Представлено основні конструкції та типи даних нової мови програмування ФОЛІ, наведено формальний опис його ядра. Розглянуто можливість використання ФОЛІ як внутрішньої мови високого рівня в інтелектуальних комп'ютерних системах.

Висвітлюються основні підходи і засоби програмування в Пролозі (мова логічного програмування) з використанням різноманітних структур даних у програмуванні та їх застосування при побудові ефективних алгоритмів. Наведена загальна характеристика логічного програмування і математичної основи логічних мов програмування. Особлива увага приділяється питанням побудов виведення. Описуються базові структури мови, методи їх використання, аналіз роботи зі змінними, розглядається спосіб їх співставлення, а також наведено контрольні задачі. Аналізуються базові структури програми і процес бектрекінгу, основні підходи до побудови керування, методи зміни стандартного процесу виконання програми за рахунок використання предикатів cut, fail, not. Дається характеристика основ побудови складних структур даних і їх застосування (продукційні системи, семантичні мережі, фрейми). Викладені основні підходи до реалізації ітераційних дій, рекурсії, моделювання циклів тощо.

Рассмотрены основы логики предикатов первого порядка. Дано описание языка логического программирования Пролог. Раскрыты возможности его использования при разработке систем искусственного интеллекта.

Розглянуто питання логічного програмування. Надано основні теоретичні відомості про динамічні бази даних Прологу (мови, що реалізує логічне програмування), розкрито особливості створення та видалення фактів у динамічних базах, проблеми взаємодії динамічних баз з зовнішніми файлами. Увагу приділено побудові експертних систем і схемі розв'язання задач оптимізації в Пролозі.

Рассмотрены вопросы логического программирования. Даны основные теоретические сведения о динамических базах Пролога (языка, реализующего логическое программирование), раскрыты особенности создания и удаления фактов в динамических базах, проблемы взаимодействия динамических баз с внешними файлами. Уделено внимание построению экспертных систем и схеме решения задач оптимизации в Прологе.

Розглянуто недоліки існуючої мови PROLOG для розв'язання логічних задач. Для прикладу взято класичну задачу на комбінаторний перебір варіантів. Показано, що розв'язок буде елементарним, якщо ввести оператори типу "припустимо, що існує ..." та "припустимо, відсутнє ...". Створено програмне ядро для реалізації нової версії мови PROLOG.

Наведено вимоги до мов програмування задач штучного інтелекту. Висвітлено теорію предикатів першого порядку, на якій базується мова Prolog. Розкрито основи мови логічного програмування Visual Prolog.

Приведены требования к языкам программирования задач искусственного интеллекта. Освещена теория предикатов первого порядка, на которой основан язык Prolog. Раскрыты основы языка логического программирования Visual Prolog.

На базі фреймової моделі подання знань запропоновано принципи розробки баз знань та експертних систем універсальною мовою програмування Python. Проаналізовано об'єктно-орієнтовані можливості та засоби інтроспекції Python. Розроблено демонстраційну базу знань і надано приклади запитів до неї.

Внимание уделено одному из направлений обработки данных, так называемому Dala Mining или интеллектуальному анализу данных. Изложены базовые знания из курса линейной алгебры и теории вероятностей. Описаны метод наименьших квадратов и метод главных компонент. Даны сведения о мягких вычислениях в обработке данных, методах классификации и кластеризации. Рассмотрены основные направления исследования проблемы классификации, использование теоремы Байеса для принятия решений. Изложены сведения об использовании генетических алгоритмов для построения векторного классификатора. Описан метод опорных векторов (SVM - support vector machines). Внимание уделено вопросам визуализации многомерных данных. Рассмотрена структура рекомендующей системы.

Розглянуто парадигми та короткий опис історії мови логічного програмування. Викладено основи мови Visual Prolog, опис роботи у середовищі візуальної розробки Visual Prolog 7.4, основні механізми уніфікації та пошуку з поверненням і повторення та рекурсію, списки, внутрішні бази фактів, бази даних, арифметику та ін. Розглянуто зразки програм мовою Visual Prolog.

Наведено аналітичний огляд методів і програмних продуктів, що забезпечують процес Data Mining. Описано найбільш популярні інструментальні засоби Data Mining. Подано приклади вирішення практичних завдань за допомогою програмно-інструментальних засобів. Приділено увагу інтелектуальному аналізу даних у відкритому середовищі Інтернет - Web Mining, Opinion Mining і обробці текстових документів - Text Mining.

Уперше в межах інформаційної системи запропоновано та досліджено модель інтеграції інформаційних технологій об’єктних баз даних, OLAP та Data Mining, яка дозволяє проводити інтелектуальний аналіз багатомірних даних на відміну тільки від одновимірного аналізу в реляційних системах. Удосконалено модель представлення асоціативних правил, яка надає їх у вигляді об’єктів класу, а також будує їх шаблони, до яких потім відносить відповідні правила. Одержали подальший розвиток методи пошуку асоціативних правил у багатомірних даних, які, на відміну від існуючих, дозволяють знайти закономірності між фактами у розрізі різних вимірів куба. Одержала подальший розвиток інформаційна технологія побудови структури метаданих для об’єктних сучасних систем керування базами даних, що полягає у її розширенні класами підсистем OLAP та Data Mining, яка дозволяє здійснювати проектування довільної об'єктної бази даних на фізичному рівні та її безпосередній оперативний та інтелектуальний аналіз.

Мета роботи - провести аналіз сучасних підходів до аналізу та обробки даних; вивчити основні алгоритми для аналізу та обробки даних; на основі застосування новітніх технологій створити програму, яка буде збирати дані, проектувати архітектуру програми для більш ефективного використання; очистити дані, застосовуючи методи мінімізації інформаційних втрат; проаналізувати отримані очищені дані застосовуючи підходи до аналізу та обробки текстових даних; зробити висновки за результатами всіх вищезгаданих робіт. Існує досить велика кількість різновидів перерахованих завдань, а також методів їх вирішення. Інформація є одним із найважливіших ресурсів сучасного бізнес-середовища. Для будь-якої компанії важко досягти успіху, не маючи достатньої інформації про своїх клієнтів, співробітників та інших ключових зацікавлених сторін. Щодня компанії отримують неструктурований і структурований текст із різних джерел, таких як результати опитування, твіти, нотатки до коллцентру, телефонні розсилки, онлайн-відгуки клієнтів, записані взаємодії, листи та інші документи. Ці джерела надають необроблений текст, який нелегко зрозуміти без використання правильного інструменту аналізу тексту. Можна виконувати аналітику тексту вручну, але процес вручну є неефективним. Традиційні системи використовують ключові слова і не можуть читати та розуміти мову в електронних листах, твітах, веб-сторінках і текстових документах. Із цих причин компанії використовують програмне забезпечення для аналізу текстів великих обсягів текстових даних. Програмне забезпечення допомагає користувачам отримувати інформацію з текстових даних, щоб діяти відповідно. В даний час найбільш поширене ручне анотування, до переваг якого можна віднести, безумовно, високу якість складання анотації та її "осмисленість". Типові недоліки ручних систем анотування, систем аналізу текстової інформації - це високі матеріальні витрати та притаманна їм низька швидкість роботи. Мета роботи - дослідження методів за допомогою яких можна ефективно анотувати відгуки про різноманітні товари з найбільшого торгівельного майданчику України; методів і засобів за допомогою яких можна мінімізувати інформаційні втрати при аналізі та обробці текстових даних. Об'єктом дослідження є процес мінімізації інформаційних втрат при аналізі та обробці текстових даних. В ході дослідження проведено аналіз останніх досліджень з аналізу та обробки текстової інформації та методів обробки текстової інформації та алгоритми Data Mining.

Індекс рубрикатора НБУВ: З970.5-018.2

Рубрики:

Інтелектуальні системи

Шифр НБУВ: ДС40244 Пошук видання у каталогах НБУВ 

Індекс рубрикатора НБУВ: З970.5-018.2

Рубрики:

Інтелектуальні системи

Шифр НБУВ: ДС40244 Пошук видання у каталогах НБУВ 

Нині значного поширення отримали системи, які містять різноманітну інформацію щодо географічних і топографічних даних. Такі системи називаються геоінформаційними системи (ГІС). За їх допомого вирішують питання, пов'язані з обробленням і аналізом інформації. Для вирішення цього завдання на сучасному етапі застосовують різноманітні методи штучного інтелекту, статистичного аналізу, машинного навчання та роботи з "великими даними". Для застосування цих методів на основі мов програмування розроблені різноманітні спеціалізовані бібліотеки, що дозволяють створювати призначені для користувача програми. Мета роботи - вибір інструментарію для аналізу даних у ГІС. Завданнями дослідження є аналіз бібліотека для оброблення й аналізу географічних даних. Проаналізовано відповідний інструментарій мови Python. На основі аналізу конкретних джерел можна дійти висновку, що інтелектуалізацією ГІС є впровадження до її складу методів та інструментів штучного інтелекту. Також на сьогодні розроблено велику кількість інструментарію для інтелектуального аналізу даних і машинного навчання. Це надає можливість для створення інтегрованих систем зберігання та структуризації геоінформації і систем її аналізу. Особливістю побудови ГІС є необхідність поділу карти за функціональними верствами. Для вирішення цього завдання можна використовувати різноманітні методи розпізнавання образів, що дозволить виокремити на картах різноманітні об'єкти та поділити їх за функціональним призначенням. Сучасні системи розпізнавання образів є набором спеціальних математичних методів, які дозволяють в отриманому зображенні знайти потрібний об'єкт. Найбільш розповсюдженими на сьогодні є штучні нейронні мережі (ШНМ). До переваг застосування ІНС належать: можливість вирішення великого кола завдань, пов'язаних із розпізнаванням образів; можливість використання будь-яких типів об'єктів (як двовимірних, так і лінійних); одна мережа може розпізнавати одночасно декілька образів; можливість навчання в процесі роботи; можливість роботи з зашумленими даними; масштабованість. Найбільш поширеними інструментами для роботи з аналізом великих даних на сьогоднішні є мови програмування R і Python, а також набір пов'язаних з цими мовами бібліотек машинного навчання і роботи з даними, зокрема бібліотека scikit-learn і нова, але вже досить популярна спеціалізована бібліотека для роботи з геоданими eo-learn. Все це надає можливість для створення систем аналізу на основі застосування бібліотек машинного навчання.

Індекс рубрикатора НБУВ: З970.5-018.2

Рубрики:

Інтелектуальні системи

Шифр НБУВ: ДС40244 Пошук видання у каталогах НБУВ 

Індекс рубрикатора НБУВ: З970.5-018.2

Рубрики:

Інтелектуальні системи

Шифр НБУВ: ДС40244 Пошук видання у каталогах НБУВ 

В першому та другому розділі навчального посібника описано особливості аналітичної платформи Deductor Studio Academic, підготовку та імпортування даних в цю систему. Третій розділ навчає працювати з майстром обробки даних. В ньому розглядається методи: відновлення пропущених даних, видалення аномалій, спектральна обробка та видалення шумів. Четвертий розділ присвячений освоєнню навичок застосування факторного та кореляційного аналізу. П’ятий розділ спрямований на отримання навичок розбиття даних, квантування та фільтрації для трансформації даних. Розділ шостий спрямований на освоєння інструменту, що дозволяє розв’язувати та використовувати математичні функції. В сьомому розділу робота спрямована на вивчення асоціативних правил та використання візуалізаторів «Популярні набори», «Правила», «Дерево правил», «Що - якщо». Восьмий розділ присвячений застосуванню методів Data Mining для розв’язання задач прогнозування часових рядів на прикладі побудови моделі.

Зазначено, що розвідувальний аналіз даних і датамайнінг (Exploratory Data Analysis & Data Mining) - міждисциплінарна методологія на тлі "великих даних", новітні інформаційні технології і процедури, зорієнтовані на виявлення вад у наборах табличних даних великих обсягів про об'єкти, згідно з поставленими цілями. Підкреслено, що зазвичай ці набори "сирі", якщо одержані із зовнішніх джерел і, скоріше за все, невідомого походження, чи вони відомі і робочі, що регулярно застосовуються, але пошкоджені, випадково чи штучно. З-за їх великих розмірів шукану інформацію "видобувають" / "майнять" із даних досконалими, потужними та дорого вартісними комп'ютерними засобами, аби швидко й із найбільшою достовірністю зрозуміти їх природу та визначити наслідки виявлених негативних впливів на дані.