МИНИСТЕРСТВО СЕЛЬСКОГО ХОЗЯЙСТВА

РОССИЙСКОЙ ФЕДЕРАЦИИ

Федеральное государственное образовательное учреждение

высшего профессионального образования

КУБАНСКИЙ ГОСУДАРСТВЕННЫЙ АГРАРНЫЙ УНИВЕРСИТЕТ

«УТВЕРЖДАЮ»

Декан факультета прикладной
информатики, профессор

С.А. Курносов

"___"________________20___ г.

РАБОЧАЯ ПРОГРАММА
по дисциплине: "Интеллектуальные информационные системы" для специальности: 351400 – Прикладная информатика (по отраслям)

Ведущая кафедра: кафедра компьютерных технологий и систем   

Вид учебной работы	Дневная форма обучения		Заочная форма обучения
	Всего часов	Курс, Семестр	Всего часов	Курс, семестр
Лекции	24	5 курс, 9 семестр
Практич. занятия (семинары)	---	5 курс, 9 семестр
Лаборат. работы	24	5 курс, 9 семестр
Всего аудиторных занятий	48	5 курс, 9 семестр
Самостоятельная работа	102	5 курс, 9 семестр
Расч.- графич. работы	---	5 курс, 9 семестр
Контр. работы	---	5 курс, 9 семестр
Курсовой проект (работа)	---	5 курс, 9 семестр
Зачёт	---	5 курс, 9 семестр
Экзамен	+	5 курс, 9 семестр
Всего по дисциплине	150	5 курс, 9 семестр

Краснодар 20___

Рабочая программа составлена на основании:

1. Государственного образовательного стандарта высшего профессионального образования по специальности или направлению подготовки дипломированного специалиста 351400 "Прикладная информатика (по областям)", утвержденного приказом Министерства образования Российской Федерации от 14 марта 2000 г. (регистрационный номер: 52 мжд/сп).

2. Примерной программы дисциплины "Интеллектуальные информационные системы", утверждённой ___________________

3. Рабочего учебного плана по специальности 351400 "Прикладная информатика (по областям)", утверждённого ___200__ г.

Преподаватели:	д.э.н., к.т.н., профессор Е.В.Луценко к.т.н., доцент В.Н.Лаптев
	Рабочую программу составил: д.э.н., к.т.н., профессор	Е.В.Луценко

Рабочая программа обсуждена и утверждена на заседании кафедры

компьютерных технологий и систем "____"_______________ 20___ г.

Протокол №_____________________

Заведующий кафедрой компьютерных технологий и систем, д.т.н., профессор

В.И.Лойко

Программа рассмотрена и одобрена методической комиссией

факультета прикладной информатики КГАУ _____________________ 20___ г.

Протокол № _______________

Председатель метод. комиссии к.воен.н., доцент

А. Б. Стефанович

1. ЦЕЛИ И ЗАДАЧИ ДИСЦИПЛИНЫ

ВЫПИСКА

ИЗ ГОСУДАРСТВЕННОГО ОБРАЗОВАТЕЛЬНОГО СТАНДАРТА

ВЫСШЕГО ПРОФЕССИОНАЛЬНОГО ОБРАЗОВАНИЯ

Специальность 351400 «ПРИКЛАДНАЯ ИНФОРМАТИКА
(по областям)»

Индекс	Наименование дисциплины и ее основные разделы	Всего часов
СД.Ф.02	Понятие интеллектуальной информационной системы (ИИС), основные свойства. Классификация ИИС. Экспертные системы. Составные части экспертной системы: база знаний, механизм вывода, механизмы приобретения и объяснения знаний, интеллектуальный интерфейс. Организация базы знаний. Предметное (фактуальное) и проблемное (операционное) знания. Декларативная и процедурная формы представления знаний. Методы представления знаний. Логический и эвристический методы рассуждения в ИИС. Рассуждения на основе дедукции, индукции, аналогии. Нечеткий вывод знаний. Немонотонность вывода. Статические и динамические экспертные системы. Приобретение знаний. Извлечение знаний из данных. Машинное обучение на примерах. Нейронные сети. Этапы проектирования экспертной системы: идентификация, концептуализация, формализация, реализация, тестирование, опытная эксплуатация. Участники процесса проектирования: эксперты, инженеры по знаниям, конечные пользователи.	102

1.1. Цель изучения дисциплины

Данная дисциплина обеспечивает приобретение студентами знаний, умений и навыков по "Интеллектуальные информационные системы" в соответствии с государственным образовательным стандартом (ГОС) высшего профессионального образования по специальности 351400 "Прикладная информатика (по областям)". Она входит в цикл специальных дисциплин специальности.

Дисциплина "Интеллектуальные информационные системы" является теоретическим и прикладным фундаментом для изучения дисциплин специальности 351400, связанных с обработкой информации при мониторинге, анализе, прогнозировании и управлении в экономике и юриспруденции. Знания, умения и навыки, полученные студентами при качественном освоении курса "Интеллектуальные информационные системы" могут использоваться ими при изучении других учебных дисциплин, а также при разработке курсовых и дипломных работ.

Изложение учебного материала дисциплины, согласно представленного в рабочей программе календарно-тематического плана, учитывает специфику деятельности специалиста в области экономики и юриспруденции. Оно ориентировано на то, что работа выпускников по данной специальности будет связанна с выявлением фактов непосредственно из эмпирических данных, накоплением фактов, выявлением причинно-следственных взаимосвязей между ними и использованием этих знаний для решения разнообразных задач идентификации, прогнозирования и выработки рекомендаций по управлению (поддержка принятия управленческих решений). Поэтому при преподавании дисциплины упор делается на прикладные аспекты эффективного применения ими интеллектуальных информационных технологий.

Цель – обеспечить высокую профессиональную подготовку информатиков в области разработки и практического применения интеллектуальных информационных технологий по профилю будущей специальности.

1.2. Задачи изучения дисциплины

В результате обучения по дисциплине "Интеллектуальные информационные системы" студенты должны приобрести знания, умения и навыки для решения следующих задач:

– формальная постановка задачи, когнитивная структуризация и формализация предметной области;

– подготовка обучающей выборки и управлению ею;

– синтез модели предметной области, включая ее Парето-оптимизацию;

– исследование модели на адекватность, сходимость и устойчивость;

– решение задач идентификации и прогнозирования;

– решение обратных задач идентификации и прогнозирования, поддержка принятия решений по управлению, информационные портреты классов и семантические портреты факторов;

– кластерный анализ классов и факторов, графическое отображение результатов кластерного анализа в форме семантических сетей;

– конструктивный анализ классов и факторов;

– содержательное сравнение обобщенных образов классов и факторов, отображение результатов содержательного сравнения в графической форме когнитивных диаграмм;

– решение задач с применением интеллектуальных информационных технологий в различных предметных областях.

2. ТРЕБОВАНИЯ К УРОВНЮ ОСВОЕНИЯ
СОДЕРЖАНИЯ ДИСЦИПЛИНЫ

В результате обучения по данной дисциплине студенты должны:

– освоить теоретическую часть курса на уровне, обеспечивающем ориентацию в основных принципах и направлениях развития интеллектуальных информационных, выбор математических методов и реализующих их программных средств для решения конкретных задач;

– приобрести практические умения и навыки при решении задач, сформулированных в п.1.2 данной рабочей программы, в различных предметных областях.

Перечень дисциплин,
усвоение которых студентами необходимо
для изучения данной дисциплины

Наименование дисциплины	Наименование разделов /тем/
ЕН.Ф.04. Теория вероятностей и математическая статистика	Особенности статистического анализа количественных и качественных показателей. Методы шкалирования при обработке качественных признаков. Проблема размерности в многомерных методах исследования. Кластер-анализ. Классификация без обучения. Классификация с обучением. Современные пакеты прикладных программ многомерного статистического анализа.
ЕН.Ф.05. Теория систем и системный анализ	Элементы теории адаптивных систем. Информационный подход к анализу систем. Основы системного анализа: система и ее свойства; принципы системности и комплексности; принцип моделирования; типы шкал. Понятие цели и закономерности целеобразования: определение цели; закономерности целеобразования; виды и формы представления структур целей (сетевая структура или сеть, иерархические структуры, страты и эшелоны); методики анализа целей и функций систем управления. Функционирование систем в условиях неопределенности; управление в условиях риска. Конструктивное определение экономического анализа: системное описание экономического анализа; модель как средство экономического анализа.
ОПД.Ф.03. Базы данных	Базы данных (БД). Принципы построения. Жизненный цикл БД. Организация процессов обработки данных в БД. Информационные хранилища. Проблема создания и сжатия больших информационных массивов, информационных хранилищ и складов данных. Управление складами данных.
ОПД.Ф.07. Разработка и стандартизация программных средств и информационных технологий	Адаптируемость пакетов программ. Способы формального представления знаний, основы устройства и использование экспертных систем в разработке адаптируемого программного обеспечения. Основные направления интеллектуализации ПО.
ОПД.Ф.08. Информационный менеджмент	Типы ИС, тенденция их развития и возможности их применений на объекте управления: управленческие информационные системы, информационные системы поддержки принятия решений и информационные системы поддержки исполнения

3. ОБЪЁМ ДИСЦИПЛИНЫ И ВИДЫ УЧЕБНОЙ РАБОТЫ

Вид учебной работы	Всего часов по формам обучения
	Очная			Заочная курс сем.
	5 курс	9 семестр	сем.
Общая трудоёмкость дисциплины	150	150		*
Аудиторные занятия	48	48	*	*
Лекции	24	24	*	*
Практические занятия (ПЗ)	*	*	*	*
Семинары (С)	*	*	*	*
Лабораторные работы (ЛР)	24	24	*	*
Самостоятельная работа	102	102	*	*
Виды итогового контроля		Экзамен	*	*

4. СОДЕРЖАНИЕ ДИСЦИПЛИНЫ

4.1. Содержание теоретических разделов дисциплины

Раздел 1. Введение в интеллектуальные информационные системы

1.1. Лекция-1. Предпосылки создания и критерии идентификации систем искусственного интеллекта

Интеллектуальные информационные системы, как закономерный и неизбежный этап развития средств труда. Основные положения информационно-функциональной теории развития техники. Информационная теория стоимости. Интеллектуализация – генеральное направление и развития информационных технологий.

Определение и критерии идентификации систем искусственного интеллекта. Данные, информация, знания. Системно-когнитивный анализ как развитие концепции смысла Шенка-Абельсона. Понятие: "Система искусственного интеллекта", место СИИ в классификации информационных систем. Определение и классификация систем искусственного интеллекта, цели и пути их создания. Информационная модель деятельности специалиста и место систем искусственного интеллекта в этой деятельности. Жизненный цикл системы искусственного интеллекта и критерии перехода между этапами этого цикла.

Раздел 2. Теоретические основы и применение
универсальной когнитивной аналитической системы "Эйдос"

2.1. Лекция-2. Теория и математическая модель СК-анализа

Теоретические основы системно-когнитивного анализа. Системный анализ, как метод познания. Когнитивная концепция и синтез когнитивного конфигуратора. СК-анализ, как системный анализ, структурированный до уровня базовых когнитивных операций. Место и роль СК-анализа в структуре управления.

Системная теория информации и семантическая информационная модель. Теоретические основы системной теории информации. Семантическая информационная модель СК-анализа. Некоторые свойства математической модели (сходимость, адекватность, устойчивость и др.). Взаимосвязь математической модели СК-анализа с другими моделями

2.2. Лекция-3. Методика и технология численных расчетов в СК-анализе

Методика численных расчетов (алгоритмы и структуры данных). Принципы формализации предметной области и подготовки эмпирических данных. Иерархическая структура данных и последовательность численных расчетов в СК-анализе. Обобщенное описание алгоритмов СК-анализа. Детальные алгоритмы СК-анализа.

Технология синтеза и эксплуатации приложений в системе «Эйдос». Назначение и состав системы "ЭЙДОС". Пользовательский интерфейс, технология разработки и эксплуатации приложений в системе "ЭЙДОС". Технические характеристики и обеспечение эксплуатации системы "ЭЙДОС" (версии 12.5). АСК-анализ, как технология синтеза и эксплуатации рефлексивных АСУ активными объектами.

Раздел 3. Принципы построения интеллектуальных
информационных систем

3.1. Лекция-4. Системы с интеллектуальной обратной связью и интеллектуальными интерфейсами

Интеллектуальные интерфейсы. Использование биометрической информации о пользователе в управлении системами. Системы с биологической обратной связью. Системы с семантическим резонансом. Компьютерные (Y-технологии и интеллектуальный подсознательный интерфейс. Системы виртуальной реальности и критерии реальности. Эффекты присутствия, деперсонализации и модификация сознания пользователя. Системы с дистанционным телекинетическим интерфейсом.

3.2. Лекция-5. Автоматизированные системы распознавания образов

Основные понятия и определения, связанные с системами распознавания образов. Проблема распознавания образов. Классификация методов распознавания образов. Применение распознавания образов для идентификации и прогнозирования. Сходство и различие в содержании понятий "идентификация" и "прогнозирование". Роль и место распознавания образов в автоматизации управления сложными системами. Методы кластерного анализа.

3.3. Лекция-6. Математические методы и автоматизированные системы поддержки принятия решений

Многообразие задач принятия решений. Языки описания методов принятия решений. Выбор в условиях неопределенности. Решение как компромисс и баланс различных интересов. О некоторых ограничениях оптимизационного подхода. Экспертные методы выбора. Юридическая ответственность за решения, принятые с применением систем поддержки принятия решений. Условия корректности использования систем поддержки принятия решений. Хранилища данных для принятия решений.

3.4. Лекция-7. Экспертные системы

Базовые понятия. Методика построения. Этап-1 синтеза ЭС: "Идентификация". Этап-2 синтеза ЭС: "Концептуализация". Этап-3 синтеза ЭС: "Формализация". Этап-4 синтеза ЭС: "Разработка прототипа". Этап-5 синтеза ЭС: "Экспериментальная эксплуатация". Этап-6 синтеза ЭС: "Разработка продукта". Этап-7 синтеза ЭС: "Промышленная эксплуатация".

3.5. Лекция-8. Нейронные сети

Биологический нейрон и формальная модель нейрона Маккалоки и Питтса. Возможность решения простых задач классификации непосредственно одним нейроном. Однослойная нейронная сеть и персептрон Розенблата. Линейная разделимость и персептронная представляемость. Многослойные нейронные сети. Проблемы и перспективы нейронных сетей. Модель нелокального нейрона и нелокальные интерпретируемые нейронные сети прямого счета.

3.6. Лекция-9. Генетические алгоритмы и моделирование биологической эволюции

Основные понятия, принципы и предпосылки генетических алгоритмов. Пример работы простого генетического алгоритма. Достоинства и недостатки генетических алгоритмов. Примеры применения генетических алгоритмов.

3.7. Лекция-10. Когнитивное моделирование

Определение основных понятий: "Когнитивное моделирование" и "Классическая когнитивная карта", их связь с когнитивной психологией и гносеологией. Когнитивная (познавательно-целевая) структуризация знаний об исследуемом объекте и внешней для него среды на основе PEST-анализа и SWOT-анализа. Разработка программы реализации стратегии развития исследуемого объекта на основе динамического имитационного моделирования (при поддержке программного пакета Ithink).

3.8. Лекция-11. Выявление знаний из опыта (эмпирических фактов) и интеллектуальный анализ данных (data mining)

Интеллектуальный анализ данных (data mining). Типы выявляемых закономерностей data mining. Математический аппарат data mining. Области применения технологий интеллектуального анализа данных. Автоматизированные системы для интеллектуального анализа данных.

Раздел 4. Применение и перспективы
систем искусственного интеллекта

Лекция-12. Применение и перспективы СИИ

Области применения систем искусственного интеллекта. Обзор опыта применения АСК-анализа для управления и исследования социально-экономических систем. Поддержка принятия решений по выбору агротехнологий, культур и пунктов выращивания. Прогнозирование динамики сегмента рынка. Анализ динамики макроэкономических состояний городов и районов на уровне субъекта Федерации в ходе экономической реформы (на примере Краснодарского края) и прогнозирование уровня безработицы (на примере Ярославской области)

Перспективы развития систем искусственного интеллекта, в т.ч. в Internet. Ограничения АСК-анализа и обоснованное расширение области его применения на основе научной индукции. Перспективы применения АСК-анализа в управлении. Развитие АСК-анализа. Другие перспективные области применения АСК-анализа и систем искусственного интеллекта

4.2. Содержание лабораторного практикума

Лабораторный практикум включает 6 из 10 лабораторных работ разработанных и описанных в авторском учебном пособии по СИИ. Все лабораторные работы основаны на системе «Эйдос». Каждая работа выполняется 4 часа (две пары), которые, как правило, идут одна за одной.

ЛР-1: "Прогнозирование вероятных пунктов назначения железнодорожных составов"

ЛР-2: "Прогнозирование учебных достижений студентов на основе их имеджевых фотороботов"

ЛР-3: "Прогнозирование учебных достижений студентов на основе особенностей их почерка"

ЛР-4: "Прогнозирование учебных достижений студентов на основе информации об их социальном статусе"

ЛР-5: "Идентификация слов по входящим в них буквам"

ЛР-6: "Атрибуция анонимных и псевдонимных текстов"

5. ПРАКТИЧЕСКИЕ ЗАНЯТИЯ (СЕМИНАРЫ)

№ п/п	Номер раз-дела (темы)	Тема занятия	Объём в часах по формам обучения
			очная	заочная
---	---	---	---	---
Общий объём			---	---

6. ЛАБОРАТОРНЫЙ ПРАКТИКУМ

№		Наименование лабораторной работы (занятия)	Объём в часах по форме обучения
лаб. раб.	разд.		очная	заочн.
1	2	ЛР-1: "Прогнозирование вероятных пунктов назначения железнодорожных составов"	4	---
2	2	ЛР-2: "Прогнозирование учебных достижений студентов на основе их имеджевых фотороботов"	4	---
3	2	ЛР-3: "Прогнозирование учебных достижений студентов на основе особенностей их почерка"	4	---
4	2	ЛР-4: "Прогнозирование учебных достижений студентов на основе информации об их социальном статусе"	4	---
		ЛР-5: "Идентификация слов по входящим в них буквам"
5	2	ЛР-6: "Атрибуция анонимных и псевдонимных текстов"	4	---
Общий объём			24	---

7. РАСЧЁТНО – ГРАФИЧЕСКИЕ РАБОТЫ

Не предусматриваются.

8. КОНТРОЛЬНЫЕ РАБОТЫ

Не предусматриваются.

9. КУРСОВОЕ ПРОЕКТИРОВАНИЕ

Не предусматривается.

10. САМОСТОЯТЕЛЬНАЯ РАБОТА СТУДЕНТОВ ПОД КОНТРОЛЕМ ПРЕПОДАВАТЕЛЯ ПО ДИСЦИПЛИНЕ

10.1. Виды и объём самостоятельной работы

Вид самостоятельной работы	Всего часов	Форма контроля
1. Самостоятельное изучение отдельных тем (вопросов)	10	Письменный отчет
2. Подготовка рефератов по индивидуальным заданиям	10	Реферат
3. Подготовка докладов на семинары и конференции	10	Доклад
4. Проведение патентного поиска по тематике курсового проектирования, научной студенческой работы и пр.	10	Письменный отчет
5. Выполнение студенческой научной работы по тематике изучаемой дисциплины, подготовка и публикация статей в электронном научном журнале КубГАУ по результатам работы	62	Статьи, опубликованные в научном журнале КубГАУ
6. Другие виды самостоятельной работы, в частности	---
Общий объём	102

10.2. Рекомендуемая литература для самостоятельного изучения отдельных тем (вопросов)

Тема (вопрос)	Литература
	основная	дополнительная
1	2	3
Идентификация изображений местности по их вербальным описаниям.	[1]	[2]
Оценка рисков правонарушений по признакам почерка (психографология).	[1]	[2]
Оценка рисков страхования и кредитования предприятий по их вербальным описаниям.	[1]	[2]
Прогнозирование рисков совершения ДТП (дорожно-транспортных происшествий) по видам и времени на основе данных о владельце и автомобиле.	[1]	[2]
Прогнозирование успешности деятельности фирмы на основе оценки ее персонала.	[1]	[2]
Прогнозирование продолжительности жизни пациентов, перенесших сердечный приступ, по данным эхокардиограммы на основе базы данных репозитария UCI.	[1]	[2]
Классификация животных по внешним признакам на основе базы данных репозитария UCI.	[1]	[2]
Диагностика фитопатологии по симптоматике и выработку рекомендаций по плану лечения на основе информации, содержащейся в учебниках.	[1]	[2]
Идентификация изображений различных мест на территории КубГАУ по вербальным описаниям их фотографий (изображения взять с сайта КубГАУ: http://kubagro.ru, фотогалерея). СК-анализ семантической информационной модели.	[1]	[2]
Прогнозирование успеваемости по ИИС на основе данных по социальному статусу студентов и их родителей.	[1]	[2]
Прогнозирование направления деятельности фирмы на основе данных о расположении и внешнем виде ее офиса. СК-анализ семантической информационной модели.	[1]	[2]
Выбор автомобиля для приобретения по его признакам (обучающую выборку взять на автомобильном рынке). СК-анализ семантической информационной модели.	[1]	[2]
Выбор вариантов приобретения жилья по его признакам. СК-анализ семантической информационной модели.	[1]	[2]
Оценка важности различных видов городского транспорта и различных маршрутов в разрезе по остановкам. СК-анализ семантической информационной модели.	[1]	[2]
Исследование систем: FineReader, Cunie Form и других систем ввода текстов со сканера. Исследовать зависимость качества распознавания текста от разрешения сканирования для разных систем. Оценку качества производить по количеству ошибок распознавания на одном и том же тексте. Составить рейтинг систем и версий, дать рекомендации. Оценить тоже самое, после использования After Scan.	[1]	[2]
Исследование систем Stylus (Promt), Сократ, и других систем автоматизированного перевода. Сравнить качество автоматизированного перевода с русского языка на английский язык и обратно для текстов различной направленности (юридические, технические, художественные, стихи) и с различной длиной и сложностью предложений (статистика). Составить рейтинг систем и версий, дать рекомендации. Оценку качества перевода осуществлять путем обобщения экспертных оценок экспертов с разным уровнем компетентности (студенты).	[1]	[2]
Исследовать реальную систему распознавание образов, идентификации и прогнозирования при решении задач лабораторных работ.	[1]	[2]
Исследовать реальную систему поддержки принятия решений при решении задач лабораторных работ.	[1]	[2]
Исследовать реальную экспертную систему при решении задач лабораторных работ.	[1]	[2]
Исследовать реальную систему класса: "Нейронная сеть" на примере пакета NeuroOffice при решении задач лабораторных работ.	[1]	[2]
Исследовать реальную систему, реализующую генетические алгоритмы при решении задач лабораторных работ.	[1]	[2]
Исследовать реальную систему когнитивного моделирования при решении задач лабораторных работ.	[1]	[2]
Исследовать реальную систему выявления знаний из опыта (эмпирических фактов) и интеллектуального анализа данных при решении задач лабораторных работ.	[1]	[2]
Решение задач идентификации и прогнозирования на основе данных репозитория UCI по различным направлениям.	[1]	[2]

11. УЧЕБНО-МЕТОДИЧЕСКОЕ ОБЕСПЕЧЕНИЕ ДИСЦИПЛИНЫ

11.1. Рекомендуемая литература

Основная:

1. Луценко Е.В. Автоматизированный системно-когнитив-ный анализ в управлении активными объектами (системная теория информации и ее применение в исследовании экономических, социально-психологических, технологических и организационно-технических систем): Монография (научное издание). – Краснодар: КубГАУ. 2002. – 605 с.

2. Луценко Е.В. Интеллектуальные информационные системы: Учебное пособие для студентов специальности: 351400 "Прикладная информатика (по отраслям)". – Краснодар: КубГАУ. 2004. – 633 с.

3. Луценко Е.В., Лойко В.И., Семантические информационные модели управления агропромышленным комплексом. Монография (научное издание). – Краснодар: КубГАУ. 2005. – 480 с.

4. Луценко Е.В. Теоретические основы и технология адаптивного семантического анализа в поддержке принятия решений (на примере универсальной автоматизированной системы распознавания образов "ЭЙДОС-5.1"). Монография (научное издание). – Краснодар: КЮИ МВД РФ, 1996. - 280с.

5. Луценко Е.В. Универсальная автоматизированная система распознавания образов "Эйдос" (версия 4.1).-Краснодар: КЮИ МВД РФ, 1995.- 76с.

6. Симанков В.С., Луценко Е.В. Адаптивное управление сложными системами на основе теории распознавания образов. Монография (научное издание). – Краснодар: ТУ КубГТУ, 1999. - 318с.

7. Симанков В.С., Луценко Е.В., Лаптев В.Н. Системный анализ в адаптивном управлении: Монография (научное издание). /Под науч. ред. В.С.Симанкова. – Краснодар: ИСТЭК КубГТУ, 2001. – 258с.

Дополнительная:

5. Сотник С. Л., Конспект лекций по курсу "Основы проектирования систем искусственного интеллекта". 1998. –187 с.

6. Терехов С.А. Лекции по теории и приложениям искусственных нейронных сетей. Лаборатория Искусственных Нейронных Сетей НТО-2, ВНИИТФ: –Снежинск. 20___. -200 с.

7. Райков А.Н. Интеллектуальные информационные технологии: Учебное пособие. – М.: МГИРЭА(ТУ), 2000. - 96с.

8. Дюк В.А. Обработка данных на ПК в примерах. – СПб: Питер, 1997. – 240с.

9. Дюк В.А. Компьютерная психодиагностика. - СПб: Братство, 1994. - 365с.

10. Боровиков В.П. Прогнозирование в системе STATISTICA® в среде Windows. Основы теории и интенсивная практика на компьютере: Учеб. пособие. – М.: Финансы и статистика, 2000. – 384с.

Сайты для самостоятельного изучения

Сайт автора учебного пособия: http://Lc.Kubagro.ru (с сетевых станций КубГАУ скорость доступа к сайту в настоящее время около 500 Кбайт/с), выход на страничку о системе "Эйдос" со старого сайта: http://Lc.Kubagro.ru/index_old.htm.

http://ej.kubagro.ru (статьи в электронном Научном журнале КубГАУ о применении системы "Эйдос" для решения задач СИИ в различных предметных областях.)

Базы данных репозитория UCI: http://www.ics.uci.edu/~mlearn/MLRepository.html

http://datadiver.nw.ru/

http://www.dialog-21.ru

http://alephegg.narod.ru/Refs/Diagonal.htm

http://www.orc.ru/~stasson/neurox.html

http://www.statsoft.ru/home/textbook/modules/stneunet.html

http://www.finbridge.ru/net.shtml

http://alife.narod.ru/

http://www.businesstest.ru/default.asp?topic_id=3

Сайты, обнаруживаемые в поисковых системах Yandex.ru, Aport.ru и Rambler.ru по запросам:

– "Интеллектуальная обработка данных (data mining)";

– "Распознавание образов";

– "Поддержка принятия решений";

– "Экспертные системы".

– "Когнитивное моделирование";

– "Нейронные сети";

– "Генетические алгоритмы";

– "Моделирование эволюции (машинная эволюция)";

– "Клавиатурный почерк";

– "Биометрическая идентификация пользователя";

– "Биологическая обратная связь";

– "Семантический резонанс".

11.2. Средства обеспечения освоения дисциплины

Учебно-методическая документация по дисциплине (имеющиеся на кафедре методических указаний по каждому виду работы)

Луценко Е.В. Интеллектуальные информационные системы: Учебное пособие для студентов специальности: 351400 "Прикладная информатика (по отраслям)". – Краснодар: КубГАУ. 20___. – 633 с.

Программное обеспечение (обучающие, контролирующие и расчётные компьютерные программы, используемые при учебной работе по дисциплине)

Операционные системы

MS Windows.

Программы под MS Windows

MS Word – текстовый редактор;

MS Excel – табличный процессор;

PhotoShop – графический редактор;

Windows & Total Commmander.

Универсальная когнитивная аналитическая система "Эйдос" версии 12.5 или выше.

Технические средства обучения (наглядные пособия, диафильмы, дидактические материалы, технические средства обучения по дисциплине)

Презентации к лекциям по дисциплине.

Оборудование, установки, химические реактивов и т.д.

Не используются.

12. МАТЕРИАЛЬНО – ТЕХНИЧЕСКОЕ ОБЕСПЕЧЕНИЕ

Лекции читаются в мультимедийных лекционных залах общей площадью 250 кв. м., оборудованных специализированной мебелью, современными мультимедийными средствами и средствами информационно–коммуникационных технологий:

- Мультимедийные проекторы – 2,

- эпидиаскопы – 2,

- киноэкраны – 2,

- видеомагнитофоны - 2,

- магнитофоны - 2,

- микрофон - 6,

- усилитель –2,

- акустические системы - 2,

- лазерная указка - 2,

- устройства затемнения - 12,

- устройства обеспечения безопасности - 4,

- устройства поддержания микроклимата – 5,

- Сервер –2;

- АРМ лектора, включая компьютер для удаленного управления – 2;

- выход в Internet;

- Программные средства для поддержки мультимедийных презентаций;

- Системное, прикладное и инструментальное обеспечение, демонстрация которого необходима для усвоения лекционного материала;

- Столы – 2;

- трибуна – 2;

- Доски - 2,

- Парты – 150.

Все лабораторные занятия и часть самостоятельной работы проводятся со студентами в 6 компьютерных классах кафедры КТС общей площадью 623 кв.м., оборудованных:

- 96 ПК на базе Pentium IV со средствами мультимедиа и специализированным ПО;

- выход в Internet;

- Столы – 90;

- Стулья – 180;

- Доски - 6.

Аудитории 1, 3, 8 корпуса факультета прикладной информатики, площадь – 30 м.кв., аудитория рассчитана на одну группу, численностью до 21 человек. При большем количестве студентов в группе за одним компьютером допускается работать по 2 человека, а за отдельными компьютерами – до трех.

Номер работы	Лабораторные стенды	Измерительные приборы	Эл. машины и аппараты
---	---	---	---

Протокол

согласования рабочей программы с другими дисциплинами специальности

Наименование дисциплины, с которой проводилось согласование	Кафедра	Предложения об изменениях в рабочей программе. Заключение об итогах согласования	Подпись зав. кафедрой
ЕН.Ф.04. Теория вероятностей и математическая статистика	Прикладной математики и статистики	Изменений в рабочей программе не требуется, программа составлена на основе ГОС ВПО и примерной программы дисциплины.
ЕН.Ф.05. Теория систем и системный анализ	Системного анализа и обработки информации	Изменений в рабочей программе не требуется, программа составлена на основе ГОС ВПО и примерной программы дисциплины.
ОПД.Ф.03. Базы данных	Компьютерных технологий и систем	Изменений в рабочей программе не требуется, программа составлена на основе ГОС ВПО и примерной программы дисциплины.
ОПД.Ф.07. Разработка и стандартизация программных средств и информационных технологий	Системного анализа и обработки информации	Изменений в рабочей программе не требуется, программа составлена на основе ГОС ВПО и примерной программы дисциплины.
ОПД.Ф.08. Информационный менеджмент	Системного анализа и обработки информации	Изменений в рабочей программе не требуется, программа составлена на основе ГОС ВПО и примерной программы дисциплины.

УТВЕРЖДАЮ Декан факультета прикладной информатики профессор С.А. Курносов «___»___________ 20___ г.

Рассмотрен и утверждён кафедрой компьютерных технологий и систем Протокол № ___ от «__»___ 20___ г. Заведующий кафедрой компьютерных технологий и систем профессор В.И. Лойко «___»____________20___ г.

КАЛЕНДАРНО-ТЕМАТИЧЕСКИЙ ПЛАН

по дисциплине

«Интеллектуальные информационные системы»

5-й курс, 9-й семестр

1. План лекций

Номер			Тема и основные вопросы лекции
недели	лекции	темы по раб.пр.
1	2		Лекция-1. Предпосылки создания и критерии идентификации систем искусственного интеллекта
		1.1.	Интеллектуальные информационные системы, как закономерный и неизбежный этап развития средств труда: 1. Основные положения информационно-функциональной теории развития техники 2. Информационная теория стоимости 3. Интеллектуализация – генеральное направление и развития информационных технологий
		1.2.	Определение и критерии идентификации систем искусственного интеллекта: 1. Данные, информация, знания. Системно-когнитивный анализ как развитие концепции смысла Шенка-Абельсона. 2. Понятие: "Система искусственного интеллекта", место СИИ в классификации информационных систем. 3. Определение и классификация систем искусственного интеллекта, цели и пути их создания. 4. Информационная модель деятельности специалиста и место систем искусственного интеллекта в этой деятельности. 5. Жизненный цикл системы искусственного интеллекта и критерии перехода между этапами этого цикла.
2	2		Лекция-2. Теория и математическая модель СК-анализа
		2.1.	Теоретические основы системно-когнитивного анализа: 1. Системный анализ, как метод познания. 2. Когнитивная концепция и синтез когнитивного конфигуратора. 3. СК-анализ, как системный анализ, структурированный до уровня базовых когнитивных операций. 4. Место и роль СК-анализа в структуре управления.
		2.2.	Системная теория информации и семантическая информационная модель: 1. Теоретические основы системной теории информации. 2. Семантическая информационная модель СК-анализа. 3. Некоторые свойства математической модели (сходимость, адекватность, устойчивость и др.). 4. Взаимосвязь математической модели СК-анализа с другими моделями
3	3		Лекция-3. Методика и технология численных расчетов в СК-анализе
		2.3.	Методика численных расчетов (алгоритмы и структуры данных): 1. Принципы формализации предметной области и подготовки эмпирических данных. 2. Иерархическая структура данных и последовательность численных расчетов в СК-анализе. 3. Обобщенное описание алгоритмов СК-анализа. 4. Детальные алгоритмы СК-анализа.
		2.4.	Технология синтеза и эксплуатации приложений в системе «Эйдос»: 1. Назначение и состав системы "ЭЙДОС". 2. Пользовательский интерфейс, технология разработки и эксплуатации приложений в системе "ЭЙДОС". 3. Технические характеристики и обеспечение эксплуатации системы "ЭЙДОС" (версии 12.5). 4. АСК-анализ, как технология синтеза и эксплуатации рефлексивных АСУ активными объектами.
4	4	3.1.	Лекция-4. Системы с интеллектуальной обратной связью и интеллектуальными интерфейсами: 1. Интеллектуальные интерфейсы. Использование биометрической информации о пользователе в управлении системами. 2. Системы с биологической обратной связью. 3. Системы с семантическим резонансом. Компьютерные (Y-технологии и интеллектуальный подсознательный интерфейс. 4. Системы виртуальной реальности и критерии реальности. Эффекты присутствия, деперсонализации и модификация сознания пользователя. 5. Системы с дистанционным телекинетическим интерфейсом.
5	5	3.2.	Лекция-5. Автоматизированные системы распознавания образов: 1. Основные понятия и определения, связанные с системами распознавания образов. 2. Проблема распознавания образов. 3. Классификация методов распознавания образов. 4. Применение распознавания образов для идентификации и прогнозирования. Сходство и различие в содержании понятий "идентификация" и "прогнозирование". 5. Роль и место распознавания образов в автоматизации управления сложными системами. 6. Методы кластерного анализа.
6	6	3.3.	Лекция-6. Математические методы и автоматизированные системы поддержки принятия решений: 1. Многообразие задач принятия решений. 2. Языки описания методов принятия решений. 3. Выбор в условиях неопределенности. 4. Решение как компромисс и баланс различных интересов. О некоторых ограничениях оптимизационного подхода. 5. Экспертные методы выбора. 6. Юридическая ответственность за решения, принятые с применением систем поддержки принятия решений. 7. Условия корректности использования систем поддержки принятия решений. 8. Хранилища данных для принятия решений.
7	7	3.4.	Лекция-7. Экспертные системы: 1. Базовые понятия. 2. Методика построения. 3. Этап-1 синтеза ЭС: "Идентификация". 4. Этап-2 синтеза ЭС: "Концептуализация". 5. Этап-3 синтеза ЭС: "Формализация". 6. Этап-4 синтеза ЭС: "Разработка прототипа". 7. Этап-5 синтеза ЭС: "Экспериментальная эксплуатация". 8. Этап-6 синтеза ЭС: "Разработка продукта". 9. Этап-7 синтеза ЭС: "Промышленная эксплуатация".
8	8	3.5.	Лекция-8. Нейронные сети: 1. Биологический нейрон и формальная модель нейрона Маккалоки и Питтса. 2. Возможность решения простых задач классификации непосредственно одним нейроном. 3. Однослойная нейронная сеть и персептрон Розенблата. 4. Линейная разделимость и персептронная представляемость. 5. Многослойные нейронные сети. 6. Проблемы и перспективы нейронных сетей. 7. Модель нелокального нейрона и нелокальные интерпретируемые нейронные сети прямого счета.
9	9	3.6.	Лекция-9. Генетические алгоритмы и моделирование биологической эволюции: 1. Основные понятия, принципы и предпосылки генетических алгоритмов. 2. Пример работы простого генетического алгоритма. 3. Достоинства и недостатки генетических алгоритмов. 4. Примеры применения генетических алгоритмов.
10	10	3.7.	Лекция-10. Когнитивное моделирование: 1. Определение основных понятий: "Когнитивное моделирование" и "Классическая когнитивная карта", их связь с когнитивной психологией и гносеологией. 2. Когнитивная (познавательно-целевая) структуризация знаний об исследуемом объекте и внешней для него среды на основе PEST-анализа и SWOT-анализа. 3. Разработка программы реализации стратегии развития исследуемого объекта на основе динамического имитационного моделирования (при поддержке программного пакета Ithink).
11	11	3.8.	Лекция-11. Выявление знаний из опыта (эмпирических фактов) и интеллектуальный анализ данных (data mining): 1. Интеллектуальный анализ данных (data mining) 2. Типы выявляемых закономерностей data mining. 3. Математический аппарат data mining. 4. Области применения технологий интеллектуального анализа данных. 5. Автоматизированные системы для интеллектуального анализа данных.
12	12		Лекция-12. Применение и перспективы СИИ
		4.1.	Области применения систем искусственного интеллекта: 1. Обзор опыта применения АСК-анализа для управления и исследования социально-экономических систем. 2. Поддержка принятия решений по выбору агротехнологий, культур и пунктов выращивания. 3. Прогнозирование динамики сегмента рынка. 4. Анализ динамики макроэкономических состояний городов и районов на уровне субъекта Федерации в ходе экономической реформы (на примере Краснодарского края) и прогнозирование уровня безработицы (на примере Ярославской области)
		4.2.	Перспективы развития систем искусственного интеллекта, в т.ч. в Internet: 1. Ограничения АСК-анализа и обоснованное расширение области его применения на основе научной индукции. 2. Перспективы применения АСК-анализа в управлении. 3. Развитие АСК-анализа. 4. Другие перспективные области применения АСК-анализа и систем искусственного интеллекта

2. План практических занятий (семинаров)

Номер недели	Тема занятия	Количество часов	Вид отчётности о самостоятельной работе
---	---	---	---
	Итого

3. План лабораторных занятий

Номер недели	Тема лабораторного занятия	Количество часов	Вид отчётности о самостоятельной работе
1	ЛР-1: "Прогнозирование вероятных пунктов назначения железнодорожных составов"	4	Приём отчётов по лабораторным работам
2	ЛР-2: "Прогнозирование учебных достижений студентов на основе их имеджевых фотороботов"	4	Приём отчётов по лабораторным работам
3	ЛР-3: "Прогнозирование учебных достижений студентов на основе особенностей их почерка"	4	Приём отчётов по лабораторным работам
4	ЛР-4: "Прогнозирование учебных достижений студентов на основе информации об их социальном статусе"	4	Приём отчётов по лабораторным работам
5	ЛР-5: "Идентификация слов по входящим в них буквам"	4	Приём отчётов по лабораторным работам
6	ЛР-6: "Атрибуция анонимных и псевдонимных текстов"	4	Приём отчётов по лабораторным работам
	Итого	24

4 График выполнения курсового проекта (работы)

Номер недели	Содержание выполняемой работы	Вид отчётности
---	---	---