Слайд 3Искусственный интеллект — это экспериментальная научная дисциплина, задача которой — воссоздание с помощью
искусственных устройств разумных рассуждений и действий.
Слайд 7Нечёткое множество и чёткое (crisp) классическое множество
Слайд 8Пример «Горячий чай"
X= 0°C - 100°C;
С = 0/0; 0/10; 0/20; 0,15/30; 0,30/40; 0,60/50;
0,80/60; 0,90/70; 1/80; 1/90; 1/100.
Слайд 9Пересечение двух нечетких множеств (нечеткое "И"): MFAB(x)=min(MFA(x), MFB(x)).
Объединение двух нечетких множеств (нечеткое
"ИЛИ"): MFAB(x)=max(MFA(x), MFB(x)).
Слайд 10Согласно Лотфи Заде лингвистической называется переменная, значениями которой являются слова или предложения естественного
или искусственного языка.
Значениями лингвистической переменной могут быть нечеткие переменные, т.е. лингвистическая переменная находится на более высоком уровне, чем нечеткая переменная.
Слайд 11Каждая лингвистическая переменная состоит из:
Слайд 12Описание лингвистической переменной "Цена акции"
X=[100;200]
Базовое терм-множество:
"Низкая", "Умеренная", "Высокая"
Слайд 13Треугольная функция принадлежности
Слайд 14Трапецеидальная функция принадлежности
Слайд 15Функция принадлежности
гауссова типа
Слайд 16Описание лингвистической переменной "Цена акции"
X=[100;200]
Базовое терм-множество: "Низкая", "Умеренная", "Высокая"
0
1
0.4
0.75
Слайд 17Описание лингвистической переменной "Возраст"
0
1
0.2
0.47
Слайд 19Механизм нечёткого логического вывода
Слайд 20Схема нечёткого вывода по Мамдани
Слайд 22Нейронные сети – самообучающиеся системы, имитирующие деятельность человеческого мозга
Слайд 26Искусственный нейрон
Х = (x1, x2,…, xn) – множество входных сигналов, поступающих на искусственный
нейрон
W = (w1, w2,…, wn) – множество весов в совокупности (каждый вес соответствует «силе» одной биологической синаптической связи)
Слайд 31Однослойный трехнейронный персептрон
Слайд 33Алгоритм обратного распространения ошибки
Слайд 34Построение сети (после выбора входных переменных)
Слайд 35Задачи Data Mining, решаемые с помощью нейронных сетей
Слайд 36Задача "Выдавать ли кредит клиенту" в аналитическом пакете Deductor (BaseGroup)
Обучающий набор - база
данных, содержащая информацию о клиентах:
Сумма кредита,
Срок кредита,
Цель кредитования,
Возраст,
Пол,
Образование,
Частная собственность,
Квартира,
Площадь квартиры.
Необходимо построить модель, которая сможет дать ответ, входит ли Клиент, желающий получить кредит, в группу риска невозврата кредита, т.е. пользователь должен получить ответ на вопрос "Выдавать ли кредит?"
Задача относится к группе задач классификации, т.е. обучения с учителем.
Слайд 37Шаг "Настройка назначений столбцов"
Слайд 38Шаг "Разбиение исходного набора данных на подмножества"
Слайд 40Шаг "Настройка процесса обучения нейронной сети"
Слайд 43Нечёткие нейронные сети (fuzzy-neural networks) осуществляют выводы на основе аппарата нечёткой логики, причём
параметры функций принадлежности настраиваются с использованием алгоритмов обучения нейронных сетей (НС).
Слайд 44Нечеткие нейроны
ИЛИ-нейрон:
И-нейрон:
Слайд 45Adaptive-Network-Based Fuzzy Inference System (ANFIS) –
адаптивная сеть нечёткого вывода
Слайд 46Вопросы
Что является характеристикой нечёткого множества?
Приведите определение нейронных сетей.
Перечислите области «мягких вычислений» (Soft computing).
Приведите
пример нечёткой нейронной системы.