Tutorial ini memperkenalkan pembaca pada sejarah kecerdasan buatan, model representasi pengetahuan, sistem pakar, dan jaringan saraf. Arahan utama dan metode yang digunakan dalam analisis, pengembangan dan implementasi sistem cerdas dijelaskan. Model representasi pengetahuan dan metode bekerja dengan mereka, metode pengembangan dan pembuatan sistem pakar dipertimbangkan. Buku ini akan membantu pembaca untuk menguasai keterampilan desain logis database domain dan pemrograman dalam bahasa ProLog.
Untuk siswa dan guru universitas pedagogis, guru sekolah menengah, gimnasium, bacaan.

Konsep kecerdasan buatan.
Sistem kecerdasan buatan (AI) adalah sistem perangkat lunak yang mensimulasikan proses berpikir manusia di komputer. Untuk membuat sistem seperti itu, perlu mempelajari proses berpikir seseorang yang memecahkan masalah tertentu atau membuat keputusan di bidang tertentu, menyoroti langkah-langkah utama dari proses ini dan mengembangkan alat perangkat lunak yang mereproduksinya di komputer. Oleh karena itu, metode AI melibatkan pendekatan struktural sederhana untuk pengembangan sistem pengambilan keputusan perangkat lunak yang kompleks.

Kecerdasan buatan adalah cabang informatika, yang tujuannya adalah untuk mengembangkan perangkat keras dan perangkat lunak yang memungkinkan pengguna non-programmer untuk mengatur dan menyelesaikan tugas-tugas intelektual mereka yang dianggap tradisional, berkomunikasi dengan komputer dalam subset bahasa alami yang terbatas.

DAFTAR ISI
Bab 1. Kecerdasan Buatan
1.1. Pengantar sistem kecerdasan buatan
1.1.1. Konsep kecerdasan buatan
1.1.2. Kecerdasan buatan di Rusia
1.1.3. Struktur fungsional sistem kecerdasan buatan
1.2. Arah untuk pengembangan kecerdasan buatan
1.3. Data dan pengetahuan. Representasi pengetahuan dalam sistem cerdas
1.3.1. Data dan pengetahuan. Definisi dasar
1.3.2. Model Representasi Pengetahuan
1.4. Sistem pakar
1.4.1. Struktur sistem pakar
1.4.2. Pengembangan dan penggunaan sistem pakar
1.4.3. Klasifikasi sistem pakar
1.4.4. Representasi pengetahuan dalam sistem pakar
1.4.5. Alat untuk membangun sistem pakar
1.4.6. Teknologi pengembangan sistem pakar
Kontrol pertanyaan dan tugas untuk bab 1
Sastra untuk Bab 1
Bab 2 Pemrograman Logika
2.1. Metodologi Pemrograman
2.1.1. Metodologi pemrograman imperatif
2.1.2. Metodologi pemrograman berorientasi objek
2.1.3. Metodologi pemrograman fungsional
2.1.4. Metodologi pemrograman logika
2.1.5. Metodologi Pemrograman Kendala
2.1.6. Metodologi Pemrograman Jaringan Syaraf
2.2. Pengantar singkat untuk kalkulus predikat dan pembuktian teorema
2.3. Proses Inferensi di Prolog
2.4. Struktur program di Prolog
2.4.1. Menggunakan objek majemuk
2.4.2. Menggunakan domain alternatif
2.5. Mengatur Pengulangan dalam Prolog
2.5.1. Metode rollback setelah kegagalan
2.5.2. Metode potong dan kembalikan
2.5.3. rekursi sederhana
2.5.4. Metode Aturan Rekursi Umum (GRR)
2.6. Daftar di Prolog
2.6.1. Operasi pada daftar
2.7. String di Prolog
2.7.1. Operasi pada string
2.8. File di Prolog
2.8.1. Predikat prolog untuk bekerja dengan file
2.8.2. Deskripsi domain file
2.8.3. Tulis ke file
2.8.4. Membaca dari file
2.8.5. Memodifikasi file yang ada
2.8.6. Menambahkan ke akhir file yang ada
2.9. Membuat Database Dinamis di Prolog
2.9.1. Database di Prolog
2.9.2. Predikat Database Dinamis di Prolog
2.10. Pembuatan sistem pakar
2.10.1. Struktur sistem pakar
2.10.2. Representasi Pengetahuan
2.10.3. Metode Keluaran
2.10.4. sistem UI
2.10.5. Sistem Pakar Berbasis Aturan
Kontrol pertanyaan dan tugas untuk bab 2
Sastra untuk bab 2
Bab 3 Jaringan Saraf
3.1. Pengantar Neural Network
3.2. Model neuron buatan
3.3. Aplikasi jaringan saraf
3.4. Pelatihan jaringan saraf
Kontrol pertanyaan dan tugas untuk bab 3
Sastra untuk bab 3.

Unduh e-book gratis dalam format yang nyaman, tonton dan baca:
Unduh buku Fundamentals of Artificial Intelligence, Borovskaya E.V., Davydova N.A., 2016 - fileskachat.com, unduh dengan cepat dan gratis.

BADAN FEDERAL UNTUK PENDIDIKAN

LEMBAGA PENDIDIKAN NEGARA

PENDIDIKAN PROFESIONAL TINGGI

"UNVERSITAS TEKNIK NEGARA VOLGOGRAD"

INSTITUT TEKNOLOGI KAMYSHINSKY (CABANG)

SEI HPE "UNVERSITAS TEKNIK NEGARA VOLGOGRAD"

KURSUS PRAKTIS TENTANG DISIPLIN "SISTEM KECERDASAN BUATAN"

Edisi elektronik pendidikan

Volgograd

NL - bahasa alami

AI - kecerdasan buatan

LP - logika predikat

pembuat keputusan - pengambil keputusan

MT - Mesin Turing

PGA - algoritma genetika sederhana

PPF adalah formula yang terbentuk dengan baik

PRO - operator rekursif primitif

PRF - fungsi rekursif primitif

RF - fungsi rekursif

SNI - sistem kecerdasan buatan

FP - fungsi kebugaran

TF - fungsi tujuan

ES - sistem pakar

PENGANTAR

Awalnya, kecerdasan buatan dianggap sebagai ilmu menciptakan mesin berpikir. Daerah ini dianggap sebagai cawan suci ilmu komputer. Seiring waktu, kecerdasan buatan telah berkembang menjadi disiplin yang lebih pragmatis. Area ini masih mencakup studi tentang mekanisme berpikir. Dalam kerangka kecerdasan buatan, berbagai strategi untuk solusi komputer dari masalah praktis yang kompleks dipertimbangkan. Selain itu, hari ini menjadi jelas bahwa intelek itu sendiri adalah entitas yang terlalu kompleks yang tidak dapat dijelaskan dalam kerangka satu teori. Berbagai teori menggambarkannya pada berbagai tingkat abstraksi. Pembelajaran pada tingkat terendah disediakan oleh jaringan saraf yang mengenali mesin, algoritme genetika, dan bentuk komputasi lain yang memodelkan kemampuan untuk beradaptasi, memahami, dan berinteraksi dengan dunia fisik. Pembuat sistem pakar, agen cerdas, model stokastik, dan sistem pemahaman bahasa alami bekerja pada tingkat abstraksi yang lebih tinggi. Tingkat ini memperhitungkan peran proses sosial dalam penciptaan, transfer dan ekstraksi pengetahuan. Tingkat abstraksi tertinggi mencakup pendekatan logis, termasuk deduktif, model abduktif, sistem pendukung kebenaran, dan bentuk dan metode penalaran lainnya.

Manual ini menguraikan dasar-dasar beberapa teori tingkat rendah dengan tugas-tugas praktis untuk studi algoritma berdasarkan ketentuan teori-teori tersebut. Secara khusus, dasar-dasar teori pengenalan pola dipertimbangkan dengan tugas mempelajari fungsi diskriminan linier dan fungsi kesamaan; teori jaringan syaraf tiruan dengan rumusan masalah mempelajari sifat-sifat jaringan syaraf tiruan pada masalah pengenalan pola; algoritma genetika dengan rumusan masalah mempelajari sifat-sifatnya ketika mencari ekstrem suatu fungsi. Untuk melakukan tugas penelitian, perlu untuk dapat memprogram dalam bahasa pemrograman apa pun, lebih disukai yang berorientasi objek.

1.1. Asal Usul Teori Kecerdasan Buatan

1.1.1. Konsep kecerdasan buatan

Ketentuan intelijen(intelligence) berasal dari bahasa latin intelektus yang berarti akal, akal, budi, kemampuan mental seseorang. masing-masing kecerdasan buatan(AI, dalam bahasa Inggris setara: kecerdasan buatan, AI) adalah milik sistem otomatis untuk mengambil fungsi individu kecerdasan manusia.

Kecerdasan buatan apa pun adalah model pengambilan keputusan yang dilakukan oleh kecerdasan alami seseorang. Kecerdasan buatan dapat diklaim dapat dibandingkan dengan kecerdasan alami, asalkan kualitas solusi yang dihasilkan tidak lebih buruk daripada kecerdasan alami rata-rata.

1.1.2. Kecerdasan buatan dalam lingkaran otomatisasi

Dalam sistem seperti itu, loop kontrol diperkenalkan pengambil keputusan(LPR).

Pengambil keputusan memiliki sistem preferensi sendiri mengenai kriteria pengelolaan objek, dan bahkan tujuan keberadaan objek. Pengambil keputusan, paling sering, tidak setuju, setidaknya sebagian, dengan rezim yang ditawarkan oleh ACS tradisional. Pengambil keputusan mengontrol, sebagai suatu peraturan, parameter utama sistem, sedangkan sisanya dikendalikan oleh sistem kontrol lokal. Ada masalah dalam mengotomatisasi aktivitas pengambil keputusan dalam loop kontrol.

AI adalah arah penelitian yang menciptakan model dan perangkat lunak terkait yang memungkinkan penggunaan komputer untuk memecahkan masalah yang bersifat kreatif, non-komputasi, yang, dalam proses pemecahannya, memerlukan daya tarik semantik (masalah makna).

AI adalah sistem perangkat lunak yang mensimulasikan pemikiran manusia di komputer. Untuk membuat sistem seperti itu, perlu mempelajari proses berpikir pembuat keputusan, menyoroti langkah-langkah utama dari proses ini, mengembangkan perangkat lunak yang mereproduksi langkah-langkah ini di komputer.

1.1.3. Konsep tugas dan aktivitas intelektual

Ciri kecerdasan manusia adalah kemampuan untuk memecahkan masalah intelektual dengan memperoleh, menghafal, dan dengan sengaja mengubah pengetahuan dalam proses belajar dari pengalaman dan beradaptasi dengan berbagai keadaan.

Tugas intelektual- masalah, pembagian formal dari proses menemukan solusi yang menjadi langkah-langkah dasar yang terpisah seringkali menjadi sangat sulit, bahkan jika solusinya sendiri tidak sulit.

Aktivitas otak, yang ditujukan untuk memecahkan masalah intelektual, kita sebut berpikir atau aktivitas intelektual.

Aktivitas intelektual menyiratkan kemampuan untuk menyimpulkan, menghasilkan, merancang solusi yang tidak secara eksplisit dan siap pakai dalam sistem. Derivasi solusi hanya mungkin jika ada representasi internal pengetahuan dalam sistem ( model dunia luar) - representasi formal dari pengetahuan tentang dunia luar (area subjek otomatis).

1.1.4. Langkah pertama dalam sejarah kecerdasan buatan

Program pertama yang mengimplementasikan fitur aktivitas intelektual:

1. Terjemahan mesin (1947). Di Uni Soviet, sejak 1955, pekerjaan di bidang terjemahan mesin telah dikaitkan dengan, . Tugas penerjemahan mesin membutuhkan pemisahan pengetahuan dari kode. Munculnya bahasa perantara menandai upaya pertama untuk menciptakan bahasa untuk representasi internal pengetahuan.

2. Referensi otomatis dan pencarian informasi (1957, USA). Gagasan untuk mengisolasi suatu sistem hubungan-hubungan antara fakta-fakta individu, diwujudkan dalam konsep tesaurus.

3. Bukti teorema (1956, AS). Munculnya program untuk membuktikan teorema logika proposisional: "Logic-Theorist". Pada tahun 1965, metode resolusi muncul (J. Robinson, AS), pada tahun 1967, metode kebalikan (, USSR). Metode menerapkan ide menggunakan heuristis– aturan eksperimental untuk mengurangi penghitungan opsi saat menurunkan solusi.

4. Pengenalan pola (awal 60-an). Gagasan teori pengenalan terkait dengan pembelajaran untuk menemukan aturan keputusan pada serangkaian contoh positif dan negatif.

Pada tahun 1956, K. Shannon, M. Minsky dan J. McCarthy menyelenggarakan konferensi di Dartmouth (AS) untuk merangkum pengalaman praktis mengembangkan program intelektual.

1.1.5. Pembuatan landasan teori

Pada tahun 1969, Konferensi Internasional Pertama tentang Kecerdasan Buatan (IJCAI) diadakan di Washington DC. Pada tahun 1976, jurnal internasional "Kecerdasan Buatan" mulai diterbitkan. Selama tahun 70-an, arah teoretis utama penelitian di bidang sistem cerdas dibentuk:

− representasi pengetahuan, formalisasi pengetahuan tentang lingkungan eksternal, penciptaan model internal dunia eksternal;

komunikasi, pembuatan bahasa interaksi antara sistem dan pengguna;

penalaran dan perencanaan, pengambilan keputusan dalam situasi alternatif;

persepsi (penglihatan mesin), memperoleh data dari lingkungan eksternal;

pelatihan, penggalian pengetahuan dari pengalaman fungsi sistem;

- aktivitas, perilaku aktif sistem berdasarkan tujuan fungsinya sendiri.

1.1.6. Masalah filosofis dari teori kecerdasan buatan

Subbagian ini berisi daftar pertanyaan utama dan beberapa komentar tentang masalah yang sering dan banyak dibahas dalam teori kecerdasan buatan.

Bisakah kecerdasan direproduksi? Reproduksi diri secara teoritis dimungkinkan. Kemungkinan mendasar untuk mengotomatisasi solusi masalah intelektual dengan bantuan komputer disediakan oleh sifat universalitas algoritmik. Namun, orang tidak boleh berpikir bahwa komputer dan robot pada prinsipnya dapat memecahkan masalah apa pun. Ada masalah yang tidak dapat diselesaikan secara algoritmik.

Apa tujuan dibuatnya kecerdasan buatan? Mari kita asumsikan bahwa seseorang telah berhasil menciptakan intelek yang melebihi inteleknya sendiri (jika tidak secara kualitas, maka secara kuantitas). Apa yang akan terjadi pada umat manusia sekarang? Peran apa yang akan dimainkan orang tersebut? Kenapa dia dibutuhkan sekarang? Dan secara umum, apakah pada prinsipnya perlu membuat AI? Rupanya, jawaban yang paling dapat diterima untuk pertanyaan-pertanyaan ini adalah konsep "penguat kecerdasan".

Apakah aman untuk membuat kecerdasan buatan? Memiliki kecerdasan dan kemampuan komunikasi yang berkali-kali lipat lebih besar dari manusia, teknologi akan menjadi kekuatan independen yang kuat yang mampu melawan penciptanya.

1.1.7. Area penggunaan

1. Pemrosesan bahasa alami, pengenalan gambar, ucapan, sinyal, serta pembuatan model antarmuka cerdas, prakiraan keuangan, ekstraksi data, diagnostik sistem, pemantauan aktivitas jaringan, enkripsi data (arah - jaringan saraf).

2. Teknologi nano, masalah perakitan mandiri, konfigurasi mandiri, dan penyembuhan sendiri sistem yang terdiri dari banyak node yang berfungsi secara bersamaan, sistem multi-agen, dan robotika (pengarahan - komputasi evolusioner).

3. Sistem kendali hybrid, pengolahan citra, tools untuk pencarian, pengindeksan dan analisis arti dari citra, pengenalan dan pengklasifikasian citra (direction – fuzzy logic).

4. Diagnostik medis, pelatihan, konsultasi, pemrograman otomatis, memeriksa dan menganalisis kualitas program, merancang sirkuit terpadu yang sangat besar, diagnosa teknis dan mengembangkan rekomendasi untuk perbaikan peralatan, perencanaan di berbagai bidang studi dan analisis data (arah - sistem pakar (ES )).

5. Masalah transportasi, komputasi terdistribusi, pemuatan sumber daya yang optimal (arah - metode pengurangan pencacahan).

6. Pengembangan sistem desain perangkat lunak besar, pembuatan kode, verifikasi, pengujian, penilaian kualitas, mengidentifikasi kemungkinan penggunaan kembali, pemecahan masalah pada sistem paralel (arah - rekayasa intelektual).

7. Pembuatan pabrik siber yang sepenuhnya otomatis.

8. Permainan, perilaku sosial emosi manusia, kreativitas.

9. Teknologi militer.

1.2. Arsitektur sistem kecerdasan buatan

1.2.1. Elemen arsitektur AIS

Arsitektur sistem kecerdasan buatan(SII) - organisasi struktur di mana keputusan dibuat dan pengetahuan diterapkan di area tertentu. Skema paling umum dari SII ditunjukkan pada gambar. 1. Dalam formulir ini, tidak ada satu pun AIS yang nyata, blok-blok tertentu mungkin tidak ada. Di SII, selalu hanya ada dua blok: basis pengetahuan dan mesin inferensi.

Pertimbangkan jenis utama AIS dalam pemrosesan informasi otomatis dan sistem kontrol:

kontrol proses SII;

IIS untuk mendiagnosis;

AIS untuk perencanaan dan pengiriman;

robot cerdas.

https://pandia.ru/text/78/057/images/image005_133.gif" width="357" height="360 src=">

Beras. 1. Skema SII Umum

1.2.2. Kontrol proses ISIS

Arsitektur dari proses kontrol ISIS ditunjukkan pada gambar. 2.

Fitur dari sistem ini:

penggunaan informasi teknologi untuk kontrol (karakteristik produk yang diukur tentang parameter dan struktur peralatan);

mekanisme inferensi digunakan untuk memodifikasi data dan mengembangkan rekomendasi dan keputusan pengendalian;

kebutuhan untuk bekerja secara real time;

kebutuhan untuk menerapkan penalaran temporal (dengan mempertimbangkan kondisi yang berubah).

Pekerjaan sistem diatur dalam tiga tingkatan:

- basis pengetahuan (KB) mencakup aturan untuk memecahkan masalah, prosedur untuk memecahkan masalah, data tentang area masalah, yaitu, pada tingkat basis pengetahuan, teknologi itu sendiri dan seluruh strategi untuk mengelola proses diatur;

memori kerja berisi informasi tentang karakteristik dan data yang ditentukan tentang proses yang sedang dipertimbangkan (DB);

mekanisme inferensi (dalam sistem konvensional, ini adalah regulator) berisi mekanisme kontrol umum untuk mencapai tujuan akhir (solusi yang dapat diterima).

Komponen penting adalah blok komunikasi antara proses teknologi dengan database dan basis pengetahuan (blok "Analisis data" dan "Data proses"). Mereka menyediakan pengguna dengan akses tingkat atas ke informasi produksi tentang proses teknologi dari objek tingkat yang lebih rendah, yaitu mereka menjaga konten database dan basis pengetahuan up to date dengan memperbarui. Blok juga menyediakan fungsi pemantauan untuk mencegah situasi kritis.

Pembenaran dan penjelasan tentang keseimbangan dan kecukupan respons sistem terhadap perkembangan situasi produksi disediakan oleh blok "Antarmuka dialog" dan "Data kontrol".

https://pandia.ru/text/78/057/images/image007_118.gif" width="357" height="149 src=">

Beras. 2. Struktur kontrol proses FIS

1.2.3. AIS untuk mendiagnosis

Sistem ini pada dasarnya tidak berbeda dengan sistem sebelumnya. Dan karena tanda-tanda berbagai cacat sebagian besar mungkin bertepatan dan manifestasinya mungkin tidak konsisten, maka dalam sistem ini ada komponen pembenaran dan penjelasan diagnosis yang lebih rinci. Oleh karena itu, sangat sering dalam sistem seperti itu mereka memperkenalkan penilaian keputusan dalam hal probabilitas subjektif.

1.2.4. AIS garis robot dan sistem produksi yang fleksibel

Fitur dari sistem semacam itu adalah kehadiran model dunia. Sistem robotik beroperasi di bawah kondisi spesifiknya sendiri, dan pada prinsipnya, deskripsi terperinci tentang lingkungan ini dimungkinkan. Model matematika lingkungan ini disebut model dunia luar. Ini adalah konten utama KB robot AI, dan bagian lain dari KB adalah pengetahuan tentang tujuan sistem (Gbr. 3).

https://pandia.ru/text/78/057/images/image009_112.gif" width="294" height="100 src=">

Beras. 3. AIS jalur robotik dan sistem produksi fleksibel

Sistem persepsi keadaan lingkungan meliputi:

sensor terhubung langsung dengan lingkungan eksternal;

subsistem pra-pemrosesan;

blok segmentasi fitur;

deskripsi simbolis tentang keadaan lingkungan;

deskripsi semantik tentang keadaan lingkungan;

blok pembentukan model keadaan lingkungan.

Mekanisme inferensi atau sistem perencanaan perilaku menentukan tindakan robot di lingkungan eksternal sebagai akibat dari situasi saat ini dan sesuai dengan tujuan global. Terdiri dari:

sistem inferensi keputusan;

blok perencanaan gerak aktuator.

Sistem eksekusi tindakan meliputi:

subsistem kontrol penggerak;

mengemudi;

perangkat eksekutif.

1.2.5. Perencanaan dan pengiriman AIS

Tujuan: memecahkan masalah manajemen operasional, perbandingan hasil pemantauan fungsi objek dalam hal target yang direncanakan, serta pemantauan (Gbr. 4).

Pemantauan– interpretasi sinyal secara terus menerus atau periodik dan penerbitan pesan ketika muncul situasi yang memerlukan intervensi.

Fitur dari sistem ini adalah tindakan waktu nyata, komunikasi dengan database terdistribusi dari sistem kontrol terintegrasi. Sistem seperti itu diperlukan, karena data IS adalah bagian dari sistem kontrol.

https://pandia.ru/text/78/057/images/image011_89.gif" width="365" height="167 src=">

Beras. 4. Perencanaan dan pengiriman AIS

1.3. Masalah representasi pengetahuan dalam AIS

1.3.1. Pengetahuan dan Data

Masalah representasi pengetahuan muncul sebagai salah satu masalah AI. Hal ini terkait dengan penciptaan sistem praktis yang berguna, terutama ES, yang digunakan dalam kedokteran, geologi, dan kimia. Penciptaan sistem semacam itu membutuhkan upaya intensif untuk memformalkan pengetahuan yang terakumulasi dalam ilmu yang relevan.

Istilah "representasi pengetahuan" dikaitkan dengan tahap tertentu dalam pengembangan perangkat lunak komputer. Jika pada tahap pertama program mendominasi, dan data memainkan peran pembantu semacam "makanan" untuk program "lapar", maka pada tahap selanjutnya peran data terus meningkat. Strukturnya menjadi lebih rumit: dari kata mesin yang terletak di satu sel memori komputer, ada transisi ke vektor, array, file, daftar. Mahkota perkembangan ini adalah tipe data abstrak - kelas. Perkembangan struktur data yang konsisten telah menyebabkan perubahan kualitatif dan transisi dari representasi data ke representasi pengetahuan.

perolehan pengetahuan

Tingkat representasi pengetahuan berbeda dari tingkat representasi data tidak hanya dalam struktur yang lebih kompleks, tetapi juga dalam fitur penting: interpretabilitas, keberadaan hubungan rahasia, keberadaan hubungan situasional(kesamaan, berada pada titik yang sama dalam ruang, dll., hubungan ini menentukan kompatibilitas situasional dari pengetahuan tertentu yang disimpan dalam memori). Selain itu, tingkat pengetahuan dicirikan oleh fitur-fitur seperti adanya prosedur khusus untuk generalisasi, penambahan pengetahuan yang tersedia dalam sistem, dan sejumlah prosedur lainnya.

Penyajian data memiliki aspek pasif: buku, tabel, memori yang diisi dengan informasi. Teori AI menekankan aspek aktif dari representasi pengetahuan: perolehan pengetahuan harus menjadi operasi aktif yang memungkinkan tidak hanya untuk menghafal, tetapi juga untuk menerapkan pengetahuan yang dirasakan (diperoleh, diasimilasi) untuk penalaran berdasarkan itu.

1.3.2. Ide mesin yang dapat berkembang sendiri

Penelitian di bidang AI muncul di bawah pengaruh gagasan sibernetika - terutama gagasan kesamaan proses kontrol dan transmisi informasi dalam organisme hidup, masyarakat dan teknologi, khususnya, di komputer.

Penerimaan filosofis dari masalah AI dalam bentuk tradisionalnya disebabkan oleh gagasan mendasar bahwa urutan dan hubungan ide sama dengan urutan dan hubungan hal-hal. Jadi, membuat struktur di komputer yang mereproduksi "dunia ide" berarti hanya membuat struktur isomorfik dengan struktur dunia material, yaitu membangun "model elektronik dunia". Model ini dianggap sebagai model komputer - model pengetahuan manusia tentang dunia. Proses pemikiran manusia diinterpretasikan di komputer sebagai mesin pencari untuk transformasi model seperti itu, yang seharusnya mentransfer model komputer ke keadaan akhir. AIS perlu mengetahui bagaimana melakukan transformasi keadaan model yang mengarah ke tujuan yang telah ditentukan - keadaan dengan properti tertentu. Pada awalnya, ada kepercayaan luas pada kemampuan dasar komputer untuk secara mandiri mempelajari model yang disimpan di dalamnya, yaitu, untuk mempelajari sendiri strategi untuk mencapai tujuan yang ditetapkan.

Kemampuan hipotetis ini ditafsirkan sebagai kemungkinan kreativitas mesin, sebagai dasar penciptaan "mesin berpikir" di masa depan. Dan meskipun dalam sistem yang benar-benar dikembangkan, pencapaian tujuan dilakukan berdasarkan pengalaman manusia dengan bantuan algoritma berdasarkan analisis teoretis dari model yang dibuat dan hasil eksperimen yang dilakukan pada mereka, ide-ide untuk membangun self- sistem pembelajaran tampaknya banyak yang paling menjanjikan. Baru pada tahun 1980-an pentingnya masalah penggunaan pengetahuan manusia tentang realitas dalam sistem intelektual disadari, yang mengarah pada pengembangan serius basis pengetahuan dan metode untuk mengekstraksi pengetahuan pribadi para ahli.

1.3.3. Refleksi sebagai komponen aktivitas intelektual

Dengan perkembangan arah ini, ide kontrol refleksif muncul. Sampai saat ini dalam sibernetika, kontrol dianggap sebagai transmisi sinyal ke objek yang secara langsung memengaruhi perilakunya, dan efektivitas kontrol dicapai dengan menggunakan umpan balik - memperoleh informasi tentang reaksi objek yang dikendalikan. refleksif sama kontrol- ada transfer informasi yang mempengaruhi citra objek dunia. Dengan demikian, umpan baliknya ternyata berlebihan - keadaan subjek diketahui oleh informasi yang ditransmisikan, yaitu objek.

AIS tradisional didasarkan pada ideologi perilaku yang berorientasi pada tujuan seperti permainan catur, di mana tujuan dari kedua pasangan adalah untuk skakmat dengan mengorbankan pengorbanan apa pun. Bukan kebetulan bahwa program catur menjadi sangat penting untuk pengembangan metode AI.

Analisis berfungsinya model sendiri atau model "keseluruhan realitas di sekitarnya" (dalam kerangka set tugas), kontrol atas keadaannya, peramalan keadaan tidak lain adalah implementasi refleksi. Refleksi adalah meta-level tertentu. Dengan penggunaan bahasa pemrograman tingkat tinggi seperti Prolog, yang memungkinkan Anda untuk merumuskan tujuan dan membangun kesimpulan logis tentang pencapaian tujuan ini, tugas implementasi refleksi sudah dapat diselesaikan sebagian. Dengan bantuan mereka, Anda dapat membangun semacam suprastruktur, semacam meta-level yang memungkinkan Anda untuk mengevaluasi perilaku yang sebelumnya. Namun, ketika mempertimbangkan istilah "refleksi mendalam" atau "refleksi bertingkat", masalah model bangunan oleh sistem itu sendiri muncul. Di sinilah tipe data abstrak datang untuk menyelamatkan. Mereka memungkinkan Anda untuk beroperasi dengan struktur data dengan kompleksitas yang terbatas. Dengan demikian, kita dapat mengasumsikan bahwa sistem kecerdasan buatan dapat berisi model refleksi.

Dengan demikian, tidak mungkin untuk menganggap sistem intelektual lengkap tanpa kemampuan untuk mengevaluasi, "memahami" tindakan seseorang, yaitu, untuk berefleksi. Selain itu, refleksi harus dianggap sebagai salah satu alat utama untuk membangun perilaku sistem. Dalam bahasa matematika, refleksi adalah kondisi yang diperlukan untuk keberadaan sistem intelektual.

1.3.4. Bahasa representasi pengetahuan

Dalam arti tertentu, setiap program komputer mengandung pengetahuan. Program pengurutan gelembung berisi pengetahuan pemrogram tentang cara mengurutkan elemen daftar. Memahami inti dari program komputer yang memecahkan masalah penyortiran daftar sama sekali tidak mudah. Ini berisi pengetahuan programmer tentang metode pemecahan masalah, tetapi, di samping pengetahuan ini, itu berisi yang lain:

bagaimana memanipulasi konstruksi bahasa dari bahasa pemrograman yang digunakan;

bagaimana mencapai kinerja program yang tinggi;

- bagaimana memilih metode yang tepat untuk memecahkan masalah pemrosesan data tertentu yang memainkan peran penting dalam mencapai hasil akhir, dan bagaimana mengatur kontrol proses.

Bahasa Representasi Pengetahuan adalah bahasa tingkat tinggi yang dirancang khusus untuk secara eksplisit mengkodekan fragmen pengetahuan manusia, seperti aturan pengaruh dan seperangkat properti objek khas, dan bahasa tingkat tinggi dimanifestasikan dalam kenyataan bahwa, sejauh mungkin, bahasa rincian teknis dari mekanisme representasi pengetahuan disembunyikan dari pengguna. Tidak seperti bahasa pemrograman yang lebih konvensional, bahasa representasi pengetahuan sangat ekonomis dalam hal ukuran kode. Ini sebagian besar disebabkan oleh fakta bahwa penerjemah bahasa menangani banyak hal kecil.

Terlepas dari kelebihan yang dicatat dari bahasa tersebut, orang tidak boleh melupakan keberadaan masalah tertentu dalam aplikasinya.

Transisi dari menggambarkan pengetahuan tentang area subjek dalam semua bahasa "manusia" yang dapat dipahami menjadi menyajikannya dalam bentuk semacam formalisme yang dirasakan oleh komputer memerlukan keterampilan tertentu, karena tidak mungkin (setidaknya hari ini) untuk menggambarkan cara mekanis melakukan transformasi seperti itu. Karena kemungkinan inferensi yang dapat diterapkan oleh suatu program secara langsung berkaitan dengan pilihan cara untuk merepresentasikan pengetahuan, representasi pengetahuan, dan bukan ekstraksinya, yang merupakan hambatan dalam praktik mendesain ES.

S.G. TOLMACHEV

KECERDASAN BUATAN.

MODEL JARINGAN SARAF

Kementerian Pendidikan dan Ilmu Pengetahuan Federasi Rusia Universitas Teknik Negeri Baltik "Voenmeh"

Departemen Sistem Pemrosesan dan Kontrol Informasi

S.G. TOLMACHEV

KECERDASAN BUATAN.

MODEL JARINGAN SARAF

tutorial

St. Petersburg

UDC 004.8(075.8) 52

Tolmachev, S.G.

T52 Sistem kecerdasan buatan. Model jaringan saraf: buku teks / S.G. Tolmachev; Balt. negara teknologi un-t. - St. Petersburg, 2011. 132 hal.

ISBN 978-5-85546-633-1

Informasi dasar tentang struktur dan prinsip-prinsip fungsi jaringan saraf tiruan diberikan. Fungsi neuron formal, klasifikasi jaringan saraf menurut arsitektur dan jenis pembelajarannya, formulasi khas dari berbagai masalah jaringan saraf dan metode penyelesaiannya dipertimbangkan.

Ini ditujukan untuk siswa senior yang belajar di spesialisasi "Sistem dan Teknologi Informasi" dan "Sistem Otomatis untuk Pemrosesan dan Kontrol Informasi".

UDC 004.8(075.8)

Pengulas sejawat: Dr. tech. ilmu prof., kepala. ilmiah karyawan OJSC "Keprihatinan "Granit-Electron"" S.N. bola; cand. teknologi ilmu, prof., kepala. kafe I5 BSTU N.N. smirnova

Disetujui oleh dewan editorial dan penerbitan universitas

PENGANTAR

Salah satu alat paling kuat untuk menciptakan sistem cerdas adalah jaringan saraf tiruan (JST), yang memodelkan mekanisme pemrosesan informasi dasar yang melekat pada otak manusia. Diketahui bahwa otak bekerja dengan cara yang berbeda secara fundamental dan seringkali lebih efisien daripada komputer buatan manusia mana pun. Fakta inilah yang telah memotivasi para ilmuwan selama bertahun-tahun untuk bekerja pada penciptaan dan penelitian jaringan saraf tiruan.

Otak adalah sistem pemrosesan informasi yang sangat kompleks. Ia memiliki kemampuan untuk mengatur komponen strukturalnya, yang disebut neuron, sehingga mereka dapat melakukan tugas-tugas tertentu (pengenalan pola, pemrosesan sensorik, fungsi motorik) berkali-kali lebih cepat daripada komputer tercepat saat ini. Contoh tugas semacam itu adalah visi biasa. Fungsi sistem visual adalah untuk menciptakan representasi dunia sedemikian rupa sehingga memberikan kemungkinan interaksi dengannya. Otak secara berurutan melakukan tugas pengenalan (misalnya, mengenali wajah yang dikenal di lingkungan yang tidak dikenal) dan menghabiskan 100-200 ms untuk ini. Melakukan tugas serupa dengan kompleksitas yang lebih rendah di komputer dapat memakan waktu beberapa jam.

Untuk menghargai besarnya tantangan membangun mesin yang bekerja sesempurna otak kita, cukup dengan memikirkan beberapa tugas rutin yang kita lakukan setiap hari. Misalkan Anda sedang duduk di meja Anda, dan saat ini rekan kerja Anda, yang telah kembali dari liburan, memasuki ruangan. Dia mengenakan T-shirt baru, kacamata hitam di wajahnya yang kecokelatan, dan terlihat sedikit lebih muda karena dia mencukur jenggotnya. Apakah Anda mengenalinya? Tidak diragukan lagi, karena penyamaran bukanlah bagian dari rencananya. Selama percakapan, dia bertanya kepada Anda: "Di mana buku yang saya berikan untuk Anda baca?". Anda menafsirkan pertanyaan itu sebagai permintaan untuk mengembalikan buku. Kemudian lihat meja Anda dan

Anda melihat di antara buku-buku dan tumpukan kertas tergeletak di atasnya buku yang dimaksud, ulurkan tangan Anda ke sana, keluarkan dari tumpukan dokumen dan berikan kepada rekan Anda. Tugas sehari-hari seperti itu tidak memerlukan banyak upaya intelektual dari kami, tetapi solusi untuk masing-masing tugas melibatkan banyak langkah yang diperhitungkan dengan tepat. Kompleksitas pemecahan masalah seperti itu dapat dirasakan ketika mencoba memprogram sistem komputer untuk mengenali objek dengan penampilan atau fitur lainnya, membuat keputusan tergantung pada konteksnya, dll.

Contoh yang lebih sederhana adalah sonar kelelawar, yang merupakan sistem ekolokasi aktif. Selain memberikan informasi tentang jarak ke objek yang diinginkan, locator ini memungkinkan Anda menghitung parameter objek seperti kecepatan relatif, ukuran elemen individual, dan arah gerakan. Untuk mengekstrak informasi ini dari sinyal yang diterima, otak kecil kelelawar melakukan perhitungan saraf yang kompleks.

Apa yang memungkinkan otak seseorang atau kelelawar mencapai hasil seperti itu? Saat lahir, otak sudah memiliki struktur yang sempurna, memungkinkannya untuk membangun aturannya sendiri berdasarkan apa yang biasa disebut pengalaman. Pengalaman terakumulasi dari waktu ke waktu hingga hari-hari terakhir kehidupan seseorang, dengan perubahan skala besar yang terjadi dalam dua tahun pertama kehidupan.

Perkembangan neuron dikaitkan dengan konsep plastisitas otak - kemampuan untuk menyesuaikan sistem saraf sesuai dengan kondisi lingkungan. Plastisitas memainkan peran paling penting dalam operasi neuron sebagai unit pemrosesan informasi dasar di otak manusia. Demikian pula, neuron buatan disetel di JST. Secara umum, JST adalah mesin yang mensimulasikan bagaimana otak memecahkan masalah tertentu. Jaringan ini diimplementasikan menggunakan komponen elektronik (neuroprosesor) atau dimodelkan dengan program yang berjalan pada komputer digital. Untuk mencapai kinerja tinggi, JST menggunakan banyak interkoneksi antara sel-sel dasar perhitungan - neuron. Di antara banyak definisi jaringan saraf, yang paling akurat adalah definisi JST sebagai mesin adaptif: jaringan saraf tiruanitu didistribusikan

prosesor paralel yang terdiri dari elemen pemrosesan informasi khas yang mengumpulkan pengetahuan eksperimental dan menyediakannya untuk pemrosesan lebih lanjut. Jaringan saraf mirip dengan otak dalam dua cara:

1) pengetahuan memasuki jaringan saraf dari lingkungan

dan digunakan oleh jaringan dalam proses pembelajaran;

2) untuk mengumpulkan pengetahuan, koneksi interneuronal digunakan, juga disebut bobot sinaptik.

Prosedur yang digunakan untuk melakukan proses pembelajaran disebut dengan algoritma pembelajaran. Fungsinya adalah untuk memodifikasi bobot sinaptik dari JST dengan cara tertentu sehingga jaringan memperoleh properti yang diperlukan.

Modifikasi berat badan adalah cara tradisional untuk mempelajari JST. Pendekatan ini dekat dengan teori filter linier adaptif yang digunakan dalam kontrol. Namun, untuk JST ada juga kemungkinan untuk memodifikasi topologinya sendiri, berdasarkan fakta bahwa di otak yang hidup, neuron dapat mati, dan koneksi sinaptik baru dapat dibuat.

Dengan demikian, JST menyadari kekuatan komputasi mereka karena dua sifat utama mereka: struktur terdistribusi paralel dan kemampuan untuk belajar dan menggeneralisasi pengetahuan yang diperoleh. Properti generalisasi dipahami sebagai kemampuan JST untuk menghasilkan output yang benar untuk sinyal input yang tidak diperhitungkan dalam proses pembelajaran (pelatihan). Kedua properti ini menjadikan JST sebagai sistem pemrosesan informasi yang mampu memecahkan masalah multidimensi kompleks yang saat ini sulit dipecahkan.

Perlu dicatat bahwa dalam praktiknya, INS otonom seringkali tidak dapat memberikan solusi yang sudah jadi. Mereka perlu diintegrasikan ke dalam sistem yang kompleks. Tugas yang kompleks dapat dibagi menjadi beberapa tugas yang lebih sederhana, beberapa di antaranya dapat diselesaikan dengan jaringan saraf.

Area penerapan JST sangat beragam: pengenalan dan analisis teks dan ucapan, pencarian semantik, sistem pakar dan sistem pendukung keputusan, prediksi harga saham, sistem keamanan. Ada beberapa contoh penggunaan ANN di berbagai area.

1. Sistem keamanan transportasi. perusahaan Amerika

Science Application International Corporation telah menggunakan ANN di

proyeknya TNA. Perangkat yang dikembangkan dirancang untuk mendeteksi bahan peledak plastik di bagasi yang dikemas. Bagasi dibombardir dengan partikel yang menyebabkan radiasi sekunder, spektrum yang dianalisis oleh jaringan saraf. Perangkat memberikan kemungkinan mendeteksi bahan peledak di atas 97% dan mampu melihat 10 buah bagasi per menit.

2. Paket perangkat lunak jaringan saraf di pasar keuangan. American Chemical Bank menggunakan sistem jaringan saraf Neural Data untuk pra-proses transaksi pada pertukaran mata uang, menyaring transaksi "mencurigakan". Citibank telah menggunakan prediksi jaringan saraf sejak tahun 1990. Transaksi otomatis menunjukkan pengembalian yang lebih tinggi daripada kebanyakan broker. Dapat dicatat bahwa prosiding seminar "Kecerdasan buatan pada Wall Street" membuat beberapa volume besar dan kuat.

3. Pemantauan dan heading otomatis berita. Lokasi

pengetahuan tentang topik pesan teks adalah contoh lain dari penggunaan JST. Server berita Convectis (produk dari Aptex Software Inc.) menyediakan kategorisasi pesan secara otomatis. Dengan membandingkan arti kata berdasarkan konteks, Convectis mampu mengenali topik secara real time dan mengkategorikan aliran besar pesan teks yang dikirimkan melalui jaringan Reuters, NBC, CBS, dll. Setelah menguraikan pesan, abstrak, daftar kata kunci dan daftar judul yang berisi pesan ini dibuat.

4. Autopiloting kendaraan udara tak berawak. Pesawat pengintai hipersonik LoFLYTE (Low-Observable Flight Test Experiment), sebuah pesawat jet tak berawak sepanjang 2,5 m, dikembangkan untuk NASA dan Angkatan Udara AS oleh Accurate Automation Corp. dalam kerangka program dukungan usaha kecil inovatif. Ini adalah pengembangan eksperimental untuk mempelajari prinsip-prinsip baru piloting. Ini termasuk jaringan saraf yang memungkinkan autopilot untuk belajar dengan menyalin teknik piloting. Seiring waktu, jaringan saraf mengadopsi pengalaman manajemen, dan kecepatan pemrosesan informasi memungkinkan Anda menemukan jalan keluar dengan cepat dalam situasi ekstrem dan darurat. LoFLYTE ditujukan untuk penerbangan supersonik di mana waktu reaksi pilot mungkin tidak cukup untuk merespons perubahan dalam rezim penerbangan.

Saat ini, JST merupakan perpanjangan penting dari konsep komputasi. Mereka telah memungkinkan untuk mengatasi sejumlah masalah yang sulit dan menjanjikan pembuatan program dan perangkat baru yang mampu memecahkan masalah yang sejauh ini hanya dapat dilakukan oleh seseorang. Neurokomputer modern digunakan terutama dalam bentuk produk perangkat lunak dan oleh karena itu jarang menggunakan potensi "paralelisme" mereka. Era komputasi saraf paralel nyata akan dimulai dengan kemunculan di pasar implementasi perangkat keras dari neurochip khusus dan papan ekspansi yang dirancang untuk memproses ucapan, video, gambar statis, dan jenis informasi figuratif lainnya.

Area penerapan ANN lainnya adalah penggunaannya

di perangkat lunak khusus agen robot yang dirancang untuk memproses informasi, dan bukan untuk pekerjaan fisik. Asisten cerdas harus memudahkan pengguna untuk berinteraksi dengan komputer. Ciri khas mereka adalah keinginan untuk memahami sebaik mungkin apa yang dituntut dari mereka, dengan mengamati dan menganalisis perilaku "tuan" mereka. Mencoba untuk menemukan

di Dalam perilaku ini, ada pola tertentu, agen cerdas harus menawarkan layanan mereka pada waktu yang tepat untuk melakukan operasi tertentu, seperti menyaring pesan berita, membuat cadangan dokumen yang sedang dikerjakan pengguna, dll. Itulah sebabnya JST, yang mampu menggeneralisasi data dan menemukan pola di dalamnya, adalah komponen alami dari agen perangkat lunak tersebut.

1. KOMPUTER DAN OTAK

1.1. neuron biologis

Sistem saraf manusia dapat disederhanakan sebagai struktur tiga tahap. Pusat dari sistem ini adalah otak, yang terdiri dari jaringan neuron (Gbr. 1.1). Ia menerima informasi, menganalisisnya, dan membuat keputusan yang tepat. Reseptor mengubah sinyal dari lingkungan dan organ dalam menjadi impuls listrik yang diterima oleh jaringan saraf (otak). Reseptor menyediakan koneksi otak kita dengan dunia luar, mewujudkan aliran informasi visual, pendengaran, pengecapan, penciuman dan taktil ke dalamnya. ef-

Faktor mengubah impuls listrik yang dihasilkan oleh otak menjadi sinyal keluaran yang mengontrol otot, organ dalam, dan dinding pembuluh darah. Dengan demikian, otak mengontrol kerja jantung, pernapasan, tekanan darah, suhu, mempertahankan kandungan oksigen yang diinginkan dalam darah, dll. Neuron perantara memproses informasi yang diterima dari neuron sensorik dan mengirimkannya ke neuron efektor.

Beras. 1.1. Diagram sederhana dari sistem saraf

Perlu dicatat bahwa otak dibangun dari dua jenis sel: sel glial dan neuron. Dan meskipun peran sel glial tampaknya cukup signifikan, sebagian besar ilmuwan percaya bahwa cara utama untuk memahami cara kerja otak adalah dengan mempelajari neuron yang disatukan dalam satu jaringan yang terhubung. Pendekatan ini digunakan dalam pembangunan jaringan saraf tiruan (JST).

Perlu dicatat bahwa ada pendapat lain. Beberapa peneliti percaya bahwa proses utama tidak terjadi di jaringan saraf, tetapi di dalam sel itu sendiri, yaitu di sitoskeleton mereka, dalam apa yang disebut mikrotubulus. Menurut sudut pandang ini, baik memori dan bahkan kesadaran ditentukan oleh perubahan protein dalam struktur intraseluler dan efek kuantum yang terkait dengannya.

Jumlah neuron di otak diperkirakan 1010 ... 1011 . Dalam neuron biologis, unit struktural berikut dapat dibedakan (Gbr. 1.2):

badan sel (soma);

dendrit adalah banyak serabut saraf pendek bercabang (tidak lebih dari 1 mm) yang mengumpulkan informasi dari neuron lain;

akson adalah satu-satunya serabut saraf yang panjangnya tipis (kadang-kadang lebih dari satu meter). Akson melakukan impuls dan mengirimkan dampak ke neuron lain atau serat otot. Pada ujungnya, akson juga bercabang dan membentuk kontak dengan dendrit neuron lain;

Tutorial ini mencakup dasar-dasar pemrograman dalam bahasa Prolog, pemecahan masalah menggunakan metode pencarian, metode probabilistik, dasar-dasar jaringan saraf, serta prinsip-prinsip representasi pengetahuan menggunakan jaringan semantik. Setiap bagian dari manual dilengkapi dengan pekerjaan praktis dan laboratorium. Lampiran berisi deskripsi singkat tentang lingkungan SWI-Prolog, program jaringan saraf

Tutorial ini mencakup dasar-dasar pemrograman dalam bahasa Prolog, pemecahan masalah menggunakan metode pencarian, metode probabilistik, dasar-dasar jaringan saraf, serta prinsip-prinsip representasi pengetahuan menggunakan jaringan semantik. Setiap bagian dari manual dilengkapi dengan pekerjaan praktis dan laboratorium. Lampiran berisi deskripsi singkat tentang lingkungan SWI-Prolog, program pemodelan jaringan saraf NeuroGenetic Optimizer, dan program visualisasi pengetahuan Semantik. Sesuai dengan persyaratan Standar Pendidikan Negara Federal untuk Pendidikan Tinggi saat ini. Untuk siswa dari institusi pendidikan tinggi yang belajar di bidang teknik dan teknik.

Buku " Sistem kecerdasan buatan. tutorial» penulis Bessmertny Igor Alexandrovich dinilai oleh pengunjung KnigoGuide dan peringkat pembacanya adalah 0,00 dari 10.
Untuk tampilan gratis disediakan: anotasi, publikasi, ulasan, serta file untuk diunduh.
1

tutorial « DBMS: SQL Language in Example and Tasks oleh Astakhova I.F., Todstobrova A.P., Melnikova V.M., Fertikova V.V., diterbitkan oleh FIZMATLIT pada tahun 2007 dan disertifikasi oleh Kementerian Pendidikan dan Ilmu Pengetahuan, berisi pilihan contoh, dan latihan dengan berbagai tingkat kerumitan untuk menyediakan kelas praktis dan laboratorium untuk mempelajari dasar-dasar bahasa SQL dalam kerangka kursus pelatihan yang didedikasikan untuk sistem informasi dengan basis data ke arah pelatihan dan spesialisasi "Matematika Terapan dan Informatika". Sistem informasi yang menggunakan database saat ini merupakan salah satu bidang yang paling penting dari teknologi komputer modern. Sebagian besar pasar perangkat lunak modern dikaitkan dengan area ini. Mempertimbangkan tempat yang ditempati oleh bahasa SQL dalam teknologi informasi modern, pengetahuannya diperlukan untuk setiap spesialis yang bekerja di bidang ini. Oleh karena itu, pengembangan praktisnya merupakan bagian integral dari kursus pelatihan yang ditujukan untuk mempelajari sistem informasi dengan database. Saat ini, mata kuliah tersebut termasuk dalam kurikulum sejumlah spesialisasi universitas. Tidak diragukan lagi, untuk memberi siswa kesempatan untuk memperoleh keterampilan yang stabil dalam bahasa SQL, kursus pelatihan yang sesuai, di samping pengenalan teoretis dengan dasar-dasar bahasa, tentu harus berisi sejumlah besar kelas laboratorium tentang penggunaan praktisnya. . Buku teks yang diusulkan ditujukan terutama pada dukungan metodologis dari jenis pelatihan ini. Dalam hal ini, ini berfokus pada pemilihan contoh praktis, tugas dan latihan dari berbagai tingkat kompleksitas dalam menyusun kueri SQL, yang memungkinkan untuk melakukan kelas praktis dalam pembelajaran bahasa selama semester akademik.

Buku Ajar “Sistem Kecerdasan Buatan. Kursus praktis” oleh Astakhova I.F., Chulyukov V.A., Potapov A.S., Milovskoy L.S., Kashirina I.L., Bogdanova M.V., Prosvetova Yu.V. pendidikan universitas klasik dan diterbitkan oleh penerbit BINOM. LABORATORIUM PENGETAHUAN dan FIZMATLIT pada tahun 2008, disiapkan untuk kuliah dan kelas laboratorium dalam disiplin "Bank data dan sistem pakar", "Database dan sistem pakar", "Sistem kecerdasan buatan", "Sistem cerdas informasi". Buku ini dikhususkan untuk jurusan informatika, di mana dalam beberapa tahun terakhir ada sangat sedikit literatur pendidikan domestik untuk institusi pendidikan tinggi. Buku terjemahan lebih mirip publikasi ilmiah daripada buku teks. Itu perlu untuk menghasilkan banyak contoh, tugas laboratorium yang akan dilakukan siswa di komputer dan memperoleh pengetahuan, keterampilan dan kemampuan (dalam hal pendekatan berbasis kompetensi untuk pendidikan).

Keuntungan utama dan perbedaan signifikan buku teks ini dari publikasi serupa adalah kehadiran di dalamnya sekitar 100 contoh, 235 latihan, 79 pertanyaan untuk mengulang materi yang dibahas, 11 pekerjaan laboratorium di mana 6 produk perangkat lunak yang berbeda dipelajari.

Tautan bibliografi

Astakhova I.F., Tolstobrov A.P., Chulyukov V.A., Potapov A.S. TUTORIAL "DBMS: BAHASA SQL DALAM CONTOH DAN TUGAS", "CERDAS BUATAN. PRACTICAL COURSE” // Masalah sains dan pendidikan modern. - 2009. - No. 1;
URL: http://science-education.ru/ru/article/view?id=901 (tanggal akses: 17/09/2019). Kami menyampaikan kepada Anda jurnal-jurnal yang diterbitkan oleh penerbit "Academy of Natural History"