Самообучающаяся система
Самообучающаяся система — интеллектуальная информационная система, которая на основе примеров реальной практики автоматически формирует единицы знаний[1].
В основе самообучающихся систем лежат методы автоматической классификации примеров реальной практики, то есть обучения на примерах. В результате обучения системы автоматически строятся обобщенные правила или функции, определяющие принадлежность ситуаций классам, которыми обученная система пользуется при интерпретации незнакомых ситуаций. Из обобщающих правил автоматически формируется база знаний, которая периодически корректируется по мере накопления информации об анализируемых ситуациях[2].
Виды самообучающихся систем[править]
- Индуктивные системы — самообучающиеся интеллектуальные системы, в основе работы которых находится принцип индукции и классификации примеров по значимым признакам.
- Нейронные сети — самообучающиеся интеллектуальные системы, в основе работы которых находится непрерывный процесс обучения по реальным примерам, строящимся ассоциативной сетью нейронов для параллельного поиска решений.
- Системы, основанные на прецедентах — самообучающиеся интеллектуальные информационные системы, в основе работы которых находится база прецедентов решений, позволяющая по запросу подбирать и адаптировать наиболее похожие примеры.
- Информационные хранилища — самообучающиеся интеллектуальные информационные системы, основе работы которых находятся базы данных, позволяющие извлекать знания и создавать специально -организованные базы информации.
Индуктивные системы[править]
Индуктивная система действует на основе индуктивного вывода (от частного к общему). Обобщение примеров на основе этого принципа сводится к определению принадлежности данных примеров одному из представленных классов; выявлению множества примеров по значению определённого признака; выбору одного классификационного признака из множества заданных.
Для представлена процесса классификации используют дерево решений, в котором в промежуточных точках находятся значения признаков последовательной классификации, а в конечных — значения признака принадлежности определенному классу.
Нейронные сети[править]
В результате использования нейронных сетей строятся математические решающие функции, определяющие зависимости между входными и выходными сигналами, поступающими в систему.
Каждая такая функция называется нейрон[3]. Он отражает зависимость значения выходного признака от взвешенной суммы значений входных признаков, в которой вес входного признака показывает степень влияния входного признака на выходной.
Используются нейроны в задачах прогнозирования, когда получается прогнозное значение выходного признака после подстановки входных признаков в выражение решающей функции. В таком случае нейроны могут быть связаны между собой, при условии, что выход одного нейрона совпадает с входом другого. Таким образом, строится нейронная сеть, в которой нейроны, находящиеся на одном уровне, образуют слои[4].
Обучение нейронных сетей осуществляется через определение сигналов между нейронами и установлению силы этих связей. Алгоритмы их обучения водятся к определению зависимости весового коэффициента связи двух нейронов от числа примеров, подтверждающих эту зависимость.
Системы, основанные на прецедентах[править]
Системы, основанные на прецедентах содержат описание примеров или прецедентов, а не обобщённых ситуаций. Поэтому поиск решения проблемы осуществляется по аналогии на основе абдуктивного вывода (от частного к частному).
Абдуктивный вывод подразделяется на следующие этапы[5]:
- Получение подробной информации о текущей проблеме;
- Сопоставление полученной информации со значениями признаков прецедентов из базы знаний;
- Выбор прецедента из базы знаний, наиболее близкого к рассматриваемой проблеме;
- Адаптация выбранного прецедента к текущей проблеме;
- Проверка корректности каждого полученного решения;
- Занесение детальной информации о полученном решении в базу знаний.
Информационные хранилища[править]
В основе информационных хранилищ располагается значимая информация, регулярно извлекаемая из оперативных баз данных и предназначенная для оперативного анализа данных.
См. также[править]
Примечания[править]
- ↑ Самообучающиеся системы (2013-12-24). Проверено 1 ноября 2023.
- ↑ Московский Университет им. С.Ю.Витте (бывш. Московский Институт Экономики, Менеджмента и Права) Самообучающиеся системы (22.03.2016). Проверено 1 ноября 2023.
- ↑ Научпоп. Наука для всех Для чего создаются самообучающиеся нейронные сети? (30.05.2018). Проверено 1 ноября 2023.
- ↑ Мирошниченко Никита [https://dspace.spbu.ru/bitstream/11701/4291/1/Miroshnichenko_Nikita_VKR.pdf Самообучающиеся системы и их приложения]. — СПб, 2016.
- ↑ Самообучающиеся системы. Проверено 1 ноября 2023.
|
Одним из источников этой статьи является статья в википроекте «Рувики» («Багопедия», «ruwiki.ru») под названием «Самообучающаяся система», находящаяся по адресу:
«https://ru.ruwiki.ru/wiki/Самообучающаяся_система» Материал указанной статьи полностью или частично использован в Циклопедии по лицензии CC-BY-SA 4.0 и более поздних версий. |