2

3

1. Опис навчальної дисципліни

Найменування показників

↓↓↓

Галузь знань, напрям підгото-

вки, освітньо-кваліфікаційний

рівень

Характеристика навчальної

дисципліни

денна форма

навчання

заочна форма

навчання

Кількість кредитів

5

Вибіркова

Рік (роки) підготовки

1-й

Семестр(и)

2-й

Загальна

кількість

годин – 150

Галузь знань

12 Інформаційні технології

122 Комп`ютерні науки

Лекції*:

17 год.

Модулів – 1

Практичні, семінарські*:

34 год.

Змістових

модулів (ЗМ) – 3

Лабораторні*:

– –

Тижневих годин для ден-

ної форми навчання:

аудиторних – 3;

самостійної роботи сту-

дента – 5,8

Індивідуальне (науково-

дослідне) завдання

РГЗ

«Нейромережні методи

інтелектуальної обробки

даних. Оцінка властивос-

тей запропонованої вибір-

ки»

Освітньо-кваліфікаційний рі-

вень:

магістр

Самостійна робота*:

79 год.

Індивідуальні завдання:

РГЗ

20 год

Вид контролю:

(залишити потрібне; вказати но-

мери семестрів)

екзамен,

2-й семестр

Примітка:

* вказуються години відведені по дисципліні в цілому на дану навчальну роботу.

Примітка.

Співвідношення кількості годин аудиторних занять до самостійної та індивідуальної роботи

становить для денної форми навчання – 34% до 66%.

2. Мета та завдання навчальної дисципліни

Мета навчальної дисципліни:

– сформувати загальні принципи побудови та функціонування інтелектуальних систем;

– сформувати фундаментальні теоретичні знання щодо базових методів і технологій роз-

робки та проектування обчислювального інтелекту;

4

– вивчити основні алгоритми обчислювального інтелекту;

– оволодіти основними принципами еволюційного моделювання;

– оволодіти методами, що базуються на засадах теорії нечітких множин та нечіткої логі-

ки, а також розробці і синтезу відповідних моделей засобами інтелектуальної обробки інформа-

ції;

– отримати знання про моделі і методи та програмі засоби для роботи з нейронними ме-

режами при вирішенні задач побудови інтелектуальних систем.

Завдання навчальної дисципліни:

– ознайомитися з використанням сучасних методів обчислювального інтелекту, які необ-

хідні фахівцям з інформаційних технологій проектування;

– засвоїти методи та алгоритми еволюційного програмування;

– вивчити основні алгоритми обчислювального інтелекту для класифікації та кластериза-

ції образів, основні алгоритми навчання нейронних мереж;

– ознайомитися з основними методами та алгоритмами синтезу нечітких інтелектуаль-

них систем.

У результаті вивчення навчальної дисципліни студент повинен:

знати: – основні поняття, визначення та напрямки обчислювального інтелекту;

– базові методи і технології обчислювального інтелекту;

– головні принципи побудови генетичних алгоритмів; моделі генетичного пошуку;

– нейромережні методи інтелектуальної обробки даних;

– типи нейромоделей; елементи теорії штучних нейромереж;

– принципи побудови та навчання нейронних мереж;

– моделі нейроелементів та їх властивості;

– моделі та методи навчання штучних нейромереж; методи обробки результатів нейро-

моделювання;

– програмні засоби для побудови неромережевих моделей;

вміти:

порівнювати методи та моделі штучного інтелекту та обчислювального інтелекту;

обґрунтовувати й аналізувати вибір конкретного типу моделі та методу обчислюваль-

ного інтелекту при розв’язані відповідних практичних задач;

розв’язувати завдання дискретної та безперервної оптимізації за допомогою методів

еволюційного пошуку;

здійснювати підготовку та первинну обробку даних для побудови нейромережевих

моделей;

порівнювати методи навчання та моделі нейромереж;

будувати моделі прийняття рішень на основі нейромереж;

вирішувати задачі автоматизації підтримки рішень, розпізнавання образів, діагности-

ки, класифікації та аналізу даних;

використовувати сучасні програмні засоби для моделювання нейромереж та вирішен-

ня оптимізаційних задач на основі еволюційного підходу;

представляти підсумки виконаної роботи в вигляді статей;

бути ознайомленим:

– методами і засобами інтелектуальної обробки інформації, обчислювального інтелекту,

мультиагентних систем;

– основними задачами навчання за прецедентами: класифікація, кластерізація, регресія,

зниження розмірності;

– засобами обробки нечіткої інформації;

– основними принципами побудови нейронних мереж;

5

– реалізацією рішень з використанням інформаційних технологій, моделей та методів не-

чіткої обробки інформації та нечіткої логік.

Компетентності

ЗК06. Здатність вчитися й оволодівати сучасними знаннями.

ЗК07. Здатність генерувати нові ідеї (креативність).

ЗК17. Здатність організовувати взаємозв'язок своїх знань і впорядковувати їх.

ФК06. Здатність вирішувати складні задачі обробки даних з використанням методів та за-

собів інтелектуального аналізу даних, застосування обчислювального інтелекту для розв'язання

практичних задач в різних галузях професійної діяльності.

ФК07. Здатність розробляти та застосовувати індуктивні методи синтезу моделей, розпі-

знавання об'єктів на зображеннях, мультиагентні та нечіткі системи, нейромережі в процесі їх

реалізації на сучасних високопродуктивних системах.

ФК15. Здатність і готовність до проектування інформаційної системи визначеного прик-

ладного застосування шляхом аналізу та синтезу складу та структури системи або окремих їх

складових, розробка функціональних і нефункціональних вимог до системи, що проектується.

Програмні результати навчання:

ПР8. Володіти методами та технологіями організації та застосування даних у задачах об-

числювального інтелекту, зокрема із залученням сучасних квантових технологій, будувати мо-

делі прийняття рішень.

ПР9. Використовувати інтелектуальні агенти, мультиагентні системи, машинне навчання

та самонавчання, генетичні, кооперативні та розподілені еволюційні алгоритми для комп'ютер-

ного розв'язання задач, що вимагають людського рівня мислення.

ПР16. Мотивовано обирати мови програмування та технології розробки для розв’язання

завдань створення і супроводження програмного забезпечення.

3. Програма навчальної дисципліни

Змістовий модуль 1. Нечіткі моделі і методи обчислювального інтелекту. Застосування

обчислювального інтелекту для розв'язання практичних задач в різних галузях професійної дія-

льності.

Тема 1. Поняття і властивості інтелектуальних системи. Основні напрями досліджень у

галузі штучного інтелекту. Парадигма обчислювального інтелекту. Основні поняття, визначен-

ня та напрямки обчислювального інтелекту. Компоненти обчислювального інтелекту: техноло-

гії, моделі, методи та прикладні задачі обчислювального інтелекту: прогнозування, класифіка-

ція, розпізнавання образів, кластерізація, інтелектуальний аналіз даних. Тема 2. Стохастичні методи та нечітка логіка в задачах обчислювального інтелекту. Нечі-

ткі методи побудови інтелектуальних систем. Особливості розробки нечітких моделей. Базові

засади теорії нечітких множин. Сутність теорії нечіткої логіки. Системи нечіткого логічного

виведення. Методологічні засади нечіткого моделювання. Тема 3. Нечітка логіка і моделювання. Нечіткі множини. Основні характеристики нечіт-

ких множин: приклади нечітких множин, методи побудови функцій приналежності нечітких

множин. Операції над нечіткими множинами: наочне представлення операцій над нечіткими

множинами, властивості операцій И і З. Нечітка і лінгвістична змінні. Нечіткі висловлення і

нечіткі моделі систем: висловлення на множині значень фіксованої лінгвістичної змінної. Нечі-

ткі множини в системах керування: загальна структура нечіткого мікроконтролера. Переваги

нечітких систем. Застосування нечітких систем. Змістовий модуль 2. Еволюційне моделювання. Використання генетичних та еволюцій-

них алгоритми для комп'ютерного розв'язання задач, що вимагають людського рівня мислення.

Тема 4. Моделі генетичного пошуку, класифікація еволюційних методів. Еволюційні

стратегії. Методи еволюційного програмування. Багатокритеріальні еволюційні методи.

Тема 5. Головні принципи побудови генетичних алгоритмів. Емпіричні методи оптиміза-

ції (алгоритм мурашки, генетичний алгоритм). Елементи еволюційних алгоритмів. Генетичне

6

програмування. Оптимізація на основі мурашиних алгоритмів. Оптимізація на основі рою час-

тинок.

Змістовий модуль 3. Нейромережеві методи обчислювального інтелекту. Розробка та за-

стосовування індуктивних методів синтезу моделей, розпізнавання об'єктів на зображеннях,

мультиагентних та нечітких систем, нейромереж в процесі їх реалізації на сучасних високопро-

дуктивних системах.

Тема 6. Історично перша технологія обчислювального інтелекту – нейронні мережі. Осно-

вні поняття штучних нейронних мереж. Класична нейронна мережа зі зворотнім розповсю-

дженням. Основні алгоритми навчання: градієнтний, спряжених градієнтів, генетичний. Тема 7. Нейронні мережі зі зворотними зв’язками та з самоорганізацією Хопфилда та Хе-

мминга, їх структура, властивості. Методи налаштування весів. Алгоритми самоорганізації: ба-

зовий алгоритм Кохонена, модифіковані алгоритми з пам’яттю та функцією сусідства, які ши-

роко застосовуються в задачах автоматичної класифікації та кластерного аналізу, аналізу та ві-

зуалізації багатовимірних даних. Технології інтелектуального аналізу даних. Розпізнавання об-

разів та кластерний аналіз Навчання з учителем. Методи метричної класифікації. Навчання без

вчителя. Чіткий кластер-аналіз.

Тема 8. Теорія розпізнавання образів. Задача розпізнавання образів. Основні поняття та

методи теорії розпізнавання образів. Задача відбору і критерії оцінювання інформативності

ознак на основі евристичного, інформаційного, статистичного та імовірнісного підходів. Прин-

ципи створення гібридних інтелектуальних систем на основі розпізнавання образів. Моделі

прийняття рішень на основі теорії розпізнавання образів, нейромереж та нечіткої логіки. Задачі

автоматизації підтримки прийняття рішень, розпізнавання образів, діагностики, класифікації

Тема 9. Системи з нечіткою логікою та нечіткі нейронні мережі. Основні етапи нечіткого

виводу, основні алгоритми нечіткого виводу: Мамдані, Цукамото, Сугено та Ларсена. Нечеткі

нейронні мережі – нова технологія обчислювального інтелекту, яка об’єднує переваги техноло-

гій: нейронні мережі та системи нечіткої логіки. Новий клас нечітких нейромереж – каскадні

неофаззи – нейромережі, їх архітектура, властивості, алгоритми навчання.

4. Структура навчальної дисципліни

Назви змістових моду-

лів і тем

Кількість годин

денна форма Заочна форма

усього у тому числі усього у тому числі

л п лаб інд с.р. л п лаб інд с.р.

1 2 3 4 5 6 7 8 9 10 11 12 13

Змістовий модуль 1. Нечіткі моделі і методи обчислювального інтелекту. Застосування

обчислювального інтелекту для розв'язання практичних задач в різних галузях професійної

діяльності.

Тема 1. 12 1 2 9

Тема 2. 12 1 2 9

Тема 3. 15 2 4 9

Разом за змістовим

модулем 1

39 4 8 27

Змістовий модуль 2. Еволюційне моделювання. Використання генетичних та еволю-

ційних алгоритми для комп'ютерного розв'язання задач, що вимагають людського рівня мис-

лення.

Тема 4. 18 2 4 12

Тема 5. 18 2 4 12

Разом за змістовим

модулем 2

36 4 8 24

Змістовий модуль 3. Нейромережеві методи обчислювального інтелекту. Розробка та

застосовування індуктивних методів синтезу моделей, розпізнавання об'єктів на зображен-

нях, мультиагентних та нечітких систем, нейромереж в процесі їх реалізації на сучасних ви-

7

сокопродуктивних системах.

Тема 6. 13 2 4 7

Тема 7. 13 2 4 7

Тема 8. 16 3 6 7

Тема 9. 13 2 4 7

Індивідуальне завдан-

ня

20 20

Разом за змістовим

модулем 3

75 9 18 20 28

Усього годин 150 17 34 99

5. Теми семінарських занять

(Не передбачено навчальним планом)

6. Теми практичних занять

№

з/п

Назва теми Кількість

годин

1 Нечіткі множини та операції з ними у пакеті Matlab 2

2 Моделі на базі теорії нечітких множин 2

3 Базовий генетичний алгоритм. Робота генетичного алгоритму. 2

4 Мурашиний алгоритм 2

5 Задача про N ферзів та задача комівояжера (еволюційні та неево-

люційні методи розв’язання)

2

6 Використання генетичних алгоритмів до рішення задач дискрет-

ної оптимізації

2

7 Нейронна мережа Хебба. Розв’язання задач розпізнавання на ос-

нові окремих нейронів.

2

8 Елементарний перцептрон Розенблатта 2

9 Багатошаровий перцептрон. Навчання перцетрону 2

10 Моделювання булевої функції за допомоги нейронної мережі 2

11 Нейронна мережа Хеммінга 2

12 Навчання нейронної мережі з прямим зв’язком на прикладі реалі-

зації кластерізації. Навчання нейронних мереж з вчителем

2

13 Дискретна нейронна мережа Хопфілда 2

14 Нейронна мережа Кохонена 2

15 Дискретна нейронна мережа адаптивної резонансної теорії АРТ-1 2

16 Створення однонаправленої мережі за допомогою модулю Neural

Network Toolbox вбудового у пакет Matlab

2

17 Побудова нейро-нечітких мереж у пакеті Matlab 2

Разом 34

7. Теми лабораторних занять

(Не передбачено навчальним планом)

8. Самостійна робота

№

з/п

Назва теми Кількість

годин

1 Змістовий модуль 1. 27

8

9. Індивідуальне завдання

Розрахунково-графічне завдання «Нейромережні методи інтелектуальної обробки даних.

Оцінка властивостей запропонованої вибірки» складається з пунктів для виконання:

– представити вибірку в вигляді таблиці даних;

– представити центральну тенденцію середнім, медіаною та модою та обрахувати їх;

– представити розмах середнім відхиленням та квартилями та обрахувати їх;

– представити боксплот для швидкого, ефективного, стійкого відображення робастих ха-

рактеристик вибірки;

– представити графічне зображення даних вибірки;

– побудувати графік щільності розподілення;

– захистити індивідуальне завдання.

10. Методи навчання

Дисципліна « Методи і технології обчислювального інтелекту» передбачає формування:

знань про парадигму обчислювального інтелекту та напрямки обчислювального інте-

лекту;

знань про компоненти та методи обчислювального інтелекту;

знань про еволюційні стратегії;

знань про методи еволюційного моделювання та програмування;

знань про класичну нейронну мережу зі зворотнім розповсюдженням;

знань про основні алгоритми навчання: градієнтний, спряжених градієнтів, генетич-

ний;

знань про нейронні мережі зі зворотними зв’язками та з самоорганізацією;

знань про теорію розпізнавання образів;

знань про основні етапи нечіткого виводу;

знань про основні алгоритми нечіткого виводу;

знань про системи з нечіткою логікою та нечіткі нейронні мережі.

Теоретичне навчання магістрів проводиться на лекціях, на практичних заняттях, під час

самостійних робіт.

Методи організації та здійснення навчально-пізнавальної діяльності (за джерелом переда-

чі навчальної інформації):

– словесні – лекції;

– наочні – ілюстрації, демонстрації;

– практичні – вправи, навчальна праця, практичні роботи.

1.1 Тема 1. 9

1.2 Тема 2. 9

1.3 Тема 3. 9

2 Змістовий модуль 2. 24

2.1 Тема 4. 12

2.2 Тема 5. 12

3 Змістовий модуль 3. 48

3.1 Тема 6. 7

3.2 Тема 7. 7

3.3 Тема 8. 7

3.4 Тема 9. 7

3.5 РГЗ 20

Разом 99

9

Методи передачі та сприймання навчальної інформації: індуктивні, дедуктивні та аналіти-

чні.

Методи самостійного оволодіння знаннями студентів, формуванням умінь і навичок:

– продуктивні – проблемні,

– репродуктивні – пояснювально-ілюстративні.

Методи, що сприяють успішному засвоєнню знань, умінь: розв’язання типових задач, ви-

конання вправ, конспектування лекцій.

11. Методи контролю

Система поетапного контролю базується на застосуванні таких форм контролю як усне

опитування за матеріалами лекцій, практичних робіт, під час самостійних робіт, тестування.

Тестування. Опитування студентів за кожним змістовим модулем, контроль виконання

практичних завдань, виконання залікових модульних завдань, самоконтроль.

Практична перевірка умінь і навичок за темами.

Підсумковий контроль проводиться за результатами виконання практичних завдань та те-

стування.

12. Розподіл балів, які отримують студенти

Поточне тестування та самостійна робота ОІ

ІЗ

Під

сум

ко

-

ви

й т

ест

(ек-

зам

ен)

Сума Змістовий мо-

дуль 1 Змістовий модуль 2 Змістовий 3

Т1 Т2 Т3 Т4 Т5 Т6 Т7 Т8 Т9 10-

20

0-

30

70-100

3-5 3-5 3-7 3-7 4-6 2-5 2-5 3-5 3-5

Шкала оцінювання: національна та ECTS

Сума балів за всі

види навчальної

діяльності

Оцінка

ECTS

Оцінка за національною шкалою

для іспиту, курсового проек-

ту (роботи), практики

для заліку

90 – 100 А відмінно

зараховано 82-89 В

добре 74-81 С

64-73 D задовільно

60-63 Е

35-59 FX незадовільно з можливістю

повторного складання

не зараховано з можли-

вістю повторного скла-

дання

0-34 F

незадовільно з обов’язковим

повторним вивченням дис-

ципліни

не зараховано з

обов’язковим повтор-

ним вивченням дисци-

пліни

14. Рекомендована література

Базова 1. Люгер Дж.Ф. Искусственный интеллект: стратегии и методы решения сложных проблем /

Дж.Ф. Люгер ; пер. с англ. – М.: Вильямс, 2005. – 864 с.

10

2. Рассел С. Искусственный интеллект: современный подход / С. Рассел, П. Норвиг ; пер с англ. –

М.: Вильямс, 2006. – 1408 с.

3. Л.Н. Ясницкий. Введення в штучний інтелект.– Издательский центр "Академия", 2005. – С.

176.

4. Згуровский М.З. Основы вычислительного интеллекта./ М.З. Згуровский, Ю.П. Зайченко. – К.:

Наукова думка, 2013. – 406 с.

5. Г. К. Вороновский, К. В. Махотило, С. Н. Петрашев, С. А. Сергєєв. Генетичні алгоритми, штуч-

ні нейроні мережі і проблеми віртуальної реальності. – Х.: ОСНОВА, 1997. – С. 112.

6. Д. Рутковская, М. Пилиньский, Л. Рутковский. Нейронные сети, генетические алгоритмы и не-

четкие системы. – М.: Гарячая линия – Телеком, 2007. – С. 384.

7. Ткаченко Р.О., Ткаченко П.Р., Ізонін І.В. Нейромережеві засоби штучного інтелекту: навч. по-

сібник. – Львів: Видавництво Львівської політехніки, 2017. – 208 с.

8. Субботін С.О. Подання й обробка знань у системах штучного інтелекту та підтримки прийнят-

тя рішень: навчальний посібник / С. О. Субботін. – Запоріжжя: ЗНТУ, 2008. – 341 с.

9. Олійник А. О. Інтелектуальний аналіз даних: навчальний посібник / А. О. Олійник, С. О. Суб-

ботін, О.О. Олійник. – Запоріжжя : ЗНТУ, 2011. – 271 с.

10. Интеллектуальные информационные технологии проектирования автоматизированных систем

диагностирования и распознавания образов : монография / [С. А. Субботин, Ан.А. Олейник, Е. А. Гоф-

ман, С. А. Зайцев, Ал.А. Олейник]; под ред. С. А. Субботина. – Харьков: Компания СМИТ, 2012. – 318 с.

11. Nazmul Siddique; Hojjat Adeli. Computational Intelligence: Synergies of Fuzzy Logic, Neural

Networks and Evolutionar

12. Тюрин Ю. Н., Макаров А. Л. Анализ данных на компьютере. – М.: ИНФРА-М, 1995. – 284 с.

Допоміжна 1. Круглов В. В., Борисов В. В. Искусственные нейронные сети. Теория и практика. – М.: Гаряча лінія - Те-

лекому, 2001. – С. 382.

2. В. А. Терехов, Д. В. Єфімов, И. Ю. Тюкин Нейромережні системи керування. –Высшая школа, 2002. – С.

184.

3. Ф. Уоссермен. Нейрокомп’ютерна техніка. Теорія і практика. –М.: Мир, 1992. – С. 240.

4. Саймон Хайкин. Нейроні мережі: повний курс = Neural Networks: A Comprehensive Foundation. – М.: «Ви-

льямс», 2006. – С. 1104.

5. Роберт Каллан. Основні концепції нейроних мереж = The Essence of Neural Networks First Edition. – «Ви-

льямс», 2001. – С. 288.

15. Інформаційні ресурси

1. http://tecon.com.ua/prolog-development-center-denmark.html

2. http://uk.wikipedia.org/wiki/%D0%95%D0%BA%D1%81%D0%BF%D0%B5%D1%80%D1%82%D0%BD%D1%96_%D1

%81%D0%B8%D1%81%D1%82%D0%B5%D0%BC%D0%B8

3. http://wiki.tntu.edu.ua/%D0%9E%D0%B3%D0%BB%D1%8F%D0%B4_%D0%B2%D0%B8%D0%B4%D1%96%D0%B2_

%D0%B5%D0%BA%D1%81%D0%BF%D0%B5%D1%80%D1%82%D0%BD%D0%B8%D1%85_%D1%81%D0%B8%D1%81%D1

%82%D0%B5%D0%BC_%D1%82%D0%B0_%D1%97%D1%85_%D0%BA%D0%BB%D0%B0%D1%81%D0%B8%D1%84%D1%

96%D0%BA%D0%B0%D1%86%D1%96%D1%8F

11