Комп’ютерні науки
Тема.
Технології використання експертних систем та нейромережеві технології
Зміст
1. Технологія використання експертних систем…………………………………………3
2. Інтегровані технології в розподілених системах обробки даних……………………9
3. Нейромережеві технології у фінансово-кономічній діяльності…………………….11
4. Тести…………………………………………………………………………………….19
1. ТЕХНОЛОГІЯ ВИКОРИСТАННЯ ЕКСПЕРТНИХ СИСТЕМ
Створення і використання експертних систем є одним з концептуальних
етапів розвитку інформаційних технологій. У основі інтелектуального
вирішення проблем в деякій наочній області лежить принцип відтворення
знань досвідчених фахівців — експертів.
Виходячи з власного досвіду, експерт аналізує ситуацію і розпізнає
найбільш корисну інформацію, оптимізує ухвалення рішень, відсікаючи
тупикові шляхи.
Експертна система — це сукупність методів і засобів організації,
накопичення і застосування знань для вирішення складних завдань в деякій
наочній області. Експертна система досягає вищої ефективності за рахунок
перебору великого числа альтернатив при виборі рішення, спираючись на
високоякісний досвід групи фахівців, аналізує вплив великого об’єму
нових чинників, оцінюючи їх при побудові стратегій, додаючи можливості
прогнозу.
Основою експертної системи є сукупність знань (бази знань),
структурованих в цілях формалізації процесу ухвалення рішень.
Експертні системи розробляються з розрахунком на навчання і здатні
обгрунтувати логіку вибору рішення, тобто володіють властивостями
адаптивності і її аргументації. У більшості експертних систем є механізм
пояснення. Цей механізм використовує знання, необхідні для пояснення
того, яким чином система прийшла до даного рішення. Дуже важливим є
визначення області застосування експертної системи, меж її використання
і дії.Переваги експертних систем в порівнянні з використанням
досвідчених фахівців полягають в наступному:
• досягнута компетентність не втрачається, може документуватися,
передаватися, відтворюватися і нарощуватися;
• мають місце стійкіші результати, відсутні емоційні і інші чинники
людської ненадійності;
• висока вартість розробки врівноважується низькою вартістю
експлуатації, можливістю копіювання, а в сукупності вони дешевші за
висококваліфікованих фахівців.
Недоліком експертних систем, характерним для їх сучасного стану, є менша
пристосовність до навчання новим правилам і концепціям, до творчості і
винахідництва. Використання експертних систем дозволяє у багатьох
випадках відмовитися від висококваліфікованих фахівців, але припускає
залишити в системі місце експертові з нижчою кваліфікацією. Експертні
системи служать засобом для розширення і посилення професійних
можливостей кінцевого користувача.
Експертна система повинна демонструвати компетентність, тобто досягати в
конкретній наочній області того ж рівня, що і фахівці-експерти.
Недостатньо знаходити хороші рішення, це треба робити швидко. Системи
повинні мати не тільки глибоке, але і достатньо широке розуміння
предмету. Методи знаходження вирішень проблем досягаються на основі
міркувань, витікаючих з фундаментальних принципів у разі некоректних
даних або неповних наборів правил. Такі властивості найменш розроблені в
комп’ютерних експертних системах, але саме вони властиві фахівцям
високого рівня.
Відмінностями експертних систем від звичайних комп’ютерних є:
? експертні системи маніпулюють знаннями, тоді як будь-які інші системи
— даними;
? експертні системи, як правило, дають ефективні оптимальні рішення і
здатні іноді помилятися, але на відміну від традиційних комп’ютерних
систем вони мають потенційну здатність вчитися на своїх помилках.
Категорія Вирішувана проблема
Інтерпретація Опис ситуації за інформацією, поступачщю від датчиків
Прогноз Визначення вірогідних наслідків заданих ситуацій
Діагностика Виявлення причин неправильного функціонування системи за
наслідками спостережень
Проектування Побудова конфігурації об’єктів при заданих обмеженнях
Планування Визначення послідовності дій
Спостереження Порівняння результатів спостережень з очікуваними
результатами
Відладка Складання рецептів виправлення неправильного функціонування
системи
Ремонт Виконання послідовності вказаних виправлень
Навчання Діагностика, відладка і виправлення поведінки навчаючого
Управління Управління поведінкою системи як цілого
Таблиця. Типові категорії застосування експертних систем
Експертні системи як інструмент в роботі користувачів удосконалюють свої
можливості вирішувати важкі, неординарні завдання в ході практичної
роботи.
Експертні системи створюються для вирішення різного роду проблем, типи
яких можна згрупувати в категорії .
Нижче перераховані деякі з наочних областей, в яких застосовуються
експертні системи. З них особливо популярна медицина.
Області застосування експертних систем
Військова справа
Метеорологія
Геологія
Промисловість
Інженерна справа
Сільське господарство
Інформатика
Управління процесами
Комп’ютерні системи Фізика
Космічна техніка
Хімія
Математика
Електроніка
Медицина
Юриспруденція
Найуразливіші експертні системи в розпізнаванні меж своїх можливостей і
демонструють ненадійне функціонування поблизу меж їх застосування.
Подальший прогрес в області штучного інтелекту з часом запропонує
способи виявлення меж своїх можливостей. Іншим недоліком експертних
систем є значні трудовитрати, необхідні для поповнення бази знань.
Отримання знань від експертів і внесення їх в базу знань є складним
процесом, зв’язаним із значними витратами часу і засобів. Проектування
експертних систем також має певні труднощі і обмеження, які впливають на
їх розробку.
Зарубіжний досвід показує, що експертні системи розробляються в
основному в університетах, науково-дослідних центрах і комерційних
організаціях, у тому числі і для фінансової індустрії. У сфері
фінансового обслуговування ці системи допомагають страховим компаніям
аналізувати і оцінювати комерційний ризик, встановлювати розміри позик
при кредитуванні організацій, складати кошториси проектів.
Область застосування експертних систем розширюється. Окрім обхвату
різних областей діяльності, одним з найбільш важливих наслідків розробки
експертних систем є модифікація знань. У міру того як розробники
будуватимуть великі, складні бази знань, з’являється ринок знань,
незалежних від комп’ютерних систем. З’являться засоби навчання для тих,
що вивчають певну прикладну область. Комерційним продуктом стануть
метазнання, тобто знання про оптимальні стратегії і процедури
використання наочних знань. Розвиток експертних систем в інтелектуальних
полягає в злитті концепцій устаткування, засобів їх створення (мов) і
самих експертних систем. Об’єднання інтелектуальних систем особливо
ефективне в складних інфраструктурах. Інтелектуальні системи вже
розробляються і упроваджуються за кордоном для комерційного
використання.
Експертна система FOLIO (Стенфордський університет, США) допомагає
консультантам по інвестиціях визначати цілі клієнтів і підбирати
портфелі цінних паперів, найбільш відповідні цим цілям. Система визначає
потреби клієнта в ході інтерв’ю і потім рекомендує, в яких пропорціях
треба розподілити капіталовкладення між різними фондовими інструментами,
щоб найкращим чином задовольнити запити клієнта. Система розрізняє
невелике число класів цінних паперів (наприклад, орієнтовані на
дивіденди акцій з невисоким рівнем ризику або орієнтовані на акції з
високим рівнем ризику) і містить знання про властивості (наприклад,
річних відсотках на капітал) цінних паперів кожного класу. У системі
застосована заснована на правилах схема представлення знань з прямим
ланцюжком міркувань для виведення цілей і схема лінійного програмування
для максимізації відповідності між цілями і пропонованим портфелем.
Система доведена до рівня демонстраційного прототипу.
Штучна компетентність експертних систем не замінює повністю людини.
Людина-експерт здатна реорганізувати інформацію знання і використовувати
їх для синтезу нових знань. В області творчої діяльності люди володіють
великими здібностями і можливостями в порівнянні з найрозумнішими
системами. Експерти справляються з несподіваними поворотами подій і,
використовуючи нові підходи, здатні проводити аналогії з інших наочних
областей. Експерти адаптують до умов, що змінюються, і пристосовують
свої стратегії до нових обставин в ширшому діапазоні проблем і завдань.
Експертні системи менш пристосовані до навчання на рівні нових концепцій
і нових правил. Вони виявляються не такі ефективні і мало придатні в тих
випадках, коли треба враховувати всю складність реальних завдань.
Експерти можуть безпосередньо сприймати весь комплекс вхідної інформації
: символьно, візуальної, графічної, текстової, звукової. У експертної
системи є тільки символи, за допомогою яких представлені бази знань, що
утілюють ті або інші концепції. Перетворення сенсорної іформації в
символьну супроводжується втратою частини інформації.
Але головне, що величезний об’єм знань, яким володіють
експерти-спеціалісти (професійні знання і знання про світ і закони, що
діють в нім), не вдається поки вбудувати в інтелектуальну систему, тим
більше таку спеціалізовану, якою є будь-яка експертна система.
2. ІНТЕГРОВАНІ ТЕХНОЛОГІЇ В РОЗПОДІЛЕНИХ
СИСТЕМАХ ОБРОБКИ ДАНИХ
Різноманіття компютерних мереж і форм взаємодії ПК породжує насущну
проблему їх інтеграції або принаймні з’єднання на рівні обміну
повідомленнями.
У розподілених системах використовуються три інтегровані технології.
1. Технологія клієнт – сервер.
2. Технологія сумісного використання ресурсів в рамках глобальних мереж.
З. Технологія універсального призначеного для користувача спілкування у
вигляді електронної пошти.
Основна форма взаємодії ПК в мережі — це клієнт — сервер. Зазвичай один
ПК в мережі має в своєму розпорядженні інформаційно-обчислювальні
ресурси (такі, як процесори, файлова система, поштова служба, служба
друку, база даних), а інші ПК користуються ними. Комп’ютер, керівник тим
або іншим ресурсом, прийнято називати сервером цього ресурсу, а
комп’ютер, охочий їм скористатися, — клієнтом. Якщо ресурсом є бази
даних, то говорять про сервер баз даних, призначення якого обслуговувати
запити клієнтів, пов’язані з обробкою даних; якщо ресурс — файлова
система, то говорять про файловий сервер або файл-серверер і так далі.
Технологія «клієнт — сервер», набуває все більшого поширення, але
реалізація технології в конкретних програмних продуктах істотно
розрізняється.
Один з основних принципів технології «клієнт — сервер», полягає в
розділенні операцій обробки даних на три групи, що мають різну природу.
Перша група — це введення і відображення даних. Друга група об’єднує
прикладні операції обробки даних, характерні для вирішення завдань даної
наочної області. Нарешті, до третьої групи відносяться операції
зберігання і управління даними (базами даних або файловими системами).
Згідно цієї класифікації в будь-якому техпроцесі можна виділити програми
трьох видів:
програми уявлення, що реалізовують операції першої групи;
прикладні програми, що підтримують операції другої групи;
3. НЕЙРОМЕРЕЖЕВІ ТЕХНОЛОГІЇ
У ФІНАНСОВО-ЕКОНОМІЧНІЙ ДІЯЛЬНОСТІ
На ринку комерційних програмних продуктів разом з аналітичними
інструментами нового покоління, заснованими на застосуванні логіки
нечітких множин, — від електронних таблиць (Fuzzy Calc) до експертних
систем (Cubi Calc) корпорації Hyper Jodic (США), все більший інтерес для
фінансово- економічної діяльності представляють аналітичні інформаційні
технології, засновані на використанні нейронних мереж. Нейронні мережі —
узагальнена назва груп алгоритмів, які уміють навчатися на прикладах,
витягуючи приховані закономірності з потоку даних. Комп’ютерні, які
отримали назву нейромережевих, працюють по аналогії з принципами будови
і функціонування нейронів головного мозку людини і дозволяють вирішувати
надзвичайно широкий круг завдань: розпізнавання людської мови і
абстрактних образів, класифікацію станів складних систем, управління
технологічними процесами і фінансовими потоками, вирішення аналітичних,
дослідницьких, прогнозних завдань, пов’язаних з обширними інформаційними
потоками. Будучи могутнім технологічним інструментом, нейромережеві
технології полегшують фахівцеві процес ухвалення важливих і неочевидних
рішень в умовах невизначеності, дефіциту часу і обмежених інформаційних
ресурсів.
З середини 1980-х років нейронні мережі почали використовуватися на
заході переважно у фінансових і військових застосуваннях. Проте, не
дивлячись на успіх, інструмент виявився дуже складним і дорогим.
Ситуація змінилася на початку 1990-х років, коли на ринку з’явилося нове
покоління нейромережевих технологій — могутніх, недорогих, простих у
використанні. Одним з лідерів ринку став нейромережевий пакет Brain
Maker американської фірми California Scientific Software.
Розроблений за замовленням військових пакет був адаптований для
бизнес-приложений і з 1990 року утримує лідерство серед нейромережевих
пакетів, що самих продаються, США.
D
F
:
????????[?D
F
L
6
8
:
O
& почали з фінансово-кредитної сфери, де зацікавлені у вдосконаленні
аналітичної роботи банки почали інтенсивно включати нейронні мережеві
технології до складу фінансових застосувань. В даний час користувачами
Brain Maker Pro 3.12 (останньої професійної версії пакету) стали вже
більше 200 банків і торгових компаній, а останнім часом — і аналітичні
установи верхніх ешелонів влади.
Відмінною рисою нейронних мереж є їх здатність міняти свою поведінку
(навчатися) залежно від зміни зовнішнього середовища, витягуючи
приховані закономірності з потоку даних. При цьому алгоритми навчання не
вимагають яких-небудь попередніх знань про взаємозв’язки, що існують в
наочній області, — необхідно тільки підібрати достатнє число прикладів,
що описують поведінку модельованої системи у минулому. Заснована на
нейромережах технологія не пред’являє підвищених вимог до точності
вхідних даних як на етапі навчання, так і при її використанні (після
настройки і вивчення), наприклад, при розпізнаванні симптомів наближення
критичних ситуацій, для короткострокових, а іноді і довгострокових
прогнозів. Таким чином, нейромережева технологія володіє двома
надзвичайно корисними властивостями.
1. Здатністю навчатися на конкретній безлічі прикладів.
2. Умінням стабільно розпізнавати прогнозувати нові ситуації з високим
ступенем точності, причому в умовах зовнішніх перешкод, наприклад появи
суперечливих або неповних значень в потоках інформації.
Узявши за основу роботу мозку, нейромережеві технології включили і ряд
біологічних термінів, понять, параметрів, а метод отримав назву
генетичного алгоритму.
Генетичний алгоритм реалізований в популярних версіях нейропакетів —
широко відомих в Росії Brain Maker Professional v.3.11 і менш відомих,
але професіональніших Neuroforester v.5.1. У цих пакетах генетичний
алгоритм управляє процесом спілкування на деякій множині прикладів, а
також стабільно розпізнає нові ситуації з високим ступенем точності
навіть в умовах зовнішніх перешкод, наприклад, появи суперечливих або
неповних знань. Причому навчання зводиться до роботи алгоритму підбору
вагових коефіцієнтів, який реалізується автоматично без безпосередньої
участі користувача-аналітика.
Для реалізації нейромережевої технології повинні бути виконані наступні
умови: наявність IВМ РС або сумісного комп’ютера, миші, MS Windows 3.1
або вище, 4 Мбайт RАМ (оперативній пам’яті).
На відміну від Brain Maker Professional v.3.11 в пакеті Neuroforester
v.5.1. для вирішення прогнозних завдань ряд процедур виконується
автоматично. Зокрема, автоматично вибирається оптимальне число днів, що
забезпечуються прогнозом. Пакет має також інструменти для попередньої
обробки даних: кореляційний аналіз, що дозволяє визначати значущість
вхідних параметрів прогнозу; аналіз за допомогою масштабних перетворень
і експоненти Херста для виявлень прихованих циклів даних;
діаграма-розподіл залежності прогнозованої величини від вхідних
параметрів. Ці методи дозволяють вже на етапі підготовки даних виділяти
найбільш істотні для прогнозу параметри. Всі результати обробки
представляються в графічному вигляді, зручному для аналізу, ухвалення
рішень.
При використанні нейромережевої технології робота будується у декілька
етапів. Розглянемо їх зміст і найважливіші процедури.
Першим етапом є чітке визначення проблеми, тобто того, що
користувач-аналітик збирається отримати від нейромережевої технології на
виході. Це може бути деякий вектор, що характеризує систему або процес.
Наприклад, крива прибутковості ГКО; ціна відсікання первинного аукціону;
показник доцільності реструктуризації інвестиційного портфеля, точки
перелому тренда і тому подібне .
Другим етапом є визначення і підготовка початкових даних для реалізації
нейромережевої технології. При цьому відбирається вся необхідна
інформація, ,що повно і адекватно описує процес. Для найбільш успішного
вирішення проблеми формування наборів інформації та подальшого
прогнозування ситуацій рекомендується привертати обізнаних дану
конкретну область фахівців.
Складність виконання другого етапу полягає в тому, що повинен бути
дотриманий баланс між прагненням збільшити кількість вхідних параметрів
і вірогідністю отримати погано навчану мережу, яка може спотворити
очікувані прогнози. Річ у тому, що число днів ретроспективи і прогнозу,
які залежать від властивостей досліджуваних даних, сильно впливають на
точність прогнозу. Тому вибір невідповідного великого числа днів для
прогнозу або їх малого числа ретроспективи може привести до того, що
мережа буде не в змозі навчатися.
Введення даних в систему, підготовка даних, створення файлів для
тренування і тестування можна вважати самостійним третім етапом.
Основною метою роботи на цьому етапі є формування необхідного набору
ситуацій, з якими доведеться працювати аналітикові, а потім розподіл
початкових даних по цих ситуаціях. При цьому нейросетевая технологія
автоматично реалізує завдання класифікації, в основі якої лежить нечітка
логіка. Як вхідні параметри можуть бути використані штучно створені
характеристики системи, зокрема для фондового ринку це можуть бути різні
індикатори технічного аналізу.
На етапі підготовки даних аналізується ступінь їх інформаційної
насиченості, для чого виявляється ступінь впливу конкретного параметра
на прогнозовану величину. Досягнувши рівномірного наповнення всіх
ступенів залежності, виявляється відповідність між прогнозованою
величиною і параметром у вигляді «Якщо…, то…; інакше…», що близько
до реалізації алгоритму нечіткої логіки і експертних систем.
Вибір типу нейромережевої технології і методу її навчання можна виділити
в самостійний етап. Мережа може бути побудована за допомогою Net Maker
в інтерактивному режимі, користуючись його підказками, або створити
файли Brain Maker, користуючись текстовим редактором. Для прогнозування
тимчасових рядів, якими описуються фінансові ринки, переважно
користуються генетичним алгоритмом Genetik Algorithms, а для вирішення
завдань розпізнавання образів і класифікації — мережевими технологіями
Hopfield і Kohonen. Найбільш трудомістким процесом є настроювання
нейромережі на повчальну вибірку даних, бо тут визначається оптимальна
кількість параметрів, властивостей досліджуваних даних, оптимальне число
днів ретроспективи і прогнозу. Добре продумані способи завдання тестових
множин у поєднанні з декількома варіантами повчальних алгоритмів (від
стандартних до швидкісних) і завданням різних критеріїв зупинки навчання
надають широкі можливості для експериментів.
Полегшує процес роботи і те, що всі сучасні нейромережеві технології
містять ту або іншу систему конвертерів, що дозволяють користуватися
даними, підготовленими в популярних початкових форматах. Зокрема, Word
System може імпортувати текстові файли, таблиці, підготовлені в Excel, а
також дані у форматі Meta Stock. Слід підкреслити Meta Stock не тільки
програмний продукт, але і формат ділової іформації, що відрізняється
високою компактністю даних у поєднанні з надійністю їх передачі.
Сучасні нейромережеві продукти дозволяють працювати як з числовими, так
і з текстовими даними, тобто перетворювати набір символів (слова, фрази)
в унікальний набір чисел. Ward System робить можливою також зворотну
операцію, тобто представлення результатів роботи нейромережі у вигляді
не тільки чисел, але зв’язного тексту, що дозволяє генерувати результати
у вигляді різних інформаційних повідомлень. Правила для навчання
нейромережі можуть задаватися за допомогою їх введення в готовому
вигляді, а також у вигляді чисел, що вимагають додаткових перетворень
даних. Причому ці обмежуючі і вирішуючі правила і умови можуть
задаватися в процесі рішення задачі. Іншим методом задання правил в Ward
System є робота з індикаторами технічного аналізу. Включення індикаторів
в процес навчання істотно підвищує не тільки точність прогнозів, але і
їх стабільність і статистичну достовірність. Для вирішення цієї ж
проблеми в Ward System з більшою ефективністю можна скористатися
спеціальним блоком, який містить повний список процедур з можливістю
автоматичного підбору параметрів і перенесення вибраних значень в
підготовлений набір вхідних даних, що значно полегшує роботу аналітика.
Останніми етапами можна вважати проведення тестування нейромережі і її
запуск для отримання прогнозу. Працездатність спочатку навчених мереж
проводиться на тестовій вибірці даних. За наслідками тестів відбираються
найбільш перспективні варіанти. При цьому керуються тим, що точність і
надійність прогнозу залежать від типу прогнозованої величини, стану, в
якому знаходиться система , типу системи (керована вона ззовні або
замкнута). Наприклад, найбільш точний і надійний прогноз локальної зміни
тренда в стаціонарному стані ринку.
Якщо результати тестування не задовольняють, то проглядають набір
вхідних даних, змінюють деякі навчальні програми або перебудовують
мережу.
Після завершення повного циклу рішення задачі можливі два шляхи:
користуватися в подальшій роботі створеною системою, що цілком прийнятно
для одного фахівця, вирішуючи певний круг завдань, або створити для
кожного завдання незалежні застосування у вигляді окремого файлу, який
може використовуватися іншими програмами.
Гнучкість і потужність нейронних мереж відкриває перед ними практично
необмежені можливості застосування, особливо якості аналітичних
інструментів в таких погано формалізованих і багатокритерійних областях,
як аналіз фінансової і банківської діяльності. Будь-яке завдання,
зв’язане з використанням фінансових коштів на валютному ринку або ринку
цінних паперів, зв’язане з ризиком і вимагає ретельного аналізу і
прогнозу. Точність прогнозу, що стійко досягається нейромережевими
технологіями при вирішенні реальних завдань, вже перевищила 95%. Тому
кількість прикладів успішного застосування нейромережевих програмних
продуктів стрімко росте.
Серед перспективних напрямів використання нейромережевих технологій
називають створення комп’ютерних моделей поведінки клієнта для оцінки
ризику або перспективності роботи з конкретними клієнтами. Наприклад,
можна проаналізувати колишні операції і на цій основі оцінити
вірогідність того, чи погодитися конкретний клієнт на ту або іншу
пропозицію.
На світовому ринку аналітичного програмного забезпечення представлений
широкий спектр нейромережевих технологій, починаючи від систем,
орієнтованих на суперкомп’ютери, вартість яких перевищує 50 тис. дол.,
до недорогих (декілька сотень доларів) нейропакетів, персональних
комп’ютерів, що працюють на платформі, і робочих станцій. Це робить
доступною технологію нейронних мереж для додатків практично будь-якого
рівня. Її масове застосування — питання найближчого майбутнього.
З розділу слід запам’ятати
• Технологічне забезпечення АІТ і АРМ здійснює наочне наповнення
інформаційних систем в технічному, інформаційному, програмному,
лінгвістичному, організаційному, методичному, ергономічному і правовому
аспектах.
Окремі частини технологічного забезпечення весь час удосконалюються і
знаходяться в стані динамічної рівноваги.
? Матеріалізоване втілення технологічного забезпечення здійснюється
через режими взаємодії користувача з
ЕОМ і різні технології обробки даних, зокрема в
розподілених системах.
? Базовим режимом взаємодії користувача з ЕОМ на нижньому рівні ієрархії
інформаційних (АРМ) режим діалогу.
? Вдосконалення інформаційних технологій користувачам дає можливість
роботи в змішаній організаційній формі — мережевій, такій, що забезпечує
об’єднання за допомогою каналів зв’язку обчислювальних засобів,
програмних і інформаційних ресурсів.
На рівні АРМ конкретного користувача широкого
поширення набули технології, що базуються на використанні функціональних
пакетів прикладних програм: обробки текстової, табличної і графічної
іформації.
Комплексне використання тих, що взаємодіють через загальний інтерфейс
користувача програмних продуктів привело до створення інтегрованих
пакетів для офісів.
Більшість комплексів програм, вирішальних економічні завдання, написані
на мовах СУБД, що забезпечують користувачеві дружній інтерфейс.
Основний напрям розвитку СУБД використання їх в інтегрованих
технологіях розподілених систем обробки даних.
• Найбільш представницькі інтегровані технології — це технологія «клієнт
— сервер», глобальні мережі і електронна пошта.
Концептуальним етапом розвитку інформаційних технологій є їх
інтелектуалізація. Неординарних і слабоформалізуючих завдань покликані
здійснювати експертні системи і нейромережеві технології.
4. ТЕСТИ
1.Експертна система це:
а) сукупність методів і засобів організації, накопичення і застосування
знань для вирішення складних завдань в деякій наочній області;
б) узагальнена назва груп алгоритмів, які уміють навчатися на прикладах,
витягуючи приховані закономірності з потоку даних;
в) Складання рецептів виправлення неправильного функціонування системи
.
2. Порівняння результатів спостережень з очікуваними результатами
називається:
а) діагностика;
б) спостереження;
в) управління.
3. Проектування це:
а) управління поведінкою системи;
б) визначення послідовності дій;
в) побудова конфігурації об’єктів при заданих обмеженнях.
4. Основною формою взаємодії ПК в мережі є:
а) технологія сумісного використання ресурсів в рамках глобальних мереж;
б) технологія клієнт – сервер;
в) технологія універсального призначеного для користувача спілкування у
вигляді електронної пошти.
5.Останнім етапом роботи нейромережевої технології є:
а) проведення тестування нейромережі і її запуск для отримання прогнозу;
б) введення даних в систему;
в) визначення і підготовка початкових даних для реалізації
нейромережевих технологій.
PAGE
PAGE 2
Нашли опечатку? Выделите и нажмите CTRL+Enter
