Обчислювальний інтелект
Спеціальність: Системи і методи прийняття рішень
Код дисципліни: 7.124.01.O.002
Кількість кредитів: 6.00
Кафедра: Інформаційні системи та мережі
Лектор: Д.ф.-м.н., професор Пелещак Роман Михайлович
Семестр: 1 семестр
Форма навчання: денна
Завдання: Вивчення навчальної дисципліни передбачає формування у здобувачів освіти компетентностей:
загальні компетентності:
Здатність розв’язувати складні спеціалізовані задачі та практичні проблеми які характеризуються комплексністю і невизначеністю умов та вимог у різних галузях, що передбачає проведення досліджень та/або здійснення інновацій із застосуванням теоретичних положень і методів системного аналізу
К01. Здатність до абстрактного мислення, аналізу та синтезу.
К03. Здатність проведення досліджень на відповідному рівні.
К04. Здатність вчитися і оволодівати сучасними знаннями.
К05. Здатність до пошуку, оброблення та аналізу інформації з різних джерел.
К06. Здатність генерувати нові ідеї (креативність).
К07. Вміння виявляти, ставити та вирішувати проблеми.
фахові компетентності:
К13. Здатність розробляти та аналізувати математичні моделі природних, техногенних, економічних і соціальних об’єктів та процесів.
К14. Здатність планувати і проводити системні дослідження, виконувати математичне та інформаційне моделювання динамічних процесів.
К16. Здатність формувати нові гіпотези та дослідницькі задачі в області системного аналізу та прийняття рішень, вибирати належні напрями для їх застосування.
К17. Здатність формулювати, аналізувати та синтезувати при вирішенні наукових проблем на абстрактному рівні.
К20. Здатність розробляти функції прогнозування динаміки розвитку процесів різної природи в детермінованому і стохастичному середовищі та оцінювати якість прогнозу.
К24. Здатність розкривати ситуаційні та системні невизначеності, розробляти алгоритми подолання конфліктів.
К26. Здатність до самоосвіти та підвищення професійної кваліфікації.
Результати навчання: У результаті вивчення навчальної дисципліни здобувач освіти повинен бути здатним продемонструвати такі результати навчання:
ПР01. Знати та уміти застосовувати на практиці методи системного аналізу, методи математичного та інформаційного моделювання для побудови та дослідження моделей об’єктів і процесів інформатизації.
ПР02. Знати методи розкриття невизначеностей в задачах системного аналізу, уміти розкривати ситуаційні невизначеності, та невизначеності в задачах взаємодії, протидії та конфлікту стратегій, знаходити компроміс при розкритті концептуальної невизначеності тощо.
ПР06. Знати та уміти застосовувати методи еволюційного моделювання та генетичні методи оптимізації, методи індуктивного моделювання та математичний апарат нечіткої логіки, нейронних мереж, теорії ігор та розподіленого штучного інтелекту, тощо.
ПР08. Знати та уміти ідентифікувати (оцінювати) параметри математичних моделей об’єктів управління в реальному масштабі часу в умовах зміни його динаміки і дії випадкових збурень, використовуючи вимірювані сигнали вхідних і вихідних координат об’єкта.
ПР10. Знати моделі, методи та алгоритми прийняття рішень в умовах конфлікту, нечіткої інформації, невизначеності і ризику.
ПР11. Здатність робити пошук інформації в спеціалізований літературі в галузі системного аналізу, використовуючи різноманітні ресурси: журнали, бази даних, on-line ресурси.
КОМ1. Уміння спілкуватись, включаючи усну та письмову комунікацію українською та іноземною мовами (англійською, німецькою, італійською, французькою, іспанською).
КОМ2. Здатність використання різноманітних методів, зокрема сучасних інформаційних технологій, для ефективно спілкування на професійному та соціальному рівнях.
АіВ1. Здатність адаптуватись до нових ситуацій та приймати відповідні рішення.
АіВ2. Здатність усвідомлювати необхідність навчання впродовж усього життя з метою поглиблення набутих та здобуття нових фахових знань.
АіВ3. Здатність відповідально ставитись до виконуваної роботи, самостійно приймати рішення, досягати поставленої мети з дотриманням вимог професійної етики.
Необхідні обов'язкові попередні та супутні навчальні дисципліни: Розподілені інформаційні системи, Технології підтримки процесів прийняття рішень, Рекомендаційні системи.
Короткий зміст навчальної програми: У викладанні дисципліни розглядаються такі теми:
Архітектура штучних нейронних мереж. Алгоритми навчання нейронної мережі. Нейронні мережі зі зворотними зв’язками і самоорганізацією. Системи нечіткого логічного виводу. Нечіткі нейронні мережі та їх використання у задачах прогнозування. Використання систем з нечіткою логікою та нечітких нейромереж в задачах прогнозування в макроекономіці та фінансовому аналізі. Нечіткі нейронні мережі в задачах класифікації. Розпізнавання об’єктів електрооптичних зображень з використанням нечітких нейромереж. Метод індуктивного моделювання в задачах інтелектуального аналізу даних. Кластерний аналіз в інтелектуальних системах. Алгоритми нечіткого кластер-аналізу. Генетичні алгоритми та еволюційне моделювання. Еволюційне програмування. Ройові алгоритми обчислювального інтелекту. Гібридні алгоритми ройової оптимізації.
Опис: Архітектура штучних нейронних мереж.
Одношарові та багатошарові нейромережі прямого поширення. Рекурентні мережі без прихованих та з прихованими мережами. Одношаровий та багатошаровий перцептрони. Обчислювальні можливості нейронних мереж. Нейронні мережі з радіально-базисними функціями.
Алгоритми навчання нейронної мережі.
Градієнтний метод навчання нейромережі зворотного поширення. Градієнтний алгоритм навчання для нейромережі з будь-яким числом шарів та його удосконалення. Генетичний алгоритм навчання нейронної мережі. Покращення збіжності алгоритмів навчання нейромереж. Алгоритм спряжених градієнтів.
Нейронні мережі зі зворотними зв’язками і самоорганізацією.
Нейронна мережа Хопфілда та її використання. Нейронна мережа Хеммінга. Архітектура та алгоритм роботи. Самоорганізуючі нейромережі. Алгоритми навчання Кохонена. Використання нейромереж Кохонена.
Системи нечіткого логічного виводу.
Алгоритми нечіткого логічного виводу (Метод Мамдані та Цукамото). Методи приведення до чіткості. Теорема про універсальну апроксимацію.
Нечіткі нейронні мережі та їх використання у задачах прогнозування.
Нечіткі нейронні мережі з виводом Мамдані та Цукамото. Градієнтний алгоритм навчання нечітких нейромереж Мамдані та Цукамото. Нечітка неромережа ANFIS. Структура та алгоритм навчання. Нео-фаззі нейромережі та каскадні нео-фаззі нейромережі.
Використання систем з нечіткою логікою та нечітких нейромереж в задачах прогнозування в макроекономіці та фінансовому аналізі.
Прогнозування в макроекноміці та фінансовій сфері з використаннм нечітких нейромереж. Оптимізації інвестиційного портфелю в умовах невизначеності. Прогнозування ризику банкротства банків в умовах невизначеності на основі нечітких нейромереж.
Нечіткі нейронні мережі в задачах класифікації.
Нечіткі нейромережі NEFClass. Архітектура, властивості, алгоритм навчання, бази правил і параметрів функції належності нечітких множин. Аналіз властивостей NEFClass. Модифікована система нечіткої класифікації NEFClass-М. Порівняльний аналіз нечітких нейромереж NEFClass і NEFClass-М в задачах класифікації в економіці.
Розпізнавання об’єктів електрооптичних зображень з використанням нечітких нейромереж.
Загальна характеристика роботи системи. Види сенсорів і гіперспектральні системи. Використання системи NEFClass в задачі розпізнавання об’єктів електрооптичних зображень з реальними даними.
Метод індуктивного моделювання в задачах інтелектуального аналізу даних.
Загальна характеристика та основні принципи методу групового урахування аргументів. Нечіткий метод групового урахування аргументів (НМГУА). Основні ідеї методу. Математична модель НМГУА. Опис алгоритму НМГУА. НМГУА з гаусівськими та дзвоноподібними функціями належності.
Кластерний аналіз в інтелектуальних системах.
Кластер-аналіз. Постановка задачі. Критерії якості та метрики кластерного аналізу. Класифікація алгоритмів кластерного аналізу. Нечіткий метод k-середніх. Визначення початкового розташування центрів кластерів. Методи пікового та різницевого групування.
Алгоритми нечіткого кластер-аналізу.
Нечіткий кластер-аналіз Густавсона-Кесселя. Використання нечітких методів k-середніх і Густавсона-Кесселя в задачах автоматичної класифікації.
Генетичні алгоритми та еволюційне моделювання
Канонічний генетичний алгоритм. Бінарне представлення. Представлення з плаваючою точкою. Використання генетичного алгоритму в задачі структурного синтезу мереж.
Еволюційне програмування.
Оператори еволюційного програмування. Знаходження найкоротшого шляху за графом на основі генетичного алгоритму. Адаптація (самонавчання) еволюційного програмування. Реалізація алгоритмів еволюційного програмування.
Методи та критерії оцінювання: Діагностика знань відбувається шляхом оцінювання виконаних лабораторних робіт та екзаменаційного контролю (письмової та усної компоненти) у формі тестових запитань.
Критерії оцінювання результатів навчання: • Поточний контроль (40%): письмові звіти з лабораторних робіт, усне опитування
• Підсумковий контроль (60%). іспит, тестування 50%, усна компонента 10%.
Порядок та критерії виставляння балів та оцінок: 100–88 балів – («відмінно») виставляється за високий рівень знань (допускаються деякі неточності) навчального матеріалу компонента, що міститься в основних і додаткових рекомендованих літературних джерелах, вміння аналізувати явища, які вивчаються, у їхньому взаємозв’язку і роз витку, чітко, лаконічно, логічно, послідовно відповідати на поставлені запитання, вміння застосовувати теоретичні положення під час розв’язання практичних задач; 87–71 бал – («добре») виставляється за загалом правильне розуміння навчального матеріалу компонента, включаючи розрахунки , аргументовані відповіді на поставлені запитання, які, однак, містять певні (неістотні) недоліки, за вміння застосовувати теоретичні положення під час розв’язання практичних задач; 70 – 50 балів – («задовільно») виставляється за слабкі знання навчального матеріалу компонента, неточні або мало аргументовані відповіді, з порушенням послідовності викладення, за слабке застосування теоретичних положень під час розв’язання практичних задач; 49–26 балів – («не атестований» з можливістю повторного складання семестрового контролю) виставляється за незнання значної частини навчального матеріалу компонента, істотні помилки у відповідях на запитання, невміння застосувати теоретичні положення під час розв’язання практичних задач; 25–00 балів – («незадовільно» з обов’язковим повторним вивченням) виставляється за незнання значної частини навчального матеріалу компонента, істотні помилки у відповідях на запитання, невміння орієнтуватися під час розв’язання практичних задач, незнання основних фундаментальних положень.
Рекомендована література: 1. Згуровський М. З., Зайченко Ю. П. Основи обчислювального інтелекту. – Київ: Науково-виробниче підприємство «Видавництво «Наукова думка» НАН України» 2013, 407 с.
2. Harrison Kinsley, Daniel Kukiela. Neural Networks from Scratch in Python. Sentdex, Kinsley Enterprises Inc. 2020, 658 p. https://nnfs.io/
3. Зайченко Ю. П. Основи проектування інтелектуальних систем. Навчальний посібник. – К.: Видавничий Дім «Слово», 2004. – 352 с.
4. Руденко О. Г., Бодянський Є. В. Штучні нейронні мережі: Навчальний посібник. – Харків: ТОВ «Компанія СМІТ», 2006. – 404 с.
5. М.А. Новотарський, Б.Б. Нестеренко. Штучні нейронні мережі: обчислення // Праці Інституту математики НАН України. – Т50. – Київ: Ін-т математики НАН України, 2004. – 408 с.
6. Пелещак Р.М., Литвин В.В., Пелещак І.Р. Методичний посібник для лабораторних робіт з навчальної дисципліни «Обчислювальний інтелект», 2021, 70 с.
Уніфікований додаток: Національний університет «Львівська політехніка» забезпечує реалізацію права осіб з інвалідністю на здобуття вищої освіти. Інклюзивні освітні послуги надає Служба доступності до можливостей навчання «Без обмежень», метою діяльності якої є забезпечення постійного індивідуального супроводу навчального процесу студентів з інвалідністю та хронічними захворюваннями. Важливим інструментом імплементації інклюзивної освітньої політики в Університеті є Програма підвищення кваліфікації науково-педагогічних працівників та навчально-допоміжного персоналу у сфері соціальної інклюзії та інклюзивної освіти. Звертатися за адресою:
вул. Карпінського, 2/4, І-й н.к., кімн. 112
E-mail: nolimits@lpnu.ua
Websites: https://lpnu.ua/nolimits https://lpnu.ua/integration
Академічна доброчесність: Політика щодо академічної доброчесності учасників освітнього процесу формується на основі дотримання принципів академічної доброчесності з урахуванням норм «Положення про академічну доброчесність у Національному університеті «Львівська політехніка» (затверджене вченою радою університету від 20.06.2017 р., протокол № 35).