Программа курсов «Модели представления знаний и онтологии», «Формализация знаний в системах искусственного интеллекта»

«Модели представления знаний и онтологии» (магистратура)

«Формализация знаний в системах искусственного интеллекта» (аспирантура)


Обязательный курс магистерской программы "Интеллектуальные системы"
Продолжительность: 32 часа лекций + 32 часа семинаров
Форма отчётности: экзамен
Автор программы курса: доцент, к.ф-м.н. Большакова Е.И.
Преподаватели: доцент Большакова Е.И., н.с. Груздева Н.В., м.н.с. Баева Н.В.

Материалы курса (презентации лекций, самостоятельные работы, домашние работы, практические задания) выложены в систему Moodle и доступны всем слушателям.

Обязательный курс аспирантуры 2 г/о по специальности 05.13.11. – «Математическое и программное обеспечение вычислительных машин, комплексов и компьютерных сетей»
Продолжительность: 32 часа лекций
Форма отчётности: экзамен
Лекторы: доцент Большакова Е.И., к.ф.-м.н Груздева Н.В.


Аннотация

Курс посвящен одному из центральных разделов в области искусственного интеллекта. Подробно рассматриваются и сопоставляются основные формальные модели и методы представления знаний, включая логические методы, семантические сети, фреймовую и продукционную модели. В рамках логической модели изучаются основы дескриптивных логик. Обсуждаются принципы работы с нечеткими знаниями. Излагается понятие онтологии предметной области, рассматриваются виды и примеры онтологий, включая формальные и лингвистические онтологии. Рассматриваются также принципы семантического Веба и его формальные языки RDF и OWL.

Кроме теоретического материала в форме лекций курс включает семинарские занятия, а также домашние задания на применение основных моделей представления знаний и построение онтологий.

Практические задания:

1. Разработка схемы базы данных конкретной предметной области
2. Создание онтологии понятий предметной области на базе системы PROTEGE
3. Разработка и реализация экспертной системы на основе языка CLIPS


Программа курса

1. Введение
Искусственный интеллект и инженерия знаний. Управление знаниями. Данные и знания. Виды знаний: процедурные Vs. декларативные, понятийные Vs. фактографические. Метазнания. Основные модели представления знаний. Понятие базы знаний.

2. Логическая модель ПЗ
Понятие формальной теории: основные компоненты, логический вывод. Интерпретация формул теории, выполнимость и общезначимость. Свойства формальных теорий: полнота, непротиворечивость, разрешимость.
Логика высказываний: синтаксис и интерпретация формул, основные свойства. Логика предикатов первого порядка: синтаксис и интерпретация формул. Чистое и прикладное исчисление предикатов первого порядка. Метод резолюций для автоматического доказательства теорем.
Формула логики предикатов как единица знаний. Этапы представления знаний на основе логики предикатов. Сложности выбора сигнатуры и отображения логических связей. Особенности логической модели ПЗ, ограничения логического вывода. Гипотеза замкнутого мира.
Описательные (дескриптивные) логики как фрагменты логики предикатов первого порядка. Дескриптивная логика ALC: концепты, их синтаксис и семантика, компоненты базы знаний. Терминологии и терминологические задачи. Расширения логики ALC.

3. Сетевая модель
Понятие семантической сети, свойство ассоциативности. Представление в семантических сетях объектов, ситуаций, событий, процессов. Виды семантических сетей, сценарии. Типы представляемых сущностей и семантических связей. Общелогические связи. Вывод на семантических сетях.
Выразительная мощность семантических сетей: сравнение с логической моделью. Виды семантических сетей. ER-модель, ее применение для проектирования баз данных.

4. Фреймовая модель
Понятие фрейма в когнитивной психологии и искусственном интеллекте. Фреймовая модель как развитие сетевой. Структура и состав фрейма: фрейм-прототип и фрейм-экземпляр. Терминальные и нетерминальные слоты. Присоединенные процедуры, их виды.
Сети фреймов и вывод во фреймовых системах. Представление значений и вывод по умолчанию. Фреймовые языки и системы. Особенности представления знаний во фреймовой модели. Фреймовая модель в системе PROTEGE.

5. Продукционная модель
Понятие правила продукции. Структура и цикл работы продукционной системы. Рабочая память и база знаний. Управление выводом в продукционной системе, метаправила. Прямой и обратный вывод. Продукционные языки. Язык и система CLIPS: основные возможности, особенности базы знаний и рабочей памяти. Разработка экспертной системы на языке CLIPS.

6. Нечеткие знания и их обработка
Виды и природа неопределенности. Нечеткие множества и нечеткая логика. Модель неточного вывода в продукционных системах: механизм вывода, меры достоверности (уверенности). Экспертные системы с нечеткими знаниями. Представление знаний с использованием метрических, порядковых и оппозиционных шкал.

7. Онтологические модели
Понятие онтологии в философии, когнитивной психологии, лингвистике, искусственном интеллекте. Компоненты онтологии, типы отношений концептов, аксиомы. Виды онтологий: специальные и общие, лингвистические и понятийные. Однородные и легковесные онтологии, примеры. Онтология CYC для представления общих знаний, особенности языка CYCL, базы знаний, вывода.
Методология структурирования знаний для построения онтологий. Этапы, правила, инструменты онтологического инжиниринга. Система PROTEGE и ее применение для построения онтологии. Применение онтологий.

8. Лингвистические онтологии и тезаурусы
Особенности лингвистических онтологий и их разработки. Лексический ресурс WordNet: понятие синсета, лексические отношения. Тезаурус как словарь с семантическими связями единиц. Тезаурус Роже. Информационно-поисковые тезаурусы и рубрикаторы, их структура и функции. Особенности тезаурусов для автоматической обработки текстов. Информационно-поисковый тезаурус РуТез: состав, семантические связи понятий.

9. Языки описания онтологий и семантический Веб
Понятие семантического Веба, его отличия от традиционного. Введение в языки семантического веба: RDF и OWL. Понятие URI. Язык RDFS как расширение RDF. Язык запросов SPARQL: основные возможности. Диалекты языка OWL. Концепция Linked Data.


Литература

1.Бураков М.В. Системы искусственного интеллекта. Учебное пособие. – М: Проспект, 2020.

2.Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем. – СПб.: Издательство «Питер», 2000.

3.Джарратано Дж., Райли Г. Экспертные системы. Принципы разработки и программирование – М.: ООО «И.Д. Вильямс», 2007.

4.Добров Б.В., Иванов В.В., Лукашевич Н.В., Соловьев В.Д. Онтологии и тезаурусы: модели, инструменты, приложения. Изд-во ИНТУИТ, 2009.

5.Искусственный интеллект – В 3-х кн. Кн. 2. Модели и методы: Справочник./ Под ред. Д.А. Поспелова – М.: Радио и связь, 1990.

6.Лапшин В.А. Онтологии в компьютерных системах. – М.: Научный Мир, 2010.

7.Лукашевич Н.В. Тезаурусы в задачах информационного поиска. – М.: Изд-во Московского университета, 2011.

8.Люгер Дж. Ф. Искусственный интеллект: стратегии и методы решения сложных проблем. – М.: Издательский дом «Вильямс», 2005.

9.Минский М. Фреймы для представления знаний – М.: Энергия, 1979.

10.Рассел C., Норвиг П. Искусственный интеллект: современный подход, 2-е изд. // Пер. с англ. – М.: Издательский дом «Вильямс», 2006.

11.Частиков А.П., Гаврилова Т.А., Белов Д.Л. Разработка экспертных систем. Среда CLIPS. – СПб.: БХВ-Петербург, 2003.

12.The Description Logic Handbook: Theory, Implementation and Applications/ Baader F., Calvanese D., MacGuinness D., Nardi D.(Eds.), Cambridge University Press, 2007.

13.Branchman R., Levesque H. Knowledge Representation and Reasoning. The Morgan Kaufman Series in Artificial Intelligence, Elsevier, 2004.

14.Handbook of Knowledge Representation /van Harmelen R., Lifschitz V., Porter B. (Eds.), Foundations of Artificial Intelligence, Elsevier, 2008.