| Закреплена за кафедрой | Кафедра вычислительной техники и электроники |
|---|---|
| Направление подготовки | 10.04.01. Информационная безопасность |
| Профиль | Информационная безопасность интеллектуальных автоматизированных систем |
| Форма обучения | Очная |
| Общая трудоемкость | 5 ЗЕТ |
| Учебный план | 10_04_01_Информационная безопасность_ИБАС-2023 |
|
|
||||||||||||||
Распределение часов по семестрам
| Курс (семестр) | 1 (1) | Итого | ||
|---|---|---|---|---|
| Недель | 16 | |||
| Вид занятий | УП | РПД | УП | РПД |
| Лекции | 18 | 18 | 18 | 18 |
| Лабораторные | 36 | 36 | 36 | 36 |
| Сам. работа | 76 | 76 | 76 | 76 |
| Консультации | 50 | 50 | 50 | 50 |
| Итого | 180 | 180 | 180 | 180 |
Визирование РПД для исполнения в очередном учебном году
Рабочая программа пересмотрена, обсуждена и одобрена для
исполнения в 2023-2024 учебном году на заседании
кафедры
Кафедра вычислительной техники и электроники
Протокол от 28.06.2022 г. № 12-2021/22
Заведующий кафедрой к.ф.-м.н., Пашнев Владимир Валентинович, доц., зав. кафедрой "Вычислительной техники и электроники"
| 1.1. | Формирование у будущих специалистов теоретических знаний и практических навыков по использованию интеллектуальных систем при проектировании и эксплуатации сетевых банковских систем. Ознакомить студентов с основами теории искусственных нейронных сетей и экспертных систем. Привить навыки работы с различными технологиями создания и защиты баз данных. Изложить основные принципы проектирования информационных систем. |
|---|
| Цикл (раздел) ООП: Б1.В.01 |
| ПК-2 | Способен проектировать системы обеспечения информационной безопасности конкретных объектов на стадии разработки, эксплуатации и модернизации |
| ПК-2.1 | Знает способы обеспечения информационной безопасности для конкретных объектов на стадиях разработки, эксплуатации и модернизации. |
| ПК-2.2 | Умеет проектировать системы обеспечения информационной безопасности объекта на различных стадиях (разработки, эксплуатации и модернизации). |
| ПК-2.3 | Владеет навыками обеспечения информационной безопасности конкретного объекта. |
| В результате освоения дисциплины обучающийся должен | |
| 3.1. | Знать: |
|---|---|
| 3.1.1. | способы обеспечения информационной безопасности для конкретных объектов на стадиях разработки, эксплуатации и модернизации |
| 3.2. | Уметь: |
| 3.2.1. | проектировать системы обеспечения информационной безопасности объекта на различных стадиях (разработки, эксплуатации и модернизации) |
| 3.3. | Иметь навыки и (или) опыт деятельности (владеть): |
| 3.3.1. | владеет навыками обеспечения информационной безопасности конкретного объекта |
| Код занятия | Наименование разделов и тем | Вид занятия | Семестр | Часов | Компетенции | Литература |
|---|---|---|---|---|---|---|
| Раздел 1. Теоретическое обучение | ||||||
| 1.1. | Введение. Интеллектуальные банковские системы и технологии проектирования баз данных. Исторический аспект. | Лекции | 1 | 2 | Л1.1, Л2.1 | |
| 1.2. | История создания интеллектуальных технологий. Нейроны, нейронные сети и нейрокомпьютеры. | Сам. работа | 1 | 4 | Л1.1, Л2.1 | |
| 1.3. | Основы теории интеллектуальных банковских систем. | Лекции | 1 | 4 | Л1.1, Л2.1 | |
| 1.4. | Биологический нейрон и его математическая модель. Задача обучения ИНС. Однослойные и многослойные ИНС. Персептрон и задача его обучения. | Сам. работа | 1 | 4 | Л1.1, Л2.1 | |
| 1.5. | Многослойные ИНС и процедура обратного распространения ошибки. | Лекции | 1 | 4 | Л1.1, Л2.1 | |
| 1.6. | Многослойные сети с прямыми связями. Теорема Арнольда-Колмогорова и результаты Хехт-Нильсена. Процедура обратного распространения ошибки. | Сам. работа | 1 | 4 | Л1.1, Л2.1 | |
| 1.7. | Обучение без учителя. | Лекции | 1 | 4 | Л1.1, Л2.1 | |
| 1.8. | Метод обучения Хэбба. Алгоритм обучения Кохонена. | Сам. работа | 1 | 4 | Л1.1, Л2.1 | |
| 1.9. | ИНС Хопфилда и Хэмминга. Звезды Гроссберга и карты Кохонена. | Лекции | 1 | 4 | Л1.1, Л2.1 | |
| 1.10. | ИНС Хопфилда и Хемминга. Сети встречного распространения. | Сам. работа | 1 | 4 | Л1.1, Л2.1 | |
| Раздел 2. Лабораторный практикум | ||||||
| 2.1. | Освоение принципов создания и обучения нейронной сети на примере работы оболочки Neuropro. | Лабораторные | 1 | 8 | Л2.1 | |
| 2.2. | Освоение принципов создания и обучения нейронной сети на примере работы оболочки Neuropro. | Сам. работа | 1 | 8 | Л2.1 | |
| 2.3. | Простые нейронные сети. Персептрон. | Лабораторные | 1 | 4 | Л2.1 | |
| 2.4. | Простые нейронные сети. Персептрон. | Сам. работа | 1 | 12 | Л2.1 | |
| 2.5. | Нейронные сети: обучение без учителя. | Лабораторные | 1 | 8 | Л2.1 | |
| 2.6. | Нейронные сети: обучение без учителя. | Сам. работа | 1 | 12 | Л2.1 | |
| 2.7. | Нейронные сети: алгоритм обратного распространения. | Лабораторные | 1 | 8 | Л2.1 | |
| 2.8. | Нейронные сети: алгоритм обратного распространения. | Сам. работа | 1 | 12 | Л2.1 | |
| 2.9. | ИНС Хопфилда и Хэмминга. Звезды Гроссберга и карты Кохонена. | Лабораторные | 1 | 8 | Л2.1 | |
| 2.10. | ИНС Хопфилда и Хэмминга. Звезды Гроссберга и карты Кохонена. | Сам. работа | 1 | 12 | Л2.1 | |
| Раздел 3. Аттестация | ||||||
| 3.1. | Зачет | Консультации | 1 | 50 | Л1.1, Л2.1 | |
| 5.1. Контрольные вопросы и задания для проведения текущего контроля и промежуточной аттестации по итогам освоения дисциплины |
| Оценочные материалы для текущего контроля по разделам и темам дисциплины в полном объеме размещены в онлайн-курсе на образовательном портале «Цифровой университет АлтГУ» – https://portal.edu.asu.ru/course/view.php?id=293 ОЦЕНКА СФОРМИРОВАННОСТИ КОМПЕТЕНЦИИ ПК-2: Способен проектировать системы обеспечения информационной безопасности конкретных объектов на стадии разработки, эксплуатации и модернизации ПРИМЕРЫ ЗАДАНИЙ ЗАКРЫТОГО ТИПА Вопрос 1. Какие из перечисленных сетей являются рекуррентными? a. нет правильного ответа b. сеть радиальных базисных функций c. сеть Хопфилда d. персептрон ОТВЕТ: c Вопрос 2. Какие из выражений, представленных ниже, являются структурной частью фрейма? a. примитивные типы данных b. шаблон c. значение N-го слота ОТВЕТ: c Вопрос 3. Нейроны – это ... a. специализированные клетки, способные принимать, обрабатывать, кодировать, передавать и хранить информацию b. специализированные клетки, способные принимать, обрабатывать, кодировать, передавать и хранить информацию, организовывать реакции на раздражения, устанавливать контакты с другими нейронами, клетками органов c. специализированные клетки, способные принимать, обрабатывать, кодировать, передавать и хранить информацию, организовывать реакции на раздражения ОТВЕТ: b Вопрос 4. Для решения каких задач предназначены статические оболочки экспертных систем? a. нет правильного ответа b. для решения задач анализа и синтеза с разделением времени c. для разработки динамических систем d. для решения статических задач e. для управления и диагностики в режиме реального времени ОТВЕТ: b Вопрос 5. Множество точек, для которых значение функция принадлежности равно 1, называется: a. носителем b. ядром c. нет верного ответа d. α- срезом ОТВЕТ: b Вопрос 6. Как можно классифицировать систему поддержки принятия решений? a. в зависимости от языка программирования b. в зависимости от области применения c. на концептуальном уровне d. на уровне пользователя ОТВЕТ: b, c Вопрос 7. Гибридная экспертная система подразумевает: a. использование нескольких средств разработки b. использование нескольких методов представления знаний c. нет правильного ответа d. использование различных подходов к программированию ОТВЕТ: a Вопрос 8. Мягкие вычисления – это... a. традиционные компьютерные вычисления. b. нет правильного ответа c. сложная компьютерная методология, основанная на нечеткой логике, генетических вычислениях, нейрокомпьютинге и вероятностных вычислениях. ОТВЕТ: c Вопрос 9. Что представляет собой семантическая сеть? a. ориентированный граф, вершины которого – понятия, а дуги – отношения между ними b. сетевой график, вершины которого – сроки выполнения работ c. нейронная сеть, состоящая из нейронов ОТВЕТ: a Вопрос 10. Какие виды генетического алгоритма подразумевают параллельную обработку? Выберите один или несколько вариантов ответа. a. гибридные алгоритмы b. genitor c. М. Уолш d. Нет верного ответа e. CHC ОТВЕТ: a, b, e Вопрос 11. Какую нейронную сеть обучают с помощью дельта-правила? a. нейронную сеть прямого распространения b. однослойную нейронную сеть c. нейронную сеть с обратными связями d. нет правильного ответа ОТВЕТ: a, b Вопрос 12. Адаптивная информационная система – это ... a. система, которая изменяет свою структуру в соответствии с изменением модели проблемной области. b. информационная система, которая изменяет свою структуру в соответствии с изменением модели проблемной области. c. информационная система, которая не изменяет свою структуру в соответствии с изменением модели проблемной области. ОТВЕТ: b Вопрос 13. С информационно-аналитической точки зрения, задачей системы поддержки принятия решений является ... a. агрегирование (сжатие) многокритериальной информации об анализируемых объектах до объема и формы представления b. агрегирование (сжатие) многокритериальной информации об анализируемых объектах c. агрегирование (сжатие) многокритериальной информации об анализируемых объектах до объема и формы представления, воспринимаемых лицом, принимающим решение. ОТВЕТ: c Вопрос 14. Какой из основных типов отношений семантической сети, представленных ниже, может быть назван как АКО (A - Kind - Of)? a. имеет частью b. принадлежит c. элемент класса d. это ОТВЕТ: d Вопрос 15. Что понимается под представлением знаний? a. кодирование информации на каком-либо формальном языке b. знания, представленные в программе на языке С++ c. моделирование знаний специалистов-экспертов d. знания, представленные в учебниках по математике ОТВЕТ: c КРИТЕРИИ ОЦЕНИВАНИЯ: Каждое задание оценивается 1 баллом. Оценивание КИМ теоретического характера в целом: • «зачтено» – верно выполнено более 50% заданий; «не зачтено» – верно выполнено 50% и менее 50% заданий; • «отлично» – верно выполнено 85-100% заданий; «хорошо» – верно выполнено 70-84% заданий; «удовлетворительно» – верно выполнено 51-69% заданий; «неудовлетворительно» – верно выполнено 50% или менее 50% заданий. ПРИМЕРЫ ЗАДАНИЙ ОТКРЫТОГО ТИПА 1. Информация, как сырье и как товар: абсолютная, относительная и аналитическая информация ОТВЕТ: Абсолютная информация – это информация, содержащаяся в абсолютных числах, таких как количество чего-либо, взятого "само по себе". Относительная информация – это информация, содержащаяся в отношениях абсолютного количества к объему совокупности. Относительная информация измеряется в частях, процентах, промилле, вероятностях и некоторых других подобных единицах. Очевидно, что и из относительной информации, взятой изолированно, вырванной из контекста, делать какие-либо обоснованные выводы не представляется возможным. Аналитическая информация – это информация, содержащаяся в отношении вероятности (или процента) к некоторой базовой величине, например к средней вероятности по всей выборке. Аналитическими являются также стандартизированные величины в статистике и количество информации в теории информации. Аналитическая информация позволяет делать содержательные выводы об исследуемой предметной области. Для того, чтобы сделать аналогичные выводы на основе относительной, и абсолютной информации требуется значительная обработка. Таким образом, есть все основания рассматривать абсолютную информацию как "информационное сырье", аналитическую – как "информационный товар". Относительная информация в этом смысле занимает промежуточное положение и может рассматриваться как "информационный полуфабрикат". Интеллектуальные информационные системы, преобразуют сырую информацию в кондиционный информационный продукт и, этим самым, многократно повышают ее потребительскую и меновую стоимость. Данные - это совокупность сведений, зафиксированных на определенном носителе в форме, пригодной для постоянного хранения, передачи и обработки. Преобразование и обработка данных позволяет получить информацию. Информация - это результат преобразования и анализа данных. Например, в базах данных хранятся различные данные, а по определенному запросу система управления базой данных выдает требуемую информацию. Знания это зафиксированная и проверенная практикой обработанная информация, которая использовалась и может многократно использоваться для принятия решений. Знания это вид информации, которая хранится в базе знаний и отображает знания специалиста в конкретной предметной области. Знания – это интеллектуальный капитал. 2. Автоматизированные системы распознавания образов ОТВЕТ: Системой распознавания образов будем называть класс систем искусственного интеллекта, обеспечивающих: - формирование конкретных образов объектов и обобщенных образов классов; - обучение, т.е. формирование обобщенных образов классов на основе ряда примеров объектов, классифицированных (т.е. отнесенных к тем или иным категориям классам) учителем и составляющих обучающую выборку; - самообучение, т.е. формирование кластеров объектов на основе анализа неклассифицированной обучающей выборки; - распознавание, т.е. идентификацию (и прогнозирование) состояний объектов, описанных признаками, друг с другом и с обобщенными образами классов; - измерение степени адекватности модели; - решение обратной задачи идентификации и прогнозирования (обеспечивается не всеми моделями). Распознавание это операция сравнения и определения степени сходства образа данного конкретного объекта с образами других конкретных объектов или с обобщенными образами классов, в результате которой формируется рейтинг объектов или классов по убыванию сходства с распознаваемым объектом. Ключевым моментом при реализации операции распознавания в математической модели является выбор вида интегрального критерия или меры сходства, который бы на основе знания о признаках конкретного объекта позволил бы количественно определить степень его сходства с другими объектами или обобщенными образами классов. 3. "Система искусственного интеллекта", место СИИ в классификации информационных систем ОТВЕТ: Интеллектуальными считаются задачи, связанные с разработкой алгоритмов решения ранее нерешенных задач определенного типа. Интеллект представляет собой универсальный алгоритма, способный разрабатывать алгоритмы решения конкретных задач. В 1950 году в статье "Вычислительные машины и разум" (Computing machinery and intelligence) выдающийся английский математики и философ Алан Тьюринг предложил тест, чтобы заменить бессмысленный, по его мнению, вопрос "может ли машина мыслить?" на более определённый. Судья-человек ограниченное время, например, 5 минут, переписывается в чате (в оригинале – по телеграфу) на естественном языке с двумя собеседниками, один из которых человек, а другой – компьютер. Если судья за предоставленное время не сможет надёжно определить, кто есть кто, то компьютер прошёл тест. Идею Тьюринга поддержал Джо Вайзенбаум, написавший в 1966 году первую "беседующую" программу "Элиза". Программа всего в 200 строк лишь повторяла фразы собеседника в форме вопросов и составляла новые фразы из уже использованных в беседе слов. А.Тьюринг считал, что компьютеры, в конечном счете, пройдут его тест, т.е. на вопрос: "Может ли машина мыслить?" он отвечал утвердительно, но в будущем времени: "Да, смогут!" Сегодня уже существуют многочисленные варианты интеллектуальных систем, которые не имеют цели, но имеют критерии поведения: генетические алгоритмы и имитационное моделирование эволюции. Поведение этих систем выглядит таким образом, как будто они имеют различные цели и добиваются их. Ежегодно производится соревнование между разговаривающими программами, и наиболее человекоподобной, по мнению судей, присуждается приз Лебнера (Loebner). 4. Особенности и признаки интеллектуальности информационных систем ОТВЕТ: Любая информационная система (ИС) выполняет следующие функции: 1воспринимает вводимые пользователем информационные запросы и необходимые исходные данные, 2обрабатывает введенные и хранимые в системе данные в соответствии с известным алгоритмом и формирует требуемую выходную информацию. С точки зрения реализации перечисленных функций ИС можно рассматривать как фабрику, производящую информацию, в которой заказом является информационный запрос, сырьем - исходные данные, продуктом - требуемая информация, а инструментом (оборудованием) - знание, с помощью которого данные преобразуются в информацию. Если в ходе эксплуатации ИС выяснится потребность в модификации одного из двух компонентов программы, то возникнет необходимость ее переписывания. Это объясняется тем, что полным знанием проблемной области обладает только разработчик ИС, а программа служит “недумающим исполнителем” знания разработчика. Этот недостаток устраняются в интеллектуальных информационных системах . Интеллектуальная информационная система (ИИС) - это ИС, которая основана на концепции использования базы знаний для генерации алгоритмов решения экономических задач различных классов в зависимости от конкретных информационных потребностей пользователей. Для интеллектуальных информационных систем, ориентированных на генерацию алгоритмов решения задач, характерны следующие признаки: -развитые коммуникативные способности, -умение решать сложные плохо формализуемые задачи, -способность к самообучению, Коммуникативные способности ИИС характеризуют способ взаимодействия (интерфейса) конечного пользователя с системой. Сложные плохо формализуемые задачи - это задачи, которые требуют построения оригинального алгоритма решения в зависимости от конкретной ситуации, для которой могут быть характерны неопределенность и динамичность исходных данных и знаний. 5. Этапы жизненного цикла систем искусственного интеллекта ОТВЕТ: Наименование этапа 1 Разработка идеи и концепции системы 2 Разработка теоретических основ системы 3 Разработка математической модели системы 4 Разработка методики численных расчетов в системе: 4.1 разработка структур данных 4.2 разработка алгоритмов обработки данных 5 Разработка структуры системы и экранных форм интерфейса 6 Разработка программной реализации системы 7 Отладка системы 8 Экспериментальная эксплуатация 9 Опытная эксплуатация 10 Промышленная эксплуатация 11 Заказные модификации системы 12 Разработка новых версий системы 13 Снятие системы с эксплуатации Условно каждому из признаков интеллектуальности соответствует свой класс ИИС: -Системы с интеллектуальным интерфейсом; -Экспертные системы; -Самообучающиеся системы. 6. Экспертная система (ЭС) - это ИИС, предназначенная для решения слабоформализуемых задач на основе накапливаемого в базе знаний опыта работы экспертов в проблемной области ОТВЕТ: Экспертная система является инструментом, усиливающим интеллектуальные способности эксперта, и может выполнять следующие роли: 1 консультанта для неопытных или непрофессиональных пользователей; 2 ассистента в связи с необходимостью анализа экспертом различных вариантов принятия решений; 3 партнера эксперта по вопросам, относящимся к источникам знаний из смежных областей деятельности. Исторически, ЭС были первыми системами искусственного интеллекта, которые привлекли внимание потребителей. Классы экспертных систем. По степени сложности решаемых задач экспертные системы можно классифицировать следующим образом: - По способу формирования решения экспертные системы разделяются на два класса: аналитические и синтетические. Аналитические системы предполагают выбор решений из множества известных альтернатив, а синтетические системы - генерацию неизвестных решений. Аналитическая экспертная система - это ЭС, осуществляющая оценку вариантов решений (проверку гипотез). Синтетическая экспертная система - это ЭС, осуществляющая генерацию вариантов решений (формирование гипотез). - По способу учета временного признака экспертные системы могут быть статическими или динамическими. Статические системы решают задачи при неизменяемых в процессе решения данных и знаниях, инамические системы допускают такие изменения. Статическая экспертная система - это ЭС, решающая задачи в условиях, не изменяющихся во времени исходных данных и знаний. Динамическая экспертная система - это ЭС, решающая задачи в условиях изменяющихся во времени исходных данных и знаний. - По видам используемых данных и знаний экспертные системы классифицируются на системы с детерминированными (четко определенными) знаниями и неопределенными знаниями. Под неопределенностью знаний (данных) понимается их неполнота (отсутствие), недостоверность (неточность измерения), двусмысленность (многозначность понятий), нечеткость (качественная оценка вместо количественной). По числу используемых источников знаний экспертные системы могут быть построены с использованием одного или множества источников знаний. 7. Система с интеллектуальным интерфейсом - это ИИС, предназначенная для поиска неявной информации в базе данных или тексте для произвольных запросов, составляемых, как правило, на ограниченном естественном языке ОТВЕТ: Интеллектуальные БД отличаются от обычных БД возможностью выборки по запросу необходимой информации, которая может явно не храниться, а выводиться из имеющейся в базе данных. Примерами таких запросов могут быть следующий: - “Вывести список товаров, цена которых выше среднеотраслевой”, В запросе требуется осуществить поиск по условию, которое должно быть доопределено в ходе решения задачи. Формулирование запроса осуществляется в диалоге с пользователем, последовательность шагов которого выполняется в максимально удобной для пользователя форме. Запрос к базе данных может формулироваться и с помощью естественно-языкового интерфейса. Естественно-языковой интерфейс предполагает трансляцию естественно-языковых конструкций на внутримашинный уровень представления знаний. Естественно-языковый интерфейс используется для: -доступа к интеллектуальным базам данных; -контекстного поиска документальной текстовой информации; -голосового ввода команд в системах управления; -машинного перевода c иностранных языков. Гипертекстовые системы предназначены для реализации поиска по ключевым словам в базах текстовой информации. Механизм поиска работает прежде всего с базой знаний ключевых слов, а уже затем непосредственно с текстом. Системы контекстной помощи можно рассматривать, как частный случай интеллектуальных гипертекстовых и естественно-языковых систем. В системах контекстной помощи пользователь описывает проблему (ситуацию), а система с помощью дополнительного диалога ее конкретизирует и сама выполняет поиск относящихся к ситуации рекомендаций. Такие системы относятся к классу систем распространения знаний (Knowledge Publishing) и создаются как приложение к системам документации (например, технической документации по эксплуатации товаров). Системы когнитивной графики позволяют осуществлять интерфейс пользователя с ИИС с помощью графических образов, которые генерируются в соответствии с происходящими событиями. 8. Самообучающаяся система - это ИИС, которая на основе примеров реальной практики автоматически формирует единицы знаний ОТВЕТ: В основе самообучающихся систем лежат методы автоматической классификации примеров ситуаций реальной практики (обучения на примерах). Примеры реальных ситуаций накапливаются за некоторый исторический период и составляют обучающую выборку. Эти примеры описываются множеством признаков классификации. Причем обучающая выборка может быть: - с учителем”, когда для каждого примера задается в явном виде значение признака его принадлежности некоторому классу ситуаций (классообразующего признака); - без учителя”, когда по степени близости значений признаков классификации система сама выделяет классы ситуаций. В результате обучения системы автоматически строятся обобщенные правила или функции, определяющие принадлежность ситуаций классам, которыми обученная система пользуется при интерпретации новых возникающих ситуаций. Таким образом, автоматически формируется база знаний, используемая при решении задач классификации и прогнозирования. Эта база знаний периодически автоматически корректируется по мере накопления опыта реальных ситуаций, что позволяет сократить затраты на ее создание и обновление. 9. Идентификация проблемной области ОТВЕТ: Этап идентификации проблемной области - определение требований к разрабатываемой ЭС, контуров рассматриваемой проблемной области (объектов, целей, подцелей, факторов), выделение ресурсов на разработку ЭС. Этап идентификации проблемной области включает определение назначения и сферы применения экспертной системы, подбор экспертов и группы инженеров по знаниям, выделение ресурсов, постановку и параметризацию решаемых задач. Начало работ по созданию экспертной системы инициируют руководители компаний. Обычно необходимость разработки экспертной системы связана с затруднениями лиц, принимающих решение, что сказывается на эффективности функционирования проблемной области. Как правило, назначение экспертной системы связано с одной из следующих областей: - обучение и консультация неопытных пользователей; - распространение и использование уникального опыта экспертов; - автоматизация работы экспертов по принятию решений; - оптимизация решения проблем, выдвижение и проверка гипотез. После предварительного определения контуров разрабатываемой экспертной системы инженеры по знаниям совместно с экспертами осуществляют более детальную постановку проблем и параметризацию системы. К основным параметрам проблемной области относятся следующие: - класс решаемых задач (интерпретация, диагностика, коррекция, прогнозирование, планирование, проектирование, мониторинг, управление); - критерии эффективности результатов решения задач (минимизация использования ресурсов, повышение качества продукции и обслуживания, ускорение оборачиваемости капитала и т.д.); - критерии эффективности процесса решения задач (повышение точности принимаемых решений, учет большего числа факторов, просчет большего числа альтернативных вариантов, адаптивность к изменениям проблемной области и информационных потребностей пользователей, сокращение сроков принятия решений); - цели решаемых задач (выбор из альтернатив, например, выбор поставщика или синтез значения, например, распределение бюджета по статьям); - подцели (разбиение задачи на подзадачи, для каждой из которых определяется своя цель); - исходные данные (совокупность используемых факторов); - особенности используемых знаний (детерминированность/ неопределенность, статичность/динамичность, одноцелевая/ многоцелевая направленность, единственность/ множественность источников знаний). 10. Формализация базы знаний ОТВЕТ: На этапе формализации базы знаний осуществляется выбор метода представления знаний. В рамках выбранного формализма осуществляется проектирование логической структуры базы знаний. Этап формализации базы знаний - выбор метода представления знаний, в рамках которого проектируется логическая структура базы знаний. Логическая модель предполагает унифицированное описание объектов и действий в виде предикатов первого порядка. Логическая модель отражает логические связи между элементами данных вне зависимости от их содержания и среде хранения. Логическая модель данных может быть реляционной, иерархической или сетевой. Пользователям выделяются подмножества этой логической модели, называемые внешними моделями, отражающие их представления о предметной области. Внешняя модель соответствует представлениям, которые пользователи получают на основе логической модели, в то время как концептуальные требования отражают представления, которые пользователи первоначально желали иметь и которые легли в основу разработки концептуальной модели. Логическая модель отображается в физическую память, такую, как диск, лента или какой-либо другой носитель информации. 11. Этапы проектирования экспертной системы ОТВЕТ: Этапы создания экспертных систем: идентификация, концептуализация, формализация, реализация, тестирование, внедрение. На начальных этапах идентификации и концептуализации, связанных с определением контуров будущей системы, инженер по знаниям выступает в роли ученика, а эксперт - в роли учителя, мастера. На заключительных этапах реализации и тестирования инженер по знаниям демонстрирует результаты разработки, адекватность которых проблемной области оценивает эксперт. На этапе тестирования это могут быть совершенно другие эксперты. На этапе тестирования созданные экспертные системы оцениваются с позиции двух основных групп критериев: точности и полезности. Следующий этап жизненного цикла экспертной системы - внедрение и опытная эксплуатация в массовом порядке без непосредственного контроля со стороны разработчиков и переход от тестовых примеров к решению реальных задач. Важнейшим критерием оценки становятся соотношение стоимости системы и ее эффективности. На этом этапе осуществляется сбор критических замечаний и внесение необходимых изменений. В результате опытной эксплуатации может потребоваться разработка новых специализированных версий, учитывающих особенности проблемных областей. На всех этапах разработки инженер по знаниям играет активную роль, а эксперт - пассивную. По мере развития самообучающихся свойств экспертных систем роль инженера по знаниям уменьшается, а активное поведение заинтересованного в эффективной работе экспертной системы пользователя-эксперта возрастает. Прототип экспертной системы - это расширяемая (изменяемая) на каждом последующем этапе версия базы знаний с возможной модификацией программных механизмов. После каждого этапа возможны итеративные возвраты на уже выполненные этапы проектирования, что способствует постепенному проникновению инженера по знаниям в глубину решаемых проблем, эффективности использования выделенных ресурсов, сокращению времени разработки, постоянному улучшению компетентности и производительности системы. Пример разработки экспертной системы гарантирования (страхования) коммерческих займов CLUES (loan-uderwriting expert systems). 12. Генетические алгоритмы и моделирование биологической эволюции ОТВЕТ: Генетические Алгоритмы (ГА) – это адаптивные методы функциональной оптимизации, основанные на компьютерном имитационном моделировании биологической эволюции. Основные принципы ГА были сформулированы Голландом (Holland, 1975), и хорошо описаны во многих работах и на ряде сайтов в Internet. Теория Дарвина традиционно моделируется в ГА, хотя, конечно, это не исключает возможности моделирования и других теорий эволюции в ГА. В основе модели эволюции Дарвина лежат случайные изменения отдельных материальных элементов живого организма при переходе от поколения к поколению. Целесообразные изменения, которые облегчают выживание и производство потомков в данной конкретной внешней среде, сохраняются и передаются потомству, т.е. наследуются. Особи, не имеющие соответствующих приспособлений, погибают, не оставив потомства или оставив его меньше, чем приспособленные (считается, что количество потомства пропорционально степени приспособленности). Поэтому в результате естественного отбора возникает популяция из наиболее приспособленных особей, которая может стать основой нового вида, каждый конкретный генетический алгоритм представляют имитационную модель некоторой определенной теории биологической эволюции или ее варианта. Работа ГА представляет собой итерационный процесс, который продолжается до тех пор, пока поколения не перестанут существенно отличаться друг от друга, или не пройдет заданное количество поколений или заданное время. Для каждого поколения реализуются отбор, кроссовер (скрещивание) и мутация. 13. Этап концептуализации проблемной области - построение концептуальной модели, отражающей в целостном виде сущность функционирования проблемной области на объектном (структурном), функциональном (операционном), поведенческом (динамическом) уровнях ОТВЕТ: На этапе построения концептуальной модели создается целостное и системное описание используемых знаний, отражающее сущность функционирования проблемной области. От качества построения концептуальной модели проблемной области во многом зависит насколько часто в дальнейшем по мере развития проекта будет выполняться перепроектирование базы знаний. Хорошая концептуальная модель может только уточняться (детализироваться или упрощаться), но не перестраиваться. Результат концептуализации проблемной области обычно фиксируется в виде наглядных графических схем на объектном, функциональном и поведенческом уровнях моделирования: - объектная модель описывает структуру предметной области как совокупности взаимосвязанных объектов; - функциональная модель отражает действия и преобразования над объектами; - поведенческая модель рассматривает взаимодействия объектов во временном аспекте. Первые две модели описывают статические аспекты функционирования проблемной области, а третья модель - динамику изменения ее состояний. Естественно, что для различных классов задач могут требоваться разные виды моделей, а следовательно, и ориентированные на них методы представления знаний. Рассмотрим каждую из представленных видов моделей. Объектная модель - отражение на семантическом уровне фактуального знания о классах объектов, их свойств и отношений. Концептуальное проектирование - сбор, анализ и редактирование требований к данным. Для этого осуществляются следующие мероприятия: - обследование предметной области, изучение ее информационной структуры; - выявление всех фрагментов, каждый из которых характеризуется пользовательским представлением, информационными объектами и связями между ними, процессами над информационными объектами - моделирование и интеграция всех представлений По окончании данного этапа получаем концептуальную модель, инвариантную к структуре базы данных. Часто она представляется в виде модели "сущность-связь". Логическое проектирование - преобразование требований к данным в структуры данных. На выходе получаем СУБД-ориентированную структуру базы данных и спецификации прикладных программ. На этом этапе часто моделируют базы данных применительно к различным СУБД и проводят сравнительный анализ моделей. Физическое проектирование - определение особенностей хранения данных, методов доступа и т.д. 14. Особенности экспертных систем экономического анализа ОТВЕТ: Архитектура экспертной системы экономического анализа (особенности формирования базы знаний, выбора методов логического вывода, пользовательского интерфейса) во многом зависит от целей и глубины анализа: внешнего (для сторонних организаций) или внутреннего (для самого предприятия). Внешний экономический анализ проводится внешними для предприятия субъектами: инвесторами, кредиторами, партнерами, поставщиками, аудиторами, налоговыми и таможенными службами, страховыми организациями и т.д. Для внешнего анализа используются интерпретирующие экспертные системы. Целью внешнего анализа предприятия является определение общего состояния предприятия, т.е. интерпретация его экономического положения с точки зрения выявления возможностей эффективного взаимодействия с ним внешних организаций Интеллектуальная система моделирования бизнес-процессов предназначена для анализа на долговременной основе эффективности организации бизнес-процессов, прогнозирования последствий реализации рекомендаций по реинжинирингу бизнес-прцессов. Наиболее зарекомендовавшим себя методом внешнего анализа, интегрирующим множество различных экономических показателей предприятия, служит рейтинговый метод. В случае применения экспертной системы внутреннего финансового анализа FINEX экспертиза осуществляется автоматически на основе введенных данных финансовой отчетности. Функциями экспертной системы финансового анализа предприятия являются: - Ввод и проверка правильности составления бухгалтерской отчетности; - Анализ финансового состояния предприятия; - Анализ результатов финансово-хозяйственной деятельности предприятия и диагностика эффективности использования ресурсов. Анализ финансового состояния предприятия предполагает комплексную рейтинговую и классификационную оценку платежеспособности и финансовой устойчивости предприятия. Для интерпретации данных используются рейтинговый или классификационный методы. Чем больше признаков (факторов) оценки ситуации, тем предпочтительнее рейтинговый метод по сравнению с классификационным. Рейтинговый метод - получение суммарной оценки ситуации по ряду независимых признаков, при этом используется дизъюнктивный подход к построению правил. Этот метод неточный, гибкий. Классификационный метод - ситуации классифицируются как различные комбинации значений признаков, при этом используется конъюнктивный подход к построению правил. Этот метод точный, жесткий. 15. Нейрокомпьютинг ОТВЕТ: Нейрокомпьютинг - это научное направление, занимающееся разработкой вычислительных систем шестого поколения - нейрокомпьютеров, которые состоят из большого числа параллельно работающих простых вычислительных элементов (нейронов). Элементы связаны между собой, образуя нейронную сеть. Они выполняют единообразные вычислительные действия и не требуют внешнего управления. Большое число параллельно работающих вычислительных элементов обеспечивают высокое быстродействие. В настоящее время разработка нейрокомпьютеров ведется в большинстве промышленно развитых стран. Нейрокомпьютеры позволяют с высокой эффективностью решать целый ряд "интеллектуальных" задач. Это задачи распознавания образов, адаптивного управления, прогнозирования, диагностики и т.д. Нейрокомпьютеры отличаются от ЭВМ предыдущих поколений не просто большими возможностями. Принципиально меняется способ использования машины. Место программирования занимает обучение, нейрокомпьютер учится решать задачи. Обучение - корректировка весов связей, в результате которой каждое входное воздействие приводит к формированию соответствующего выходного сигнала. После обучения сеть может применять полученные навыки к новым входным сигналам. При переходе от программирования к обучению повышается эффективность решения "интеллектуальных" задач. Вычисления в нейронных сетях существенно отличаются от традиционных, в силу высокой распараллеленности их можно рассматривать как коллективное явление. В нейронной сети нет локальных областей, в которых запоминается конкретная информация. Вся информация запоминается во всей сети. Толчком к развитию нейрокомпьютинга послужили биологические исследования. По данным нейробиологии нервная система человека и животных состоит из отдельных клеток - нейронов. В мозге человека их число достигает 1010 -1012 . Каждый нейрон связан с 103 -104 другими нейронами и выполняет сравнительно простые действия. Время срабатывания нейрона - 2-5 мс. Совокупная работа всех нейронов обуславливает сложную работу мозга, который в реальном времени решает сложнейшие задачи. Отличия нейрокомпьютеров от вычислительных устройств предыдущих поколений: Параллельная работа очень большого числа простых вычислительных устройств обеспечивает огромное быстродействие. Нейронная сеть способна к обучению, которое осуществляется путем настройки параметров сети. Высокая помехо- и отказоустойчивость нейронных сетей. Помехоустойчивость. Простое строение отдельных нейронов позволяет использовать новые физические принципы обработки информации для аппаратных реализаций нейронных сетей. Нейронные сети находят свое применение в системах распознавания образов, обработки сигналов, предсказания и диагностики, в робототехнических и бортовых системах. Нейронные сети обеспечивают решение сложных задач за времена порядка времен срабатывания цепочек электронных и/или оптических элементов. Решение слабо зависит от неисправности отдельного нейрона. Это делает их привлекательными для использования в бортовых интеллектуальных системах. Разработки в области нейрокомпьютеров поддерживаются целым рядом международных и национальных программ. По мнению большинства правительственных и промышленных экспертов, массовое распространение технологии нейронных сетей начнется в конце 90-х годов. В настоящее время эксплуатируется не менее 50 нейросистем в самых различных областях - от финансовых прогнозов до экспертизы. Разработки в области нейрокомпьютинга ведутся по следующим направлениям: Разработка нейроалгоритмов. Программные реализации нейросетей: Создание специализированного программного обеспечения для моделирования нейронных сетей. Разработка специализированных процессорных плат для имитации нейросетей. Электронные реализации нейронных сетей. Оптоэлектронные реализации нейронных сетей. В настоящее время наиболее массовым направлением нейрокомпьютинга является моделирование нейронных сетей на обычных компьютерах, прежде всего персональных. Моделирование сетей выполняется для их научного исследования, для решения практических задач, а также при определении значений параметров электронных и оптоэлектронных нейрокомпьютеров. 16. Нейрокомпьютеры ОТВЕТ: Нейрокомпьютер должен включать в себя: - аппаратную реализацию нейронной сети, - систему подготовки и ввода в сеть входных сигналов, - систему вывода результатов работы сети и их интерпретации. Универсальным называется нейрокомпьютер, который позволяет реализовывать большое число моделей нейронных сетей и может применяться для решения разнообразных задач. Нейрокомпьютер, предназначенный для решения узкого заранее заданного класса задач, будем называть специализированным. В литературе приведены доказательства того, что для любого алгоритма существует нейронная сеть, которая его реализует. То есть нейронные сети являются универсальными вычислительными устройствами. Однако существует очень много практических задач, которые могут быть эффективно решены на серийных компьютерах. Поэтому в настоящее время основное внимание уделяется разработке специализированных нейрокомпьютеров, предназначенных для решения задач большой размерности и трудноформализуемых задач, с которыми плохо справляются компьютеры предыдущих поколений. Нейрокомпьютеры обладают целым рядом свойств, привлека тельных с точки зрения их практического использования : - сверхвысокое быстродействие за счет использования массового параллелизма обработки информации; - толерантность к ошибкам: работоспособность сохраняется при по вреждении значительного числа нейронов; - способность к обучению; программирование вычислительной системы заменяется обучением; - способность к распознаванию образов в условиях сильных помех и искажений. Эти свойства позволяют с высокой эффективностью решать задачи распознавания визуальных, акустических и искусственно синтезиро ванных образов, обработки сигналов, адаптивного управления, задачи оптимизации и линейной алгебры большой размерности, задачи обучения, робототехнические задачи, задачи прогнозирования и диагностики. Нейронные сети обеспечивают решение сложных задач за времена порядка времен срабатывания цепочек электронных и/или оптических элементов. Решение слабо зависит от неисправности отдельного нейрона. Это делает их привлекательными для использования в составе бортовых вычислительных систем. Разработки в области нейрокомпьютеров поддерживаются целым рядом международных и национальных программ. По мнению больши нства правительственных и промышленных экспертов, массовое распространение технологии нейронных сетей начнется в конце 90-х годов. В настоящее время эксплуатируется не менее 50 нейросистем в самых различных областях - от управления транспортными потоками до финансовых прогнозов. Разработки в области нейрокомпьютинга ведутся по следующим направлениям: - разработка нейроалгоритмов; - программные реализации нейросетей: создание специализированного программного обеспечения для моделирования нейронных сетей, разработка специализированных процессорных плат для имитации нейросетей; - электронные реализации нейронных сетей: создание нейрочипов, реализации нейросетей на СБИС-пластинах; - оптоэлектронные реализации нейронных сетей. 17. Построение и использование экспертных систем управления ОТВЕТ: Экспертная система - это прикладная диалоговая система искусственного интеллекта, способная получать, накапливать, корректировать знания из некоторой предметной области (представляемые в основном специалистами-экспертами), выводить новые знания, находить на основе этих знаний решения практических задач, близкие по качеству к решениям экспертов, и по запросу пользователя объяснять ход решения в понятной для него форме. В отличие от традиционных программ, предназначенных для решения математически строго определенных задач по точным разрешающим алгоритмам, с помощью экспертных систем решаются задачи, относящиеся к классу неформализованных или слабо формализованных, слабо структурированных задач. Алгоритмические решения таких задач или не существуют в силу неполноты, неопределенности, неточности, расплывчатости рассматриваемых ситуаций и знаний о них или же такие решения неприемлемы на практике в силу сложности разрешающих алгоритмов. Поэтому экспертные системы используют логический вывод и эвристический поиск решения. От систем поддержки принятия решений (которые не используют экспертных методов) экспертные системы отличаются тем, что первые опираются больше на математические методы и модели, а экспертные системы в основном базируются на эвристических, эмпирических знаниях, оценках, методах, которые получены от экспертов, и, кроме того, способны анализировать и объяснять пользователю свои действия и знания. Идея построения экспертных систем сформировалась в ходе исследований в области искусственного интеллекта. Экспертные системы распадаются на два больших класса с точки зрения задач, которые они решают. Системы первого класса предназначаются для повышения культуры работы и уровня знаний специалистов в различных областях деятельности (врачей, геологов, инженеров и т. п.). Системы второго класса можно назвать консультирующими, или диагностирующими. Для оказания помощи человеку в решении указанных задач разрабатываются комплексы про грамм персональных компьютеров, называемые интеллектуальными системами, основанными на знаниях. Эти разработки относятся к области приложений исследований по искусственному интеллекту. 18. Основные задачи, решаемые экспертными системами ОТВЕТ: Задачи экспертных систем, которые, по сути, представляют собой комбинацию машинного и человеческого знания, — сохранять и пополнять опыт специалистов, работающих в плохо формализуемых областях, таких, как медицина, биология, история и т. п. Экспертные системы должны сыграть роль высококвалифицированных помощников, способных дать полезный совет, сообщить необходимые сведения человеку, находящемуся в затруднительном положении. Экспертная система хранит массу сведений, полученных из самых различных источников (книг, журнальных публикаций, устных сообщений специалистов и т. п.). Она может использовать эти сведения для консультации и при необходимости объяснить специалисту, как она пришла к сообщаемым ему выводам. В настоящее время, применяя компьютерные технологии, стало возможным использовать системы поддержки в управлении по трем направлениям: - поддержка принятия управленческих решений; - проведение сравнительного анализа вариантов решений (различных прогнозов, стратегий развития и т. д.); - поддержка выбора управленческого решения. Такого рода системы базируются на методах многокритериального анализа и экспертных оценок. 19. Применение, назначение и основные свойства Базы знаний ОТВЕТ: База знаний является основой экспертной системы, она накапливается в процессе ее построения. Наибольший интерес в развитии информационного обеспечения АИТУ экономической деятельностью представляют применения в области искусственного интеллекта. Одной из форм реализации достижений в этой области является создание экспертных систем — специальных компьютерных систем, базирующихся на системном аккумулировании, обобщении, анализе и оценке знаний высококвалифицированных специалистов (экспертов). В экспертной системе используется база знаний, в которой представляются знания о конкретной предметной области. База знаний — это совокупность моделей, правил и факторов (данных), порождающих анализ и выводы для нахождения решений сложных задач в некоторой предметной области. Выделенные и организованные в виде отдельных, целостных структур информационного обеспечения знания о предметной области становятся явными и отделяются от других типов знаний (например, общих знаний). Базы знаний позволяют вести рассуждения не только и не столько на основе формальной математической логики, но и на основе опыта, фактов, эвристик, т. е. базы знаний приближены к человеческой логике. Разработки в области искусственного интеллекта имеют целью использование большого объема высококачественных специальных знаний о некоторой узкой предметной области для решения сложных, неординарных задач. Развитие концепции баз знаний связано с исследованиями и достижениями в области систем искусственного интеллекта. Области применения баз знаний и систем на их основе расширяются. Создается целый спектр баз знаний — от небольших по объему для портативных систем до мощных, предназначенных для профессионалов, эксплуатирующих сложные, технически оснащенные АРМ. Очень большие базы знаний хранятся в централизованных единых хранилищах данных, доступ к которым осуществляется через сети пользователями различных систем, разного уровня, масштаба и т. д. Совершенствование создаваемых баз знаний сделает их доступными для массового пользователя, будет способствовать их превращению в коммерческий продукт. 20. Клеточные автоматы и нейронные сети ОТВЕТ: Клеточным автоматом называют сеть из элементов, меняющих свое состояние в дискретные моменты времени в зависимости от состояния самого элемента и его ближайших соседей в предшествующий момент времени. Различные клеточные автоматы могуть демонстрировать весьма разнообразное поведение, которое может быть адаптировано для целей обработки информации за счет выбора (а) закона изменения состояния элемента и (б) конкретного определения понятия “ближайшие соседи”. Внимательный читатель без труда заметит, что, например, нейронная сеть Хопфилда вполне может рассматриваться, как клеточный автомат, элементами которрого являются формальные нейроны. В качестве закона изменения состояния нейро-автомата используется пороговое преобразование взвешенной суммы входов нейронов, а ближайшими соседями каждого элемента являются все прочие элементы автомата. В мире клеточных автоматов имеется класиификация (S. Wolfram, 1983), согласно которой все автоматы делятся на четыре класса, в зависимости от типа динамики изменяющихся состояний. Автоматы первого класса по истечении конечного времени достигают однородного состояния, в котором значения всех элементов одинаковы и не меняются со временем. Ко второму классу автоматов относятся системы, приводящие к локализованным структурам стационарных или периодических во времени состояний элементов. Третий класс составляют “блуждающие” автоматы, которые с течением времени посещают произвольным (непериодическим) образом все возможные состояния элементов, не задерживаясь ни в одном из них. И, наконец, четвертый класс составляют “странные” автоматы, характер динамики которых зависит от особенностей начального состояния элементов. Некоторые начальные состояния приводят к однородному вырождению автомата, другие - к возникновению циклической последовательности состояний, третьи - к непрерывно меняющимся (как “по системе”, так и без видимой системы) картинам активности элементов. К автоматам четвертого типа относится знаменитая игра “Жизнь” Дж. Конвея. Каждый элемент (организм) колонии “Жизни” может находиться в состоянии покоя или активности. Ближайшими к данному элементу объявляются четыре его соседа на квадратной решетке. Покоящийся элемент может возродиться к активности, если рядом с ним находится ровно три активных соседа. Активный элемент сохраняет “жизнеспособность” при двух активных соседях. Если соседей больше чем два, то элемент гибнет от тесноты, а если их меньше, чем два, то гибель наступает от скуки. Хотя наблюдение за сложной эволюцией начального состояния “Жизни” может дать определенную пищу для мыслительной исследовательской деятельности, в целом этот автомат остается не более чем математическим курьезом. Существуют, однако, более серьезные приложения клеточных автоматов. Среди них прежде всего следует выделить автоматы, реализующие дискретные разностные схемы для решения разнообразных задач математической физики. Для этих целей используются автоматы второго рода. Активность популяции элементов автомата может также описывать такие сложные явления, как рост кристаллов из зародышевых состояний, диффузию и миграцию жидкости в неоднородной пористой среде, особенности возникновения и развития турбулентности о потоках жидкостей и газов, распространение импульса в нервной системе, рост опухоли в биологической ткани, развитие лесных пожаров и другие явления. Описание разнообразных применений клеточных автоматов заслуживает отдельного пристального внимания. КРИТЕРИИ ОЦЕНИВАНИЯ ОТКРЫТЫХ ВОПРОСОВ. «Отлично» (зачтено): Ответ полный, развернутый. Вопрос точно и исчерпывающе передан, терминология сохранена, студент превосходно владеет основной и дополнительной литературой, ошибок нет. «Хорошо» (зачтено): Ответ полный, хотя краток, терминологически правильный, нет существенных недочетов. Студент хорошо владеет пройденным программным материалом; владеет основной литературой, суждения правильны. «Удовлетворительно» (зачтено): Ответ неполный. В терминологии имеются недостатки. Студент владеет программным материалом, но имеются недочеты. Суждения фрагментарны. «Неудовлетворительно» (не зачтено): Не использована специальная терминология. Ответ в сущности неверен. Переданы лишь отдельные фрагменты соответствующего материала вопроса. Ответ не соответствует вопросу или вовсе не дан. |
| 5.2. Темы письменных работ для проведения текущего контроля (эссе, рефераты, курсовые работы и др.) |
| Не предусмотрено |
| 5.3. Фонд оценочных средств для проведения промежуточной аттестации |
| Промежуточная аттестация заключается в проведении в конце семестра зачета (для обучающихся, не получивших зачет по результатам текущей успеваемости) по всему изученному курсу. Контрольно-измерительный материал для письменного опроса формируется из заданий открытого типа текущего контроля, размещенных в онлайн-курсе на образовательном портале «Цифровой университет АлтГУ». Количество заданий в письменном опросе для промежуточной аттестации составляет 5 вопросов. КРИТЕРИИ ОЦЕНИВАНИЯ: Каждое задание оценивается 1 баллом. Оценивание КИМ в целом: «зачтено» – верно выполнено более 50% заданий; «не зачтено» – верно выполнено 50% и менее 50% заданий. |
| 6.1. Рекомендуемая литература | ||||
| 6.1.1. Основная литература | ||||
| Авторы | Заглавие | Издательство, год | Эл. адрес | |
| Л1.1 | Н. В. Максимов, Т. Л. Партыка, И. И. Попов | Современные информационные технологии: учебник | М.: ФОРУМ, 2008 | |
| 6.1.2. Дополнительная литература | ||||
| Авторы | Заглавие | Издательство, год | Эл. адрес | |
| Л2.1 | Радченко А.Н. | Ассоциативная память. Нейронные сети. Оптимизация нейропроцессоров: | СПб. : Наука, 1998 | 3 |
| 6.2. Перечень ресурсов информационно-телекоммуникационной сети "Интернет" | ||||
| Название | Эл. адрес | |||
| Э1 | Курс "Интеллектуальные автоматизированные системы" | portal.edu.asu.ru | ||
| 6.3. Перечень программного обеспечения | ||||
| В компьютерном классе должны быть установлены: Visual Studio Условия использования: https://code.visualstudio.com/license LibreOffice Условия использования: https://ru.libreoffice.org/about-us/license/ Microsoft Windows 7-Zip AcrobatReaderMicrosoft Office 2010 (Office 2010 Professional, № 4065231 от 08.12.2010), (бессрочно); Microsoft Windows 7 (Windows 7 Professional, № 61834699 от 22.04.2013), (бессрочно); Chrome (http://www.chromium.org/chromium-os/licenses), (бессрочно); 7-Zip (http://www.7-zip.org/license.txt), (бессрочно); AcrobatReader (http://wwwimages.adobe.com/content/dam/Adobe/en/legal/servicetou/Acrobat_com_Additional_TOU-en_US-20140618_1200.pdf), (бессрочно); ASTRA LINUX SPECIAL EDITION (https://astralinux.ru/products/astra-linux-special-edition/), (бессрочно); LibreOffice (https://ru.libreoffice.org/), (бессрочно); Веб-браузер Chromium (https://www.chromium.org/Home/), (бессрочно); Антивирус Касперский (https://www.kaspersky.ru/), (до 23 июня 2024); Архиватор Ark (https://apps.kde.org/ark/), (бессрочно); Okular (https://okular.kde.org/ru/download/), (бессрочно); Редактор изображений Gimp (https://www.gimp.org/), (бессрочно) | ||||
| 6.4. Перечень информационных справочных систем | ||||
| Электронная библиотечная система Алтайского государственного университета (http://elibrary.asu.ru/); | ||||
| Аудитория | Назначение | Оборудование |
|---|---|---|
| 001вК | склад экспериментальной мастерской - помещение для хранения и профилактического обслуживания учебного оборудования | Акустический прибор 01021; виброизмеритель 00032; вольтметр Q1202 Э-500; вольтметр универсальный В7-34А; камера ВФУ -1; компьютер Турбо 86М; масспектрометр МРС -1; осциллограф ЕО -213- 2 ед.; осциллограф С1-91; осциллограф С7-19; программатор С-815; самописец 02060 – 2 ед.; стабилизатор 3218; терц-октавный фильтр 01023; шкаф вытяжной; шумомер 00026; анализатор АС-817; блок 23 Г-51; блок питания "Статрон" – 2 ед.; блок питания Ф 5075; вакуумный агрегат; весы; вольтметр VM -70; вольтметр В7-15; вольтметр В7-16; вольтметр ВУ-15; генератор Г-5-6А; генератор Г4-76А; генератор Г4-79; генератор Г5-48; датчик колебаний КВ -11/01; датчик колебаний КР -45/01; делитель Ф5093; измеритель ИМП -2; измеритель параметров Л2-12; интерферометр ИТ 51-30; источник "Агат" – 3 ед.; источник питания; источник питания 3222; источник питания ЭСВ -4; лабораторная установка для настройки газовых лазеров; лазер ЛГИ -21; М-кальк-р МК-44; М-калькул-р "Электроника"; магазин сопротивления Р4075; магазин сопротивления Р4077; микроскоп МБС -9; модулятор МДЕ; монохроматор СДМС -97; мост переменного тока Р5066; набор цветных стекол; насос вакумный; насос вакуумный ВН-01; осциллограф С1-31; осциллограф С1-67; осциллограф С1-70; осциллограф С1-81; осциллоскоп ЕО -174В – 2 ед.; пентакта L-100; пирометр "Промень"; пистонфон 05001; преобразователь В9-1; прибор УЗДН -2Т; скамья оптическая СО 1м; спектограф ДФС -452; спектограф ИСП -51; стабилизатор 1202; стабилизатор 3217 – 4 ед.; стабилизатор 3218; стабилизатор 3222 – 3 ед.; станок токарный ТВ-4; усилитель мощности ЛВ -103 – 4 ед.; усилитель У5-9; центрифуга ВЛ-15; частотомер Ч3-54А; шкаф металлический; эл.двигатель; электродинамический калибратор 11032 |
| Помещение для самостоятельной работы | помещение для самостоятельной работы обучающихся | Компьютеры, ноутбуки с подключением к информационно-телекоммуникационной сети «Интернет», доступом в электронную информационно-образовательную среду АлтГУ |
| Учебная аудитория | для проведения занятий лекционного типа, занятий семинарского типа (лабораторных и(или) практических), групповых и индивидуальных консультаций, текущего контроля и промежуточной аттестации, курсового проектирования (выполнения курсовых работ), проведения практик | Стандартное оборудование (учебная мебель для обучающихся, рабочее место преподавателя, доска) |
| 209К | лаборатория схемотехники и микропроцессорных систем - учебная аудитория для проведения занятий семинарского типа (лабораторных и(или) практических); проведения групповых и индивидуальных консультаций, текущего контроля и промежуточной аттестации | Учебная мебель на 15 посадочных мест; рабочее место преподавателя; доски меловые 1шт. компьютеры: марка Aquarius модель Cel-2533 - 2 единицы; внутрисхемный программатор-отладчик PICkit 3 - 5шт.; компьютер Парус 945 - 13шт.; монитор 15"LG Flatron; монитор 17"Samsung 793 MB; набор PICkit 3; паяльная станция -5шт.; плата оценочная DEO-Nano - 8шт.;системный блок Celeron 2400$/ методические указания по выполнению лабораторных работ: Разработка микропроцессорных систем на базе микроконтроллера PIC16F84; Микроконтроллеры семейства MCS; Методы кодирования и сжатия информации |
| Методические указания для студентов Основной целью при изучении дисциплины является стремление показать области применения и формирование у будущих специалистов теоретических знаний и практических навыков по использованию современных персональных компьютеров и программных средств для решения широкого спектра задач в различных областях, а именно: ознакомить студентов с основами организации и архитектуры искусственных нейронных сетей; привить навыки работы с языками программирования для программных комплексов, реализующих искусственные нейронные сети; изложить основные принципы проектирования искусственных нейронных сетей. Основными задачами изучения дисциплины «НИнтеллектуальные банковские системы» являются: овладение фундаментальными знаниями об основах организации и архитектуре искусственных нейронных сетей; целостное представление о науке и ее роли в развитии информационных технологий; владеть общими вопросами организации искусственных нейронных сетей для современных ЭВМ; овладение технологиями программирования с использованием нейросетевого подхода; углубление практических навыков работы на персональном компьютере (основы работы с различными инструментальными средствами для проектирования и искусственных нейронных сетей). Для эффективного изучения теоретической части дисциплины «Интеллектуальные банковские системы» необходимо: построить работу по освоению дисциплины в порядке, отвечающим изучению основных этапов, согласно приведенным темам лекционного материала; систематически проверять свои знания по контрольным вопросам и тестам; усвоить содержание ключевых понятий; активно работать с основной и дополнительной литературой по соответствующим темам; регулярно консультироваться с преподавателем, ведущим изучаемую дисциплину. Для эффективного изучения практической части дисциплины «Интеллектуальные банковские системы» настоятельно рекомендуется: систематически выполнять подготовку к практическим занятиям по предложенным преподавателем темам; своевременно выполнять практические задания, подготавливать доклады или рефераты. Методические рекомендации по самостоятельной работе Самостоятельная работа студента, безусловно - один из важнейших этапов в подготовке магистров. Она приобщает студентов к исследовательской работе, обогащает опытом и знаниями, необходимыми для дальнейшего их становления как специалистов, прививает навыки работы с литературой. Цель самостоятельной работы - систематизация, закрепление и расширение теоретических и практических знаний с использованием современных информационных технологий и литературных источников. Данная цель может быть достигнута при решении следующего круга задач: изучение лекционного материала; изучение дополнительных источников информации; выполнение лабораторных работ. Порядок начисления рейтинговых баллов по предмету Работа с базами данных - 10 баллов Прохождение тестов - 60 баллов Выполнение лабораторных работ - 30 баллов Формула перевода итоговой суммы баллов в традиционную оценку по дисциплине отлично: 85 - 100 баллов; хорошо: 70 - 84 балла; удовлетворительно: 50 - 69 баллов; не удовлетворительно: 0-49 баллов. Правила аттестации для студентов, не набравших необходимый минимум баллов по дисциплине Если студент, в ходе изучения дисциплины набрал 70 и более баллов, то он имеет право на выставление соответствующей оценки по экзамену без его сдачи. Если студент набрал менее 70 баллов, то он должен сдавать экзамен (экзаменационный тест). Данный тест оценивается в диапазоне от 0 до 30 баллов. Полученные баллы суммируются к уже набранным и студенту выставляется итоговая оценка. |