Учебно-методический комплекс по элективной дисциплине (модулю) б1. Ф. Дэ.04.01 искусственный интеллект и анализ данных

УЧЕБНО-МЕТОДИЧЕСКИЙ КОМПЛЕКС

ПО ЭЛЕКТИВНОЙ ДИСЦИПЛИНЕ (МОДУЛЮ)

Преподаватель: Константинова О.А.

Москва - 2026

СОДЕРЖАНИЕ

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

Раздел 1. Лекционный материал ........................................................................................ 5

Лекция 1. Введение в теорию искусственного интеллекта ..................................... ………5

Лекция 2. Компьютерные средства разработки и языки программирования ИИ ... ……..8

Лекция 3. Основы теории представления знаний ............................................... ………….11

Лекция 4. Проблематика и технологии экспертных систем ............................... …………14

Раздел 2. Практические занятия ...................................................................... …………..15

Практическое занятие №1. Введение в теорию искусственного интеллекта ...... ………..15

Практическое занятие №2. Компьютерные средства разработки и языки программирования ИИ ............................................................................................................ 16

Практическое занятие №3. Основы теории представления знаний ..................................... 17

Практическое занятие №4. Проблематика и технологии экспертных систем .... …………18

Раздел 3. Тестовые задания ................................................................................................... 19

Раздел 4. Критерии оценки .............................................................................. ……………..47

Раздел 5. Задания для самостоятельной работы ............................................................. .50

Раздел 6. Вопросы к экзамену .............................................................................................. 56

Список литературы ......................................................................................... ………………58

ВВЕДЕНИЕ

Учебно-методический комплекс (УМК) по дисциплине «Искусственный интеллект и анализ данных» (Б1.Ф.ДЭ.04.01) 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 искусственного интеллекта и анализа данных.

2. Сформировать практические навыки работы с языками программирования ИИ (Пролог), построения баз знаний, разработки элементов экспертных систем.

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

4. Подготовить обучающихся к промежуточной аттестации (экзамену).

Общая трудоемкость дисциплины составляет 4 зачетные единицы (144 академических часа).

РАЗДЕЛ 1. ЛЕКЦИОННЫЙ МАТЕРИАЛ

Лекция 1. Введение в теорию искусственного интеллекта

1. Основные направления исследований в области искусственного интеллекта (ИИ)

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

Основные направления исследований в области ИИ:

• Распознавание изображений – идентификация объектов на изображениях

• Логический вывод – получение новых знаний из имеющихся фактов

• Моделирование знаний – представление знаний в формализованном виде

• Машинный перевод – автоматический перевод с одного языка на другой

• Семантический анализ конструкций языка – понимание смысла текстов

Классификация систем ИИ:

• Слабый ИИ – системы, решающие конкретные задачи

• Сильный ИИ – системы с универсальным интеллектом

2. Генетические алгоритмы

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

Структура генетического алгоритма:

1. Инициализация популяции – создание начального набора решений

2. Оценка особей – расчет приспособленности каждого решения

3. Селекция – выбор лучших особей для размножения

4. Кроссинговер (скрещивание) – обмен частями генетического кода

5. Мутация – случайное изменение генов

6. Формирование новой популяции – замена старой популяции новой

Моделирование кроссовера и мутации:

• Кроссовер – обмен участками хромосом между двумя родителями

• Мутация – случайное изменение одного или нескольких генов

Применение генетических алгоритмов:

• Оптимизация функций

• Задачи комбинаторной оптимизации

• Машинное обучение

• Робототехника

3. Основные понятия искусственного интеллекта

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

Свойства агентов:

• Автономность – способность действовать без внешнего управления

• Восприятие среды – способность получать информацию об окружающей среде

• Целенаправленность – наличие целей и стремление к их достижению

• Социальность – способность взаимодействовать с другими агентами

Многоагентные системы (МАС) – системы, состоящие из нескольких взаимодействующих агентов.

Применение МАС:

• Моделирование социальных процессов

• Распределенное решение задач

• Управление сложными системами

Лекция 2. Компьютерные средства разработки и языки программирования ИИ

1. Инструментальные компьютерные средства разработки систем ИИ

Инструментальные средства разработки систем ИИ – это программные комплексы, обеспечивающие создание, отладку и сопровождение интеллектуальных систем.

Основные средства:

• Среды программирования – для разработки на языках ИИ

• Экспертные оболочки – инструменты для создания экспертных систем

• Библиотеки машинного обучения – наборы алгоритмов ИИ

• Инструменты визуализации – для отображения данных и моделей

2. Представление о логическом и функциональном программировании

Логическое программирование – парадигма программирования, основанная на формальной логике.

Особенности логического программирования:

• Программа состоит из фактов и правил

• Вывод осуществляется на основе логического вывода

• Программа описывает, ЧТО нужно решить, а не КАК

Функциональное программирование – парадигма программирования, основанная на вычислении функций.

Особенности функционального программирования:

• Отсутствие побочных эффектов

• Использование рекурсии вместо циклов

• Высокий уровень абстракции

3. Язык Лисп

Lisp – один из старейших языков программирования, широко используемый в ИИ.

Основные структуры языка Лисп:

• Атомы – неделимые элементы (числа, символы)

• Списки – упорядоченные последовательности элементов

• Типы данных – числа, строки, символы, списки

Роль программирования в развитии методов представления знаний:

• Реализация алгоритмов ИИ

• Создание экспертных систем

• Моделирование когнитивных процессов

4. Язык логического программирования Пролог

Пролог (PROLOG) – язык логического программирования, основанный на формальной логике.

Диалекты языка Пролог:

• SWI-Prolog – наиболее распространенный диалект

• Sicstus Prolog – коммерческая реализация

• GNU Prolog – свободная реализация

Структура программы на Прологе:

• Факты – утверждения о предметной области

• Правила – логические зависимости между фактами

• Запросы – вопросы к системе

Режимы работы Пролога:

• Ввод фактов – добавление знаний

• Выполнение запросов – поиск ответов

• Отладка – проверка правильности программы

5. Представление знаний в Прологе

Представление знаний о предметной области в виде фактов:

• Пример: родитель(иван, петр).

• Пример: женщина(мария).

Правила в Прологе:

• Пример: предок(X,Y) :- родитель(X,Y).

• Пример: предок(X,Y) :- родитель(X,Z), предок(Z,Y).

Дескриптивный, процедурный и машинный смысл программы на Прологе:

• Дескриптивный смысл – что описывает программа

• Процедурный смысл – как выполняется программа

• Машинный смысл – как программа интерпретируется машиной

6. Разработка интерфейса и структуры предикатов

Интерфейс программы на Прологе:

• Ввод запросов пользователем

• Вывод результатов

Структура предикатов в Прологе:

• Арность – количество аргументов

• Порядок аргументов – определяет смысл предиката

Рекурсия в Прологе:

• Определение предиката через сам себя

• Пример: сумма(0,0).

• Пример: сумма(N,S) :- N>0, N1 is N-1, сумма(N1,S1), S is S1+N.

Работа со списками в Прологе:

• [Голова|Хвост] – разбиение списка на голову и хвост

• Примеры: объединение, разделение, сортировка, поиск, обращение списков

Лекция 3. Основы теории представления знаний

1. Моделирование и представление знаний

Знание – формализованная информация, используемая для решения задач.

Система знаний – совокупность знаний, организованных определенным образом.

Модели представления знаний:

• Логическая модель – основана на формальной логике

• Сетевая модель – представление знаний в виде семантических сетей

• Фреймовая модель – представление знаний в виде фреймов

• Продукционная модель – представление знаний в виде правил

2. Логическая модель представления знаний

Логическая модель – представление знаний с помощью формул логики предикатов.

Особенности логической модели:

• Строгость и однозначность

• Возможность логического вывода

• Математическая обоснованность

Применение:

• Экспертные системы

• Доказательство теорем

• Логическое программирование

3. Сетевая модель (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)

Применение:

• Моделирование знаний

• Обработка естественного языка

• Информационный поиск

4. Фреймовая модель

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

Структура фрейма:

• Имя фрейма – идентификатор

• Слоты – атрибуты фрейма

• Заполнители – значения слотов

Особенности фреймовой модели:

• Иерархическая структура

• Наследование свойств

• Возможность заполнения слотов по умолчанию

5. Продукционная модель

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

Компоненты продукционной системы:

• База правил (продукций)

• Рабочая память (факты)

• Интерпретатор (механизм вывода)

Применение:

• Экспертные системы

• Управление сложными системами

• Диагностика

6. Понятие нечеткой логики

Нечеткая логика – это логика, оперирующая нечеткими понятиями и значениями.

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

Нечеткая арифметика – выполнение операций над нечеткими числами.

Нечеткое управление – управление системами на основе нечеткой логики.

7. Получение знаний и обучение

Классификация методов получения знаний:

• Активные методы – обучение с учителем

• Пассивные методы – обучение без учителя

Методы инженерии знаний:

• Извлечение знаний из экспертов

• Структурирование знаний

• Формализация знаний

Метод экспертных оценок Делфи:

• Анонимный опрос экспертов

• Многократное уточнение оценок

• Согласование мнений экспертов

Метод мозгового штурма:

• Генерация идей в группе

• Запрет критики

• Отбор лучших идей

Лекция 4. Проблематика и технологии экспертных систем

1. Основы теории нейронных и случайных сетей

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

Основные модели нейронов:

• Перцептрон – простейшая модель

• Многослойный перцептрон – с несколькими скрытыми слоями

• Рекуррентные сети – сети с обратными связями

Виды нейронных сетей:

• Сети прямого распространения

• Рекуррентные сети

• Сверточные сети

Методы обучения сетей:

• Обучение с учителем – на основе эталонов

• Обучение без учителя – самоорганизация

• Обучение с подкреплением – на основе обратной связи

2. Байесовские сети и сети Петри

Байесовские сети – вероятностные графические модели, описывающие зависимости между переменными.

Сети Петри – математический аппарат для моделирования параллельных и асинхронных систем.

3. Понятие экспертной системы (ЭС)

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

Общая характеристика ЭС:

• Использует знания экспертов

• Объясняет свои решения

• Работает в ограниченной предметной области

Виды ЭС и типы решаемых задач:

• Системы диагностики – выявление причин неисправностей

• Системы прогнозирования – предсказание событий

• Системы планирования – разработка планов действий

• Системы интерпретации – анализ данных

4. Структура и режимы использования ЭС

Структура экспертной системы:

• База знаний – знания экспертов

• Машина вывода – механизм логического вывода

• Подсистема объяснения – обоснование решений

• Интерфейс пользователя – взаимодействие с пользователем

Режимы использования ЭС:

• Режим приобретения знаний – заполнение базы знаний

• Режим консультации – решение задач пользователем

5. Классификация инструментальных средств ЭС

Инструментальные средства ЭС:

• Экспертные оболочки – готовые системы для создания ЭС

• Языки программирования – Пролог, Лисп, CLIPS

• Библиотеки – для машинного обучения

6. Инженерия знаний

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

Основные задачи инженера знаний:

• Извлечение знаний из экспертов

• Формализация знаний

• Структурирование знаний

• Тестирование базы знаний

7. Интеллектуальный анализ данных

Интеллектуальный анализ данных (Data Mining) – процесс обнаружения в сырых данных знаний, необходимых для принятия решений.

Основные методы и их классификация:

• Кластеризация – группировка объектов

• Классификация – отнесение объектов к классам

• Ассоциация – выявление связей

• Регрессия – прогнозирование

Задача распознавания образов:

• Идентификация объектов по их признакам

• Использование методов машинного обучения

Кластерный анализ данных:

• Разбиение данных на группы (кластеры)

• Иерархические и неиерархические методы

РАЗДЕЛ 2. ПРАКТИЧЕСКИЕ ЗАНЯТИЯ

Практическое занятие №1

Тема: Введение в теорию искусственного интеллекта

Задание 1. Опишите основные направления исследований в области искусственного интеллекта. Заполните таблицу:

Задание 2. Опишите структуру генетического алгоритма. Составьте блок-схему его работы.

Задание 3. Смоделируйте процесс кроссовера и мутации для хромосомы, представленной двоичным кодом. Приведите примеры.

Задание 4. Опишите применение генетических алгоритмов в экономике и бизнесе. Приведите конкретные примеры.

Задание 5. Опишите понятие агента и свойства агентов. Приведите примеры агентов в экономических системах.

Практическое занятие №2

Тема: Компьютерные средства разработки и языки программирования ИИ

Задание 1. Изучите основные структуры языка Пролог. Заполните таблицу:

Задание 2. Разработайте базу знаний на языке Пролог для предметной области «Семья» (факты о родителях, родственниках). Составьте запросы для поиска родственников.

Задание 3. Напишите программу на языке Пролог для вычисления факториала числа с использованием рекурсии.

Задание 4. Напишите программу на языке Пролог для работы со списками (объединение, разделение, поиск элемента).

Задание 5. Опишите диалекты языка Пролог и их особенности. Сравните SWI-Prolog и GNU Prolog.

Практическое занятие №3

Тема: Основы теории представления знаний

Задание 1. Постройте семантическую сеть для предметной области «Предприятие» (включите понятия: предприятие, отдел, сотрудник, должность, продукт).

Задание 2. Разработайте систему фреймов для описания предметной области «Сотрудник» (включите слоты: ФИО, должность, отдел, стаж, оклад).

Задание 3. Разработайте продукционную систему (не менее 7 правил) для задачи оценки кредитоспособности клиента банка. Правила должны иметь структуру «ЕСЛИ... ТО...».

Задание 4. Опишите принципы нечеткой логики на примере задачи оценки рисков инвестиционного проекта.

Задание 5. Сравните методы представления знаний (логическая, сетевая, фреймовая, продукционная модели). Заполните таблицу:

Практическое занятие №4

Тема: Проблематика и технологии экспертных систем

Задание 1. Опишите структуру экспертной системы и функции каждого компонента. Заполните таблицу:

Задание 2. Разработайте архитектуру экспертной системы для одной из областей (по выбору): финансовая диагностика, кредитный скоринг, оценка рисков.

Задание 3. Разработайте базу знаний (не менее 10 правил) для экспертной системы «Оценка кредитоспособности клиента».

Задание 4. Опишите методы обучения нейронных сетей. Заполните таблицу:

Задание 5. Опишите методы интеллектуального анализа данных. Заполните таблицу:

РАЗДЕЛ 3. ТЕСТОВЫЕ ЗАДАНИЯ (100 ВОПРОСОВ С ОТВЕТАМИ)

Инструкция: выберите один правильный ответ.

1. Искусственный интеллект – это:
а) область компьютерных наук, занимающаяся созданием систем, способных выполнять задачи, требующие человеческого интеллекта
б) раздел философии
в) раздел психологии
г) программа для компьютера

Ответ: а

2. Генетический алгоритм – это:
а) метод оптимизации, основанный на принципах генетики и естественного отбора
б) метод статистического анализа
в) метод программирования
г) метод моделирования

Ответ: а

3. Пролог – это:
а) язык логического программирования
б) язык функционального программирования
в) объектно-ориентированный язык
г) язык описания данных

Ответ: а

4. Лисп – это:
а) язык программирования, широко используемый в ИИ
б) язык описания данных
в) система управления базами данных
г) операционная система

Ответ: а

5. Фрейм – это:
а) структура знаний, описывающая стереотипную ситуацию
б) программа для работы с базами данных
в) язык программирования
г) вид нейронной сети

Ответ: а

6. Семантическая сеть – это:
а) граф, вершины которого соответствуют понятиям, а дуги – отношениям
б) программа для работы с сетями
в) вид нейронной сети
г) язык программирования

Ответ: а

7. Продукционная система состоит из:
а) базы правил, рабочей памяти и интерпретатора
б) фреймов и слотов
в) нейронов и связей
г) атомов и списков

Ответ: а

8. Нечеткая логика – это:
а) логика, оперирующая нечеткими понятиями и значениями
б) точная математическая логика
в) логика программирования
г) логика управления

Ответ: а

9. Экспертная система – это:
а) система, использующая человеческие знания для решения задач
б) система управления базой данных
в) система программирования
г) операционная система

Ответ: а

10. Структура экспертной системы включает:
а) базу знаний, машину вывода, подсистему объяснения, интерфейс пользователя
б) только базу знаний
в) только машину вывода
г) только интерфейс пользователя

Ответ: а

11. Инженерия знаний – это:
а) совокупность методов создания систем с использованием знаний
б) раздел программирования
в) раздел математики
г) раздел психологии

Ответ: а

12. Data Mining – это:
а) процесс обнаружения знаний в данных
б) система управления базами данных
в) язык программирования
г) метод шифрования

Ответ: а

13. Кластеризация – это:
а) группировка объектов по схожести
б) отнесение объектов к известным классам
в) прогнозирование значений
г) поиск аномалий

Ответ: а

14. Классификация – это:
а) отнесение объектов к известным классам
б) группировка объектов по схожести
в) прогнозирование значений
г) поиск аномалий

Ответ: а

15. Нейронная сеть – это:
а) математическая модель, построенная по принципу организации биологических нейросетей
б) компьютерная сеть
в) программа для работы с данными
г) вид экспертной системы

Ответ: а

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

Ответ: а

17. Байесовские сети – это:
а) вероятностные графические модели
б) нейронные сети
в) экспертные системы
г) языки программирования

Ответ: а

18. Сети Петри – это:
а) математический аппарат для моделирования параллельных систем
б) нейронные сети
в) экспертные системы
г) семантические сети

Ответ: а

19. Логическое программирование основано на:
а) формальной логике
б) объектно-ориентированном подходе
в) функциональном подходе
г) процедурном подходе

Ответ: а

20. Функциональное программирование основано на:
а) вычислении функций
б) формальной логике
в) объектно-ориентированном подходе
г) процедурном подходе

Ответ: а

21. Атом в языке Лисп – это:
а) неделимый элемент
б) составной элемент
в) список
г) массив

Ответ: а

22. Список в языке Лисп – это:
а) упорядоченная последовательность элементов
б) неупорядоченная последовательность элементов
в) набор атомов
г) структура данных

Ответ: а

23. Факт в Прологе – это:
а) утверждение о предметной области
б) правило вывода
в) запрос к системе
г) программа

Ответ: а

24. Правило в Прологе – это:
а) логическая зависимость между фактами
б) утверждение о предметной области
в) запрос к системе
г) программа

Ответ: а

25. Рекурсия в Прологе – это:
а) определение предиката через сам себя
б) циклическое выполнение программы
в) повторение операций
г) списочная структура

Ответ: а

26. Метод Делфи – это:
а) метод экспертных оценок
б) метод оптимизации
в) метод программирования
г) метод моделирования

Ответ: а

27. Мозговой штурм – это:
а) метод генерации идей в группе
б) метод экспертных оценок
в) метод оптимизации
г) метод моделирования

Ответ: а

28. Обучение с учителем – это:
а) обучение на основе эталонов
б) самоорганизация
в) обучение на основе обратной связи
г) обучение без данных

Ответ: а

29. Обучение без учителя – это:
а) самоорганизация
б) обучение на основе эталонов
в) обучение на основе обратной связи
г) обучение без данных

Ответ: а

30. Обучение с подкреплением – это:
а) обучение на основе обратной связи
б) обучение на основе эталонов
в) самоорганизация
г) обучение без данных

Ответ: а

31. Разреженные данные (Big Data) характеризуются:
а) большим объемом и сложной структурой
б) малым объемом и простой структурой
в) отсутствием структуры
г) только большим объемом

Ответ: а

32. Ассоциативные правила в Data Mining используются для:
а) выявления связей между объектами
б) прогнозирования значений
в) группировки объектов
г) отнесения объектов к классам

Ответ: а

33. Регрессия в Data Mining используется для:
а) прогнозирования количественных значений
б) выявления связей между объектами
в) группировки объектов
г) отнесения объектов к классам

Ответ: а

34. Поиск аномалий в Data Mining используется для:
а) выявления отклонений от нормы
б) прогнозирования значений
в) группировки объектов
г) отнесения объектов к классам

Ответ: а

35. Нечеткое множество – это:
а) множество с функцией принадлежности, принимающей значения в интервале [0,1]
б) множество с четкой границей
в) множество с дискретными элементами
г) множество без границ

Ответ: а

36. Функция принадлежности используется в:
а) нечеткой логике
б) классической логике
в) программировании
г) статистике

Ответ: а

37. Клеточный автомат – это:
а) дискретная математическая модель пространства, состоящая из ячеек
б) нейронная сеть
в) генетический алгоритм
г) экспертная система

Ответ: а

38. Распознавание образов – это:
а) идентификация объектов по их признакам
б) группировка объектов
в) прогнозирование значений
г) выявление связей

Ответ: а

39. Многоагентная система – это:
а) система, состоящая из нескольких взаимодействующих агентов
б) система управления базой данных
в) экспертная система
г) нейронная сеть

Ответ: а

40. Автономность агента – это:
а) способность действовать без внешнего управления
б) способность воспринимать среду
в) наличие целей
г) способность взаимодействовать с другими агентами

Ответ: а

41. Интеллектуальный анализ данных – это:
а) процесс обнаружения в данных знаний для принятия решений
б) процесс сбора данных
в) процесс хранения данных
г) процесс передачи данных

Ответ: а

42. Для чего используются генетические алгоритмы?
а) Для оптимизации и поиска решений
б) Для создания документов
в) Для работы с базами данных
г) Для программирования

Ответ: а

43. Что такое «кроссовер» в генетических алгоритмах?
а) Обмен частями генетического кода между решениями
б) Случайное изменение генов
в) Оценка приспособленности
г) Выбор лучших решений

Ответ: а

44. Что такое «мутация» в генетических алгоритмах?
а) Случайное изменение генов
б) Обмен частями генетического кода
в) Оценка приспособленности
г) Выбор лучших решений

Ответ: а

45. В чем отличие логического программирования от процедурного?
а) Программа описывает ЧТО нужно решить, а не КАК
б) Программа описывает КАК нужно решить, а не ЧТО
в) Программа не использует переменные
г) Программа не использует функции

Ответ: а

46. Диалект SWI-Prolog – это:
а) наиболее распространенный диалект Пролога
б) язык функционального программирования
в) объектно-ориентированный язык
г) язык описания данных

Ответ: а

47. Что такое «арность» предиката в Прологе?
а) Количество аргументов предиката
б) Количество правил предиката
в) Количество фактов предиката
г) Тип предиката

Ответ: а

48. Как в Прологе представляется список?
а) [Голова|Хвост]
б) {Голова, Хвост}
в) (Голова, Хвост)
г) <Голова, Хвост>

Ответ: а

49. Для чего используется рекурсия в Прологе?
а) Для организации повторяющихся вычислений
б) Для ввода данных
в) Для вывода данных
г) Для создания интерфейса

Ответ: а

50. Что такое «откат» в Прологе?
а) Возврат к предыдущему состоянию поиска
б) Переход к следующему состоянию
в) Завершение программы
г) Перезапуск программы

Ответ: а

51. Что такое «дескриптивный смысл» программы на Прологе?
а) Что описывает программа
б) Как выполняется программа
в) Как программа интерпретируется машиной
г) Как программа тестируется

Ответ: а

52. Что такое «процедурный смысл» программы на Прологе?
а) Как выполняется программа
б) Что описывает программа
в) Как программа интерпретируется машиной
г) Как программа тестируется

Ответ: а

53. Что такое «машинный смысл» программы на Прологе?
а) Как программа интерпретируется машиной
б) Что описывает программа
в) Как выполняется программа
г) Как программа тестируется

Ответ: а

54. В чем отличие активных методов получения знаний от пассивных?
а) Активные методы предполагают взаимодействие с экспертом
б) Пассивные методы предполагают взаимодействие с экспертом
в) Активные методы не используют экспертов
г) Пассивные методы не используют данные

Ответ: а

55. Что такое «экспертная оболочка»?
а) Готовая система для создания экспертных систем
б) База знаний экспертной системы
в) Машина вывода экспертной системы
г) Интерфейс пользователя экспертной системы

Ответ: а

56. Какой метод представления знаний наиболее подходит для моделирования сложных иерархических структур?
а) Фреймовая модель
б) Логическая модель
в) Продукционная модель
г) Сетевая модель

Ответ: а

57. Какой метод представления знаний наиболее подходит для задач логического вывода?
а) Логическая модель
б) Фреймовая модель
в) Продукционная модель
г) Сетевая модель

Ответ: а

58. Какой метод представления знаний наиболее подходит для систем, основанных на правилах?
а) Продукционная модель
б) Логическая модель
в) Фреймовая модель
г) Сетевая модель

Ответ: а

59. Что такое «нечеткое управление»?
а) Управление системами на основе нечеткой логики
б) Управление с четкими правилами
в) Управление без правил
г) Управление с использованием генетических алгоритмов

Ответ: а

60. Что такое «кластер» в кластерном анализе?
а) Группа объектов со схожими свойствами
б) Отдельный объект
в) Группа несхожих объектов
г) Все объекты

Ответ: а

61. Что такое «распознавание образов»?
а) Идентификация объектов по их признакам
б) Группировка объектов
в) Прогнозирование значений
г) Выявление связей

Ответ: а

62. Какие задачи решают системы искусственного интеллекта в экономике?
а) Прогнозирование, оптимизация, анализ данных
б) Только создание документов
в) Только работа с базами данных
г) Только программирование

Ответ: а

63. Что такое «нейрон» в нейронной сети?
а) Элемент сети, преобразующий входные сигналы
б) Связь между элементами
в) Вес связи
г) Входной сигнал

Ответ: а

64. Что такое «вес связи» в нейронной сети?
а) Параметр, определяющий силу связи между нейронами
б) Входной сигнал
в) Выходной сигнал
г) Активационная функция

Ответ: а

65. Что такое «активационная функция» в нейронной сети?
а) Функция преобразования входного сигнала нейрона
б) Вес связи
в) Входной сигнал
г) Выходной сигнал

Ответ: а

66. Какие архитектуры нейронных сетей существуют?
а) Однослойные, многослойные, рекуррентные
б) Только однослойные
в) Только многослойные
г) Только рекуррентные

Ответ: а

67. Что такое «сверточная нейронная сеть»?
а) Сеть, использующая операцию свертки для обработки данных
б) Сеть с обратными связями
в) Сеть без скрытых слоев
г) Сеть с одним входом и выходом

Ответ: а

68. Для чего используются рекуррентные нейронные сети?
а) Для обработки последовательных данных (текст, речь, время)
б) Для обработки изображений
в) Для кластеризации
г) Для регрессии

Ответ: а

69. Что такое «Big Data»?
а) Большие объемы данных со сложной структурой
б) Маленькие объемы данных
в) Только структурированные данные
г) Только неструктурированные данные

Ответ: а

70. Какие задачи решает машинное обучение?
а) Классификация, регрессия, кластеризация
б) Только классификация
в) Только регрессия
г) Только кластеризация

Ответ: а

71. Что такое «переобучение» в машинном обучении?
а) Ситуация, когда модель хорошо работает на обучающих данных, но плохо на новых
б) Ситуация, когда модель плохо работает на обучающих данных
в) Ситуация, когда модель не обучается
г) Ситуация, когда модель работает одинаково на всех данных

Ответ: а

72. Что такое «валидация» в машинном обучении?
а) Оценка качества модели на отдельной выборке данных
б) Обучение модели
в) Сбор данных
г) Очистка данных

Ответ: а

73. Какие методы используются для решения задачи кластеризации?
а) K-средних, иерархическая кластеризация
б) Линейная регрессия, логистическая регрессия
в) SVM, деревья решений
г) Нейронные сети

Ответ: а

74. Какие методы используются для решения задачи классификации?
а) SVM, деревья решений, логистическая регрессия
б) K-средних
в) Иерархическая кластеризация
г) Apriori

Ответ: а

75. Что такое «ассоциативное правило» в Data Mining?
а) Правило, описывающее связь между событиями
б) Правило классификации
в) Правило кластеризации
г) Правило регрессии

Ответ: а

76. Что такое «поддержка» ассоциативного правила?
а) Частота встречаемости правила в данных
б) Вероятность выполнения правила
в) Количество объектов
г) Количество признаков

Ответ: а

77. Что такое «достоверность» ассоциативного правила?
а) Вероятность выполнения правила при условии
б) Частота встречаемости правила
в) Количество объектов
г) Количество признаков

Ответ: а

78. Для чего используется метод Apriori?
а) Для поиска ассоциативных правил
б) Для кластеризации
в) Для классификации
г) Для регрессии

Ответ: а

79. Что такое «дерево решений»?
а) Графическая модель принятия решений в виде дерева
б) Нейронная сеть
в) Генетический алгоритм
г) Кластерный метод

Ответ: а

80. Какой алгоритм используется для построения деревьев решений?
а) ID3, C4.5
б) K-средних
в) Apriori
г) Метод опорных векторов

Ответ: а

81. Что такое «энтропия» в контексте деревьев решений?
а) Мера неопределенности данных
б) Точность модели
в) Полнота модели
г) Скорость работы

Ответ: а

82. Что такое «метод опорных векторов» (SVM)?
а) Метод классификации, использующий понятие плоскостей решений
б) Метод кластеризации
в) Метод регрессии
г) Метод поиска ассоциативных правил

Ответ: а

83. Что такое «линейная регрессия»?
а) Метод прогнозирования, основанный на линейной зависимости
б) Метод классификации
в) Метод кластеризации
г) Метод поиска ассоциативных правил

Ответ: а

84. Что такое «логистическая регрессия»?
а) Метод классификации с использованием логистической функции
б) Метод прогнозирования количественных значений
в) Метод кластеризации
г) Метод поиска ассоциативных правил

Ответ: а

85. Какой метод используется для оценки качества модели классификации?
а) Матрица ошибок (confusion matrix)
б) Коэффициент корреляции
в) Среднее абсолютное отклонение
г) Среднеквадратичная ошибка

Ответ: а

86. Что такое «искусственная жизнь» (ALife)?
а) Область ИИ, изучающая создание моделей живых систем
б) Создание биологических организмов
в) Клонирование
г) Генная инженерия

Ответ: а

87. Что такое «эмерджентность» в искусственной жизни?
а) Появление новых свойств у системы, которых нет у отдельных элементов
б) Простота системы
в) Предсказуемость системы
г) Детерминированность системы

Ответ: а

88. Что такое «самоорганизация» в искусственной жизни?
а) Способность системы организовывать свою структуру без внешнего управления
б) Внешнее управление системой
в) Разрушение структуры системы
г) Стабильность системы

Ответ: а

89. Что такое «клеточный автомат»?
а) Дискретная модель пространства с ячейками
б) Биологическая клетка
в) Нейронная сеть
г) Генетический алгоритм

Ответ: а

90. Что такое «правила перехода» в клеточном автомате?
а) Правила изменения состояния ячеек
б) Правила движения ячеек
в) Правила взаимодействия ячеек
г) Правила создания ячеек

Ответ: а

91. Что такое «муравьиный алгоритм»?
а) Метод оптимизации, имитирующий поведение муравьев
б) Метод кластеризации
в) Метод классификации
г) Метод регрессии

Ответ: а

92. Для каких задач применяются муравьиные алгоритмы?
а) Задача коммивояжера, маршрутизация
б) Классификация
в) Кластеризация
г) Регрессия

Ответ: а

93. Что такое «феромонный след» в муравьином алгоритме?
а) Информация, оставляемая муравьями для выбора пути
б) Путь муравья
в) Решение задачи
г) Оценка решения

Ответ: а

94. Что такое «теория хаоса»?
а) Раздел математики, изучающий поведение динамических систем с высокой чувствительностью к начальным условиям
б) Теория случайности
в) Теория вероятностей
г) Теория управления

Ответ: а

95. Какие системы называются «динамическими»?
а) Системы, состояние которых изменяется во времени
б) Системы, состояние которых не изменяется
в) Системы, не имеющие состояния
г) Системы, состояние которых не влияет на поведение

Ответ: а

96. Что такое «эффект бабочки»?
а) Малое изменение в одной точке системы может привести к большим последствиям в другой
б) Эффект в биологии
в) Эффект в экономике
г) Эффект в психологии

Ответ: а

97. Что такое «нейро-нечеткие сети»?
а) Комбинация нейронных сетей и нечеткой логики
б) Только нейронные сети
в) Только нечеткая логика
г) Генетические алгоритмы

Ответ: а

98. Что такое «гибридные интеллектуальные системы»?
а) Системы, сочетающие различные методы ИИ
б) Системы, использующие только нейронные сети
в) Системы, использующие только генетические алгоритмы
г) Системы, использующие только экспертные системы

Ответ: а

99. Какие методы используются для интеллектуального анализа данных?
а) Нейронные сети, деревья решений, генетические алгоритмы, методы кластеризации
б) Только нейронные сети
в) Только деревья решений
г) Только генетические алгоритмы

Ответ: а

100. Что такое «сильный искусственный интеллект»?
а) Система с универсальным интеллектом, способная решать любые задачи
б) Система для решения конкретных задач
в) Система без интеллекта
г) Система для создания документов

Ответ: а

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 основ анализа данных с применением систем искусственного интеллекта;

• умения анализировать необходимую информацию, используя искусственный интеллект;

• владения навыками использования преимуществ искусственного интеллекта 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, твёрдое знание лекционного материала, обязательной и рекомендованной дополнительной литературы, полностью выполненная самостоятельная работа.

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.

4.3. Критерии оценки самостоятельной работы

Оценивание выполнения заданий самостоятельной работы

4.4. Критерии оценки экзамена

Шкала оценивания:

РАЗДЕЛ 5. ЗАДАНИЯ ДЛЯ САМОСТОЯТЕЛЬНОЙ РАБОТЫ

5.1. Введение

Самостоятельная работа по дисциплине «Искусственный интеллект и анализ данных» 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

• 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. Введение в теорию искусственного интеллекта

1. Изучение теоретического материала

• Проработать конспект лекции №1.

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

2. Выполнение самостоятельной работы

• Задание 1. Подготовить реферат на тему: «Основные направления исследований в области искусственного интеллекта» (объём — 7–10 страниц).

• Задание 2. Описать структуру генетического алгоритма. Составить схему его работы.

• Задание 3. Привести примеры применения генетических алгоритмов в экономике и бизнесе.

• Задание 4. Охарактеризовать задачи распознавания изображений, логического вывода, моделирования знаний, перевода, семантического анализа конструкций языка.

• Задание 5. Подготовить презентацию (8–10 слайдов) на тему: «Генетические алгоритмы: принципы работы и применение».

3. Подготовка к тестированию

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

Распределение часов:

Форма контроля: проверка реферата, схемы, презентации, тестирование.

Самостоятельная работа по теме 2. Компьютерные средства разработки и языки программирования ИИ

1. Изучение теоретического материала

• Проработать конспект лекции №2.

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

2. Выполнение самостоятельной работы

• Задание 1. Подготовить реферат на тему: «Инструментальные компьютерные средства разработки систем ИИ» (объём — 7–10 страниц).

• Задание 2. Изучить основы языка Пролог. Составить базу знаний для предметной области «Семья» (факты и правила).

• Задание 3. Написать программу на языке Пролог для вычисления факториала числа с использованием рекурсии.

• Задание 4. Написать программу на языке Пролог для работы со списками (объединение, разделение, поиск элемента).

• Задание 5. Подготовить презентацию (8–10 слайдов) на тему: «Язык логического программирования Пролог: основы и применение».

3. Подготовка к тестированию

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

Распределение часов:

Форма контроля: проверка реферата, программ, презентации, тестирование.

Самостоятельная работа по теме 3. Основы теории представления знаний

1. Изучение теоретического материала

• Проработать конспект лекции №3.

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

2. Выполнение самостоятельной работы

• Задание 1. Подготовить реферат на тему: «Модели представления знаний: логическая, сетевая, фреймовая, продукционная» (объём — 7–10 страниц).

• Задание 2. Построить семантическую сеть для предметной области «Предприятие».

• Задание 3. Разработать систему фреймов для описания предметной области «Сотрудник».

• Задание 4. Разработать продукционную систему для задачи оценки кредитоспособности клиента (не менее 7 правил).

• Задание 5. Подготовить презентацию (8–10 слайдов) на тему: «Методы представления знаний в системах искусственного интеллекта».

3. Подготовка к тестированию

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

Распределение часов:

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

Самостоятельная работа по теме 4. Проблематика и технологии экспертных систем

1. Изучение теоретического материала

• Проработать конспект лекции №4.

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

2. Выполнение самостоятельной работы

• Задание 1. Подготовить реферат на тему: «Экспертные системы: структура, классификация, применение» (объём — 7–10 страниц).

• Задание 2. Разработать архитектуру экспертной системы для одной из предметных областей (финансовая диагностика, кредитный скоринг, оценка рисков).

• Задание 3. Разработать базу знаний (не менее 10 правил) для экспертной системы «Оценка кредитоспособности клиента».

• Задание 4. Охарактеризовать методы обучения нейронных сетей (с учителем, без учителя, с подкреплением).

• Задание 5. Подготовить презентацию (8–10 слайдов) на тему: «Интеллектуальный анализ данных: методы и применение».

3. Подготовка к тестированию

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

Распределение часов:

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

Самостоятельная работа по подготовке к экзамену

1. Повторение лекционного материала

• Повторить все 4 лекции.

• Составить краткие конспекты-шпаргалки по каждой теме.

2. Повторение практических заданий

• Повторить все выполненные практические задания.

3. Повторение тестов

• Проработать все 100 тестовых вопросов.

4. Подготовка к устной части экзамена

• Проработать все 40 вопросов к экзамену (приведены в разделе 6).

Распределение часов:

Форма контроля: экзамен.

РАЗДЕЛ 6. ВОПРОСЫ К ЭКЗАМЕНУ (40 ВОПРОСОВ)

1. Основные направления исследований в области искусственного интеллекта (ИИ).

2. Задачи распознавания изображений, логического вывода, моделирования знаний, перевода, семантического анализа конструкций языка.

3. Генетические алгоритмы. Структура генетического алгоритма.

4. Моделирование кроссовера и мутации. Применение генетических алгоритмов.

5. Инструментальные компьютерные средства разработки систем ИИ.

6. Представление о логическом и функциональном программировании.

7. Язык Лисп. Основные структуры языка Лисп — списки, атомы, типы данных.

8. Роль программирования в развитии методов представления знаний.

9. Понятие агента и свойства агентов. Агентные и многоагентные системы.

10. Язык логического программирования Пролог. Диалекты языка Пролог.

11. Структура программы на Прологе, режимы работы.

12. Представление знаний о предметной области в виде фактов и правил базы знаний Пролога.

13. Дескриптивный, процедурный и машинный смысл программы на Прологе.

14. Разработка интерфейса программы и структуры предикатов в Прологе.

15. Рекурсия и работа со списками в Прологе. Примеры разработки программ.

16. Моделирование и представление знаний. Система знаний.

17. Модели представления знаний: логическая, сетевая, фреймовая, продукционная.

18. Понятие нечеткой логики. Нечеткое множество, алгебра, нечеткое управление.

19. Получение знаний и обучение. Классификация методов получения знаний.

20. Активные и пассивные методы получения знаний. Методы инженерии знаний.

21. Метод экспертных оценок Делфи. Метод мозгового штурма.

22. Основы теории нейронных и случайных сетей. Нейронные сети и их моделирование.

23. Основные модели нейронов. Виды нейронных сетей и их использование в системах ИИ.

24. Методы обучения нейронных сетей.

25. Байесовские сети и сети Петри.

26. Понятие об экспертной системе (ЭС). Общая характеристика ЭС.

2. Виды ЭС и типы решаемых задач.

3. Структура и режимы использования ЭС.

4. Классификация инструментальных средств ЭС и организация знаний в ЭС.

5. Инженерия знаний. Основные задачи инженера знаний.

6. Интеллектуальные информационные ЭС.

7. Задача распознавания образов. Кластерный анализ данных.

8. Основные методы интеллектуального анализа данных и их классификация.

9. Применение задач распознавания образов в ИИ.

10. Нечеткие множества и нечеткая логика в системах ИИ.

11. Гибридные интеллектуальные системы.

12. Машинное обучение: основные понятия и методы.

13. Большие данные (Big Data) и их обработка в системах ИИ.

14. Искусственная жизнь и клеточные автоматы.

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

СПИСОК ЛИТЕРАТУРЫ

а) Основная литература

1. Коваленко, А. В. Искусственный интеллект в бизнесе: анализируем и применяем / А. В. Коваленко, Е. В. Казаковцева. — Москва, Алматы : Ай Пи Ар Медиа, EDP Hub (Идипи Хаб), 2023. — 354 c. — ISBN 978-5-4497-2196-9, 978-601-81002-0-8. — Текст : электронный // Цифровой образовательный ресурс IPR SMART : [сайт]. — URL: https://www.iprbookshop.ru/130922.html

2. Васильев, Е. П. Интеллектуальный анализ данных в технологиях принятия решений : учебное пособие / Е. П. Васильев, В. И. Орешков. — Рязань : Рязанский государственный радиотехнический университет, 2023. — 180 c. — ISBN 978-5-7722-0344-6. — Текст : электронный // Цифровой образовательный ресурс IPR SMART : [сайт]. — URL: https://www.iprbookshop.ru/134854.html

3. Искусственный интеллект в финансах : монография / М. И. Барабанова, С. Ю. Богатырев, О. В. Борисова [и др.] ; под редакцией С. Ю. Богатырева. — Санкт-Петербург : Международный банковский институт имени Анатолия Собчака, 2024. — 470 c. — ISBN 978-5-4228-0171-8. — Текст : электронный // Цифровой образовательный ресурс IPR SMART : [сайт]. — URL: https://www.iprbookshop.ru/146588.html

б) Дополнительная литература

1. Нестеров, С. А. Интеллектуальный анализ данных средствами MS SQL Server 2008 : учебное пособие / С. А. Нестеров. — 3-е изд. — Москва : Интернет-Университет Информационных Технологий (ИНТУИТ), Ай Пи Ар Медиа, 2023. — 337 c. — ISBN 978-5-4497-2240-9. — Текст : электронный // Цифровой образовательный ресурс IPR SMART : [сайт]. — URL: https://www.iprbookshop.ru/131496.html

2. Конкина, В. В. Введение в большие данные и анализ информации : учебное пособие / В. В. Конкина, А. Б. Борисенко, И. Л. Коробова. — Тамбов : Тамбовский государственный технический университет, ЭБС АСВ, 2024. — 81 c. — ISBN 978-5-8265-2749-8. — Текст : электронный // Цифровой образовательный ресурс IPR SMART : [сайт]. — URL: https://www.iprbookshop.ru/145326.html

2. Сотник, С. Л. Проектирование систем искусственного интеллекта : учебное пособие / С. Л. Сотник. — 4-е изд. — Москва : Интернет-Университет Информационных Технологий (ИНТУИТ), Ай Пи Ар Медиа, 2025. — 228 c. — ISBN 978-5-4497-0868-7. — Текст : электронный // Цифровой образовательный ресурс IPR SMART : [сайт]. — URL: https://www.iprbookshop.ru/146389.html

в) Периодические издания

1. Журнал «Бухгалтерский учет» — http://www.buhgalt.ru/

2. Журнал «Главбух» — https://www.glavbukh.ru/

3. Журнал «Финансовый директор» — https://e.fd.ru/

г) Электронно-библиотечные системы (ЭБС)

д) Ресурсы информационно-телекоммуникационной сети «Интернет»

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

2. Федеральный центр информационно-образовательных ресурсов: [Электронный ресурс] — Режим доступа: http://fcior.edu.ru/ (открытый доступ)

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

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

5. Интернет-портал Правительства Российской Федерации [Электронный ресурс] — Режим доступа: http://www.government.ru (открытый доступ)

6. Образовательно-справочный сайт по экономике [Электронный ресурс] — Режим доступа: http://www.economics.ru (открытый доступ)

Адрес публикации: https://www.prodlenka.org/metodicheskie-razrabotki/646973-uchebno-metodicheskij-kompleks-po-jelektivnoj