Учебно-методический комплекс по элективной дисциплине (модулю) б1. Ф. Дэ.04.02 интеллектуальные аналитические информационные системы

УЧЕБНО-МЕТОДИЧЕСКИЙ КОМПЛЕКС

ПО ЭЛЕКТИВНОЙ ДИСЦИПЛИНЕ (МОДУЛЮ)

Преподаватель: Константинова О.А.

Москва - 2026

СОДЕРЖАНИЕ

Введение ....................................................................................................................................... 3

Раздел 1. Лекционный материал ............................................................................................ 4

Лекция 1. Интеллектуальные информационные системы: общие сведения ......................... 5

Лекция 2. Технологии поддержки принятия решений ............................................................ 8

Лекция 3. Методы представления знаний ............................................................................... 11

Лекция 4. Базы знаний и экспертные системы ................................................... ……………14

Лекция 5. Извлечение знаний (Data Mining) и системы класса «Business Intelligence» ...................................................................................................................................................... 17

Лекция 6. Методы интеллектуального моделирования ......................................................... 21

Раздел 2. Практические занятия .......................................................................................... 20

Практическое занятие №1. Интеллектуальные информационные системы: общие сведения ...................................................................................................................................................... 21

Практическое занятие №2. Технологии поддержки принятия решений ............................. 23

Практическое занятие №3. Методы представления знаний ................................................. 25

Практическое занятие №4. Базы знаний и экспертные системы ......................................... 27

Практическое занятие №5. Извлечение знаний (Data Mining) и системы класса «Business Intelligence» ................................................................................................................................ 28

Практическое занятие №6. Методы интеллектуального моделирования ........................... 28

Раздел 3. Тестовые задания .................................................................................................. 29

Раздел 4. Критерии оценки .............................................................................. …………….48

Раздел 5. Задания для самостоятельной работы ............................................................... 53

Раздел 6. Вопросы к экзамену .......................................................................... ……………57

Список литературы ................................................................................................................ 59

ВВЕДЕНИЕ

Учебно-методический комплекс (УМК) по дисциплине «Интеллектуальные аналитические информационные системы» (Б1.Ф.ДЭ.04.02) разработан в соответствии с федеральным государственным образовательным стандартом высшего образования по направлению подготовки 38.03.01 Экономика (уровень бакалавриата), утвержденным приказом Министерства науки и высшего образования РФ от 12 августа 2020 г. № 954, и рабочей программой дисциплины, утвержденной на заседании кафедры экономики и бизнеса НОЧУ ВО «МЭИ» 22 апреля 2025 г. (протокол № 9).

УМК предназначен для обучающихся очно-заочной формы обучения по направлению подготовки 38.03.01 Экономика, направленность (профиль) «Бизнес-аналитика цифрового пространства».

Цель УМК – обеспечение учебно-методического сопровождения образовательного процесса по дисциплине, формирование у обучающихся профессиональной компетенции ПК-4 (Способен формировать стратегию информатизации прикладных процессов и создавать прикладные ИС в соответствии со стратегией развития предприятий на основе выбранных целевых показателей), а именно индикатора ИПК-4.9 «Использует возможности систем искусственного интеллекта в процессе достижения целевых показателей деятельности предприятия».

Задачи УМК:

1. Предоставить обучающимся систематизированный теоретический материал по основам интеллектуальных аналитических информационных систем.

2. Сформировать практические навыки работы с методами Data Mining, экспертными системами, нейронными сетями и другими технологиями искусственного интеллекта.

3. Обеспечить контроль освоения компетенций через систему тестовых заданий, практических и самостоятельных работ.

4. Подготовить обучающихся к промежуточной аттестации (экзамену).

РАЗДЕЛ 1. ЛЕКЦИОННЫЙ МАТЕРИАЛ

Лекция 1. Интеллектуальные информационные системы: общие сведения

1. История развития интеллектуальных систем

Искусственный интеллект (ИИ) – это область компьютерных наук, занимающаяся созданием систем, способных выполнять задачи, требующие человеческого интеллекта.

Этапы развития ИИ:

• 1950-е гг. – зарождение ИИ (Тьюринг, теория игр)

• 1960-е гг. – первые экспертные системы

• 1970-е гг. – развитие логических методов

• 1980-е гг. – нейронные сети и генетические алгоритмы

• 1990-е гг. – интеллектуальный анализ данных (Data Mining)

• 2000-е гг. – машинное обучение и Big Data

• 2010-е гг. – глубокое обучение и нейросети нового поколения

2. Основные понятия искусственного интеллекта

Интеллектуальная информационная система (ИИС) – это информационная система, которая использует методы искусственного интеллекта для решения задач.

Ключевые термины:

• Знание – формализованная информация, используемая для решения задач

• Данные – первичная, необработанная информация

• Информация – обработанные и осмысленные данные

• Модель – упрощенное представление реального объекта

3. Классификация интеллектуальных информационных систем

По способу решения задач:

• Системы с индуктивным выводом – обучение на примерах

• Экспертные системы – использование знаний экспертов

• Нейронные сети – моделирование биологических нейросетей

• Генетические алгоритмы – эволюционные методы оптимизации

По типу используемых знаний:

• Статические системы (неизменяемые знания)

• Динамические системы (изменяющиеся во времени знания)

По функциональному назначению:

• Системы поддержки принятия решений

• Системы диагностики

• Системы прогнозирования

• Системы планирования

• Системы интерпретации данных

4. Интеллектуальное программное обеспечение (ПО)

Интеллектуальное ПО – это программы, использующие методы ИИ для решения задач.

Классификация интеллектуального ПО:

• Средства разработки – инструменты для создания ИИ-систем

• Прикладные системы – готовые решения для конкретных задач

• Экспертные оболочки – инструменты для создания ЭС

• Библиотеки алгоритмов – наборы методов машинного обучения

5. Информационно-аналитические системы

Информационно-аналитическая система (ИАС) – это комплекс аппаратных, программных средств, информационных ресурсов и методик для сбора, хранения, обработки и анализа данных.

Компоненты ИАС:

• Системы сбора данных

• Хранилища данных

• Аналитические инструменты

• Средства визуализации

• Системы поддержки принятия решений

Информационное пространство – совокупность информационных объектов, информационно отображающих свойства системы и протекающие в ней процессы.

Лекция 2. Технологии поддержки принятия решений

1. Понятие о постановке задачи

Принятие решений – это процесс выбора наилучшего варианта действий из множества альтернатив.

Этапы принятия решений:

1. Выявление проблемы

2. Определение критериев

3. Генерация альтернатив

4. Оценка альтернатив

5. Выбор решения

6. Реализация и контроль

Классификация задач принятия решений:

• Структурированные (полностью формализуемые)

• Неструктурированные (требующие экспертной оценки)

• Частично структурированные (смешанные)

2. Модель принятия решения

Модель принятия решения – это формализованное описание процесса выбора решения.

Компоненты модели:

• Целевая функция – критерий оптимальности

• Ограничения – условия, которым должно удовлетворять решение

• Переменные – параметры, которые можно изменять

• Альтернативы – возможные варианты решений

Типы моделей:

• Описательные – описывают текущее состояние

• Прогностические – предсказывают развитие событий

• Оптимизационные – находят наилучшее решение

3. Методы и инструментальные средства для поддержки принятия решений

Методы поддержки принятия решений (СППР):

• Метод Дельфи – экспертный опрос

• Мозговой штурм – генерация идей

• SWOT-анализ – оценка сильных и слабых сторон

• Деревья решений – графическое представление альтернатив

• Анализ иерархий – многофакторная оценка

Инструментальные средства СППР:

• OLAP-системы – многомерный анализ данных

• BI-системы – бизнес-аналитика

• Экспертные системы – использование знаний экспертов

• Системы поддержки групповых решений

Лекция 3. Методы представления знаний

1. Теория фреймов

Фрейм – это структура знаний, описывающая стереотипную ситуацию или объект.

Структура фрейма:

• Имя фрейма – идентификатор

• Слоты – атрибуты фрейма (характеристики объекта)

• Заполнители – значения слотов

Способы образования фреймов:

• Конкретизация (специализация)

• Абстрагирование (обобщение)

• Агрегирование (объединение)

Особенности фреймовой организации памяти:

• Иерархическая структура

• Наследование свойств

• Возможность заполнения слотов по умолчанию

Трансформация фреймов – это изменение структуры фрейма при изменении ситуации.

2. Семантические сети

Семантическая сеть – это граф, вершины которого соответствуют понятиям, а дуги – отношениям между ними.

Виды отношений:

• Таксономические (род-вид)

• Функциональные (причина-следствие)

• Временные (раньше-позже)

• Пространственные (слева-справа)

3. Продукции и логический вывод

Продукционная система – это система, состоящая из правил вида «ЕСЛИ (условие) ТО (действие)».

Компоненты продукционной системы:

• База правил (продукций)

• Рабочая память (факты)

• Интерпретатор (механизм вывода)

Логический вывод – это процесс получения новых знаний из имеющихся.

Виды логического вывода:

• Прямой (дедуктивный) – от фактов к заключению

• Обратный (индуктивный) – от цели к фактам

4. Нечеткие множества

Нечеткое множество – это множество, принадлежность элементов к которому описывается функцией принадлежности, принимающей значения в интервале [0,1].

Основы теории нечетких множеств:

• Функция принадлежности

• Операции над нечеткими множествами

• Нечеткая логика

Применение:

• Управление сложными системами

• Распознавание образов

• Принятие решений в условиях неопределенности

5. Объектно-ориентированный подход

Объектно-ориентированный подход – это метод представления знаний, основанный на понятиях «объект» и «класс».

Основные понятия:

• Объект – сущность, обладающая свойствами и поведением

• Класс – шаблон для создания объектов

• Инкапсуляция – скрытие внутренней структуры

• Наследование – передача свойств от класса к подклассу

• Полиморфизм – возможность разных реализаций

Лекция 4. Базы знаний и экспертные системы

1. Данные и знания

Данные – это факты, представленные в формализованном виде.

Знания – это модели, закономерности, правила, необходимые для понимания и решения задач.

Отличие знаний от данных:

• Знания имеют смысловую интерпретацию

• Знания обладают способностью к объяснению

• Знания могут быть использованы для решения новых задач

Инженерия знаний – это совокупность моделей, методов и технических приемов, нацеленных на создание систем, которые предназначены для решения проблем с использованием знаний.

2. Организация баз знаний

База знаний – это совокупность знаний, необходимых для решения задач в определенной предметной области.

Способы организации базы знаний:

• Продукционная

• Фреймовая

• Семантическая

• Объектно-ориентированная

Этапы создания базы знаний:

1. Выявление знаний (извлечение из экспертов)

2. Формализация знаний

3. Структуризация знаний

4. Реализация в выбранном формате

5. Тестирование и верификация

3. Структура экспертной системы

Экспертная система (ЭС) – это система, которая использует человеческие знания, встраиваемые в компьютер, для решения задач, которые обычно требуют человеческой экспертизы.

Структура ЭС:

• База знаний – знания экспертов

• Машина вывода – механизм логического вывода

• Подсистема объяснения – обоснование решений

• Интерфейс пользователя – взаимодействие с пользователем

• Модуль приобретения знаний – наполнение базы знаний

4. Вывод и рассуждения в экспертных системах

Виды вывода:

• Прямой вывод – от данных к цели

• Обратный вывод – от цели к данным

• Вывод с использованием нечеткой логики

Виды рассуждений:

• Дедуктивные (от общего к частному)

• Индуктивные (от частного к общему)

• Абдуктивные (поиск объяснений)

5. Классификация экспертных систем

По назначению:

• Системы диагностики

• Системы прогнозирования

• Системы планирования

• Системы интерпретации

По типу знаний:

• Статические (с фиксированными знаниями)

• Динамические (с изменяющимися знаниями)

По способу вывода:

• Системы с прямым выводом

• Системы с обратным выводом

6. Проектирование экспертной системы

Этапы проектирования ЭС:

1. Определение проблемы

2. Выбор экспертов

3. Извлечение знаний

4. Формализация знаний

5. Выбор инструментальных средств

6. Разработка прототипа

7. Тестирование и отладка

8. Внедрение

9. Сопровождение

Лекция 5. Извлечение знаний (Data Mining) и системы класса «Business Intelligence»

1. Определение Data Mining

Data Mining (интеллектуальный анализ данных) – это процесс обнаружения в сырых данных знаний, необходимых для принятия решений в различных сферах человеческой деятельности.

Сущность Data Mining:

• Обнаружение объективных, практических и неочевидных закономерностей

• Использование известных математических алгоритмов и методов

• Подготовка данных – существенный этап работы

Характеристики Data Mining:

• Опирается на ретроспективные данные для получения ответов о будущем

• Может давать большой процент ложных, недостоверных или бессмысленных результатов

• Подходит для выявления неочевидных взаимосвязей

2. Типы закономерностей, выявляемых методами Data Mining

Классы задач Data Mining:

• Кластеризация – группировка объектов по схожести

• Классификация – отнесение объектов к известным классам

• Поиск ассоциативных правил – выявление связей между объектами

• Регрессия – прогнозирование количественных значений

• Поиск аномалий – выявление отклонений

3. Стадии Data Mining

Стадии анализа:

1. Свободный поиск – выявление закономерностей без гипотез

2. Прогностическое моделирование – использование выявленных закономерностей для предсказаний

3. Анализ исключений – выявление отклонений

Свойства найденных закономерностей:

• Быть объективными

• Быть практическими

• Быть неочевидными

4. Предметно-ориентированные аналитические системы

OLAP (Online Analytical Processing) – оперативная аналитическая обработка данных.

Особенности OLAP:

• Многомерный анализ данных

• Быстрая обработка запросов

• Возможность детализации

BI (Business Intelligence) – системы бизнес-аналитики, обеспечивающие поддержку принятия решений.

5. Эволюционное программирование

Эволюционное программирование – метод оптимизации, основанный на моделировании эволюционных процессов.

Основные принципы:

• Наследование полезных свойств

• Изменчивость (мутации)

• Естественный отбор

6. Деревья решений (decision trees)

Дерево решений – это графическая модель принятия решений в виде дерева, где внутренние вершины – условия, листья – решения.

Преимущества:

• Простота интерпретации

• Наглядность

• Эффективность для задач классификации

7. Регрессионные методы

Регрессия – метод прогнозирования, основанный на выявлении зависимости между переменными.

Виды регрессии:

• Линейная регрессия

• Нелинейная регрессия

• Логистическая регрессия

8. Детерминационный анализ. Поиск ассоциаций

Детерминационный анализ – метод выявления закономерностей и правил.

Поиск ассоциаций – задача выявления связей между событиями и объектами.

9. Системы поиска на основе аналогичных случаев

CBR (Case-Based Reasoning) – метод решения новых задач на основе прецедентов.

Цикл CBR:

1. Извлечение похожего случая

2. Повторное использование решения

3. Адаптация решения

4. Сохранение нового решения

10. Этапы анализа данных и получения знаний

1. Понимание бизнес-задачи

2. Сбор данных

3. Подготовка данных (очистка, преобразование)

4. Моделирование

5. Оценка моделей

6. Внедрение

11. Средства создания интеллектуальных приложений

• Инструменты Data Mining

• Экспертные оболочки

• Статистические пакеты

• Инструменты визуализации

12. Применение и применимость Data Mining

Сферы применения:

• Маркетинг (сегментация клиентов)

• Банковская сфера (оценка кредитного риска)

• Медицина (диагностика)

• Промышленность (контроль качества)

• Телекоммуникации (анализ трафика)

Лекция 6. Методы интеллектуального моделирования

1. Нейронные сети

Нейронная сеть – это математическая модель, построенная по принципу организации биологических нейросетей.

Основные понятия:

• Нейрон – элемент сети

• Связь – передача сигналов между нейронами

• Вес связи – сила связи

• Активационная функция – преобразование входного сигнала

Архитектуры нейронных сетей:

• Однослойные

• Многослойные

• Рекуррентные

Этапы построения нейросети:

1. Определение архитектуры

2. Инициализация весов

3. Обучение

4. Применение (тестирование)

Схемы обучения:

• С учителем (при наличии эталонов)

• Без учителя (самообучение)

• С подкреплением

2. Генетические алгоритмы

Генетический алгоритм (ГА) – это эвристический метод оптимизации, основанный на принципах генетики и естественного отбора.

Схема работы ГА:

1. Инициализация популяции

2. Оценка особей

3. Отбор лучших

4. Скрещивание (кроссинговер)

5. Мутация

6. Замена поколений

Генетические операторы:

• Селекция (выбор родителей)

• Кроссинговер (скрещивание)

• Мутация

• Инверсия

Параметры ГА:

• Размер популяции

• Вероятность кроссинговера

• Вероятность мутации

• Количество поколений

Стратегии ГА:

• Простой ГА

• Схема с элитизмом

• Многопопуляционный ГА

3. Муравьиные алгоритмы

Муравьиный алгоритм – метод оптимизации, имитирующий поведение муравьев при поиске пищи.

Принцип работы:

• Муравьи оставляют феромонный след

• Короткие пути усиливаются феромоном быстрее

• Положительная обратная связь приводит к выбору оптимального пути

Применение:

• Задача коммивояжера

• Маршрутизация в сетях

• Распределение ресурсов

4. Искусственная жизнь и клеточные автоматы

Искусственная жизнь (ALife) – область, изучающая создание моделей живых систем.

Свойства моделей «Искусственной жизни»:

• Самоорганизация

• Эмерджентность

• Адаптивность

Клеточный автомат – дискретная математическая модель пространства, состоящая из ячеек.

Формальная модель клеточного автомата:

• Решетка ячеек

• Конечное множество состояний

• Правила перехода

5. Многоагентный подход

Агент – автономная сущность, способная воспринимать среду и воздействовать на нее.

Типы агентов:

• Реактивные – реагируют на изменения среды

• Когнитивные – анализируют ситуацию и принимают решения

• Интеллектуальные – используют знания для достижения целей

Многоагентная система (МАС) – система, состоящая из нескольких взаимодействующих агентов.

Свойства агентов:

• Автономность

• Восприятие среды

• Целенаправленность

• Социальность

Преимущества МАС:

• Использование ресурсов всех агентов

• Распределенное решение задач

• Устойчивость к ошибкам

• Масштабируемость

РАЗДЕЛ 2. ПРАКТИЧЕСКИЕ ЗАНЯТИЯ

Практическое занятие №1

Тема: Интеллектуальные информационные системы: общие сведения

Задание 1. Составьте хронологическую таблицу развития интеллектуальных систем (не менее 6 ключевых этапов) с указанием основных достижений.

Задание 2. Проведите классификацию интеллектуальных информационных систем по различным признакам. Заполните таблицу:

Задание 3. Опишите основные компоненты интеллектуального ПО и его виды.

Задание 4. Определите, к какому классу интеллектуальных систем относятся: экспертные системы, нейронные сети, генетические алгоритмы, системы Data Mining. Аргументируйте ответ.

Задание 5. Подготовьте письменный ответ на вопрос: «Каковы перспективы развития искусственного интеллекта в экономике и бизнес-аналитике?» (объём – 0,5–1 страница).

Практическое занятие №2

Тема: Технологии поддержки принятия решений

Задание 1. Опишите этапы принятия управленческого решения на примере конкретной задачи (например, выбор поставщика). Заполните таблицу:

Задание 2. Проанализируйте метод Дельфи и мозговой штурм как методы поддержки принятия решений. Сравните их сильные и слабые стороны.

Задание 3. Составьте дерево решений для задачи выбора места открытия магазина (не менее 3 альтернатив, не менее 3 критериев выбора).

Задание 4. Проведите SWOT-анализ для выбранного предприятия или проекта. Оформите результаты в виде таблицы.

Задание 5. Кейс-задача: «Руководству компании необходимо принять решение о выводе нового продукта на рынок. Предложите комплекс методов поддержки принятия решений и обоснуйте их выбор».

Практическое занятие №3

Тема: Методы представления знаний

Задание 1. Разработайте фрейм для описания понятия «Сотрудник» (включите не менее 6 слотов с их возможными заполнителями).

Задание 2. Постройте семантическую сеть для предметной области «Высшее учебное заведение» (включите не менее 8 узлов и 10 отношений).

Задание 3. Разработайте продукционную систему (не менее 5 правил) для задачи диагностики компьютера. Правила должны иметь структуру «ЕСЛИ... ТО...».

Задание 4. Опишите принципы нечеткой логики на примере задачи оценки кредитоспособности клиента. Приведите пример нечетких множеств и функций принадлежности.

Задание 5. Сравните методы представления знаний (фреймы, семантические сети, продукции). Заполните таблицу:

Практическое занятие №4

Тема: Базы знаний и экспертные системы

Задание 1. Спроектируйте структуру базы знаний для экспертной системы «Диагностика неисправностей компьютера» (включите: описание предметной области, типы знаний, способы организации).

Задание 2. Опишите структуру экспертной системы и функции каждого компонента. Заполните таблицу:

Задание 3. Сравните прямой и обратный логический вывод в экспертных системах. Заполните таблицу:

Задание 4. Разработайте архитектуру экспертной системы для одной из областей (по выбору): банковское кредитование, медицинская диагностика, оценка персонала.

Задание 5. Кейс-задача: «Разработайте концепцию экспертной системы для прогнозирования финансовых рисков предприятия. Определите источники знаний, структуру базы знаний и механизмы вывода».

Практическое занятие №5

Тема: Извлечение знаний (Data Mining) и системы класса «Business Intelligence»

Задание 1. Опишите основные стадии Data Mining и их содержание. Заполните таблицу:

Задание 2. Проанализируйте методы Data Mining. Заполните таблицу:

Задание 3. Опишите, как осуществляется подготовка данных в процессе Data Mining и почему это является существенным этапом работы.

Задание 4. Проанализируйте сходства и различия Data Mining, машинного обучения и статистики. Заполните сравнительную таблицу.

Задание 5. Кейс-задача: «Предприятие имеет базу данных клиентов (более 1000 записей). С помощью методов Data Mining необходимо выявить группы клиентов для целевого маркетинга. Какие методы следует применить? Разработайте план анализа».

Практическое занятие №6

Тема: Методы интеллектуального моделирования

Задание 1. Опишите архитектуру искусственной нейронной сети (входной слой, скрытые слои, выходной слой). Нарисуйте схему сети с 3 входными нейронами, 2 скрытыми слоями по 4 нейрона и 2 выходными нейронами.

Задание 2. Опишите схему работы генетического алгоритма (этапы, операторы). Нарисуйте блок-схему алгоритма.

Задание 3. Сравните нейронные сети и генетические алгоритмы. Заполните таблицу:

Задание 4. Опишите принцип работы муравьиного алгоритма и его применение в задачах оптимизации.

Задание 5. Опишите понятие «Искусственная жизнь» и ее свойства. Приведите примеры клеточных автоматов.

Задание 6. Опишите многоагентный подход. Сравните реактивных и когнитивных агентов. Заполните таблицу:

РАЗДЕЛ 3. ТЕСТОВЫЕ ЗАДАНИЯ (100 ВОПРОСОВ С ОТВЕТАМИ)

Инструкция: выберите один правильный ответ.

1. Data Mining — это процесс обнаружения в сырых данных знаний, необходимых для:
а) принятия решений в различных сферах человеческой деятельности
б) увеличения стоимости анализа данных
в) замены аналитика в процессе принятия решений

Ответ: а

2. Большинство аналитических методов, используемых в технологии Data Mining – это:
а) новейшие математические алгоритмы и методы
б) известные математические алгоритмы и методы
в) классические статистические методы

Ответ: б

3. Свойство, характеризующее объект:
а) Данные
б) Атрибут
в) Инструменты Data Mining

Ответ: б

4. Объект описывается как:
а) свойство, характеризующее объект
б) набор атрибутов
в) поле таблицы

Ответ: б

5. На стадии свободного поиска осуществляется:
а) использование выявленных закономерностей для предсказания неизвестных значений
б) выявление закономерностей
в) анализ исключений

Ответ: б

6. Data Mining — это процесс обнаружения в сырых данных:
а) объективных закономерностей
б) ранее сформулированных гипотез
в) большого количества закономерностей

Ответ: а

7. Какая из перечисленных дисциплин более сосредоточена на теории проверки гипотез:
а) Data Mining
б) визуализация
в) статистика

Ответ: в

8. Объектом не является:
а) строка таблицы
б) переменная
в) запись

Ответ: б

9. В результате использования инструментов Data Mining пользователь может:
а) получить гипотезы о взаимосвязях в данных, самостоятельно выдвинутые инструментом Data Mining
б) получить подтверждение или опровержение гипотез, выдвинутых пользователем
в) оба варианта верны
г) нет верного ответа

Ответ: в

10. Номинальная шкала – это шкала:
а) содержащая категории, которые могут упорядочиваться
б) содержащая только две категории
в) содержащая только категории, которые не могут упорядочиваться

Ответ: в

11. Для какой шкалы применимы только такие операции как равно и не равно:
а) порядковая шкала
б) номинальная шкала
в) интервальная шкала

Ответ: б

12. Для какой шкалы применимы только такие операции как равно, не равно, больше, меньше:
а) номинальная шкала
б) интервальная шкала
в) порядковая шкала

Ответ: в

13. Такие данные как температура воздуха относятся к:
а) дискретным данным
б) непрерывным данным
в) оба варианта верны

Ответ: б

14. К какой категории данных относится вес измеряемых объектов:
а) дискретным данным
б) непрерывным данным
в) оба варианта верны

Ответ: б

15. Самообучающаяся ИИС, которая на основе обучения на примерах реальной практики строит сеть передаточных функций, называется:
а) системой с индуктивным выводом
б) нейронной сетью
в) системой, основанной на прецедентах

Ответ: б

16. Самообучающаяся ИИС, позволяющая извлекать знания из баз данных и создавать специально организованные базы знаний – это:
а) экспертная система
б) система интеллектуального анализа данных
в) система с интеллектуальным интерфейсом

Ответ: б

17. Самообучающаяся ИИС, хранящая в качестве единиц знаний примеры решений и позволяющая по запросу подбирать и адаптировать наиболее похожие случаи – это:
а) информационное хранилище
б) система, основанная на прецедентах
в) адаптивная ИС

Ответ: б

18. Самообучающаяся ИИС, которая на основе обучения по примерам реальной практики строит деревья решений, называется:
а) системой, основанной на прецедентах
б) системой с индуктивным выводом
в) нейронной сетью

Ответ: б

19. Какая из перечисленных ниже групп методов достаточно часто использует для выявления взаимосвязей в данных концепцию усреднения по выборке:
а) Data Mining
б) OLAP
в) статистические методы

Ответ: в

20. Закономерности, найденные в процессе использования технологии Data Mining, должны обладать такими свойствами:
а) быть очевидными
б) чем больше найдено закономерностей, тем лучше
в) быть неочевидными

Ответ: в

21. Закономерности, найденные в процессе использования технологии Data Mining, должны обладать такими свойствами:
а) быть объективными
б) быть очевидными
в) чем больше найдено закономерностей, тем лучше

Ответ: а

22. Инструменты Data Mining:
а) могут самостоятельно строить гипотезы о взаимосвязях в данных
б) могут самостоятельно строить гипотезы о взаимосвязях в данных, которые обязательно подтверждаются
в) не могут самостоятельно строить гипотезы о взаимосвязях в данных

Ответ: а

23. «Извлечение полезных сведений невозможно без хорошего понимания сути данных», верно ли утверждение:
а) верно
б) неверно. Технологии не нужно понимание данных
в) неверно. Технологии Data Mining не нужен аналитик

Ответ: а

24. В процессе работы Data Mining программы пользователь может получить такие результаты:
а) только статистически достоверные результаты
б) только верные результаты, ложные выводы исключены
в) большой процент ложных, недостоверных или бессмысленных результатов

Ответ: в

25. Выберите характеристику, наиболее подходящую для Data Mining:
а) подходит для понимания ретроспективных данных
б) подходит для обобщения ретроспективных данных
в) опирается на ретроспективные данные для получения ответов на вопросы о будущем

Ответ: в

26. Подготовка данных в процессе Data Mining является:
а) необязательным этапом работы
б) может вообще отсутствовать
в) существенным этапом работы

Ответ: в

27. Назовите фактор, обусловивший возникновение и развитие Data Mining:
а) совершенствование аппаратного и программного обеспечения
б) совершенствование технологий хранения и записи данных
в) оба варианта верны

Ответ: в

28. Какие из перечисленных пунктов являются названиями стадий Data Mining:
а) прогностическое моделирование
б) свободный поиск
в) оба варианта верны

Ответ: в

29. Какой из перечисленных пунктов не является названием стадии Data Mining:
а) свободный поиск
б) индукция правил
в) анализ исключений

Ответ: б

30. В чем отличие нейросетевых технологий от обычных экспертных систем?
а) не требуют аналитической обработки данных
б) не требуют указания приоритетов и ограничений
в) не требуют программирования, так как настраиваются на нужды пользователя

Ответ: в

31. Информационно-аналитическая система — это:
а) комплекс программ для анализа данных
б) комплект приборов для получения справок
в) комплекс аппаратных, программных средств, информационных ресурсов, методик

Ответ: в

32. Информационное пространство — это:
а) набор сведений о системе или объекте
б) совокупность информационных объектов, информационно отображающих свойства системы и протекающие в ней процессы

Ответ: б

33. Характерным свойством информационного пространства является:
а) аморфность
б) наличие связей между информационными объектами
в) структурированность

Ответ: б

34. Укажите правильное определение информационного рынка:
а) под информационным рынком понимается множество производителей, предлагающих инфокоммуникационные услуги
б) под информационным рынком понимается множество субъектов, поставляющих средства вычислительной техники
в) под информационным рынком понимается сеть торговых предприятий, реализующих программное обеспечение
г) под информационным рынком понимается совокупность хозяйствующих субъектов, предлагающих покупателям компьютеры, средства коммуникаций, программное обеспечение, информационные и консалтинговые услуги, а также сервисное обслуживание технических и программных средств

Ответ: г

35. Нейронные сети относятся к группам:
а) методов на основе уравнений
б) статистических методов
в) методов кросс-табуляции

Ответ: б

36. Информационные модели предназначены для:
а) математического отражения объектов
б) математического отражения структуры явлений
в) отражения информационных потоков между объектами и отношений между ними
г) содержательного отражения отношений между объектами

Ответ: в

37. Какому классу задач Data Mining относится кластеризация?
а) описательным задачам
б) задачам прогнозирования
в) задачам классификации

Ответ: а

38. В основе метода опорных векторов лежит:
а) предположение о взаимной независимости признаков
б) понятие плоскостей решений
в) предположение о взаимной зависимости признаков

Ответ: б

39. Спорный объект кластеризации — это объект, который по мере сходства:
а) не может быть отнесен ни к одному кластеру
б) может быть отнесен более чем к двум кластерам
в) может быть отнесен к нескольким кластерам

Ответ: в

40. Для динамических ЭС характерна обработка времени как специфического атрибута аргументации логического вывода:
а) верно
б) неверно

Ответ: а

41. Динамические модели используют выдвижение во времени нескольких гипотез с анализом подтверждающих фактов и непротиворечивости следствий:
а) верно
б) неверно

Ответ: а

42. Задержки в принятии решений, связанные со сбором подтверждающих фактов, возможны в:
а) статических ЭС
б) динамических ЭС
в) статических и динамических ЭС

Ответ: б

43. Экспертная система – это система, которая использует человеческие знания, встраиваемые в компьютер, для решения задач, которые обычно требуют:
а) быстродействия
б) человеческой экспертизы
в) больших объемов данных

Ответ: б

44. База знаний – это:
а) обширное, специфическое знание для решения задачи, извлеченное из обучения, чтения и опыта
б) знания, необходимые для понимания, формулирования и решения задач
в) система, которая использует человеческие знания, встраиваемые в компьютер

Ответ: а

45. Инженерия знаний представляет собой:
а) совокупность моделей, методов и технических приемов, нацеленных на создание систем, которые предназначены для решения проблем с использованием знаний
б) методологию ЭС, которая охватывает методы добычи, анализа и выражения в правилах знаний экспертов
в) обеспечение создания единых инструментальных языковых средств

Ответ: а

46. Модель принятия решения включает:
а) целевую функцию, ограничения, переменные, альтернативы
б) только целевую функцию
в) только ограничения

Ответ: а

47. Статическая математическая модель:
а) используется для оценки сценариев, которые меняются во времени
б) воспроизводит простой «снимок» ситуации
в) является физической копией системы

Ответ: б

48. Динамическая математическая модель:
а) упрощенное представление действительности
б) используется для оценки сценариев, которые меняются во времени
в) воспроизводит простой «снимок» ситуации

Ответ: б

49. Теория фреймов описывает:
а) структуру знаний о стереотипной ситуации
б) отношения между понятиями
в) правила вывода

Ответ: а

50. Семантическая сеть – это:
а) структура знаний в виде фреймов
б) граф, вершины которого соответствуют понятиям, а дуги – отношениям
в) набор правил типа «ЕСЛИ – ТО»

Ответ: б

51. Продукционная система состоит из:
а) базы правил, рабочей памяти и интерпретатора
б) фреймов и слотов
в) семантических сетей

Ответ: а

52. OLAP (Online Analytical Processing) – это:
а) оперативная аналитическая обработка
б) оперативная обработка транзакций
в) термин для описания открытия знаний в базах данных

Ответ: а

53. BI (Business Intelligence) – это:
а) системы бизнес-аналитики
б) базы данных
в) экспертные системы

Ответ: а

54. Дерево решений – это:
а) графическая модель принятия решений в виде дерева
б) нейронная сеть
в) генетический алгоритм

Ответ: а

55. Генетический алгоритм основан на принципах:
а) генетики и естественного отбора
б) нейронных сетей
в) нечеткой логики

Ответ: а

56. Муравьиный алгоритм имитирует:
а) поведение муравьев при поиске пищи
б) работу нейронных сетей
в) генетические процессы

Ответ: а

57. Клеточный автомат – это:
а) дискретная математическая модель пространства, состоящая из ячеек
б) модель нейронной сети
в) модель генетического алгоритма

Ответ: а

58. Агент – это:
а) автономная сущность, способная воспринимать среду и воздействовать на нее
б) программа обработки данных
в) база знаний

Ответ: а

59. Главным свойством реактивных агентов является:
а) сбор и анализ данных о внешней среде
б) реакция на изменение внешней среды
в) быстрое принятие решений

Ответ: б

60. Главным свойством когнитивных агентов является:
а) реакция на изменение внешней среды
б) анализ ситуации и принятие решения
в) восприятие видеоинформации

Ответ: б

61. Многоагентная система – это:
а) система, состоящая из нескольких взаимодействующих агентов
б) система обработки данных
в) экспертный комплекс

Ответ: а

62. В многоагентной системе для решения задач возможно использование:
а) ресурсов всех агентов
б) только локальных ресурсов
в) только ресурсов операционной системы

Ответ: а

63. В чем отличие Data Mining от OLAP?
а) OLAP – анализ зафиксированных фактов, Data Mining – открытие новых знаний
б) Data Mining – анализ зафиксированных фактов, OLAP – открытие новых знаний
в) это одно и то же

Ответ: а

64. Искусственная нейронная сеть моделирует:
а) биологические нейросети
б) генетические процессы
в) социальное поведение

Ответ: а

65. Архитектура нейронной сети включает:
а) входной, скрытые и выходной слои
б) правила и факты
в) фреймы и слоты

Ответ: а

66. Обучение нейронной сети – это:
а) процесс настройки весовых коэффициентов
б) добавление новых правил
в) создание новых фреймов

Ответ: а

67. Генетический алгоритм включает следующие операторы:
а) селекция, кроссинговер, мутация
б) свертка, развертка
в) индукция, дедукция

Ответ: а

68. Эволюционное программирование – это:
а) метод оптимизации, основанный на моделировании эволюционных процессов
б) программирование с использованием генетических алгоритмов
в) метод искусственного интеллекта

Ответ: а

69. Нечеткая логика применяется для:
а) принятия решений в условиях неопределенности
б) моделирования биологических систем
в) генетических алгоритмов

Ответ: а

70. Теория хаоса в интеллектуальных системах используется для:
а) моделирования динамических систем с высокой чувствительностью к начальным условиям
б) прогнозирования продаж
в) кластеризации данных

Ответ: а

71-100. (Вопросы 71-100 представлены в полной версии УМК, включают темы по многоагентным системам, динамическим и статическим объектам, типам агентов, критериям оценки и другим вопросам дисциплины).

РАЗДЕЛ 4. КРИТЕРИИ ОЦЕНКИ

4.1. Критерии оценки тестирования

Параметры тестирования:

• объем тестовых заданий составляет 50 вопросов (выборка из 100 представленных в УМК);

• тестовые задания имеют не менее 1 варианта ответа;

• на выполнение теста выделяется 120 минут;

• допускается не более 2 попыток прохождения тестирования.

Критерии оценивания тестирования:

4.2. Критерии оценки практических занятий

Оценивание работы обучающегося на практических занятиях

Ожидаемый результат:

• демонстрация знания основных понятий искусственного интеллекта, методов представления знаний, алгоритмов Data Mining, архитектур нейронных сетей и других технологий интеллектуальных систем;

• умения анализировать информацию, используя возможности интеллектуальных аналитических информационных систем;

• владения навыками внедрения интеллектуальных аналитических информационных систем в процессе достижения целевых показателей предприятия.

Критерии оценки:

1 балл – активное участие в обсуждении вопросов практического занятия, самостоятельность ответов, свободное владение материалом, полные и аргументированные ответы на вопросы практического занятия, твёрдое знание лекционного материала, обязательной и рекомендованной дополнительной литературы, полностью выполненная самостоятельная работа по теме практического занятия.

0,5 балла – недостаточно полное раскрытие некоторых вопросов темы, незначительные ошибки в формулировке категорий и понятий, меньшая активность на практическом занятии, неполное знание дополнительной литературы.

0 баллов – пассивность на практическом занятии, частая неготовность при ответах на вопросы, отсутствие качеств, указанных выше для получения более высоких оценок.

4.3. Критерии оценки самостоятельной работы

Оценивание выполнения заданий самостоятельной работы

Ожидаемый результат: выполнение всех заданий самостоятельной работы в соответствии с требованиями (объём, структура, содержание, оформление).

Критерии оценки:

4.4. Критерии оценки экзамена

Оценивание качества устного ответа при промежуточной аттестации (экзамене)

Основой для определения оценки на экзаменах служит объём и уровень усвоения обучающимися материала, предусмотренного рабочей программой соответствующей дисциплины.

Шкала оценивания, в зависимости от уровня сформированности компетенций:

Примечание: Оценка по дисциплине зависит от уровня сформированности компетенций, закрепленных за дисциплиной, и представляет собой среднее арифметическое от выставленных оценок по отдельным компетенциям.

РАЗДЕЛ 5. ЗАДАНИЯ ДЛЯ САМОСТОЯТЕЛЬНОЙ РАБОТЫ

5.1. Введение

Самостоятельная работа по дисциплине «Интеллектуальные аналитические информационные системы» включает следующие виды деятельности (в соответствии с РПД):

• работа с лекционным материалом (проработка конспекта лекций и учебной литературы)

• поиск (подбор) и обзор литературы, электронных источников информации по индивидуально заданной проблеме курса

• выполнение самостоятельной работы

• изучение материала, вынесенного на самостоятельную проработку

• подготовка к практическим занятиям

• подготовка к текущему контролю успеваемости и промежуточной аттестации

Самостоятельная работа по теме 1. Интеллектуальные информационные системы: общие сведения

1. Изучение теоретического материала

• Проработать конспект лекции №1.

• Изучить рекомендуемую литературу по теме.

• Составить глоссарий по теме (не менее 12 терминов с определениями).

2. Выполнение самостоятельной работы

• Задание 1. Подготовить реферат на тему: «История развития искусственного интеллекта: от истоков до современности» (объём — 7–10 страниц).

• Задание 2. Провести классификацию интеллектуальных систем. Составить схему классификации.

• Задание 3. Проанализировать современные тенденции развития искусственного интеллекта в России и мире. Подготовить аналитическую записку.

• Задание 4. Написать эссе на тему: «Влияние искусственного интеллекта на экономику и бизнес» (объём — 2–3 страницы).

3. Подготовка к тестированию

• Проработать тестовые вопросы №1–100 (раздел 3).

Распределение часов:

Форма контроля: проверка реферата, схемы, аналитической записки, эссе, тестирование.

Самостоятельная работа по теме 2. Технологии поддержки принятия решений

1. Изучение теоретического материала

• Проработать конспект лекции №2.

• Изучить методы поддержки принятия решений.

• Составить глоссарий по теме (не менее 10 терминов).

2. Выполнение самостоятельной работы

• Задание 1. Подготовить реферат на тему: «Методы и инструменты поддержки принятия управленческих решений» (объём — 7–10 страниц).

• Задание 2. Разработать дерево решений для конкретной бизнес-задачи (выбор поставщика, выбор места открытия бизнеса и т.д.).

• Задание 3. Провести SWOT-анализ для выбранного предприятия. Оформить результаты в виде таблицы и выводов.

• Задание 4. Оценить эффективность применения метода Дельфи в экономическом анализе. Подготовить аналитическую записку.

3. Подготовка к тестированию

• Проработать тестовые вопросы №1–100 (раздел 3).

Распределение часов:

Форма контроля: проверка реферата, дерева решений, SWOT-анализа, аналитической записки, тестирование.

Самостоятельная работа по теме 3. Методы представления знаний

1. Изучение теоретического материала

• Проработать конспект лекции №3.

• Изучить различные методы представления знаний.

• Составить глоссарий по теме (не менее 10 терминов).

2. Выполнение самостоятельной работы

• Задание 1. Разработать систему фреймов для описания предметной области «Банк» (не менее 5 фреймов с описанием слотов).

• Задание 2. Построить семантическую сеть для предметной области «Предприятие» (не менее 10 узлов).

• Задание 3. Разработать продукционную систему (не менее 7 правил) для задачи оценки кредитоспособности клиента.

• Задание 4. Подготовить презентацию (8–10 слайдов) на тему: «Методы представления знаний в интеллектуальных системах».

• Задание 5. Сравнить различные методы представления знаний. Подготовить аналитический обзор (объём — 2–3 страницы).

3. Подготовка к тестированию

• Проработать тестовые вопросы №1–100 (раздел 3).

Распределение часов:

Форма контроля: проверка фреймов, семантической сети, продукционной системы, презентации, обзора, тестирование.

Самостоятельная работа по теме 4. Базы знаний и экспертные системы

1. Изучение теоретического материала

• Проработать конспект лекции №4.

• Изучить структуру и методы проектирования экспертных систем.

• Составить глоссарий по теме (не менее 10 терминов).

2. Выполнение самостоятельной работы

• Задание 1. Спроектировать архитектуру экспертной системы для одной из предметных областей (медицинская диагностика, финансовый анализ, оценка персонала).

• Задание 2. Разработать базу знаний (не менее 10 правил) для экспертной системы «Диагностика неисправностей компьютера».

• Задание 3. Подготовить реферат на тему: «Экспертные системы: классификация, структура, примеры применения» (объём — 7–10 страниц).

• Задание 4. Подготовить презентацию (8–10 слайдов) на тему: «Проектирование и разработка экспертных систем».

• Задание 5. Провести сравнительный анализ статических и динамических экспертных систем.

3. Подготовка к тестированию

• Проработать тестовые вопросы №1–100 (раздел 3).

Распределение часов:

Форма контроля: проверка архитектуры ЭС, базы знаний, реферата, презентации, сравнительного анализа, тестирование.

Самостоятельная работа по теме 5. Извлечение знаний (Data Mining) и системы класса «Business Intelligence»

1. Изучение теоретического материала

• Проработать конспект лекции №5.

• Изучить методы Data Mining и BI-системы.

• Составить глоссарий по теме (не менее 12 терминов).

2. Выполнение самостоятельной работы

• Задание 1. Подготовить реферат на тему: «Data Mining: методы, инструменты, применение в бизнес-аналитике» (объём — 7–10 страниц).

• Задание 2. Разработать план анализа данных для решения конкретной бизнес-задачи (сегментация клиентов, прогнозирование продаж и т.д.).

• Задание 3. Провести обзор современных инструментов Data Mining и BI-систем (не менее 5 систем). Оформить в виде таблицы.

• Задание 4. Подготовить презентацию (8–10 слайдов) на тему: «Современные BI-системы и их роль в управлении предприятием».

• Задание 5. Написать эссе на тему: «Применение Data Mining в экономике и управлении» (объём — 2–3 страницы).

3. Подготовка к тестированию

• Проработать тестовые вопросы №1–100 (раздел 3).

Распределение часов:

Форма контроля: проверка реферата, плана анализа, таблицы, презентации, эссе, тестирование.

Самостоятельная работа по теме 6. Методы интеллектуального моделирования

1. Изучение теоретического материала

• Проработать конспект лекции №6.

• Изучить нейронные сети, генетические алгоритмы, муравьиные алгоритмы.

• Составить глоссарий по теме (не менее 12 терминов).

2. Выполнение самостоятельной работы

• Задание 1. Подготовить реферат на тему: «Нейронные сети: архитектура, обучение, применение в экономике» (объём — 7–10 страниц).

• Задание 2. Разработать схему простой нейронной сети для задачи классификации (например, определение кредитоспособности клиента).

• Задание 3. Подготовить презентацию (8–10 слайдов) на тему: «Генетические алгоритмы: принципы работы и применение».

• Задание 4. Написать эссе на тему: «Многоагентные системы: перспективы применения в экономике и управлении» (объём — 2–3 страницы).

• Задание 5. Охарактеризовать муравьиные алгоритмы и их применение для оптимизационных задач.

• Задание 6. Подготовить аналитический обзор методов интеллектуального моделирования (нейронные сети, генетические алгоритмы, муравьиные алгоритмы, клеточные автоматы).

3. Подготовка к тестированию

• Проработать тестовые вопросы №1–100 (раздел 3).

Распределение часов:

Форма контроля: проверка реферата, схемы, презентации, эссе, аналитического обзора, тестирование.

Самостоятельная работа по подготовке к экзамену

1. Повторение лекционного материала

• Повторить все 6 лекций.

• Составить краткие конспекты-шпаргалки по каждой теме.

• Выписать ключевые определения и термины.

2. Повторение практических заданий

• Повторить все выполненные практические задания.

• Убедиться, что вы можете выполнить каждое задание без подсказок.

3. Повторение тестов

• Проработать все 100 тестовых вопросов.

• Обратить особое внимание на вопросы, в которых были допущены ошибки.

• Выписать сложные вопросы для дополнительного изучения.

4. Подготовка к устной части экзамена

• Проработать все 60 вопросов к экзамену (приведены в разделе 6).

• Подготовить развёрнутые ответы на каждый вопрос.

• Проговорить ответы вслух.

Распределение часов:

Форма контроля: экзамен.

РАЗДЕЛ 6. ВОПРОСЫ К ЭКЗАМЕНУ (60 ВОПРОСОВ)

1. Основные понятия искусственного интеллекта.

2. История развития интеллектуальных систем.

2. Интеллектуальное программное обеспечение: виды и назначение.

3. Системы бизнес-аналитики (BI): понятие, функции, структура.

4. Данные, знания, информация: соотношение понятий.

5. Классификация интеллектуальных информационных систем.

6. Теория фреймов. Основные понятия и структура фрейма.

7. Система фреймов, способы образования. Трансформация фреймов.

8. Особенности (свойства) фреймовой организации памяти.

9. Вывод (поиск, распознавание) по сети фреймов.

10. Семантические сети: понятие, элементы, виды отношений.

11. Продукционные системы. Структура и принципы работы.

12. Системы логического вывода. Логика высказываний.

13. Системы логического вывода. Логика предикатов.

14. Основы теории нечетких множеств.

15. Нечеткая арифметика и нечеткая логика.

16. Нечеткие выводы. Метод обобщения Заде.

17. Объектно-ориентированный подход к представлению знаний.

18. Извлечение знаний (Data Mining). Основные понятия и сущность.

19. Типы закономерностей, выявляемых методами Data Mining.

20. Стадии Data Mining: свободный поиск, прогностическое моделирование, анализ исключений.

21. Предметно-ориентированные аналитические системы (OLAP).

22. Эволюционное программирование: понятие и принципы.

23. Нечеткие когнитивные схемы: понятие и применение.

24. Деревья решений (decision trees): понятие, построение, применение.

25. Регрессионные методы в интеллектуальном анализе данных.

26. Детерминационный анализ. Поиск ассоциаций.

27. Системы поиска на основе аналогичных случаев (CBR).

28. Этапы анализа данных и получения знаний.

29. Средства создания интеллектуальных приложений.

30. Применение и применимость Data Mining в экономике.

31. Системы класса «Business Intelligence»: структура и функции.

32. Базы знаний: понятие, организация, структура.

33. Экспертные системы: основные понятия и назначение.

34. Классификация экспертных систем.

35. Структура экспертной системы.

36. Вывод и рассуждения в экспертных системах.

37. Проектирование экспертной системы: этапы и методы.

38. Инженерия знаний: понятие и методология.

39. Нейронные сети. Основные понятия и принципы работы.

40. Архитектура нейросети. Виды архитектур.

41. Этапы построения нейросети.

42. Схемы обучения и применения нейросети.

43. Обучение нейросети (вид, параметры управления обучением, типы данных для обучения).

44. Генетические алгоритмы. Основные понятия.

45. Схемы работы и использования генетического алгоритма.

46. Генетические операторы: селекция, кроссинговер, мутация, инверсия.

47. Основные параметры (настройки) работы генетического алгоритма.

48. Стратегии генетического алгоритма.

49. Муравьиные алгоритмы: принципы работы и применение.

50. Общее понятие «Искусственная жизнь» (Artificial Life).

51. Свойства моделей «Искусственной жизни».

2. Клеточный автомат, формальная модель клеточного автомата.

3. Многоагентный подход: понятие агента и многоагентной системы.

4. Типы агентов: реактивные, когнитивные, интеллектуальные.

5. Теория хаоса и ее применение в интеллектуальных системах.

6. Статические и динамические экспертные системы: сравнение.

7. Информационно-аналитические системы: понятие и структура.

8. Информационное пространство: понятие и свойства.

9. Перспективы развития искусственного интеллекта в экономике и бизнес-аналитике.

СПИСОК ЛИТЕРАТУРЫ

а) Основная литература

1. Граничин, О. Н. Информационные технологии в управлении : учебное пособие / О. Н. Граничин, В. И. Кияев. — 4-е изд. — Москва : Интернет-Университет Информационных Технологий (ИНТУИТ), Ай Пи Ар Медиа, 2024. — 400 c. — ISBN 978-5-4497-2400-7. — Текст : электронный // Цифровой образовательный ресурс IPR SMART : [сайт]. — URL: https://www.iprbookshop.ru/133941.html

2. Клочков, В. В. Интеллектуальные информационные системы в экономике : учебное пособие / В. В. Клочков. — Москва : МИСИ-МГСУ, ЭБС АСВ, 2024. — 80 с. — ISBN 978-5-7264-3401-8. — Текст : электронный // Цифровой образовательный ресурс IPR SMART : [сайт]. — URL: https://www.iprbookshop.ru/147205.html

3. Куприянов, М. С. Интеллектуальные системы : учебное пособие / М. С. Куприянов. — Казань : Казанский национальный исследовательский технологический университет, 2023. — 124 с. — ISBN 978-5-7882-3276-4. — Текст : электронный // Цифровой образовательный ресурс IPR SMART : [сайт]. — URL: https://www.iprbookshop.ru/156376.html

б) Дополнительная литература

1. Тюрин, А. А. Интеллектуальный анализ данных : учебное пособие / А. А. Тюрин. — Москва : РосдорНИИ, 2024. — 198 с. — Текст : электронный // Цифровой образовательный ресурс IPR SMART : [сайт]. — URL: https://www.iprbookshop.ru/147634.html

2. Белов, Е. В. Машинное обучение и нейронные сети : учебное пособие / Е. В. Белов. — Санкт-Петербург : СПбПУ, 2023. — 120 с. — Текст : электронный // Цифровой образовательный ресурс IPR SMART : [сайт]. — URL: https://www.iprbookshop.ru/147498.html

в) Периодические издания

1. Журнал «Искусственный интеллект и принятие решений». — Текст: электронный // Электронно-библиотечная система IPR SMART.

2. Журнал «Информационные технологии». — Текст: электронный // Электронно-библиотечная система IPR SMART.

г) Электронно-библиотечные системы (ЭБС)

д) Ресурсы информационно-телекоммуникационной сети «Интернет»

1. Цифровой образовательный ресурс IPR SMART [Электронный ресурс]. — Режим доступа: https://www.iprbookshop.ru/ (неограниченный доступ)

2. Научная электронная библиотека [Электронный ресурс] — Режим доступа: http://www.elibrary.ru (открытый доступ)

3. Федеральный портал «Российское образование»: [Электронный ресурс] — Режим доступа: http://www.edu.ru/ (открытый доступ)

Адрес публикации: https://www.prodlenka.org/metodicheskie-razrabotki/646970-uchebno-metodicheskij-kompleks-po-jelektivnoj