Интеллектуальные информационные системы (ИИС) - ответы на вопросы от автора meimei1337

• Количество объектов в каждом классе
• Обучающую выборку
• Критерии отнесения объектов классам
• Центры классов
• Количество классов, к которым относятся объекты

• первая формула является произвольной, вторая общезначима;
• обе общезначимы;
• первая общезначима, вторая противоречива;
• первая противоречива, вторая общезначима;
• обе противоречивы;
• первая формула противоречива, вторая является произвольной;
• правильного ответа нет.

• неполнота
• изменчивость
• многозначность
• недостоверность
• качественность оценок

1. это бесконечное (счётное) множество объектов, принадлежащих точно двум классам
2. это конечное множество объектов - примеров нескольких классов
3. это конечное множество объектов, принадлежащих точно одному классу

1. Логическая функция, использующая операции И ИЛИ НЕ.
2. Набор продукционных правил.
3. Дерево решений.
4. Двудольный граф.

• ∃y D(Петр, y)
• D(Петр, Иван)
• ∃x ∀y D(x, y)
• ∀x ∃y D(x, y)

• Все формулы представлены в ССФ
• Все формулы, кроме первой (она содержит импликацию)
• Ни одна из формул не представлена в ССФ
• Все формулы, кроме первых двух (в них есть кванторы 3)

Дерево решений построено алгоритмом ID3. Дерево решений используется:

• для классификации примеров обучающей выборки.

• для модификации дерева решений и получения нового, улучшенного варианта дерева решений.

• для классификации новых примеров, ранее не входящих в обучающую выборку.

• бесконечное число примеров
• бесконечное, но обязательно счётное число примеров
• счётное число примеров
• конечное число примеров

• инженер по знаниям – активную, эксперт – пассивную
• инженер по знаниям – пассивную, эксперт – активную
• оба играют активную роль
• оба играют пассивную роль

• P(g(y)) ∨ ¬R(x) ∨ Q(g(y), z)
• P(x) ∨ ¬R(x) ∨ Q(g(y), z)
• P(x) ∨ ¬R(g(y)) ∨ Q(x, z)
• P(x) ∨ P(g(y)) ∨ ¬R(x) ∨ Q(x, z)

• обработке неопределенности знаний
• использовании множества источников знаний
• реакции на события

• дерево решений правильно классифицирует все примеры обучающей выборки.
• дерево решений правильно классифицирует примеры из любых наборов данных, в которых объекты отличаются от объектов обучающей выборки и имеют другие атрибуты.
• дерево решений правильно классифицирует новые примеры, аналогичные примерам обучающей выборки, но ранее не входящие в обучающую выборку.
• дерево решений может быть преобразовано в набор продукционных правил.

• - приписывание конкретных значений (0, 1) атомам A, B, C, D;
• - преобразование формулы F к более простому виду.
• - все возможные значения формулы F;
• - построенная таблица истинности;

• инженер по знаниям – активную, эксперт – пассивную
• инженер по знаниям – пассивную, эксперт – активную
• оба играют активную роль
• оба играют пассивную роль

• разработка неформального описания знаний о предметной области в виде графа, таблицы, диаграммы или текста
• получение инженером по знаниям наиболее полного из возможных представлений о предметной области и способах принятия решения в ней
• создание прототипа ЭС
• разработка БЗ на языке представления знаний

• Все формулы представлены в ПНФ
• Все формулы, кроме первой, представлены в ПНФ
• Ни одна из формул не представлена в ПНФ
• 
  

• Если Петя не весел, то, если на него нельзя положиться, то он не принадлежит к нашей компании.
• Если неверно, что Петя весел, или на него можно положиться, то он не принадлежит к нашей компании.
• Если на Петю нельзя положиться, то он не весел и не принадлежит к нашей компании.
• Выберите правильную фразу, сопоставленную этой формуле:
• Либо Петя не весел, либо, на него нельзя положиться и он не принадлежит к нашей компании.
• Если Петя не принадлежит нашей компании, то он не весел и на него нельзя положиться.

• Эквивалентность
• Сложение по модулю 2
• Конъюнкция
• Дизъюнкция
• Отрицание

1. В каждом узле дерева, который не является листом, выполняется проверка значений точно двух атрибутов.
2. Корневая вершина дерева имеет точно двух потомков.
3. Все конечные вершины бинарного дерева (листья) взвешены именами точно двух классов.
4. Все промежуточные вершины дерева, а также корневая вершина, имеют точно двух потомков.

• 1, 3 и 6.
• все, кроме №3;
• все, кроме №5;
• все формулы;

• идентификация знаний
• формализация знаний
• реализация

• инженеры по знаниям
• пользователи
• эксперты

1. Необходимо провести экзамен повторно на новой тестовой выборке, отличной от первоначальоe
2. Необходимо удалить из тестовой выборки те примеры, на которых классификатор дал неверные ответы, и повторить процедуру экзамена.
3. Необходимо провести обучение заново. В качестве обучающего множества будем использовать экзаменационную (тестовую) выборку. Затем повторяем процедуру экзамена.
4. Необходимо провести обучение заново. При этом к исходной обучающей выборке добавляем те примеры из тестового множества, на которых классификатор дал неверные ответы. Затем повторяем процедуру экзамена.

• противоречивы 1, 2, 3
• Все формулы противоречивы
• противоречивы 1 и 4
• противоречивы 3 и 4
• противоречивы 2 и 5

1. Дерево решений - это дерево, внутренние узлы которого представляют собой проверки для входных примеров из обучающего множества, а вершины-листы взвешены именами классов (решений).
2. Дерево решений каждому входному примеру ставит в соответствие номер класса путем фильтрации этого примера через промежуточные узлы дерева сверху вниз. Результаты каждой проверки являются взаимоисключающими и исчерпывающими.
3. Проверки для каждого входного примера начинаются с корня дерева. Проверка заканчивается, когда достигнут лист дерева.
4. Каждая проверка - это проверка значения одного из признаков, описывающих входной пример. Проверки могут приводить к двум результатам, или более, чем к двум.
5. Все утверждения верны.

• · моделирование (построение модели окружающей среды)
• · формирование рефлексов
• · планирование действий
• · распознавание сложных ситуаций

• числа нейронов в промежуточном слое
• числа нейронов во всей сети
• весов связей нейронов
• числа входных сигналов (признаков)

• интеллектуальные базы данных
• системы, основанные на прецедентах
• гипертекстовые системы
• прикладные программы
• системы когнитивной графики

• Обучающая выборка, из которой удалены те примеры, для которых классификация была ошибочна
• Обучающая выборка, к которой добавлены несколько новых примеров
• Множество примеров, ни один из которых не входил в исходную обучающую выборку
• Обучающая выборка полностью

• признаки классификации, использующиеся для описания возможных вариантов развития событий
• примеры реальных ситуаций, накопленных за некоторый исторический период, описывающиеся множеством признаков классификации
• примеры искусственных ситуаций, сгенерированных путем перебора всех возможных вариантов развития событий, описывающиеся множеством признаков классификации
• нет правильного ответа

• 1, 4, и 5
• Все пары формул равносильны
• 2 и 3
• 3 и 5
• 1 и 5

• Да
• Нет

• все вершины нижнего уровня подчиняются всем вершинам вышестоящего уровня иерархии
• все вершины нижнего уровня подчиняются одной вершине вышестоящего уровня иерархии
• вершина нижнего уровня подчиняются только одной вершине вышестоящего уровня иерархии

• Расстояние D(X, Y) равно 4
• Расстояние D(X, Y) равно 5
• Расстояние D(X, Y) равно 3

• идентификация знаний
• реализация
• формализация знаний
• концептуализация знаний

• в иерархических структурах для сохранения существенной и отбрасывания несущественной информации
• в простейших нейронных сетях
• в популяциях одноклеточных организмов

1. Логическими выражениями
2. Упорядоченным набором линейных функций
3. Упорядоченным набором признаков
4. В виде ориентированного графа

• дедуктивным выводом
• индуктивным выводом
• абдуктивным выводом

Выберите верные для алгоритмов обучения «с учителем» утверждения.

В интеллектуальных системах машинным обучением называется процесс создания и оптимизации классификационного правила, которое разделяет предъявленные объекты на классы.

В алгоритмах обучения «с учителем» такой классификатор представляет: ...

• границы между классами, заданные в виде функций

• набор логических функций

• дерево решений

• множество продукционных правил

• D(Петр, x)
• ∀x ∃y D(x, y)
• ∃x D(x, y)
• ∃x ∀y D(x, y)
• ∃y D(Петр, y)

• ориентированный граф, вершины которого – понятия, а дуги – отношения между ними
• модель, позволяющая представить знание в виде предложений типа «ЕСЛИ (условие), ТО (действие)»
• структура данных с присоединенными процедурами
• совокупность классов и объектов предметной среды

• содержат неопределённую информацию
• содержат противоречивую информацию
• содержат неполную информацию
• содержат неточную информацию

• Правильным является определение В)
• Правильным является определение А)
• Правильным является определение Б)
• Все определения верны.
• Правильными являются определения Б) и В)

• заказчик
• пользователь
• эксперт
• инженер по знаниям
• заказчик и эксперт
• эксперт и инженер по знаниям
• заказчик, эксперт и инженер по знаниям

1. Конечные вершины дерева (листья) могут быть взвешены именами двух и более классов.
2. В корне дерева находится наиболее информативный признак.
3. Обязательно будет бинарным.
4. Каждый путь от корня дерева к листу не содержит повторных проверок уже использованных атрибутов.

Обучающая выборка разбита на классы с помощью одного из алгоритмов обучения «без учителя». Какие объекты называются объектами -прототипами классов?

• Объект - прототип класса - это наиболее характерная точка класса (возможно, его геометрический центр).

• Объект - прототип класса это точка, принадлежащая классу и максимально близкая к границе, разделяющей классы.

• Объект - прототип класса это точка, наиболее удалённая от всех объектов, принадлежащих другим классам.

1. Числовые интервалы
2. Логические значения
3. Вещественные числа
4. Целочисленные признаки
5. Наборы символов
6. Графические изображения

• Пороговый алгоритм.
• Алгоритм построения линейной разделяющей функции.
• Алгоритм «K средних».
• Алгоритм построения дерева решений ID3.
• Алгоритм MAXMIN.

• Какой из двух векторов: X или Y ближе к вектору Z?
• Расстояние D(X, Z) больше D(Y, Z)
• Расстояние D(X, Z) меньше D(Y, Z)
• Расстояния одинаковы

• да
• нет

• алгоритмом обучения «с учителем»
• алгоритмом обучения «без учителя»

• идентификация знаний
• реализация
• формализация знаний
• концептуализация знаний

• · Интерфейс
• · Эволюция
• · Прогресс
• · Интеллект
• · Адаптация

• интеллектуального интерфейса
• базы знаний
• механизма вывода заключений
• интеллектуального интерфейса, базы знаний и механизма вывода заключений

• 1, 3 и 6.
• все формулы;
• все, кроме №5;
• все, кроме №3;

• Если дед посадил репку, то она выросла, а если дед не посадил репку, то репка не выросла.
• Дед посадил репку и репка выросла, или дед не сажал репку, а репка выросла.
• Дед посадил репку и она выросла, или дед не сажал репку и она не выросла.
• Репка выросла тогда и только тогда, когда дед её посадил.
• Дед посадил репку и она выросла или если репка не выросла, то дед её не сажал.

1. В корне дерева находится наиболее близкий к решающему атрибуту признак.
2. Каждый путь от корня дерева к листу не содержит повторных проверок уже использованных атрибутов.
3. Конечные вершины дерева (листья) могут быть взвешены именами более чем двух классов.
4. Обязательно будет бинарным.

• разработка неформального описания знаний о предметной области в виде графа, таблицы, диаграммы или текста
• параметризация предметной области
• создание прототипа ЭС
• разработка БЗ на языке представления знаний

• ⱯX (R(x) & -A(x) ->D(x))
• ⱯX (R(x) & D(x)) -> vx (A(x)&-D(x))
• ⱯX (R(x)V-A(x)vD(x))
• 3x R(x) & - A(x)&D(x)
• ⱯX (R(x) -> ∃x (-D(x)&A(x))

• В корне дерева находится наиболее близкий к решающему атрибуту признак.
• Обязательно будет бинарным.
• Каждый путь от корня дерева к листу не содержит повторных проверок уже использованных атрибутов.
• Конечные вершины дерева (листья) могут быть взвешены именами более чем двух классов.

• вещественные числа
• изображения
• наборы символов
• целочисленные значения
• логические значения

• ∃x (A(x) & C(x) & (S(x, a) ∨ ¬A(a)))
• ∀у (A(x) & C(x) & (S(x, b) ∨ ¬A(b)))
• ∀y ∃x (A(x) & C(x) & (S(x, y) ∨ ¬A(y)))
• A(a) & C(a) & (S(a, b) ∨ ¬A(b))
• ∀y (A(a) & C(a) & (S(a, y) ∨ ¬A(y)))

• обе общeзначимы;
• первая формула противоречива, вторая является произвольной;
• первая формула является произвольной, вторая общезначима;
• первая общезначима, вторая противоречива;
• обе противоречивы;
• первая противоречива, вторая общезначима;
• правильного ответа нет.

В интеллектуальных системах Data Mining (добыча данных) и Knowledge Discovery in Databases (обнаружение знаний в базах данных) обучающая выборка — это некоторый фрагмент таблицы, хранящейся в распределённой БД. Известно, что такие таблицы могут содержать очень много атрибутов различного типа. Как определяется решающий атрибут для формирования обобщенных понятий?

• Решающий атрибут определяется на основе эвристических критериев.

• Решающий атрибут указывает эксперт.

• Решающий атрибут находится на основе оценки информативности.

• Три дизъюнкта
• Четыре дизъюнкта
• Два дизъюнкта
• Один дизъюнкт

• Противоречивость S еще не доказана, продолжаем вывод, используем при этом дизъюнкт QvQ для получения новых резольвент.
• Противоречивость S еще не доказана, продолжаем вывод, но использовать дизъюнкт QV-Q для получения новых резольвент нельзя, так как Qv-Q=И
• Противоречивость S доказана, больше не нужно продолжать вывод.

• Отношение «объект часть объекта»
• Иерархия «класс - подкласс» (IЅА иерархия)
• Отношение «класс - пример класса»
• Логические отношения
• Отношение «объект - свойство объекта»

• прямой цепочки рассуждений
• обратной цепочки рассуждений
• прямой и обратной цепочки рассуждений
• прямой и/или обратной цепочки рассуждений

• экспертная система
• система интеллектуального анализа данных
• система с интеллектуальным интерфейсом

• специалист, занимающийся извлечением знаний и их формализацией в БЗ
• специалист, знания которого помещаются в БЗ
• специалист, интеллектуальные способности которого расширяются благодаря использованию ЭС

• всегда равна 100
• всегда меньше 100
• всегда больше 100
• может быть различной

• дедуктивным выводом
• индуктивным выводом
• абдуктивным выводом

• любую фиксированную связь между состояниями классификаторов, фиксаторов представлений (памятью) и эффекторов
• использование простых рефлексов
• перебор планов действий

• система управления знаниями
• экспертная система
• информационно-поисковая система

• изображения
• логические значения
• наборы символов
• целочисленные значения
• вещественные числа

• A&(-B v.C)
• (Av-B&C)
• (AvB v C)
• (AV-B)&(AvC)

• алгоритм RЅ1 построения приближённого множества
• ID3
• MaxMin
• алгоритм построения дерева решений, использующий метрику Хемминга

• все объекты обучающей выборки описываются наборами числовых признаков
• критерием сходства объектов является мера близости, определяющая расстояние между объектами.
• все объекты обучающей выборки первоначально не отнесены к конкретным классам
• всем объектам обучающей выборки приписаны имена классов
• классы объектов формируются по признаку сходства объектов между собой

• семантическая сеть
• дерево решений
• дерево целей

• A&¬B и ¬(¬B & ¬A)
• A⟶B и ¬( A&¬B )
• A⟶B и ¬(A ⟶ B)
• A⟶¬B и ¬(¬B ⟶A)
• ¬A&B и (¬B ∨ ¬A)

• системой с индуктивным выводом
• нейронной сетью
• системой, основанной на прецедентах

• тождественными;
• теоремами.
• выводимыми;
• общезначимыми;
• равносильными;

• совокупность правил принятия решений
• совокупность единиц знаний, отражающих факты и зависимости фактов
• совокупность описаний объектов и их связей

• · область исследований вычислительных комплексов
• · раздел высшей математики
• · одно из направлений информатики
• · наука о мышлении человека

• Да
• Нет

• настройке и доработке программного инструмента
• наполнении базы знаний
• настройке и доработке программного инструмента, наполнении базы знаний
• нет правильного ответа

• В корне дерева находится наиболее близкий к решающему атрибуту признак.
• Конечные вершины дерева (листья) могут быть взвешены именами более чем двух классов.
• Каждый путь от корня дерева к листу не содержит повторных проверок уже использованных атрибутов.
• Обязательно будет бинарным.

Какие свойства объектов, хранящихся в реальных базах данных, затрудняет их использование для машинного обучения в системах

Data mining и в экспертных системах:

1) Базы данных создаются из расчета требований конкретных приложений, а не специально для машинного обучения.

2) Информация, содержащаяся в базах данных, как правило, неполна. Свойства объектов, необходимые для корректной классификации, не обязательно представлены в базе данных.

3) Отдельные значения могут содержать ошибки или вовсе отсутствовать.

4) Базы данных очень велики.

5) Базы данных изменяются со временем.

Варианты ответов

• Все, кроме 1)

• Все пять свойств

• Все, кроме 2)

• Все, кроме 5)

• Все, кроме 3)

• Все, кроме 4)

Наиболее простой способ оценить, насколько хорошо построенная решающая функция (такая, как система решающих правил, или дерево решений) работает это проверить её на тестовом множестве (экзамен).

Какое из утверждений верно?

В качестве экзаменационного множества при этом используется: ...

• Обучающая выборка, из которой удалены те примеры, для которых классификация была ошибочна.

• Множество примеров, ни один из которых не входил в исходную обучающую выборку.

• Обучающая выборка полностью.

• Часть обучающей выборки (например, половина).

• Обучающая выборка, к которой добавлены несколько новых примеров.

• системой, основанной на прецедентах
• системой с индуктивным выводом
• нейронной сетью

1. специалист, занимающийся извлечением знаний и их формализацией в БЗ
2. специалист, знания которого помещаются в БЗ
3. специалист, интеллектуальные способности которого расширяются благодаря использованию ЭС

• реализация
• формализация знаний
• идентификация знаний
• концептуализация знаний