Отчет по практике по программированию на тему Разработать алгоритм или базу знаний (на выбор) для экспертной системы (вид экспертной системы любой)

Первоначально алгоритм работает с набором обучающих данных, и далее использует их в процессе обработки запросов. К примеру, если провести загрузку в машину нескольких фотографий с описанием их содержимого типа «на данной фотографии изображён кот» и «на данной фотографии нет кота». При дальнейшем добавлении в программу новых изображений, система сможет самостоятельно определять фотографии с котами.
Алгоритмы машинного обучения постоянно совершенствуются. Например, при вводе ошибочной информации в базу, система не дает сбоев, игнорируя ошибочный ввод при обучении.
В настоящее время машины находят применение в областях, которые ранее считались доступными только для человека.
Одной из областей применения систем машинного обучения являются маркетинговые технологии. Анализ поисковых запросов в Интернете позволяет провести подстройку системы интернет-рекламы под предпочтения пользователя.
Также системы машинного обучения находят применение в антивирусных программных системах, которые по активности программ могут относить их к классу вредоносных. Разрабатываются системы, позволяющие проводить управление автомобилями без участия человека. Системы также внедряются в работу диспетчерских служб аэропортов.
Дедуктивное обучение машинной системы связано с формализацией экспертных знаний и их ввод базу знаний. Дедуктивное обучение относится к области экспертных систем, в силу этого понятия машинного обучения и обучения по прецедентам можно считать тождественными.
Машинное обучение может использовать аппарат математической статистики, оптимизационных методов и методов классической математики, но обладает также и собственной спецификой, связанной с проблемами эффективности алгоритмов и правил переобучения.
Методы индуктивного обучения разрабатывались в качестве альтернативы классическим статистическим подходам. Многие из методы имеют тесную связь с технологиями извлечения информации и интеллектуального анализа данных.
Машинное обучение является не только математической, но и практической, инженерной дисциплиной. Теоретические положения, как правило, не приводят непосредственно к получению методов и алгоритмов, которые имеют практическое использование. Для их эффективной работы, необходимо разрабатывать дополнительные эвристики, которые компенсируют степень несоответствия сделанных в теории предположений к реальным условиям.
Практически для всех исследований в процессе машинного обучения необходимо проведения экспериментов на тестовых или реальных данных, подтверждающих на практике работоспособность методики.
Проведем описание постановки задачи обучения по прецедентам.
Имеется некоторое количество прецедентов (объектов, ситуаций), для каждого из которых проведен сбор данных по проведенным измерениям. Данные о прецедентах называют также рассматриваются как их описание.
Набор всех имеющихся описаний прецедентов представляет собой обучающую выборку. Необходимо по набору этих частных данных выявить наличие общих зависимостей, закономерностей, взаимосвязей, присущих не только данной конкретной выборке, но также всему набору прецедентов, включая те, которые ещё не наблюдались. В таком случае речь идет о восстановлении зависимостей в соответствии с имеющимися эмпирическими данными – данный термин был введен в работах Вапника и Червоненкиса.
Наиболее распространённым методом, используемым при описании прецедентов является признаковое описание. При этом фиксируется наличие совокупности из n показателей, которые измеряются у всех прецедентов. Если каждый из n показателей описывается числовыми данными, то признаковые описания являются числовыми векторами размерности n. Возможны и более сложные случаи, в рамках которых описание прецедентов проводится с помощью временных рядов или сигналов, изображений, видеорядов, текстов, попарных отношений сходства или интенсивности взаимодействия, и т.д.
Для решения задач, связанных с обучением по прецедентам первоначально необходимо зафиксировать модель восстанавливаемой зависимости.
Далее вводится качественный функционал, значение которого показывает, соответствие построенной модели реальным данным. Алгоритм обучения проводит поиск такого набора параметров модели, при котором функционал качества на заданной обучающей выборке принимает оптимальное значение. Процесс настройки (fitting) модели по выборке данных в большинстве случаев сводится к применению численных методов оптимизации.
Определим тип задач, решаемых системами машинного обучения
- Обучение с учителем — наиболее распространённый случай. Для каждого прецедента составляется пару «объект, ответ». Необходимо найти наличие функциональной зависимости ответов от описаний объектов и провести построение алгоритма, принимающего на входе описание объекта и выдающего на выходе ответ. Качественной характеристикой построенной модели является оценка средней ошибки ответов, выдаваемых алгоритмом, по всем объектам выборки.
- Для задач классификации характерна конечность множества допустимых ответов.
- Решение задачи регрессии предполагает нахождение действительного числа или числового вектора для введенного значения.
Экспертные системы – программы для компьютера, воспроизводящие процесс решения задач человеком-экспертом [3].
Экспертная система – программа, использующая знания специалистов (экспертов) в некоторых конкретных узко специализированных предметных областях и в пределах данной области способная проводить принятие решений экспертного уровня [4].
Экспертные системы – прикладные программы искусственного интеллекта (ИИ), в которых база знаний представляет собой формализованные эмпирические знания экспертов в какой-либо узкой предметной области.
Экспертная система представляет собой программный продукт, оперирующий с базой знаний в заданной предметной области с целью выработки рекомендаций или решения поставленных задач [5].
В основе функционирования экспертной системы лежит использование знаний в виде библиотеки данных, работа с которыми осуществляется на базе эвристических правил, определенных экспертами. Экспертные системы могут решать выдавать информацию следующего вида:
- формулировать рекомендации, давать консультации;
- выполнять классификацию;
- проводить оценку исследуемого объекта.
Экспертные системы специализируются на решении задач, как правило требующих проведения экспертизы со стороны специалиста. В отличие от программных продуктов, использующих процедурный анализ, экспертные системы проводят решение задач в узко специальной предметной области на основе дедуктивных рассуждений. Основным достоинством экспертных систем является возможность накопления знаний, сохранения их длительное время, обновления и таким образом обеспечения относительной независимости объекта исследования от необходимости присутствия квалифицированных специалистов [6].
Экспертная система представляет собой интеллектуальную информационную систему, используемую для решения слабо формализованных задач с использованием данных, накапливаемых в базе знаний, содержащей результаты экспериментального опыта в исследуемой проблемной области [2]. В ЭС используются базы знаний, содержащий набор правил и механизмов вывода, что позволяет на основании описанных пользователем фактов осуществить распознавание ситуации, провести постановку диагноза, определить решение, выдать рекомендации в рамках выбора вариантов поведения системы. ЭС применяются при воссоздании опытных данных, компетенций специалистов в узкоспециализированных областях, управленческих системах. Создание ЭС осуществляется с применением математического аппарата, использующего нечеткую логику для использования в специальных областях, при этом для обработки данных необходима высокая производительность компьютерного оборудования. В основе разработки экспертных систем лежит база знаний, основывающаяся на моделях представления знаний. В системах, основанных на знаниях, правила (или эвристики), по которым решаются проблемы в конкретной предметной области, хранятся в базе знаний [7]. Проблемы ставятся перед системой в виде фактологической информации, описывающей некоторую ситуацию, и ЭС с использованием базы знаний производит вывод заключения из данных фактов.

2.2. Реализация экспертной системы по теме «Офисное оборудование»

В рамках данной работы проведено создание экспертной системы по теме «Офисное оборудование». Система задает пользователю вопросы в области деятельности, связанной с использованием техники в офисе, система выдает вид оборудования, который необходимо приобрести.
В качестве оболочки экспертной системе выбрана mini-es.
Для редактирования базы знаний используется режим редактора (рис.4).