Теорія нечітких множин в моделях управління та штучного інтелекту - Робоча програма навчальної дисципліни (Силабус)

Реквізити навчальної дисципліни

Рівень вищої освіти Другий (магістерський)
Галузь знань 12 Інформаційні технології
Спеціальність 126 Інформаційні системи та технології
Освітня програма Інформаційні управляючі системи та технології
Статус дисципліни Обов’язкова (нормативна)
Форма навчання очна(денна)
Рік підготовки, семестр 2 курс, осінній семестр
Обсяг дисципліни 5 кредитів ECTS /150 годин (36 годин лекцій, 36 годин комп’ютерних практикумів)
Семестровий контроль/ контрольні заходи екзамен
Розклад занять
Мова викладання Українська
Інформація про
керівника курсу / викладачів

Лектор: к.т.н. Олійник В.В., доц., oliinyk.volodymyr@gmail.com

Лабораторні: к.т.н. Олійник В.В., доц., oliinyk.volodymyr@gmail.com
Розміщення курсу https://classroom.google.com/c/NjI0NTk5NjM0MTcx

Програма навчальної дисципліни

Опис навчальної дисципліни, її мета, предмет вивчання та результати навчання

Апарат теорії нечітких множин (ТНМ) пропонує альтернативний традиційному імовірнісному підхід до вирішення задач реального світу, що характеризуються невизначеністю, неточністю або нечіткістю компонентів та параметрів, та дозволяє отримувати кращі результати в ряді задач, перш за все при роботі з лінгвістичними невизначеностями.

Метою вивчення дисципліни є набуття здатності аналізу та прийняття рішення щодо доцільності застосування апарату ТНМ для вирішення практичної задачі, можливостей формалізації нечітких знань з використанням ТНМ і застосовування методів прийняття рішень в умовах лінгвістичних невизначеностей; синтезу нечіткологічних моделей та їх використання для розв’язання задач управління та прийняття рішень в умовах невизначеності в інтелектуальних системах; програмної реалізації та дослідження таких моделей.

Предмет навчальної дисципліни: Математичний апарат та методи для опису, синтезу та аналізу нечітких моделей управління з використанням теорії нечітких множин та нечіткої логіки.

В результаті вивчення дисципліни слухачі мають вміти:

  • застосовувати теорію нечітких множин для розв’язання практичних

    задач;

  • використовувати методи рішення задач з використанням теорії нечітких

    множин;

  • створювати нечіткологічні та нейро-нечіткі моделі управління;

  • використовувати нечіткі методи рішення задач для розв’язання задач

    управління;

  • виконати експериментальні дослідження синтезованих нечітких моделей

    управління на основі їх комп’ютерного моделювання.

В результаті навчання слухачі набувають наступні компетентності:

  1. ФК 4 – Здатність застосовувати технології, методи проектування та інструменти для розроблення інформаційного та програмного забезпечення інтелектуальних робототехнічних систем на різних платформах та з використанням різних технологій

  2. ФК 15 – Здатність застосовувати теорію нечітких множин та нечіткої логіки і методів побудови моделей прийняття рішень на основі нечітких множин та відношень в задачах управління та системах штучного інтелекту

Програмними результатами навчання є:

Використовувати методи рішення задач з використанням теорії нечітких множин, створювати нечітко-логічні та нейро-нечіткі моделі управління інформаційними системами, використовувати нечіткі методи рішення задач для розв’язання задач управління робото технічними системами, проводити моделювання синтезованих нечітких моделей управління (ПРН 18)

Пререквізити та постреквізити дисципліни (місце в структурно-логічній схемі навчання за відповідною освітньою програмою)

Дисципліна є однією з базових для підготовки магістрів.

Перелік дисциплін, що передують: “Вища математика”, “Спецрозділи математики”, “Теорія інформації та кодування”, “Дослідження операцій”, “Системи обробки сигналів і зображень”, “Комп’ютерне моделювання систем”, “Системи штучного інтелекту”, «Нейротехнології»

Результати навчання даної дисципліни використовують у дипломному проектуванні.

Зміст навчальної дисципліни

Розділ 1. Основні поняття теорії нечітких множин

Тема 1.1. Роль і місце ТНМ в моделях управління і штучного інтелекту.

Тема 1.2. Основи ТНМ: Основні поняття теорії нечітких множин. Функція приналежності (ФП). Сфера застосування

Тема 1.3. Методи побудови ФП.

Тема 1.4. Нечіткі операції і відношення.

Розділ 2. Застосування теорії нечітких множин для розв’язання практичних задач

Тема 2.1. Місце ТНМ та нечіткої логіки в ШІ.

Тема 2.2. Задача нечіткої кластиризації та алгоритм Fuzzy C-Means

Тема 2.3.Задача досягнення нечітко заданої мети та математичного програмування при нечітких вихідних умовах.

Тема 2.4. Нечіткий логічний контролер. Алгоритм нечіткого логічного виведення Мамдані. Методи дефазифікації.

Тема 2.5. Алгоритми нечіткого контролю і управління. Алгоритми логічного виведення Такагі-Сугено і Цукамото, порівняння з Мамдані.

Тема 2.6. Поняття нечіткого алгоритму

Тема 2.7. Нейро-нечіткі технології. Нейро-фаззі контролер ANFIS і його застосування.

Тема 2.8. Нейро-нечіткі технології. Нечіткі нейронні мережі. Різновиди, застосування.

Тема 2.10. Нечіткі мережі Петрі в задачах управління

Розділ 3. Сучасні технології для роботи з лінгвістичними невизначеностями

Тема 3.1. Сучасні дослідження в області ТНМ та нечіткої логіки

Тема 3.2. Великі мовні моделі як засіб подання знань і роботи з лінгвістичними невизначеностями

Тема 3.3. Практичні застосування великих мовних моделей

Навчальні матеріали та ресурси

Базова література:

  1. Singh H. Deep Neuro-Fuzzy Systems with Python / Singh H., Lone Y.// Apress Berkeley, CA, 2020. – 260 p. URL: https://doi.org/10.1007/978-1-4842-5361-8.

  2. Zimmermann H.-J. Fuzzy Set Theory and Its Applications. Springer Dordrecht, 2001. – 514 p.

  3. Зайченко Ю.П. Нечеткие модели и методы в интеллектуальных системах. Учебное пособие  для студентов высших учебных заведений. – К.: Издательский дом “Слово” , 2008. – 344 с.

  4. Ямпольський Л.С. Нейротехнології та нейрокомп’ютерні ситеми / Ямпольський Л.С., Лісовиченко О.І., Олійник В.В. // Дорадо-друк, Київ, 2016. ¬– 571 с.

  5. Борисов В. В. Нечеткие модели и сети / Борисов В. В., Круглов В. В., Федулов А. С. - М.: Горячая линия – Телеком, 2007. – 284 с.

  6. Штовба С. Д. Проектирование нечетких систем средствами MATLAB / С. Д. Штовба. – М.: Горячая линия – Телеком, 2007. – 288 с.

Додаткова література:

  1. Бодянский Е.В., Кучеренко Е.И., Михалев А.И. Нейро-фаззи сети Петри в задачах моделирования сложных систем. – Дніпропетровськ: Системні технології, 2005. – 311 с.

  2. Cordon Oscar, Herrera Francisco, Hoffmann Frank, Magdalena Luis
    Genetic Fuzzy systems. Evolutionary tuning and learning of fuzzy knowledge bases. – World Scientific, 2001. – Singapore, New Jersey, London, Hong Kong. -  462 р.

  3. Пегат А. Нечеткое моделирование и управление / А. Пегат;  пер.с англ. – М.: БИНОМ. Лаборатория знаний (Адаптивные и интеллектуальные системы), 2009. – 798с.

  4. Гнучкі комп’ютерно-інтегровані системи: планування, моделювання, верифікація, управління. КНИГА 2. Штучний інтелект в плануванні і керуванні виробничими процесами: підручник / Л.С. Ямпольський, П.П. Мельничук, К.Б. Остапченко, О.І. Лісовиченко – Житомир: ЖДТУ, 2010. – 786 с.

  5. Тэтано Т., Асаи К., Сугено М., «Прикладные нечеткие системы» мир 1993

  6. Борисов А.Н., Крумберг О.А., Федоров И.П., «Принятие решений на основе нечетких моделей. Примеры использования» Рига, 1990

  7. Малышев Н.Г., Берштейн Л.С., Боженюк А.В. «Нечеткие модели для експертных систем в САПР» М., Энергоатомиздат, 1991

  8. Беллман Р., Заде Л., «Вопросы принятия решений в расплывчатых условиях» М., Мир, 1976

  9. Заде Л.А. «Понятие лингвистической переменной и его применение к принятию приближенных решений». М., Мир, 1976.

  10. Круглов В.И., Дли М.И., Голунов Р.Ю. Нечеткая логика и искусственные нейронные сети. – М.: Изд. Физ.мат.лит., 2002. – 312 с.

Навчальний контент

Методика опанування навчальної дисципліни (освітнього компонента)

Вивчення навчальної дисципліни відбувається за наступним планом:

План лекцій:

Розділ 1. Основні поняття теорії нечітких множин

Лекція 1. Роль і місце ТНМ в моделях управління і штучного інтелекту.

Лекція 2. Основи ТНМ: Основні поняття теорії нечітких множин. Функція приналежності (ФП). Сфера застосування

Лекція 3. Методи побудови ФП.

Лекція 4. Нечіткі операції і відношення.

Розділ 2. Застосування теорії нечітких множин для розв’язання практичних задач

Лекція 5. Місце ТНМ та нечіткої логіки в ШІ.

Лекція 6. Задача нечіткої кластиризації та алгоритм Fuzzy C-Means

Лекція 7. Задача досягнення нечітко заданої мети та математичного програмування при нечітких вихідних умовах.

Лекція 8. Нечіткий логічний контролер. Алгоритм нечіткого логічного виведення Мамдані. Методи дефазифікації.

Лекція 9. Алгоритми нечіткого контролю і управління. Алгоритми логічного виведення Такагі-Сугено і Цукамото, порівняння з Мамдані.

Лекція 10. Поняття нечіткого алгоритму

Лекція 11. Нейро-нечіткі технології. Нейро-фаззі контролер ANFIS і його застосування

Лекція 12. Нейро-нечіткі технології. Нечіткі нейронні мережі. Різновиди, застосування

Лекція 13. Нечіткі мережі Петрі в задачах управління

Розділ 3. Сучасні технології для роботи з лінгвістичними невизначеностями

Лекція 14. Сучасні дослідження в області ТНМ та нечіткої логіки

Лекція 15. Великі мовні моделі як засіб подання знань і роботи з лінгвістичними невизначеностями

Лекція 16. Практичні застосування великих мовних моделей

План комп’ютерних практикумів:

Комп’ютерний практикум 1. Підготовка даних для нечіткої моделі.

Знайомство з основами ТНМ, видами та способами побудови функцій належності Література [о: 1-5, д: 1,9]

Додаткові матеріали:

https://github.com/scikit-fuzzy/scikit-fuzzy

https://github.com/aresio/simpful

Комп’ютерний практикум 2. Нечітка кластеризація методом Fuzzy C-Means

із застосуванням ТНМ в задачах кластеризації.

Література [о:2]

Додаткові матеріали:

https://www.mathworks.com/help/fuzzy/fuzzy-c-means-clustering.html

https://scikit-fuzzy.github.io/scikit-fuzzy/auto_examples/plot_cmeans.html

Комп’ютерний практикум 3. Застосування ТНМ в задачах управління

Створити нечіткий логічний контролер (НЛК) і вирішити задачу управління за допомогою нечіткого логічного виведення

Література [о: 1-5, д: 1,9]

Додаткові матеріали:

https://scikit-fuzzy.github.io/scikit-fuzzy/auto_examples/plot_tipping_problem_newapi.html

https://scikit-fuzzy.github.io/scikit-fuzzy/auto\_examples/plot\_tipping\_problem.html

https://github.com/aresio/simpful

Комп’ютерний практикум 4. Нейро-нечіткі моделі

Алгоритми логічного виведення Мамдані. Такагі-Сугено і Цукамото, порівняння з Мамдані.

Література [о:1-5; д: д.:4,7]

Додаткові матеріали:

https://github.com/twmeggs/anfis

Комп’ютерний практикум 5. Сучасні моделі ШІ для роботи з лінгвістичною невизначеністю

Дослідження можливостей сучасних великих мовних моделей

Додаткові матеріали:

https://python.langchain.com/docs/get\_started/introduction

при вивченні навчальної дисципліни користуються дидактичними засобами, зокрема, комп‘ютерними презентаціями тем лекцій, інтерактивними засобами візуалізації та моделювання алгоритмів, що вивчаються, та зразками коду для їх реалізації. Комп‘ютерні практикуми виконуються на основі методичних матеріалів до їх виконання. При виконанні комп’ютерних практикумів слід використовувати програмне забезпечення – сучасні середовища розробки програмного забезпечення. При цьому студент не обмежується у виборі засобу реалізації поставленої в роботі задачі. Основною вимогою є повнота розв’язання поставленої задачі та можливість демонстрації роботи та отриманих результатів в комп’ютеризованій аудиторії.

Індивідуальні завдання

Робочим навчальним планом виконання індивідуальних завдань не передбачено.

Самостійна робота студента/аспіранта

Метою самостійної роботи є засвоєння студентами знань з тем дисципліни та їх закріплення, поглибленого вивчення матеріалу, а також розвиток у студентів навичок самостійної роботи з технологіями штучного інтелекту та теорією нечітких множин у межах основних тем.

На самостійну роботу виносяться наступні питання:

  • Нечіткі алгоритми навчання та оптимізації. Алгоритми нечіткого пошуку та використання апарату ТНМ в них.

  • Алгоритми нечіткого пошуку та використання апарату ТНМ в них.

  • Програмні засоби для роботи з нечіткими моделями, мова FCL

  • Магістрам пропонується більш глибоко ознайомитись сучасними дослілженнями

  • Огляд сучасних досліджень в області ТНМ та нечіткої логіки, зокрема в областях “глибокого навчання”, що використовують елементи ТНМ.

Політика та контроль

Політика навчальної дисципліни (освітнього компонента)

Порядок виконання та захисту практикумів

Студент виконує комп’ютерні практикуми самостійно або у бригаді з двох осіб (з відповідним збільшенням обсягів роботи та погодження з викладачем та якщо практикум це передбачає).

Демонстрація поточних результатів, обговорення питань по роботам та ін. відбувається за розкладом практичних робіт після захисту готових робіт згідно календарного плану їх виконання та в час консультації викладача.

Для захисту студент попередньо подає роботу до захисту через Google Classroom. В процесі захисту студент демонструє програмну реалізацію та відповідає на запитання по роботі та пов’язаному теоретичному матеріалу (3-5 питань). Для успішного захисту практикуму необхідно правильно відповісти принаймні на половину з питань.

При виконанні практикумів необхідно дотримуватись календарного плану:

КП1 – 4 тиждень

КП2 – 7 тиждень

КП3 –10 тиждень

КП4 –13 тиждень

КП5 –16 тиждень

За здачу після встановленого терміну без поважних причин максимальний бал за роботу знижується : -1 бали за кожен наступний тиждень після (але не більше - 5 балів).

Крім того максимальний бал за роботу знижується на 2 бали за кожну «невдалу» спробу захисту (але не більше -4 балів).

За практикуми можна отримати додаткові заохочувальні бали при виконанні додаткових завдань в них. Загальна сума балів за практикум не має перевищувати максимально можливого балу за нього.

Заохочувальні бали

Студент має змогу отримати додаткові заохочувальні бали за виконання завдань із удосконалення дидактичних та навчальних матеріалів, обробку сучасних наукових робіт з дисципліни - надається від 1 до 10 заохочувальних балів.

Політика щодо академічної доброчесності

Усі роботи (комп’ютерні практикуми та МКР) перевіряються на наявність плагіату і допускаються до захисту із коректними текстовими запозиченнями не більше 20%. Роботи що містять більшу кількість до розгляду і оцінювання не приймаються.

Перескладання контрольних заходів відбувається за наявності поважних причин (наприклад, лікарняний) у встановленому або індивідуальному порядку.

Види контролю та рейтингова система оцінювання результатів навчання (РСО)

Рейтинг студента з дисципліни складається з балів, що він отримує за:

1) виконання 5х комп’ютерних практикумів;

2) дві контрольні роботи.

Система рейтингових (вагових) балів та критерії оцінювання

1. Виконання комп’ютерних практикумів

Ваговий бал - 15. Максимальна кількість балів на всіх комп’ютерних практикумах дорівнює 15 балів × 5 = 75 балів.

Складова оцінювання Балів

  1. Вирішення задачі

  2. Звіт

  3. Захист роботи

5

5

5
Всього 15

Макс. бал знижується за здачу після встановленого терміну (-1 бал за кожен наступний тиждень після, але не більше - 4 балів) та -2 бали за кожну «невдалу» спробу захисту (але не більше -4 балів).

Для зарахування теми необхідно правильно відповісти принаймні на половину питань (максимум 3-5 питань)

2. Модульний контроль

Ваговий бал – 25. Бали розподіляються на 2 модульні контрольні роботи пропорційно до кількості/складності запитань.

Заохочувальні бали за:

- виконання завдань із удосконалення дидактичних та навчальних матеріалів з дисципліни надається від 1 до 10 заохочувальних балів.

Поточний контроль: 2 МКР.

Календарний контроль: проводиться двічі на семестр як моніторинг поточного стану виконання вимог силабусу.

Умови позитивної проміжної атестації

Для отримання “зараховано” з першої проміжної атестації (8 тиждень) студент повинен мати не менше ніж 20 балів (на початок 8 тижня згідно з календарним планом контрольних заходів “ідеальний” студент має отримати 40 балів).

Для отримання “зараховано” з другої проміжної атестації (14 тиждень) студент повинен мати не менше ніж 50 балів (на початок 14 тижня згідно з календарним планом контрольних заходів “ідеальний” студент має отримати 85 балів).

Семестровий контроль: залік

Умови допуску до семестрового контролю: зарахування щонайменше 4х лабораторних робіт (комп’ютерних практикумів).

Розрахунок шкали (R) рейтингу

Сума рейтингових балів за контрольні заходи протягом семестру складає:

RС = 80 + 20 = 100 балів.

Перед екзаменом поточний рейтинг студента переводиться в стартовий рейтинг RСТ= RС/2

Максимальний стартовий рейтинг на екзамен – 50 балів.

Бали по екзаменаційних питаннях:

Екзаменаційний білет складається з 2х теоретичних питань по 20 балів та практичного завдання – 10 балів.

Кількість балів по відповіді на кожне питання визначається викладачем з врахуванням

складності питання та якості відповіді. Максимальна кількість балів за відповідь на екзамені RЕ = 50.

Загальна рейтингова оцінка студента RD*=* RСТ + RЕ

Таблиця відповідності рейтингової оцінки RD оцінкам 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
Не виконані умови допуску Не допущено

Додаткова інформація з дисципліни (освітнього компонента)

Передбачена можливість зарахування сертифікатів проходження дистанційних чи онлайн курсів по теорії нечітких множин та її практичному застосуванню відповідного рівня за умови відповідності програми не менше ніж на 60%. Остаточне рішення по кожному сертифікату приймається викладачем з урахуванням вказаних вимог.

Робочу програму навчальної дисципліни (силабус):

Складено доцентом кафедри ІСТ, к.т.н., доц. Олійником В.В.

Ухвалено кафедрою ІСТ (протокол № 21 від 29.06.2023)

Погоджено Методичною комісією факультету (протокол № 11 від 29.06.2023)