Шпаргалка по информатике. шпаргалка Инф. 1. История становления информатики, как науки, ее связь с другими науками
 Скачать 0.86 Mb.
|
|
Создание слайд – фильма Апофеоз всей тяжести работы с Power Point наступает в момент демонстрации презентации, когда слайды один за другим выводятся на экран. Создавая основную последовательность слайдов, тем самым формируется простейший слайд - фильм. Чтобы просмотреть его, надо перейти к первому слайду, а затем щелкнуть на кнопке Показ слайдов, расположенной в нижней части окна презентации, либо выполнить команду Показ слайдов меню Вид. Эффекты перехода удобнее всего настраивать в режиме сортировщика слайдов, где можно видеть одновременно несколько слайдов и предварительно просмотреть действие эффектов перехода. Чтобы переключиться в режим сортировщика слайдов, щелкните на кнопке Режим сортировщика слайдов меню Вид. Эффекты перехода несомненно впечатляют, однако не стоит отвлекать внимание аудитории от содержания презентации перегруженностью эффектов. Чтобы красиво закончить слайд – фильм, необходимо добавить в конец презентации черный слайд, выполнив команду Параметры меню Сервис, а затем установив флажок Завершить черным слайдом на вкладке Вид окна диалога Параметры. Запуск слайд - фильма прежде чем начать демонстрацию слайд – фильма, необходимо указать слайд, с которого будет начинаться презентация. Для этого просто надо выделить слайд в режиме сортировщика или перейти к нему в режиме слайдов. При щелчке на кнопке Чтобы запустить фильм целиком, надо щелкнут в разделе Слайды этого окна диалога на переключателе Все. Здесь можно задать номера начального и конечного слайдов фрагмента демонстрации, указав их в счетчиках От и До. Чтобы запустить слайд – фильм в режиме полностью автоматической демонстрации, надо лишь установить флажок Непрерывный цикл до нажатия 'Esc' в разделе Вид демонстрации окна диалога Настройка демонстрации. В результате фильм будет демонстрироваться как бесконечно повторяющийся цикл. Есть специальные режимы демонстрации. Они включаются с помощью окна диалога Настройка демонстрации. первый из них – демонстрация, управляемая докладчиком – это традиционный полноэкранный режим показа слайд – фильма. Второй режим – демонстрация, управляемая пользователем – отображает презентацию в окне, похожем на окно Internet Explorer, что позволяет зрителю легко передвигаться по слайд – фильму с помощью различных управляющих элементов. Третий режим – автоматическая демонстрация – воспроизводит презентацию в полноэкранном виде, но при этом перезапускает ее, а также защищает презентацию от изменений. При выборе третьего режима автоматически устанавливается флажок Непрерывный цикл до нажатия 'Esc'. | 41. Понятия искусственного интеллекта. Представление знаний в системах искусственного интеллекта. Семантические сети, фреймы, продукционные и логические системы. Только после второй мировой войны появились устройства, казалось бы, подходящие для достижения заветной цели - моделирования разумного поведения; это были электронные цифровые вычислительные машины. «Электронный мозг», как тогда восторженно называли компьютер, поразил в 1952 г. телезрителей США, точно предсказав результаты президентских выборов за несколько часов до получения окончательных данных. К концу 50-х годов выделилась ветвь информатики, получившую название «искусственный интеллект». Исследования в области искусственного интеллекта, первоначально сосредоточенные в нескольких университетских центрах США, а зачем и в других стран. В общем, исследователей искусственного интеллекта, работающих над созданием мыслящих машин, можно разделить на две группы. Одних интересует чистая наука и для них компьютер - лишь инструмент, обеспечивающий возможность экспериментальной проверки теорий процессов мышления. Интересы другой группы лежат в области техники: они стремятся расширить сферу применения компьютеров и облегчить пользование ими. Многие представители второй группы мало заботятся о выяснении механизма мышления - они полагают, что для их работы это едва ли более полезно, чем изучение полета птиц и самолетостроения. Из кибернетического, или нейромодельного, подхода к машинному разуму скоро сформировался так называемый «восходящий метод» -движение от простых аналогов нервной системы примитивных существ, обладающих малым числом нейронов, к сложнейшей нервной системе человека и даже выше. Конечная цель виделась в создании «адаптивной сети», «самоорганизующейся системы» или «обучающейся машины» - все эти названия разные исследователи использовали для обозначения устройств, способных следить за окружающей обстановкой и с помощью обратной связи изменять свое поведение в полном соответствии с господствовавшей в те времена бихевиористской школой психологии, т.е. вести себя так же как живые организмы. Однако не во всех случаях возможна аналогия с живыми организмами. Области применения искусственного интеллекта К сфере искусственного интеллекта относятся те весьма различные области, где мы действуем, не имея абсолютно точного метода решения проблемы, и которые обладают в общем двумя характерными особенностями: 1. В них используется информация в символьной форме: буквы, слова, знаки, рисунки. Это отличает область искусственного интеллекта от областей, в которых традиционно компьютерам доверяется обра ботка данных в числовой форме; 2. В них предопределяется наличие выбора; действительно, сказать, ню не существует алгоритма, это, значит, сказать, по сути дела, только то, что нужно сделать выбор между многими вариантами в условиях неопределенности, и этот недетерминизм, который носит фундамен тальный характер, эта свобода действия являются существенной со ставляющей интеллекта. Первой проблемой, с которой сталкиваются исследователи в области искусственного интеллекта, является проблема восприятия информации. Возможности сенсорных и исполнительных механизмов, присущих человеку, в области зрения, манипулирования, восприятия вкуса и запаха, а также в понимании и воспроизведении речи еще не достигнуты в современных технических системах. Рассмотрим отдельные направления, где находят применение методы искусственного интеллекта. Как и формальные системы в математике, игры, характеризующиеся конечным числом ситуаций и четко определенными правилами, являются хорошей сферой приложения дедуктивных методов. Вот почему они были и остаются до сих пор предпочтительными объектами исследований в искусственном интеллекте Создание «искусственного интеллекта» началось еще в Древнем Риме и Древнем Египте и до сих пор ученые различных специальностей - кибернетики, лингвисты, психологи, философы, математики, инженеры, работают над проблемой создания самой совершенной машины имеющей «человеческое мышление». Следует отметить, что многие специальные операции, применяемые в программах машинной обработки информации, очень похожи на операции мышления, которыми пользуется человек. Дадим краткую характеристику каждой из четырех основных форм представления знаний. 1. Семантические сети первоначально были задуманы как модель представления структуры долговременной памяти в психологии и использовались для представления семантических связей между концептами (словами). Эта форма представления знаний представляет собой простой и понятный способ описания отношений между объектами и удобна для декларативного описания ситуаций Семантические сети используются, например, в задачах классификации, распознавания, когда имеется неполное описание текущей ситуации, которое необходимо дополнить, расширить, соотнеся с некоторым классом подобных ситуаций. Для этого применяются механизм наследования, процедуры сопоставления частей сетевой структуры, поиска релевантных подсетей]. Семантические сети нашли широкое применение в ситуационном моделировании, в системах обработки естественного языка , в информационно-поисковых системах, в системах обработки информации Менее удобны семантические сети "чистом" виде для задач, где преобладают процедурные знания. Однако они часто используются для решения подобного рода задач в комбинации с другими формами представления знаний.. Функциональные сети используются в системах ПРИЗ, СПОРА, МАВР Имеются и другие способы использования процедур в сетевых моделях 2. Фреймы были впервые предложены для представления М. Минским в 1975 году . Фреймы - это специальные информационные структуры для представления и описания стереотипных ситуаций, событий, объектов. Обычно модель предметной области представляется сетью фреймов, т.е. системой фреймов, связанных друг с другом. Чаще всего это иерархические структуры фреймов, связанных отношением "абстрактное - конкретное". Вывод на таких системах фреймов заключаются в автоматической "настройке" (заполнении) фреймов нижнего уровня с помощью механизма наследования, процедур поиска и включения Такого рода структуры, как и семантические сети, могут быть использованы в информационно- поисковых системах, в системах общения, в системах обработки изображений. Однако, в отличие от семантических сетей, во фреймах предусмотрен удобный способ включения процедурных знаний - с помощью, так называемых, присоединенных процедур, среди которых выделяют процедуры-демоны и служебные процедуры. Это открывает широкий простор для комплексирования фреймового формализма с математическими моделями, системами продукций, традиционным программным обеспечением, что позволяет строить гибридные модели. Фреймовое представление широко используется в системах, основанных на знаниях. Вот лишь некоторые примеры систем, разработанных в нашей стране - система ПРИЗ , КАТИ, ДИЛОС, ТЕМП, СПЭИС. Нужно сказать, что и семантические сети, и фреймовое представление имеют один общий недостаток -отсутствие универсальной процедуры управления выводом, кроме механизма наследования, который, однако не позволяет выстраивать "цепочки умозаключений". Эта проблема решается в различных конкретных языках, моделях, основанных на фреймах или семантических сетях, по-разному. 3. Продукции и логические исчисления, в частности, исчисление предикатов, удобны для представления закономерностей, "рассуждений", т.е. некоторых фрагментов процедурных знаний. Исчисление предикатов является классической формой представления знаний в исследованиях по искусственному интеллекту, использовавшейся еще в 50-е годы. Основное преимущество, использования этого языка заключается в наличии мощного механизма вывода, имеющего строгое математическое обоснование. К недостаткам языка, как указывается в, можно отнести его ограниченные выразительные возможности. В настоящее время аппарат исчисления предикатов в чистом виде используется редко, однако он послужил основой языка ПРОЛОГ , довольно распространенного в среде разработчиков экспертных систем. 4. Продукционные модели, пожалуй, самая популярная форма представления знаний в экспертных системах. Они оказались чрезвычайно удобными для имитации "рассуждений" человека на основе независимых эвристических правил. Правило-продукция "ЕСЛИ - ТО" близка по смыслу логической формуле с импликацией . Как отмечается в продукции могут сочетаться с исчислением предикатов. При этом открывается возможность реализовывать дедуктивный вывод на основе правил-продукций. Несомненным достоинством продукционного представления является модульность. Как правило, продукции не "вызываются" другими продукциями и являются независимыми. Поэтому любое правило может быть удалено, добавлено, изменено, причем эти изменения не затрагивают остальные правила. Однако это свойство модульности оборачивается и недостатками: отсутствие целостного образа знаний, неясность взаимосвязей между правилами снижает эффективность вывода на системах продукций. На каждой итерации при поиске "выполняемой" продукции проверяются все правила. Таким образом, появляется проблема комбинаторного "взрыва". Кроме того, в процессе вывода проверяется множество "тупиковых" ветвей, что также снижает эффективность вывода. | 42. Структура экспертной системы. Структура экспертной системы представлена следующими структурными элементами: 1. База знаний Она содержит факты, описывающие проблемную область, а также логическую взаимосвязь этих фактов. Центральное место в базе знаний принадлежит правилам. Правило определяет, что следует делать в данной конкретной ситуации, и состоит из двух частей: условия, которое может выполняться или нет, и действия, которое следует произвести, если условие выполняется. Все используемые в экспертной системе правила образуют систему правил, которая даже для сравнительно простой системы может содержать несколько тысяч правил. Все виды знаний в зависимости от специфики предметной области и квалификации проектировщика (инженера по знаниям) с той или иной степенью адекватности могут быть представлены с помощью одной либо нескольких семантических моделей. 2. Интерпретатор Это часть экспертной системы, производящая в определенном порядке обработку знаний (мышление), находящихся в базе знаний. Технология работы интерпретатора сводится к последовательному рассмотрению совокупности правил (правило за правилом). Если условие, содержащееся в правиле, соблюдается, выполняется определенное действие, и пользователю предоставляется вариант решения его проблемы. 3. Модуль создания системы Он служит для создания набора (иерархии) правил. Существуют два подхода, которые могут быть положены в основу модуля создания системы: использование алгоритмических языков программирования и использование оболочек экспертных систем. Для представления базы знаний специально разработаны языки Лисп и Пролог, хотя можно использовать и любой известный алгоритмический язык. Оболочка экспертных систем представляет собой готовую программную среду, которая может быть приспособлена к решению определенной проблемы путем создания соответствующей базы знаний. В большинстве случаев использование оболочек позволяет создавать экспертные системы быстрее и легче в сравнении с программированием. Интерфейс пользователя Менеджер (специалист) использует интерфейс для ввода информации и команд в экспертную систему и получения выходной информации из нее. Команды включают в себя параметры, направляющие процесс обработки знаний. Информация обычно выдается в форме значений, присваиваемых определенным переменным. Менеджер может использовать четыре метода ввода информации: меню, команды, естественный язык и собственный интерфейс. Технология экспертных систем предусматривает возможность получать в качестве выходной информации не только решение, но и необходимые объяснения. Различают два вида объяснений: l объяснения, выдаваемые по запросам. Пользователь в любой момент может потребовать от экспертной системы объяснения своих действий; 2 объяснения полученного решения проблемы. После получения решения пользователь может потребовать объяснений того, как оно было получено. Система должна пояснить каждый шаг своих рассуждений, ведущих к решению задачи. Хотя технология работы с экспертной системой не является простой, пользовательский интерфейс этих систем является дружественным и обычно не вызывает трудностей при ведении диалога. Кроме того, во многих экспертных системах вводятся дополнительные блоки: база данных, блок расчета, блок ввода и корректировки данных. Блок расчета необходим в ситуациях, связанных с принятием управленческих решений. При этом важную роль играет база данных, где содержатся плановые, физические, расчетные, отчетные и другие постоянные или оперативные показатели. Блок ввода и корректировки данных используется для оперативного и своевременного отражения текущих изменений в базе данных. |
| 43. Место экспертных систем в экономике, оболочки экспертных систем. В начале восьмидесятых годов в исследованиях по искусственному интеллекту сформировалось самостоятельное направление, получившее название "экспертные системы" (ЭС). Цель исследований по ЭС состоит в разработке программ, которые при решении задач, трудных для эксперта-человека, получают результаты, не уступающие по качеству и эффективности решениям, получаемым экспертом. Исследователи в области ЭС для названия своей дисциплины часто используют также термин "инженерия знаний", введенный Е.Фейгенбаумом как "привнесение принципов и инструментария исследований из области искусственного интеллекта в решение трудных прикладных проблем, требующих знаний экспертов". . Важность экспертных систем состоит в следующем: технология экспертных систем существенно расширяет круг практически значимых задач, решаемых на компьютерах, решение которых приносит значительный экономический эффект; технология ЭС является важнейшим средством в решении глобальных проблем традиционного программирования: длительность и, следовательно, высокая стоимость разработки сложных приложений; - высокая стоимость сопровождения сложных систем, которая часто в несколько раз превосходит стоимость их разработки; низкий уровень повторной используемости программ и т.п.; объединение технологии ЭС с технологией традиционного программирования добавляет новые качества к программным продуктам за счет: обеспечения динамичной модификации приложений пользователем, а не программистом; большей "прозрачности" приложения (например, знания хранятся на ограниченном ЕЯ, что не требует комментариев к знаниям, упрощает обучение и сопровождение); лучшей графики; интерфейса и взаимодействия. По мнению ведущих специалистов , в недалекой перспективе ЭС найдут следующее применение: ЭС будут играть ведущую роль во всех фазах проектирования, разработки, производства, распределения, продажи, поддержки и оказания услуг; технология ЭС, получившая коммерческое распространение, обеспечит революционный прорыв в интеграции приложений из готовых интеллектуально-взаимодействующих модулей. Экспертные системы и системы искусственного интеллекта отличаются от систем обработки данных тем, что в них в основном используются символьный (а не числовой) способ представления, символьный вывод и эвристический поиск решения (а не исполнение известного алгоритма). Экспертные системы применяются для решения только трудных практических (не игрушечных) задач. По качеству и эффективности решения экспертные системы не уступают решениям эксперта-человека. Решения экспертных систем обладают "прозрачностью", т.е. могут быть объяснены пользователю на качественном уровне. Это качество экспертных систем обеспечивается их способностью рассуждать о своих знаниях и умозаключениях. Экспертные системы способны пополнять свои знания в ходе взаимодействия с экспертом. Необходимо отметить, что в настоящее время технология экспертных систем используется для решения различных типов задач (интерпретация, предсказание, диагностика, планирование, конструирование, контроль, отладка, инструктаж, управление ) в самых разнообразных проблемных областях, таких, как финансы, нефтяная и газовая промышленность, энергетика, транспорт, фармацевтическое производство, космос, металлургия, горное дело, химия, образование, целлюлозно-бумажная промышленность, телекоммуникации и связь и др. |