Вопросы к зачету по системам искусственного интеллекта

1. Основные направления развития современных теорий ИИ. Характеристика областей, относящихся к сфере искусственного интеллекта.

2. Основные задачи построения систем распознавания.

3. Типы признаков, используемых для априорного и апостериорного описания классов. Какие ограничения необходимо учитывать при разработке словаря признаков?

4. Вероятностные характеристики, используемые при построении вероятностных систем распознавания. Способы получения априорной информации: анализ априорной статистической информации, эвристическое конструирование законов распределения.

5. Основные понятия теории статистических решений: вероятности ошибок первого и второго рода, риск, соответствующий k-ой гипотезе, отношение правдоподобия.

6. Построение вероятностных систем распознавания без обучения: Байесова стратегия.

7. Построение вероятностных систем распознавания без обучения: минимаксная стратегия.

8. Построение вероятностных систем распознавания без обучения: стратегия Неймана-Пирсона.

9. Построение систем распознавания с учителем: постановка задачи, математические основы построения разделяющих поверхностей с использованием метода потенциальных функций (случай дихотомии).

10. Построение систем распознавания с учителем: использованием метода потенциальных функций в случае классификации образов, принадлежащих одному из m классов.

11. Построение систем распознавания с самообучением: постановка задачи и оценка результатов кластерного анализа.

12. Построение систем распознавания с самообучением: простой алгоритм выделения кластеров.

13. Построение систем распознавания с самообучением: алгоритм максиминного расстояния.

14. Построение систем распознавания с самообучением: алгоритм К внутригрупповых средних.

15. Нейронные сети как особый вид вычислительных структур. Задачи, решаемые в контексте нейронных сетей. Биологический нейрон и его математическая модель.

16. Основные положения теории нейронных сетей: этапы построения и классификация НС, основополагающие принципы синтеза новой конфигурации НС.

17. Обучение нейронных сетей: структура процесса обучения, его математическое описание. Классификация алгоритмов многомерной оптимизации, используемых при обучении НС.

18. Обучение нейронных сетей. Алгоритм обратного распространения ошибки (на примере НС, содержащей один нейрон): математическое описание, достоинства и недостатки.

19. Стохастические методы обучения нейронных сетей: общие положения, проблема локальных минимумов, «имитация отжига», Больцмановское обучение.

20. Генетические алгоритмы обучения нейронных сетей: основные понятия, классический генетический алгоритм, кодирование параметров задачи.

21. Нечеткость и ее формализация: общие положения. Простейшие операции над нечёткими множествами.

22. Нечёткая и лингвистическая переменные: определение, формальное представление, упорядочение базового терм-множества.

23. Основные виды высказываний в нечеткозначной логике.

24. Нечёткие выводы, используемые в экспертных и управляющих системах.

25. Деревья решений.

Дата добавления: 2017-02-01