В России из-за перехода на уровневую систему высшего образования (бакалавриат – магистратура – аспирантура) актуальным является формирование новых образовательных программ и выстраивание взаимосвязей между ними. В статье представлена новая концепция построения магистерских программ для высокотехнологичных направлений подготовки кадров — проектно-технологическая магистратура. В качестве примера описывается программа подготовки специалистов в области инфокогнитивных технологий на базе зонтичного проекта по созданию жестомимического интерфейса.
Основными принципами реализации программ подобного типа являются построение на базе зонтичного R&D-проекта; определение в программе перечня обязательных проектных образовательных результатов; сопряжение учебных дисциплин отдельным задачам
R&D-проекта. Основными достоинствами проектно-технологических магистратур являются: уникальность магистерских программ, подчеркивающая особенности научных школ университетов; обновление программ в соответствии с жизненным циклом перспективных
технологий; рост публикационной и грантовой активности; активизация формирования личностных компетенций (soft skills), инновационной активности, создание и запуск стартапов; формирование R&D-портфолио магистрантов. Принципиальным ограничением для
тиражирования проектно-технологических магистратур является наличие научного и инженерного задела в конкретных преподавательских коллективах, а также доступность производственной базы и ресурсного обеспечения.
В России из-за перехода на уровневую систему высшего образования (бакалавриат – магистратура – аспирантура) актуальным является формирование новых образовательных программ и выстраивание взаимосвязей между ними. В статье представлена новая концепция построения магистерских программ для высокотехнологичных направлений подготовки кадров — проектно-технологическая магистратура. В качестве примера описывается программа подготовки специалистов в области инфокогнитивных технологий на базе зонтичного проекта по созданию жестомимического интерфейса.
Основными принципами реализации программ подобного типа являются построение на базе зонтичного R&D-проекта; определение в программе перечня обязательных проектных образовательных результатов; сопряжение учебных дисциплин отдельным задачам
R&D-проекта. Основными достоинствами проектно-технологических магистратур являются: уникальность магистерских программ, подчеркивающая особенности научных школ университетов; обновление программ в соответствии с жизненным циклом перспективных
технологий; рост публикационной и грантовой активности; активизация формирования личностных компетенций (soft skills), инновационной активности, создание и запуск стартапов; формирование R&D-портфолио магистрантов. Принципиальным ограничением для
тиражирования проектно-технологических магистратур является наличие научного и инженерного задела в конкретных преподавательских коллективах, а также доступность производственной базы и ресурсного обеспечения.
27-28 февраля 2015 г. в Университете машиностроения прошла всероссийская научно-практическая конференция «Интерактивное образование в инженерном вузе», посвященная инновационным форматам в высшем техническом образовании. В рамках секции «Развитие компетенций инженеров в области САПР» руководитель образовательной программы "Системная интеграция САПР-решений" Андрей Юрьевич Филиппович представил доклад "Использование стандартов WorldSkills для совершенствования САПР-подготовки студентов", а также принял участие проектной сессии по вопросам использования конкурсных заданий, методик и систем оценивания в традиционном учебном процессе.
INTEGRATING VENDORS OFFICIAL COURSES INTO UNIVERSITIES’ IT CURRICULUMSPhilippovich Andrey
Доклад на I Национальной (Казахстан) конференции «Современные информационные технологии и ИТ-образование», организатором которой выступил Национальный инфокоммуникационный холдинг «Зерде» при поддержке Министерства транспорта и коммуникаций РК.
Электронное обучение и ДОТ в ДПО: потребности и перспективыPhilippovich Andrey
Доклад на круглом столе / секции "Российский и международный опыт реализации дополнительных профессиональных образовательных программ с использованием дистанционных образовательных технологий и электронного обучения" в рамках конференции «Актуальные вопросы развития непрерывного образования: проблемы, пути решения», проводимой Министерством образования и науки Российской Федерации. http://spo-edu.ru/conference
В рамках второго дня заседания Совета УМО по Прикладной информатике в МЭСИ состоится презентация обновленной версии "Рекомендаций по встраиванию сертифицированных учебных курсов фирмы "1С" в образовательные программы вузов", ТОП-программ и других методических разработок МАК ИКТ.
27-28 февраля 2015 г. в Университете машиностроения прошла всероссийская научно-практическая конференция «Интерактивное образование в инженерном вузе», посвященная инновационным форматам в высшем техническом образовании. В рамках секции «Развитие компетенций инженеров в области САПР» руководитель образовательной программы "Системная интеграция САПР-решений" Андрей Юрьевич Филиппович представил доклад "Использование стандартов WorldSkills для совершенствования САПР-подготовки студентов", а также принял участие проектной сессии по вопросам использования конкурсных заданий, методик и систем оценивания в традиционном учебном процессе.
INTEGRATING VENDORS OFFICIAL COURSES INTO UNIVERSITIES’ IT CURRICULUMSPhilippovich Andrey
Доклад на I Национальной (Казахстан) конференции «Современные информационные технологии и ИТ-образование», организатором которой выступил Национальный инфокоммуникационный холдинг «Зерде» при поддержке Министерства транспорта и коммуникаций РК.
Электронное обучение и ДОТ в ДПО: потребности и перспективыPhilippovich Andrey
Доклад на круглом столе / секции "Российский и международный опыт реализации дополнительных профессиональных образовательных программ с использованием дистанционных образовательных технологий и электронного обучения" в рамках конференции «Актуальные вопросы развития непрерывного образования: проблемы, пути решения», проводимой Министерством образования и науки Российской Федерации. http://spo-edu.ru/conference
В рамках второго дня заседания Совета УМО по Прикладной информатике в МЭСИ состоится презентация обновленной версии "Рекомендаций по встраиванию сертифицированных учебных курсов фирмы "1С" в образовательные программы вузов", ТОП-программ и других методических разработок МАК ИКТ.
1. ТЕМА
ПРЕДСТАВЛЕНИЕ ЗНАНИЙ В
ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМАХ
ОСНОВНЫЕ РАЗДЕЛЫ ТЕМЫ
1. Формализация знаний в интеллектуальных
системах.
2. Количественная спецификация ЕЯ систем.
3. Логико-статистические методы
извлечения знаний.
4. Формально-логические модели .
5. Продукционные модели .
6. Сетевые модели
2. 5. ПРОДУКЦИОННЫЕ МОДЕЛИ
Продукционные системы
Вероятностные продукции
Байесовская стратегия вывода
Метод цен свидетельств
Метод Шортлифа
3. ПРОДУКЦИОННЫЕ СИСТЕМЫ (1)
Метод формализации знаний, при котором знания представляются в
виде множества правил-продукций:
<условие применения> → <действие>
Задачи продукционных систем:
Определение возможной или необходимой ситуации
(состояния), удовлетворяющей некоторому критерию, которая
может быть получена из заданной начальной ситуации
Определение начальной ситуации (состояния),
удовлетворяющей некоторому критерию, из которой может
быть получена текущая ситуация
Отыскание алгоритма преобразования начальной ситуации в
конечную
4. Достоинства продукционных систем:
универсальность метода программирования
модульность организации знаний
легкость и естественность спецификации продукционных знаний,
простоту их модификации и расширения
синтетическиепродукционные системы
асинхронность, недетерминированность и возможная
параллельность
Недостатки продукционных систем
низкая эффективность в сравнении с традиционными методами
программирования
сложность или даже невозможность контроля правильности
программ продукционных систем
ПРОДУКЦИОННЫЕ СИСТЕМЫ (2)
5. ВЕРОЯТНОСТНЫЕ ПРОДУКЦИИ
Гипотеза - утверждение, которое необходимо проверить
или оценить
P(Hi)=1 гипотеза считается истинной,
а при P(Hi)=0 – ложной
Свидетельство - истинное или ложное утверждение,
дающее оценку гипотезы
Cj =>P(Hi) или Cj =>δP(Hi), Cj => Cj+1
Факт - априорно истинное утверждение (аксиома) или
доказанное утверждение, которое также может выступать в
качестве свидетельства
6. БАЙЕСОВСКАЯ СТРАТЕГИЯ ВЫВОДА (1)
Оценка апостериорной вероятности гипотезы при наличии свидетельств (фактов), подтверждающих или
опровергающих гипотезу
Р(Н) — априорная вероятность гипотезы Н при отсутствии каких-либо свидетельств,
Р(Н:С) — апостериорная вероятность гипотезы Н при наличии свидетельства С.
P(H&C) — вероятность одновременной истинности гипотезы H и свидетельства C.
Если гипотеза и свидетельство независимы, то совместная вероятность вычисляется как произведение вероятностей:
P(H&C)=P(H)*P(C)
По теореме Байеса:
)(
)&(
):(
CP
CHP
CHP =
)(
)&(
):(
HP
HCP
HCP =
7. БАЙЕСОВСКАЯ СТРАТЕГИЯ ВЫВОДА (2)
)(*):()(*):(
)(*):(
)(
HPHCPHPHCP
HPHCP
HP
+
=+
Из этих двух выражений можно вывести новую вероятность гипотезы
P(H*) при существовании свидетельства:
)(
)(*):(
):(*)(
CP
HPHCP
CHPHP ==
Вероятность свидетельства C можно также представить через
условные вероятности: при наличии гипотезы H, и при ее отсутствии:
Вероятность P(C:H) вычисляется на основании статистического
эксперимента. Каждому правилу вывода Cj=>Hi ставится в соответствие
пара значений, характеризующих "силу" этого отношения:
R(Cj:Hi) — статистическая частота появления j-го свиде-тельства при
свершении гипотезы i.
R(Cj:~Hi) — статистическая частота появления j-го свиде-тельства при
отсутствие гипотезы i.
8. Наилучшим считается свидетельство, имеющее наибольшее значение
показателя ЦС, равного сумме влияний свидетельства на все
множество гипотез
ЦС(Cj)=| P+
(Hi:Cj) — P+
(Hi:~Cj) |
P+(Hi:Cj), P+(Hi:~Cj) — значения вероятностей, которые будут достигнуты
в случае применения правила.
Для вывода выбирается свидетельство с максимальным показателем ЦС.
j = index max (ЦС(Cj))
Если используется вычисление нескольких (n) гипотез одновременно, то
выбор оптимального свидетельства определяется по следующей
формуле:
n
|)C:~(HP-)C:(HP|
)ЦС(C
n
1i
jiji
j
∑=
++
=
МЕТОД ЦЕН СВИДЕТЕЛЬСТВ (1)
9. 1. Вычисляется вероятность гипотезы Hi
при наличии
свидетельства Сj
:
)H:~R(C*)H(~P)H:R(C*)(HP
)H:R(C*)(HP
)C:(HP
ijikijik
ijik
ji1k
+
=+
2. Вычисляется вероятность гипотезы Hi
при отсутствии свидетельства
Cj
:
))H:~R(C-(1*)H(~P))H:R(C-(1*)(HP
))H:R(C-(1*)(HP
)C:~(HP
ijikijik
ijik
ji1k
+
=+
3. Учитывается вероятность наличия свидетельства Cj
:
Pк+1
(Hi
) = Pк+1
(Hi
:~Cj
) +P(Cj
) * (Pк+1
(Hi
:Cj
) — Pк+1
(Hi
:~Cj
))
МЕТОД ЦЕН СВИДЕТЕЛЬСТВ (2)
Выполнение всех правил продукции на шаге k, содержащих в качестве
антецедента свидетельство Сj, осуществляется по следующим
формулам:
10. Окончания логического вывода:
1. Осуществлен перебор всех свидетельств
2. ∀ (m<> i) (PPmin(Hi) > ПОРОГ) & (PPmin(Hi) >= PPmax(Hm))
Наименьшая и наибольшая достижимая вероятности:
PPmin(Hi) = min(Pend(Hi)), ∀ (m<> i) PPmax(Hm) = max(Pend(Hm))
min(Pend(Hi)) и max(Pend(Hm)) — минимальная и максимальная
вероятности соответственно Hi и Hm гипотезы после
выполнения всех продукций (правил)
МЕТОД ЦЕН СВИДЕТЕЛЬСТВ (3)
11. Подход для выбора свидетельства Шортлифа (Shortliffe)
q — коэффициент уверенности правила (вероятностная величина)
p + (1 — p) * q
Метод, базирующийся на формуле Шортлифа:
Каждому продукционному правилу соответствует некоторая эмпирическая
величина Q(Hi:Cj), интерпретированная как вероятность
подтверждения Hi гипотезы при наличии Cj свидетельства.
Выбор свидетельства аналогичен процедуре выбора по методу ЦС.
Вычисление значений новых вероятностей гипотез Pк+1(Hi:Cj), к+1(Hi:~Cj):
Pк+1(Hi:Cj)= Pк(Hi) + (1-Pк(Hi)) * Q(Hi:Cj)
Pк+1(Hi:~Cj) = Pк(Hi)
Выполнение всех правил продукции, содержащих в качестве антецедента
свидетельство Cj, и установление факта окончания логического вывода
осуществляется аналогично с предыдущим методом.
МЕТОД ШОРТЛИФА (1)
12. 1. Дайте определение продукционной системы
2. Перечислите основные задачи продукционных систем
3. Перечислите достоинства и недостатки продукционных
систем
4. Что такое вероятностные продукции?
5. Опишите Байесовскую стратегию вывода
6. В чем состоит метод цен свидетельств?
7. Опишите подход для выбора свидетельства Шортлифа
8. Опишите метод выбора свидетельств, базирующийся на
формуле Шортлифа
ВОПРОСЫ ДЛЯ САМОПРОВЕРКИ
Editor's Notes
ТЕМА ПРЕДСТАВЛЕНИЕ ЗНАНИЙ В ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМАХ.
ОСНОВНЫЕ РАЗДЕЛЫ ТЕМЫ
1. Формализация знаний в интеллектуальных системах.
2. Количественная спецификация ЕЯ систем.
3. Логико-статистические методы извлечения знаний.
4. Формально-логические модели .
5. Продукционные модели .
6. Сетевые модели
ПРОДУКЦИОННЫЕ МОДЕЛИ
Под продукционными системами понимается метод формализации знаний, при котором знания представляются в виде организованного множества правил-продукций, преобразующих некоторую информационную структуру, моделирующую элементы реального мира. Правило-продукция имеет вид:
&lt;условие применения&gt; &lt;действие&gt;,
где &lt;условие применения&gt; правила специфицируют некоторые требования к текущему состоянию информационной структуры, а &lt;действие&gt; содержит описание тех операций, которые нужно произвести, если структура удовлетворяет этим требованиям.
Такое определение продукционных систем позволяет отнести к их классу практически все рассматриваемые формальные системы, так как каждая из них в той или иной мере использует продукционный механизм. Так формальные языки описываются грамматиками, которые как компонент включают множество правил-продукций построения правильных цепочек в специфицированном алфавите, а все формальные системы вывода и доказательства содержат продукции, состоящие из аксиом и правил вывода. В продукционных системах информационная структура, подлежащая преобразованию, представляет собой некоторое декларативное знание, а правила продукции — процедурное знание о предметной области.
Как правило, продукционные системы решают следующие задачи:
Определение возможной или необходимой ситуации (состояния), удовлетворяющей некоторому критерию, которая может быть получена из заданной начальной ситуации.
Определение начальной ситуации (состояния), удовлетворяющей некоторому критерию, из которой может быть получена текущая ситуация.
Отыскание алгоритма преобразования начальной ситуации в конечную.
Продукции удачно моделируют человеческий способ рассуждений при решении проблем. Поэтому продукции широко используются во многих ЭС: MYCIN, EMYCIN, Image Expert, G2 и др.
Иерархическое разбиение множества продукций позволяет более эффективно организовать их выполнение, существенно сократив затраты на перебор множества продукций при проверке условии их срабатывания, что определяет дополнительный интерес к продукционным системам.
Сами продукции могут быть элементами смешанных систем представления знаний, например, выступать в качестве значений некоторых слотов фреймов или приписываться вершинам семантической сети.
Практическое понимание термина &quot;продукционная система&quot; основано на толковании его как некоторой системы программирования. С появлением специализированных языков программирования таких как: РЕФАЛ, РROLOG и других этот термин характеризует стиль программирования. Среди достоинств продукционных систем выделяют следующие:
универсальность метода программирования, что обеспечивает возможность создания многообразия различных проблемно-ориентированных продукционных систем, различающихся средствами представления правил вывода и обрабатываемых структур;
модульность организации знаний в продукционных системах, при которой каждая продукция представляет собой законченный фрагмент знаний о предметной области, все множество продукций может быть декомпозировано на подмножества, относящиеся к одинаковым компонентам знаний;
в значительной степени эта модульность обеспечивается: независимостью каждой продукции от содержания других; ограниченностью фрагмента знаний, представляемого каждой продукцией; его функциональной локальностью в общей сумме информации о предметной области; отсутствием взаимодействия продукций друг с другом (эффект применения каждой из них определяется изменением, которые она производит в информационной структуре, что обеспечивает легкость и естественность спецификации продукционных знаний, простоту их модификации и расширения);
частью продукционных систем является некоторым образом описанная информационная структура, являющаяся декларативным знанием о предметной области, что позволяет рассматривать продукционные системы как синтетические, в которых достигнуто большее единство в представлении процедурной и декларативной составляющих знаний;
асинхронность, недетерминированность и возможная параллельность продукционных систем делают их весьма перспективными для реализации на параллельных ЭВМ, ориентированных на продукционное программирование.
Основными недостатками продукционных систем являются:
во-первых, низкая эффективность в сравнении с традиционными методами программирования, объясняющаяся главным образом конвейерным способом обработки информации;
во-вторых, сложность или даже невозможность контроля правильности программ продукционных систем методом воображаемой или реальной прокрутки соответствующего вычислительного процесса, что характерно для недетерминированных систем.
ВЕРОЯТНОСТНЫЕ продукциИ
Для представления знаний в виде вероятностных продукций используются понятия гипотезы, свидетельства и факта.
Гипотезой является утверждение, которое необходимо проверить или оценить. Под свидетельством понимается истинное или ложное утверждение, дающее оценку гипотезы. Фактом является априорно истинное утверждение (аксиома) или доказанное утверждение, которое также может выступать в качестве свидетельства.
Одним из способов оценки гипотезы Hi может выступать значение вероятности ее истинности P(Hi). Значение вероятности может изменяться в диапазоне [0,1]. При значении P(Hi)=1 гипотеза считается истинной, а при P(Hi)=0 – ложной.
Обычно при решении задач имеется несколько исходных предположений (гипотез), которые оцениваются с помощью априорной вероятности P0(Hi).
Свидетельство Cj позволяет установить новые или изменить существующие значения нескольких гипотез, а также сделать возможным использование других свидетельств:
Cj =&gt;P(Hi) или Cj =&gt;δP(Hi),
где P(Hi) – новое (абсолютное) значение вероятности гипотезы Hi;
δP(Hi) ‑ относительное приращение (уменьшение) вероятности гипотезы Hi.
Cj =&gt; Cj+1
В общем случае истинность свидетельства также может определяться вероятностной оценкой P(Cj).
Рассмотрим Байесовскую стратегию вывода, основанную на одноименной теореме. Её основная идея заключается в оценке апостериорной вероятности гипотезы при наличии свидетельств (фактов), подтверждающих или опровергающих гипотезу.
Пусть Р(Н) — априорная вероятность гипотезы Н при отсутствии каких-либо свидетельств,
Р(Н:С) — апостериорная вероятность гипотезы Н при наличии свидетельства С.
P(H&C) — вероятность одновременной истинности гипотезы H и свидетельства C.
Если гипотеза и свидетельство независимы, то совместная вероятность вычисляется как произведение вероятностей:
P(H&C)=P(H)*P(C)
Согласно теореме Байеса:
Из этих двух выражений можно вывести новую вероятность гипотезы P(H*) при существовании свидетельства:
Вероятность свидетельства C можно также представить через условные вероятности: при наличии гипотезы H, и при ее отсутствии:
Вероятность P(C:H), как правило, вычисляется на основании статистического эксперимента. Каждому правилу вывода Cj=&gt;Hi ставится в соответствие пара значений, характеризующих &quot;силу&quot; этого отношения:
R(Cj:Hi) — статистическая частота появления j-го свидетельства при свершении гипотезы i.
R(Cj:~Hi) — статистическая частота появления j-го свидетельства при отсутствие гипотезы i.
В том случае, когда возникает возможность выбора нескольких свидетельств, появляется задача выбора наилучшего варианта, который максимально изменяет вероятности существующих гипотез.
Наиболее часто используется подход метод цен свидетельств (ЦС), согласно которому наилучшим считается свидетельство, имеющее наибольшее значение показателя ЦС, равного сумме влияний свидетельства на все множество гипотез. Влияние на гипотезу вычисляется как абсолютная разность между вероятностями гипотезы при наличии и отсутствии свидетельства:
ЦС(Cj)=| P+(Hi:Cj) — P+(Hi:~Cj) | ,
где P+(Hi:Cj), P+(Hi:~Cj) — значения вероятностей, которые будут достигнуты в случае применения правила.
Для вывода выбирается свидетельство с максимальным показателем ЦС.
j = index max (ЦС(Cj))
Если используется вычисление нескольких (n) гипотез одновременно, то выбор оптимального свидетельства определяется по следующей формуле:
Выполнение всех правил продукции на шаге k, содержащих в качестве антецедента свидетельство Сj, осуществляется по следующим формулам:
1. Вычисляется вероятность гипотезы Hi при наличии свидетельства Сj:
2. Вычисляется вероятность гипотезы Hi при отсутствии свидетельства Cj:
3. Учитывается вероятность наличия свидетельства Cj:
Pк+1(Hi) = Pк+1(Hi:~Cj) +P(Cj) * (Pк+1(Hi:Cj) — Pк+1(Hi:~Cj))
Установление факта окончания логического вывода происходит в случае, если выполняется одно из правил:
1. Осуществлен перебор всех свидетельств.
2. Имеется такая гипотеза, наименьшая достижимая вероятность PPmin которой не меньше наибольшей достижимой вероятности PPmax любой другой гипотезы, а также заданной пороговой величины.
(m&lt;&gt; i) (PPmin(Hi) &gt; ПОРОГ) & (PPmin(Hi) &gt;= PPmax(Hm))
Наименьшая и наибольшая достижимая вероятности вычисляются по следующим формулам:
PPmin(Hi) = min(Pend(Hi)),
(m&lt;&gt; i) PPmax(Hm) = max(Pend(Hm)),
где end — последний шаг итерации,
min(Pend(Hi)) и max(Pend(Hm)) — минимальная и максимальная вероятности соответственно Hi и Hm гипотезы после выполнения всех продукций (правил).
Еще один подход для выбора свидетельства предложил Шортлиф (Shortliffe). В качестве После применения правила новое значение вероятности p объекта доказательства (гипотезы) вычисляется по формуле p + (1 — p) * q. Эта нестрогая, в смысле научного обоснования, формула, позволяет упростить процесс вероятностного вывода, заменяя необходимость предварительного сбора статистических данных.
Ниже описывается еще один метод, базирующийся на формуле Шортлифа. Каждому продукционному правилу соответствует некоторая эмпирическая величина Q(Hi:Cj), которая может быть интерпретирована как вероятность подтверждения Hi гипотезы при наличии Cj свидетельства.
Выбор свидетельства осуществляется аналогично процедуре выбора по методу ЦС. Исключение составляет вычисление значений новых вероятностей гипотез Pк+1(Hi:Cj), Pк+1(Hi:~Cj):
Pк+1(Hi:Cj)= Pк(Hi) + (1-Pк(Hi)) * Q(Hi:Cj)
Pк+1(Hi:~Cj) = Pк(Hi)
Выполнение всех правил продукции, содержащих в качестве антецедента свидетельство Cj, и установление факта окончания логического вывода осуществляется аналогично с предыдущим методом.
Вопросы для самопроверки
Дайте определение продукционной системы
Перечислите основные задачи продукционных систем
Перечислите достоинства и недостатки продукционных систем
Что такое вероятностные продукции?
Опишите Байесовскую стратегию вывода
В чем состоит метод цен свидетельств?
Опишите подход для выбора свидетельства Шортлифа
Опишите метод выбора свидетельств, базирующийся на формуле Шортлифа