсивні нейронні мережі.
36 Охарактеризуйте згортаючі нейронні сітки.
37 Охарактеризуйте нейронні сітки адаптивної резонансної теорії.
38 Охарактеризуйте осциляторні нейронні сітки.
39 Охарактеризуйте нечіткі нейронні мережі на основі Фаззі-технологій
40 Опишіть технологію вибору архітектури нейронних мереж .
41 Охарактеризуйте технології реалізації штучних нейронних структур
42 Ваші уявлення про нейроконтролери та нейрокомпютери
43 Опишіть основні поняття генетичних алгоритмів.
44 Охарактеризуйте класичний генетичний алгоритм.
45 Охарактеризуйте модифікації класичного генетичного алгоритму.
46 Охарактеризуйте еволюційні алгоритми.
47 Охарактеризуйте використання еволюційних алгоритмів в нейронних мережах.
48 Опишіть методику побудови нейромережевих моделей об’єктів та систем..
49 Охарактеризуйте мурашиний алгоритм та принципи функціонування.
50 Ваші уявлення про когнітрон та неокогнітрон.
51 Охарактеризуйте технології ройового інтелекту.
52 Ваші уявлення про глибокі нейронні мережі
53 Охарактеризуйте проблеми навчання глибоких нейронних мереж.
54 Охарактеризуйте методи (технології) прискореного навчання глибоких нейронних мереж
[1] Методичною радою університету – для загальноуніверситетських дисциплін.
