бну альтернативу серед безлічі виборів при ухваленні відповідальних рішень.
У загальному випадку всі системи, засновані на знаннях, можна підрозділити на системи, які вирішують завдання аналізу, і на системи, які вирішують завдання синтезу. Основна відмінність завдань аналізу від завдань синтезу полягає в тому, що якщо в завданнях аналізу безліч рішень може бути перераховано і включено в систему, то в задачах синтезу безліч рішень потенційно не обмежена і будується з рішень компонент або під-проблем. Завданнями аналізу є: інтерпретація даних, діагностика, підтримка прийняття рішення; до завдань синтезу відносяться проектування, планування, управління. Комбіновані: навчання, моніторинг, прогнозування. <В В
3. Бази знань в інтелектуальній системі
Нижче перераховані цікаві особливості, які можуть (але не зобов'язані) бути у інтелектуальної системи, і які стосуються баз знань.
1) Машинне навчання: Це модифікація своєї БЗ в процесі роботи інтелектуальної системи, адаптація до проблемної області. Аналогічна людської здатності В«Набирати досвідВ». p> 2) Автоматичне доказ (висновок): Здатність системи виводити нові знання зі старих, знаходити закономірності в БЗ. Деякі автори вважають, що БЗ відрізняється від бази даних наявністю механізму виведення. p> 3) Інтроспекція: Знаходження протиріч, нестиковок в БЗ, стеження за правильною організацією БЗ.
4) Доказ укладення: Здатність системи В«пояснитиВ» хід її міркувань по знаходженню рішення, причому В«за першою вимогоюВ».
В
3.1 Машинне навчання
Машинне навчання (англ. Machine Learning) - обширний підрозділ штучного інтелекту, що вивчає методи побудови алгоритмів, здатних навчатися. Розрізняють два типи навчання. Навчання по прецедентах, або індуктивне навчання, засноване на виявленні закономірностей в емпіричних даних. Дедуктивне навчання передбачає формалізацію знань експертів і їх перенесення в комп'ютер в вигляді бази знань. Дедуктивне навчання прийнято відносити до області експертних систем, тому терміни машинне навчання і навчання по прецедентах можна вважати синонімами.
Машинне навчання знаходиться на стику математичної статистики, методів оптимізації та дискретної математики, але має також і власну специфіку, пов'язану з проблемами обчислювальної ефективності та перенавчання. Багато методів індуктивного навчання розроблялися як альтернатива класичним статистичним підходам. Багато методи тісно пов'язані з витяганням інформації, інтелектуальним аналізом даних.
В
3.1.1 Загальна постановка задачі навчання по прецедентах
Мається безліч об'єктів (ситуацій) і безліч можливих відповідей (відгуків, реакцій). Існує деяка залежність між відповідями і об'єктами, але вона не відома. Відома тільки кінцева сукупність прецедентів - пар В«об'єкт, відповідь В», звана навчальною вибіркою. На основі цих даних потрібно відновити залежність, тобто побудувати алгоритм, здатний для будь-якого об'єкта видати досить точну відповідь. Для вимірювання точності відповідей певним чином вводиться функціонал якості.
Дана постановка є узагальненням класичних задач апроксимації функцій. У класичних завданнях апроксимації об'єктами є дійсні числа або вектори. У реальних прикладних задачах вхідні дані про об'єкти можуть бути неповними, неточними, нечисловими, різнорідними. Ці особливості призводять до великій різноманітності методів машинного навчання.
В
3.1.2 Способи машинного навчання
Так як розділ машинного навчання, з одного боку, утворився в результаті поділу науки про нейромережах на методи навчання мереж і види топологій архітектури мереж, а з іншого, увібрав у себе методи математичної статистики, то зазначені нижче способи машинного навчання виходять з нейромереж. Тобто базові види нейромереж, такі як перцептрон і багатошаровий перцептрон (а так ж їх модифікації) можуть навчатися як з учителем, без вчителя, з підкріпленням, і активно. Але деякі нейромережі і більшість статистичних методів можна віднести тільки до одного із способів навчання. Тому якщо потрібно класифікувати методи машинного навчання залежно від способу навчання, то, стосовно нейромереж, що не коректно їх відносити до певного виду, а правильніше класифікувати алгоритми навчання нейронних мереж.
1) Навчання з учителем - для кожного прецеденту задається пара В«ситуація, необхідну рішення В»:
- Метод корекції помилки
- Метод зворотного поширення помилки
2) Навчання без вчителя - для кожного прецеденту задається тільки В«ситуаціяВ», потрібно згрупувати об'єкти в кластери, використовуючи дані про попарному схожості об'єктів, та/або знизити розмірність даних:
- Альфа-система підкріплення
- Гамма-система підкріплення
- Метод найближчих сусідів
3) Навчання з підкріпленням - для кожного прецеденту є пара В«ситуація, прийняте рішення В»:
4) Активне навчання - ...
