Открытая масштабируемая интерактивная интеллектуальная on-line среда для обучения и научных исследований на базе АСК-анализа и системы "Эйдос"
Три основные точки роста современных информационных технологий. Разработка и применение перспективных интеллектуальных интерфейсов в Internet и мобильных коммуникациях. Применение масштабируемой интерактивной интеллектуальной on-line среды для обучения.
| Рубрика | Программирование, компьютеры и кибернетика |
| Вид | монография |
| Язык | русский |
| Дата добавления | 30.07.2017 |
| Размер файла | 4,2 M |
Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже
Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.
Размещено на http://www.allbest.ru/
УДК 004. 8
05.00.00. Технические науки
открытая масштабируемая интерактивная интеллектуальная on-line среда для обучения и научных исследований на базе аск-анализа и системы «эйдос»
Луценко Евгений Вениаминович
д. э. н. , к. т. н. , профессор
Scopus Author ID: 57191193316
РИНЦ SPIN-код: 9523-7101
prof. lutsenko@gmail. com
Кубанский государственный аграрный университет имени И. Т. Трубилина, Краснодар, Россия
Существует три основных точки роста современных информационных технологий: это глобальные сети и мобильные коммуникации, перспективные человеко-машинные интерфейсы, интеллектуальные технологии. Как известно, системный (синергетический) эффект обычно наблюдается в мультидисциплинарных и междисциплинарных научных исследованиях. Это означает, что большой интерес представляют направления исследований и разработок, находящиеся на перекрытии перечисленных выше трех перспективных направлений, а именно: перспективные интерфейсы в глобальных мобильных сетях, перспективные интеллектуальные интерфейсы и применение технологий искусственного интеллекта в Internet и мобильных коммуникациях. И особенно высокую актуальность имеет разработка и применение перспективных интеллектуальных интерфейсов в Internet и мобильных коммуникациях. Internet постепенно интеллектуализируется и превращается из нелокального хранилища больших данных (big data) в информационное пространство, содержащее осмысленные большие данные, т. е. «большую информацию» (great info), а затем в пространство знаний или «когнитивное пространство», в котором большая информация активно используется для достижения целей (управления) и превращается в «большие знания» (great knowledge). Появляется все больше сайтов, посвященных искусственному интеллекту, в открытом доступе появляются базы данных для машинного обучения (UCI, Kaggle и другие) и даже on-line интеллектуальные приложения, совершенствуются и интерфейсы, применяемые в Internet. Показательно приобретение разработчиком одной из первых глобальных социальных сетей Facebook Марком Цукербергом фирмы Oculus, являющейся ведущим в мире разработчиком и производителем амуниции виртуальной реальности. Однако учащиеся и ученые до сих пор практически не замечают, что уже давно существует и действует открытая масштабируемая интерактивная интеллектуальная on-line среда для обучения и научных исследований, основанная на автоматизированном системно-когнитивном анализе (АСК-анализ) и его программном инструментарии - интеллектуальной системе «Эйдос», а также сайте автора. Данная статья является ее своеобразной презентацией и призвана ознакомить потенциальных пользователей с возможностями этой среды
Ключевые слова: АСК-АНАЛИЗ, АВТОМАТИЗИРОВАННЫЙ СИСТЕМНО-КОГНИТИВНЫЙ АНАЛИЗ, ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА «ЭЙДОС», САЙТ ПРОФЕССОРА Е. В. ЛУЦЕНКО, ОБРАЗОВАНИЕ, НАУЧНЫЕ ИССЛЕДОВАНИЯ
Doi: 10.21515/1990-4665-130-001
UDC 004. 8
Engineering
INTELLIGENT SCALABLE OPEN INTERACTIVE ONLINE ENVIRONMENT FOR TEACHING AND RESEARCHING ON THE BASIS OF ASC-ANALYSIS AND "EIDOS" SYSTEM
Lutsenko Eugeny Veniaminovich
Dr.Sci.Econ., Cand.Tech.Sci. , professor
Scopus Author ID: 57191193316
RSCI SPIN-code: 9523-7101
prof. lutsenko@gmail. com
Kuban State Agrarian University, Krasnodar, Russia
There are three main growth points of modern information technologies: global network and mobile communication, advanced human-machine interfaces, intelligent technologies. As it is known, the system (synergistic) effect is usually observed in multidisciplinary and interdisciplinary researches. This means that an interesting direction of research and development is located at the overlap of these three promising areas, namely: advanced interfaces in the global mobile networks, advanced intelligent interfaces and the application of artificial intelligence technologies in the Internet and mobile communications. In addition, a particularly high relevance goes to the development and application prospective of intelligent interfaces to the Internet and mobile communications. The Internet intellectualities gradually, it turns from non-local storage of large data (big data) in information space that contains meaningful big data, i.e. "great information" (great info), and then in the space of knowledge or "cognitive space" in which most information is actively used to achieve goals (management) and turns into the "great knowledge" (great knowledge). There are more sites devoted to artificial intelligence, free databases for machine learning (UCI, Kaggle, and others) and even on-line intelligent applications, and interfaces used in the Internet are improving. Recently, there was an acquisition of company Oculus, which is the world's leading developer and manufacturer of ammunition of virtual reality by the developer of one of the first global social networking Facebook - Mark Zuckerberg. However, students and scientists still do not notice that open, scalable, interactive, intelligent on-line environment for learning and researches already exists and operates, based on automated system-cognitive analysis (ASC-analysis) and its programmatic Toolkit - intellectual "Eidos" and the author's website. This article is an original presentation and it is designed to familiarize potential users with the capabilities of this environment
Keywords: ASC-ANALYSIS, AUTOMATED SYSTEM-COGNITIVE ANALYSIS, "EIDOS" INTELLECTUAL SYSTEM, WEBSITE OF PROFESSOR E. V. LUTSENKO, EDUCATION, RESEARCHES
информационный интерактивный интеллектуальный обучение
СОДЕРЖАНИЕ
1. ВВЕДЕНИЕ
2. ОТ БОЛЬШИХ ДАННЫХ К БОЛЬШОЙ ИНФОРМАЦИИ, А ОТ НЕЕ К БОЛЬШИМ ЗНАНИЯМ
2.1 ДАННЫЕ
2.2 ИНФОРМАЦИЯ
2.3 ЗНАНИЯ
3. КРАТКО ОБ АСК-АНАЛИЗЕ И СИСТЕМЕ «ЭЙДОС»
3.1 ЧТО ЖЕ ТАКОЕ АСК-АНАЛИЗ?
3.2 РАБОТЫ КАКИХ УЧЕНЫХ СЫГРАЛИ БОЛЬШУЮ РОЛЬ В СОЗДАНИИ АСК-АНАЛИЗА?
3.3 КЕМ И КОГДА СОЗДАН АСК-АНАЛИЗ?
3.4 что включает в себя аск-анализ?
3.5 КАКИЕ УЧЕНЫЕ ПРИНИМАЛИ И СЕЙЧАС ПРИНИМАЮТ УЧАСТИЕ В РАЗВИТИИ АСК-АНАЛИЗА?
3.6 КАКОВ ИНДЕКС ЦИТИРОВАНИЯ УЧЕНЫХ, ПРИНИМАЮЩИХ УЧАСТИЕ В РАЗВИТИИ АСК-АНАЛИЗА?
3.7 ДОКТОРСКИЕ И КАНДИДАТСКИЕ ДИССЕРТАЦИИ ЗАЩИЩЕННЫЕ С ПРИМЕНЕНИЕМ АСК-АНАЛИЗА В РАЗЛИЧНЫХ ОБЛАСТЯХ НАУКИ
3.8 СКОЛЬКО ГРАНТОВ РФФИ И РГНФ ВЫПОЛНЕНО И ВЫПОЛНЯЕТСЯ С ПРИМЕНЕНИЕМ АСК-АНАЛИЗА?
3.9 СКОЛЬКО МОНОГРАФИЙ, ПАТЕНТОВ, ПУБЛИКАЦИЙ, ВХОДЯЩИХ В ПЕРЕЧЕНЬ ВАК ЕСТЬ ПО АСК-АНАЛИЗУ?
3.10 В КАКИХ ОБЛАСТЯХ И ГДЕ УЖЕ ПРИМЕНЯЛИСЬ АСК-АНАЛИЗ И СИСТЕМА «ЭЙДОС»?
3.11 В КАКИХ ОБЛАСТЯХ МОЖЕТ ПРИМЕНЯТЬСЯ АСК-АНАЛИЗ?
3.12 INTERNET-ССЫЛКИ ПО АСК-АНАЛИЗУ
3.13 О ПЛАГИАТОРАХ, ИСПОЛЬЗУЮЩИХ РАБОТЫ ПО АСК-АНАЛИЗУ, НАХОДЯЩИЕСЯ В INTERNET В ОТКРЫТОМ ДОСТУПЕ
4. ОПИСАНИЕ ОТКРЫТОЙ МАСШТАБИРУЕМОЙ ИНТЕРАКТИВНОЙ ИНТЕЛЛЕКТУАЛЬНОЙ ON-LINE СРЕДЫ ДЛЯ ОБУЧЕНИЯ И НАУЧНЫХ ИССЛЕДОВАНИЙ НА БАЗЕ АСК-АНАЛИЗА И СИСТЕМЫ «ЭЙДОС»
4.1 СТРУКТУРА И ФУНКЦИИ ОТКРЫТОЙ МАСШТАБИРУЕМОЙ ИНТЕРАКТИВНОЙ ИНТЕЛЛЕКТУАЛЬНОЙ ON-LINE СРЕДЫ «ЭЙДОС»
4.2 САЙТ ПРОФ. Е. В. ЛУЦЕНКО
4.2.1 Главная страница
4.2.2 Монографии в полном открытом бесплатном доступе
4.2.3 Ссылки на статьи в Научном журнале КубГАУ и материалы на образовательном портале
4.2.4. Скачивание системы «Эйдос» и обновлений с сайта автора и облачных дисков
4.3 ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА «ЭЙДОС» (ФУНКЦИИ И СТРУКТУРА)
4.4 ЛОКАЛЬНЫЕ ВСТРОЕННЫЕ УЧЕБНЫЕ ЭЙДОС-ПРИЛОЖЕНИЯ
4.5 УЧЕБНЫЕ И НАУЧНЫЕ ОБЛАЧНЫЕ ЭЙДОС-ПРИЛОЖЕНИЯ
4.5.1 Анализ и картографическая визуализация запусков системы «Эйдос» в мире
4.5.2 Запись Эйдос-приложений в облако
4.5.3 Скачивание из облака и установка на локальном компьютере облачных Эйдос-приложений
4.5.4 Лаб.работы 4-го типа, устанавливаемые путем скачивания исходных данных из Internet
4.5.5 Форум для обсуждения облачных Эйдос-приложений
4.5.6 Педагогические и научные новации, поддерживаемые предлагаемой облачной Эйдос-технологией
4.6 ФОРУМ ПО АСК-АНАЛИЗУ И СИСТЕМЕ «ЭЙДОС»
5. ВЫВОДЫ И ПЕРСПЕКТИВЫ
ЛИТЕРАТУРА
1. Введение
Существует три основных точки роста современных информационных технологий: это глобальные сети и мобильные коммуникации (Net), перспективные человеко-машинные интерфейсы (Int), интеллектуальные технологии (intelligent technology - IT) (рисунок 1):.
Рисунок 1. Три наиболее перспективных направления развития современных информационных технологий
Как известно, системный (синергетический) эффект обычно наблюдается в мультидисциплинарных и междисциплинарных научных исследованиях. Это означает, что большой интерес представляют направления исследований и разработок, находящиеся на перекрытии перечисленных выше трех перспективных направлений, а именно: перспективные интерфейсы в глобальных мобильных сетях, перспективные интеллектуальные интерфейсы и применение технологий искусственного интеллекта в Internet и мобильных коммуникациях. И особенно высокую актуальность имеет разработка и применение перспективных интеллектуальных интерфейсов в Internet и мобильных коммуникациях
2. От больших данных к большой информации, а от нее к большим знаниям
Internet постепенно интеллектуализируется и превращается из нелокального хранилища больших данных (big data) в информационное пространство, содержащее осмысленные большие данные, т. е. «большую информацию» (great info), а затем в пространство знаний или «когнитивное пространство», в котором большая информация активно используется для достижения целей (управления) и тем самым превращается в «большие знания» (great knowledge).
2.1 Данные
Данные - это информация, записанная на каком-либо носителе (или находящаяся в каналах связи) и представленная на каком-то языке или в системе кодирования.
Это определение является общепринятым См., например: http://dic.academic.ru/dic.nsf/ruwiki/71919 , но не выдерживает никакой критики.
Во-первых, обычно определение понятия дается через более общее понятие и выделение специфического признака.
Например: млекопитающее - это животное (более общее понятие), выкармливающее своих детенышей молоком (специфический признак).
Если следовать этой логике, то понятие информации должно быть более общим, чем понятие данных, а на самом деле как раз наоборот. Кроме того, специфическим признаком информации, которая является данными, оказывается то, что она записана на каком-то носителе, в том время, как и данные и информация, всегда записаны на каком-либо носителе в какой-то системе кодирования и невозможно даже представить себе информации, не записанной на носителе и не представленной на каком-либо языке.
Во-вторых, естественно, и более общее понятие, и специфический признак, должны быть известны и сами не требовать определения, иначе получится, что мы определяем одно неизвестное через другое неизвестное, иногда даже более неизвестное, чем первое. Но понятие информации является не менее неизвестным, чем определяемое через него понятие данных.
Например, мы определяем, что такое бутерброд и говорим: «бутерброд это хлеб, на который намазано масло». А когда мы спрашиваем, что же такое хлеб, нам отвечают: «Но так это же просто: это то, на что намазывают масло, когда делают бутерброд». И когда, наконец, мы спрашиваем, а что такое масло, нам говорят: «Но это Вы уже и сами должны были догадаться, - это то, что намазывают на хлеб, когда делают бутерброд». Мы уже не говорим о смысле слова: «намазывают». Все вместе взятые эти «определения» выглядят уже просто как издевательство. Наверное, это было бы даже смешно, если бы не было грустно, т. к. в науке подобный способ давать определения, как это ни странно, довольно распространен. Например, нетрудно найти подобные «определения» материи и сознания друг через друга: материя - это то, что существует вне и независимо от сознания, а сознание это способность мозга, что отражать материю См., например: http://nounivers.narod.ru/bibl/diam9.htm: «Материя есть объективная реальность, существующая вне и независимо от сознания, тогда как сознание производно от материи и зависит от неё. Сознание есть отражение объективного мира в мозгу человека. Сознание-свойство высокоорганизованной материи, способность нашего мозга отражать вне нас существующий материальный мир.».
Исходные данные об объекте управления обычно представлены в форме баз данных, чаще всего временных рядов, т. е. данных, привязанных ко времени. В соответствии с методологией и технологией автоматизированного системно-когнитивного анализа (АСК-анализ), развиваемой проф. Е. В. Луценко, для управления и принятия решений использовать непосредственно исходные данные не представляется возможным. Точнее сделать это можно, но результат управления при таком подходе оказывается мало чем отличающимся от случайного. Для реального же решения задачи управления необходимо предварительно преобразовать данные в информацию, о том, какие воздействия на объект моделирования к каким последствиям приводят, и в знания о том, какие значения факторов применить для воздействия на объект моделирования, чтобы он перешел в заранее заданные желательные целевые состояния.
2.2 Информация
Информация есть осмысленные данные.
Смысл данных, в соответствии с концепцией смысла Шенка-Абельсона [21], состоит в том, что известны причинно-следственные зависимости между событиями, которые описываются этими данными. Понятие причинно-следственных связей относится к реальной области. Данные же являются лишь моделью, с определенной степенью адекватности отражающей реальную предметной область. Поэтому в данных никаких причинно-следственных связей нет и выявить их в данных невозможно.
Но причинно следственные связи вполне возможно выявить между событиями, отражаемыми этими данными. Но для этого нужно предварительно преобразовать базу исходных данных в базу событий. Операция выявления причинно-следственных связей между событиями, отраженными в данных, называется «Анализ данных». По сути, анализ данных представляет собой их осмысление и преобразование в информацию.
Например, анализируя временные ряды, отражающие события на фондовом рынке, мы начинаем замечать, что если вырос спрос на какую-либо валюту, то за этим обычно следует повышение ее курса.
Анализ данных включает следующие этапы:
1. Выявление событий в данных:
- разработка классификационных и описательных шкал и градаций;
- преобразование исходных в базу событий - эвентологическую базу, путем кодирования исходных данных с применением классификационных и описательных шкал и градаций, т. е. по сути путем нормализации исходных данных.
2. Выявление причинно-следственных зависимостей между событиями в эвентологической базе данных.
В случае систем управления, событиями в данных являются совпадения определенных значений входных факторов и выходных параметров объекта управления, т. е. по сути, случаи перехода объекта управления в определенные будущие состояния, соответствующие классам, под действием определенных сочетаний значений управляющих факторов. Качественные значения входных факторов и выходных параметров естественно формализовать в форме лингвистических переменных. Если же входные факторы и выходные параметры являются числовыми, то их значения измеряются с некоторой погрешностью и фактически представляют собой интервальные числовые значения, которые также могут быть представлены или формализованы в форме порядковых лингвистических переменных (типа: «малые», «средние», «большие» значения показателей).
Какие же математические меры могут быть использованы для количественного измерения силы и направления причинно-следственных зависимостей?
Наиболее очевидным ответом на этот вопрос, который обычно первым всем приходит на ум, является: «Корреляция». Однако, в статистике хорошо известно, что это совершенно не так, т. к. для выявления причинно-следственных связей в соответствии с методом научной индукции (Ф. Бэкон, Дж. Милль) необходимо сравнивать результаты по крайней мере в двух группах, в одной из которых фактор действовал, а в другой нет.
Например, на плакате, выпущенном полицией Автор такой плакат видел, когда проходил медосмотр перед получением прав нового образца., написано: «По статистике, порядка 7,5-8 % аварий в России ежегодно совершается по вине водителей, находящихся в состоянии алкогольного опьянения» См., например: https://cnev.ru/polezno/stati/osnovnye-prichiny-dtp-pyanstvo-za-rulem . Все. Точка. Больше ничего не написано. Однако, чтобы понять, является ли состояние алкогольного опьянения фактором, увеличивающим риск совершения ДТП или его тяжесть, этой информации недостаточно. Для этого обязательно необходима также информация о том, сколько процентов аварий в России ежегодно совершается по вине трезвых водителей. Но эта информация не приводится, поэтому формально здесь возможно три варианта: 1) по вине трезвых водителей аварий совершается меньше, чем по вине пьяных; 2) по вине трезвых водителей аварий совершается столько же, сколько по вине пьяных; 3) по вине трезвых водителей аварий совершается больше, чем по вине пьяных. Первый вариант содержит информацию о том, что опьянение - это фактор риска совершения ДТП, второй - что это никак не влияет на риск совершения ДТП, а третий - что опьянение уменьшает его. Конечно, все понимают, что в жизни реализуется 1-ф вариант. Но об этом ведь нет прямых статистических данных. Таким образом, знак разности этих процентов определяет направление влияния этого фактора, а модуль этой разности силу его влияния, что и используется как один из частных критериев знаний в АСК-анализе и системе «Эйдос» [35].
Для преобразования исходных данных в информацию необходимо не только выявить события в этих данных, но и найти причинно-следственные связи между этими событиями. В АСК-анализе предлагается 7 количественных мер причинно-следственных связей, основной из которых является семантическая мера целесообразности информации по А. Харкевичу. Все эти меры причинно-следственных связей основаны на сравнении условных вероятностей встречи различных значений факторов при переходе объекта моделирования в различные состояния и по всей выборке.
информационный интерактивный интеллектуальный обучение
2.3 Знания
Знания - это информация, полезная для достижения целей, т. е. для управления.
Значит для преобразования информации в знания необходимо:
1. Поставить цель (классифицировать будущие состояния моделируемого объекта на целевые и нежелательные в какой-то шкале, лучше всего в порядковой или числовой).
2. Оценить полезность информации для достижения этой цели (знак и силу влияния).
Второй пункт, по сути, выполнен при преобразовании данных в информацию. Поэтому остается выполнить только первый пункт, т. к. классифицировать будущие состояния объекта управления как желательные (целевые) и нежелательные.
Знания могут быть представлены в различных формах, характеризующихся различной степенью формализации:
- вообще неформализованные знания, т. е. знания в своей собственной форме, ноу-хау (мышление без вербализации есть медитация);
- знания, формализованные в естественном вербальном языке;
- знания, формализованные в виде различных методик, схем, алгоритмов, планов, таблиц и отношений между ними (базы данных);
- знания в форме технологий, организационных, производственных, социально-экономических и политических структур;
- знания, формализованные в виде математических моделей и методов представления знаний в автоматизированных интеллектуальных системах (логическая, фреймовая, сетевая, продукционная, нейросетевая, нечеткая и другие).
Таким образом, для решения сформулированной проблемы необходимо осознанно и целенаправленно последовательно повышать степень формализации исходных данных до уровня, который позволяет ввести исходные данные в интеллектуальную систему, а затем:
- преобразовать исходные данные в информацию;
- преобразовать информацию в знания;
- использовать знания для решения задач управления, принятия решений и исследования предметной области.
Процесс преобразования данных в информацию, а ее в знания называется анализ. Основные его этапы приведены на рисунке 2:
Рисунок 2. Преобразование данных в информацию, а ее знания
В системе «Эйдос» этот процесс осуществляется в следующей последовательности (рисунок 3).
Основные публикации автора по вопросам выявления, представления и использования знаний [36, 37, 38].
Из вышеизложенного можно сделать обоснованный вывод о том, что АСК-анализ и система «Эйдос» обеспечивают движение познания от эмпирических данных к информации, а от нее к знаниям. По сути, это движение от феноменологических моделей, описывающих явления внешне, к содержательным теоретическим моделям [39].
Появляется все больше сайтов, посвященных искусственному интеллекту, в открытом доступе появляются базы данных для машинного обучения (UCI http://archive.ics.uci.edu/ml/datasets.html , Kaggle и другие) и даже on-line интеллектуальные приложения, совершенствуется и интерфейсы, применяемые в Internet.
В этом смысле показательно приобретение разработчиком одной из первых и наиболее популярный по сегодняшний день глобальных социальных сетей Facebook Марком Цукербергом фирмы Oculus, являющейся ведущим в мире разработчиком и производителем амуниции виртуальной реальности.
Однако учащиеся и ученые до сих пор практически не замечают, что уже давно существует и действует открытая масштабируемая интерактивная интеллектуальная on-line среда для обучения и научных исследований, основанная на автоматизированном системно-когнитивном анализе (АСК-анализ) и его программном инструментарии - интеллектуальной системе «Эйдос», а также сайте автора.
Рисунок 3. Преобразование данных в информацию, а ее знания в системе «Эйдос»
Ниже рассмотрим основные компоненты этой среды подробнее.
3. Кратко об АСК-анализе и системе «Эйдос»
3.1 Что же такое АСК-анализ?
Автоматизированный системно-когнитивный анализ (АСК-анализ) - это новый универсальный метод искусственного интеллекта, представляющий собой единственный в настоящее время вариант автоматизированного системного анализа, а именно, системный анализ, структурированный по базовым когнитивным операциям.
Известно, что системный анализ является одним из общепризнанных в науке методов решения проблем и многими учеными рассматривается вообще как методология научного познания. Однако как впервые заметил еще в 1984 году проф. И. П. Стабин Стабин И.П., Моисеева B.C. Автоматизированный системный анализ.- М.: Машиностроение, 1984. -309 с. практическое применение системного анализа наталкивается на проблему, суть которой состоит в том, что методология системного анализа успешно применяется в сравнительно простых случаях, в которых в принципе можно обойтись и без нее, тогда как в реальных сложных ситуациях, она чрезвычайно востребован и у нее нет альтернатив, сделать это удается очень редко. Проф. И. П. Стабин первым предложил и путь решения этой проблемы, состоящий в автоматизации системного анализа, он же ввел и термин: «Автоматизированный системный анализ» (АСА).
3.2 Работы каких ученых сыграли большую роль в создании АСК-анализа?
Автора идеи АСА мы упомянули выше.
Теперь необходимо отметить отечественных классиков методологии системного анализа проф. Ф. И. Перегудова и проф. Ф. П. Тарасенко, которые в своих фундаментальных работах Перегудов Ф.И., Тарасенко Ф.П. Введение в системный анализ. М.: Высшая школа, 1989. - 320 с., Перегудов Ф. И., Тарасенко Ф. П.. Основы системного анализа. Томск Изд-во науч.-техн. лит. 1997. 389с. подробно рассмотрели математические методы, которые могли бы быть успешно применены для автоматизации отдельных этапов системного анализа. Однако даже самые лучшие математические методы не могут быть использованы на практике без эффективно реализующих их программных средств, а путь от научного метода, реализуемого с помощью математики к его эффективной программной системе долог и сложен. Обусловлено это тем обстоятельством, что ЦЭВМ - это дискретный автомат, работающий только в рамках дискретной математики. Для использования ЦЭВМ необходимо разработать численные методы или методики их реализации на компьютере. А затем реализовать и отладить компьютерную программу, основанную на этом численном методе.
В числе первых попыток реального использования автоматизированного системного анализа следует отметить монографию [11] Симанков В.С., Луценко Е.В., Лаптев В.Н. Системный анализ в адаптивном управлении: Монография (научное издание). /Под науч. ред. В.С.Симанкова. - Краснодар: ИСТЭК КубГТУ, 2001. - 258с. и докторскую диссертацию проф. В. С. Симанкова (2002). В этих работах идея автоматизации системного анализа была основана на высокой детализации этапов системного анализа и подборе уже существующих программных систем, автоматизирующих эти этапы. Эта попытка была реализована проф. В. С. Симанковым, однако лишь для специального случая исследования в области возобновляемой энергетики, где использовались системы разных разработчиков, созданные с помощью различного инструментария и не имеющие программных интерфейсов друг с другом, т. е. не образующие единой автоматизированной системы. Эта попытка, безусловно, была большим шагом по пути, предложенному проф. И. П. Стабиным, но ее нельзя признать обеспечившей достижение поставленной им цели: создание работающего автоматизированного системного анализа. Эта работа не привела к созданию единой универсальной программной системы, автоматизирующий системный анализ, которую можно было бы успешно применять в различных предметных областях.
3.3 Кем и когда создан АСК-анализ?
Автоматизированный системно-когнитивный анализ, как реально работающий АСА, предложен и разработан проф. Е. В. Луценко в 2002 году [12] и получил детальное и всестороннее развитие в десятках монографий и сотнях научных статей [12-33] Ссылки на некоторые из них приведены здесь:
http://lc.kubagro.ru/aidos/_Aidos-X.htm
http://lc.kubagro.ru/aidos/Sprab0802.pdf .
Основная идея Е. В. Луценко, позволившая сделать это, состоит в рассмотрении автоматизированного системного анализа как метода познания (отсюда и использование термина: «когнитивный» от «cognitio» - знание, познание, лат. ).
Эта идея позволила структурировать автоматизированный системный анализ не по этапам, как это пытались сделать другие ученые, а по конкретным базовым когнитивным операциям (БКОСА), т. е. таким операциям, из комбинаций которых конструируются всевозможные операции системного анализа. Таких базовых операций оказалось 10 и они образуют когнитивный конфигуратор:
1) присвоение имен;
2) восприятие;
3) обобщение (синтез, индукция);
4) абстрагирование;
5) оценка адекватности модели;
6) сравнение, идентификация и прогнозирование;
7) дедукция, силлогизм и абдукция;
8) классификация и генерация конструктов;
9) содержательное сравнение;
10) планирование и принятие решений об управлении.
Каждая из этих операций достаточно элементарна для формализации и программной реализации.
Рассмотрим чуть подробнее п. 7. Пример силлогизма (или дедуктивного рассуждения «от общего к частному»):
Всякий человек смертен (большая посылка)
Сократ - человек (меньшая посылка)
------------
Сократ смертен (заключение)
Абдукция представляет вид вывода с той особенностью, что из посылки, которая является условным высказыванием, и заключения вытекает вторая посылка. Например, если рассмотреть тот же пример Сократом:
Всякий человек смертен (большая посылка)
Сократ смертен (заключение)
------------
Мы можем предположить, что меньшая посылка: «Сократ - человек (меньшая посылка)».
Однако, кроме указания одного признака Сократа: что он смертен, мы можем привести и другие его признаки, которые могут помочь идентифицировать его как человека или препятствовать этому.
По сути, при абдукции мы по признакам объекта, его экстенсиональному описанию, относим его к обобщающим категориям: референтным классам [34], т. е. восстанавливаем его интенсиональное описание, и делаем это путем решения задачи определения степени релевантности объекта классу или решения задачи классификации (идентификации, распознавания, прогнозирования, классификации, диагностики). При этом мы никогда не можем точно установить принадлежит ли объект классу, но можем лишь высказать гипотезу [35] об этом и оценить степень достоверности этой гипотезы (ее релевантности). Поэтому абдукция имеет широкое применение в системах искусственного интеллекта, в т. ч. в системе «Эйдос».
3.4 Что включает в себя АСК-анализ?
АСК-анализ Е. В. Луценко представляет собой единственный существующий в настоящее время реально работающий вариант автоматизированного системного анализа. Но, конечно, это совершенно не исключает того, что в будущем, возможно, будут разработаны и другие его варианты.
Автоматизированный системно-когнитивный анализ включает: формализуемую когнитивную концепцию, математическую модель, методику численных расчетов и реализующий их программный инструментарий, в качестве которого в настоящее время выступает постоянно совершенствуемая автором универсальная когнитивная аналитическая система "Эйдос".
Компоненты АСК-анализа:
- формализуемая когнитивная концепция и следующий из нее когнитивный конфигуратор;
- теоретические основы, методология, технология и методика АСК-анализа;
- обобщенная и частные математические модели АСК-анализа, основанная на системном обобщении теории информации;
- методика численных расчетов, в универсальной форме реализующая математическую модель АСК-анализа на компьютерах, включающая иерархическую структуру данных и 24 детальных алгоритма 10 БКОСА;
- специальное инструментальное программное обеспечение, реализующее математическую модель и численный метод АСК-анализа - Универсальная когнитивная аналитическая система "Эйдос".
Этапы АСК-анализа:
1) когнитивно-целевая структуризация предметной области;
2) формализация предметной области (конструирование классификационных и описательных шкал и градаций и подготовка обучающей выборки);
3) синтез системы обобщенных и частных моделей предметной области (в настоящее время система «Эйдос» поддерживает 3 статистические модели и 7 системно-когнитивных моделей);
4) оценка достоверности (верификация) системы моделей предметной области;
5) повышение достоверности системы моделей, в т. ч. адаптация и пересинтез этих моделей;
6) решение задач идентификации, прогнозирования и поддержки принятия решений;
7) исследование объекта моделирования (процесса, явления) путем исследования его моделей: кластерно-конструктивный анализ классов и факторов; содержательное сравнение классов факторов; изучение системы детерминации состояний моделируемого объекта, нелокальные нейроны и интерпретируемые нейронные сети прямого счета; построение классических когнитивных моделей (когнитивных карт); построение интегральных когнитивных моделей (интегральных когнитивных карт).
3.5 Какие ученые принимали и сейчас принимают участие в развитии АСК-анализа?
Необходимо отметить, что в развитии различных теоретических основ и практических аспектов АСК-анализа приняли участие многие ученые: д.э.н., к.т.н., проф. Луценко Е.В., Засл. деятель науки РФ, д.т.н., проф. Лойко В.И., к.ф.-м. н., Ph. D., проф., Трунев А.П. (Канада), д.э.н., д.т.н., к.ф.-м.н., проф. Орлов А.И., к.т.н., доц. Коржаков В.Е., д.э.н., проф. Барановская Т.П., д.э.н., к.т.н., проф. Ермоленко В.В., к.пс.н. Наприев И.Л., к.пс.н., доц. Некрасов С.Д., к.т.н., доц. Лаптев В.Н., к.пс.н, доц. Третьяк В.Г., к.пс.н., Щукин Т.Н., д.т.н., проф. Симанков В.С., д.э.н., проф. Ткачев А.Н., д.т.н., проф. Сафронова Т.И., д.э.н., доц. Горпинченко К.Н., к.э.н., доц. Макаревич О.А., к.э.н., доц. Макаревич Л.О., к.м.н. Сергеева Е.В. (Лаптева Е.В.), Бандык Д.К. (Белоруссия), Чередниченко Н.А. , к.ф.-м.н. Артемов А.А., д.э.н., проф. Крохмаль В.В., д.т.н., проф. Рябцев В.Г., к.т.н., доц. Марченко А.Ю., д.т.н., проф. Фролов В.Ю., д.ю.н, проф. Швец С.В., Засл. деятель науки Кубани, д.б.н., проф. Трошин Л.П., Засл. изобр. РФ, д.т.н., проф. Серга Г.В., Сергеев А.С., д.б.н., проф. Стрельников В.В. и другие.
3.6 Каков индекс цитирования ученых, принимающих участие в развитии АСК-анализа?
Работы по АСК-анализу вызывают большой интерес у научной общественности. Это подтверждается высокими индексами цитирования этих ученых (например, проф. Е. В. Луценко занимает 1-ю позицию в России по индексу Хирша (36-35) среди ученых в области кибернетики, к которой относится искусственный интеллект,).
3.7 Докторские и кандидатские диссертации защищенные с применением АСК-анализа в различных областях науки
Метод системно-когнитивного анализа и его программный инструментарий интеллектуальная система "Эйдос" были успешно применены при проведении ряда кандидатских и докторских диссертационных работ в ряде различных предметных областей по экономическим, техническим, психологическим и медицинским наукам. С применением АСК-анализа проведены исследования и защищены диссертации:
- доктора экономических наук - 4:
Е. В. Луценко: http://ej. kubagro. ru/a/viewaut. asp?id=11
А. Н. Ткачев: http://ej. kubagro. ru/a/viewaut. asp?id=20
В. В. Крохмаль: http://ej. kubagro. ru/a/viewaut. asp?id=22
К. Н. Горпинченко: http://ej. kubagro. ru/a/viewaut. asp?id=646
доктора технических наук - 2:
В. С. Симанков:http://www. yandex. ru/yandsearch?text=профессор Симанков Владимир Сергеевич
Т. И. Сафронова: http://ej. kubagro. ru/a/viewaut. asp?id=111
кандидата психологических наук - 4:
С. Д. Некрасов: http://manag. kubsu. ru/index. php/ofup/kafedry/174-nekrasov
В. Г. Третьяк: http://law. edu. ru/person/person. asp?persID=1345265
Т. Н. Щукин: http://ej. kubagro. ru/a/viewaut. asp?id=94 http://2045. ru/expert/27. html
И. Л. Наприев: http://ej. kubagro. ru/a/viewaut. asp?id=573
- кандидат технических наук - 1:
Е. В. Луценко: http://ej. kubagro. ru/a/viewaut. asp?id=11
- кандидат экономических наук - 1:
Л. О. Макаревич: http://www. mesi. ru/upload/iblock/b5a/Автореферат%20Макаревич%20ЛО. pdf http://ej. kubagro. ru/a/viewaut. asp?id=1377
- кандидат медицинских наук - 1:
Сергеева Е. В. (Лаптева Е. В. ): http://ej. kubagro. ru/a/viewaut. asp?id=1034
На текущий момент времени в процессе выполнения и выхода на защиту находится еще несколько диссертаций на соискание ученых степеней кандидатов и докторов экономических наук.
3.8 Сколько грантов РФФИ и РГНФ выполнено и выполняется с применением АСК-анализа?
С применением АСК-анализа с использованием системы "Эйдос" были выполнены (или находятся в процессе выполнения) следующие гранты РФФИ и РГНФ (пронумерованы только одобренные проекты):
РФФИ:
|
№ |
Номер проекта |
Название проекта |
Начало - окончание |
|
|
02-01-00035-а |
Разработка компьютерных методов изучения эмерджентных свойств плодовых культур с дальнейшим использованием их для оптимизации выращивания |
2002 -2004 |
||
|
1 |
02-05-64234-а |
Разработка теории многокритериальной оценки ландшафтных и метеорологических характеристик юга России для увеличения продуктивности плодовых культур на основе создания системы банков данных и компьютерного моделирования. |
2002 - 2003 |
|
|
2 |
03-04-96771-р2003юг_а |
Разработка новой методологии районирования сортов сельскохозяйственных культур на основе системного подхода при анализе и математическом прогнозе их жизнеобеспечения и продуктивности |
2003 - 2005 |
|
|
3 |
03-07-96801-р2003юг_в |
Создание системы мониторинга, прогнозирования, анализа и поддержки управленческих решений по продуктивности плодовых культур на основе электронных баз данных |
2003- 2005 |
|
|
06-06-96644-р_юг_а |
Семантические информационные модели управления агропромышленным комплексом |
2006 - 2008 |
||
|
07-07-13510-офи_ц |
Инвестиционное управление АПК на основе методологии системно-когнитивного анализа |
2007 - 2008 |
||
|
08-06-99005-р_офи |
Управление в АПК исходя из критерия качества жизни |
2008 - 2009 |
||
|
09-06-13509-офи_ц |
Системно-когнитивные основы инвестиционного управления региональным агропромышленным комплексом |
2009 - 2010 |
||
|
4 |
11-06-96508-р_юг_ц |
Системно-когнитивные основы инвестиционного управления региональным агропромышленным комплексом |
2011 - 2012 |
|
|
13-07-96507 |
Принципы создания облачного сервиса по курсу математики с визуализацией понятийного аппарата, процесса доказательств теорем и выполнения практических заданий |
2013 - 2014 |
||
|
5 |
15-06-02569 |
Когнитивные модели прогнозирования развития многоотраслевой корпорации |
2015 - 2017 |
|
|
6 |
16-06-00114 |
Разработка интеллектуальной технологии исследования влияния экологических факторов на различные аспекты качества жизни населения региона |
2016 - 2018 |
|
|
15-29-02530 |
Управление генресурсами семейства Rosaceae и Juglandacea для сохранения и использования биораpнообразия культурных растений на основе информационной системы, включая оцифровку коллекций |
2015 - 2017 |
||
|
15-29-02545 |
Ампелографическое и молекулярно-генетическое изучение происхождения, структуры, динамики генетических ресурсов рода Vitis (Tournef) L. , их систематизация и оцифровка для эффективного управления биоресурсами |
2015 - 2017 |
РГНФ:
|
№ |
Номер проекта |
Название проекта |
Начало - окончание |
|
|
1 |
13-02-00440а |
Методологические основы управления экономической устойчивостью перерабатывающего комплекса региона с применением технологий искусственного интеллекта |
2013 - 2015 |
|
|
16-02-00185а |
Управление качеством жизни населения региона через объемы и направленность инвестиций в АПК на примере Краснодарского края |
2018 - 2018 |
||
|
2 |
17-02-00064а |
Системно-когнитивный анализ в управлении номенклатурой и объемами закупки-реализации продукции в торговой агрофирме |
2017 - 2019 |
3.9 Сколько монографий, патентов, публикаций, входящих в Перечень ВАК есть по АСК-анализу?
По проблематике АСК-анализа издано 25 монографий [12-33] (еще несколько в стадии подготовки к печати), получено 29 патентов на системы искусственного интеллекта, их подсистемы, режимы и приложения, издано около 237 статей в изданиях, входящих в Перечень ВАК РФ. В одном только Научном журнале КубГАУ (входит в Перечень ВАК РФ с 26-го марта 2010 года) автором АСК-анализа и разработчиком системы «Эйдос» проф. Е. В. Луценко опубликовано: 209, общим объёмом 374,996 у.п.л., в среднем 1,794 у.п.л. на одну статью.
3.10 В каких областях и где уже применялись АСК-анализ и система «Эйдос»?
Анализ приведенных выше грантов, диссертаций и публикаций позволяет констатировать, что АСК-анализ успешно применяется в следующих предметных областях и научных исследованиях:
- региональная экономика;
- отраслевая экономика;
- экономика предприятий;
- технические науки - интеллектуальные системы управления в возобновляемой энергетике;
- технические науки - мелиорация и управление мелиоративными системами;
- психология личности;
- психология экстремальных ситуаций;
- психология профессиональных и учебных достижений;
- медицинская диагностика;
- прогнозирование результатов применения агротехнологий;
- принятие решений по выбору рациональных агротехнологий;
- геофизика: прогнозирование землетрясений;
- геофизика: прогнозирование параметров магнитного поля Земли;
- геофизика: прогнозирование движения полюсов Земли.
На рисунке ниже представлены использование системы «Эйдос» в различных странах мира, причем в основном, к сожалению, не в России (рисунок 4):
Рисунок 4. Карта и база данных системы «Эйдос» с информацией о запусках системы «Эйдос » в мире с 09.12.2016 по 11.06.2017
Вместо пояснения по рисунку приведем ниже экранную форму помощи по режиму, обеспечивающему отображение на карте мира и в базе данных информации о запусках системы «Эйдос» (рисунок 5):
Рисунок 5. Экранная форма Help по режиму 6. 9 системы «Эйдос»:
Исследования по некоторым из перечисленных направлений мы постараемся отразить в данной работе.
Две монографии проф. Е. В. Луценко размещены в библиотеке конгресса США [5, 18]:
- Симанков В. С. , Луценко Е. В. Адаптивное управление сложными системами на основе теории распознавания образов. Монография (научное издание). - Краснодар: ТУ КубГТУ, 1999. - 318с. http://elibrary. ru/item. asp?id=18828433.
- Трунев А. П. , Луценко Е. В. Автоматизированный системно-когнитивный анализ влияния факторов космической среды на ноосферу, магнитосферу и литосферу Земли: Под науч. ред. д. т. н. , проф. В. И. Лойко. Монография (научное издание). - Краснодар, КубГАУ. 2012. - 480 с. ISBN 978-5-94672-519-4. http://elibrary. ru/item. asp?id=21683737.
3.11 В каких областях может применяться АСК-анализ?
По мнению авторов АСК-анализ, как метод искусственного интеллекта, может успешно применяться во всех областях, в которых для решения своих профессиональных задач специалист использует свой естественный интеллект, при этом АСК-анализ выступает в качестве инструмента, многократно увеличивающего возможности естественного интеллекта.
АСК-анализ может применяться во всех предметных областях, где ученый или практики решает свои профессиональные задачи и проблемы, постоянно развивает свои знания, используя новейшие достижения в сфере искусственного интеллекта.
Главный вывод: автоматизированный системно-когнитивный анализу присущи все основные признаки нового перспективного междисциплинарного научного направления в рамках автоматизированного системного анализа.
3.12 Internet-ссылки по АСК-анализу
Интернет-ссылки по АСК-анализу лучше всего представлены на сайте проф. Е. В. Луценко: http://lc. kubagro. ru/. Данный сайт посетило уже более 500000 посетителей с уникальными IP-адресами.
Страничка проф. Е. В. Луценко имеется на сайте Научного журнала КубГАУ: http://ej. kubagro. ru/a/viewaut. asp?id=11. В расчете на фамилию автора приходится более 270000 прочтений статей.
3.13 О плагиаторах, использующих работы по АСК-анализу, находящиеся в Internet в открытом доступе
Все авторы научных работ по АСК-анализу всегда размещали и размещают их в свободном открытом бесплатном доступе, чем не преминули воспользоваться плагиаторы. Лучше всего их деятельность описана в статье «Групповой плагиат: от студента до министра» Вяткин В.Б. Групповой плагиат: от студента до министра. - Троицкий вариант -- Наука - http://trv-science.ru - [Электронный ресурс]. Адрес доступа: http://trv-science.ru/2011/11/08/gruppovojj-plagiat-ot-studenta-do-ministra/ или: http://trv-science.ru/2011/11/08/gruppovojj-plagiat-ot-studenta-do-ministra/print/ . Чтобы найти многочисленные «труды» плагиаторов, включая диссертации, достаточно в любой поисковой системе Internet сделать запрос, например: «Коэффициенты эмерджентности Хартли, Харкевича, Шеннона», которые автор системной теории информации (СТИ) проф. Е. В. Луценко назвал так в честь этих выдающихся ученых в области теории информации. При этом автор следовал сложившейся научной традиции называть единицы измерения и математические выражения в честь указанных выдающихся ученых. Причем часто плагиаторы даже не понимают, что сами основоположники и классики теории информации не предлагали этих коэффициентов, а предложены они были в работах проф. Е. В. Луценко [5] См., также: Луценко Е.В. Подборка публикаций по вопросам системного обобщения математики, теории множеств и теории информации: http://www.twirpx.com/file/780491/. Наверное, поэтому они и не считают нужным делать ссылки и пишут, например:
1. «По Харкевичу коэффициент эмерджентности определяет степень детерменированности ситемы…» (подчеркнуто нами, авт. , в цитате сохранены орфографические ошибки плагиатора).
2. «Отсюда строится системная численная мера количества информации в ИС на основе оценки эмерджентности системы (по Хартли и Харкевичу)» (выделено плагиатором).
Эти фразы легко найти в Internet. Здесь автор не считает нужным уделять вопросу о плагиате большего внимания. Отметим лишь, что эта плагиаторская деятельность не просто продолжается, а даже набирает обороты.
4. Описание открытой масштабируемой интерактивной интеллектуальной on-line среды для обучения и научных исследований на базе АСК-анализа и системы «Эйдос»
4.1 Структура и функции открытой масштабируемой интерактивной интеллектуальной on-line среды «Эйдос»
Основной функцией открытой масштабируемой интерактивной интеллектуальной on-line среды «Эйдос» (ИС «Эйдос») является предоставление разработчикам облачных Эйдос-приложений, их пользователям и учащимся бесплатной возможности обучения интеллектуальным технологиям (на примере АСК-анализа и системы «Эйдос») и их применению в самых различных предметных областях для решения широкого круга задач идентификации (классификации, распознавания, диагностики, прогнозирования), поддержки принятия решений по управлению сложными системами, и научного исследования предметной области путем исследования ее системно-когнитивной модели.
Структура ИС «Эйдос» обеспечивает поддержку ее основной функции и других обеспечивающих функций и включает два сайта разработчика АСК-анализа и системы «Эйдос», а также саму систему «Эйдос».
Рассмотрим их подробнее, на сколько это возможно в рамках одной статьи.
4.2 Сайт проф. Е. В. Луценко
Сайт проф. Е. В. Луценко (http://lc. kubagro. ru/) предназначен для бесплатного:
- предоставления всем заинтересованным лицам максимально полной информации по теоретическим основам АСК-анализа (http://lc. kubagro. ru/aidos/index. htm);
- предоставления всем заинтересованным лицам максимально полной информации по практическому применению программного инструментария АСК-анализа - интеллектуальной системы «Эйдос» (http://lc. kubagro. ru/aidos/_Aidos-X. htm статьи в открытом доступе по этой проблематике);
- скачивания самой системы «Эйдос» со встроенными учебными приложениями и без них, а также обновлений вместе с реальными исходными текстами системы (http://lc. kubagro. ru/aidos/_Aidos-X. htm);
- переадресации на другие сайты, содержащие информацию по вышеперечисленным задачам (Научный журнал КубГАУ: http://ej. kubagro. ru/a/viewaut. asp?id=11, Образовательный портал: http://www. twirpx. com/user/858406/files-uploaded/).
4.2.1 Главная страница
Главная станица сайта имеет адрес: http://lc. kubagro. ru/ и приведена на рисунке 6:
Рисунок 6. Главная станица сайта: http://lc. kubagro. ru/
4.2.2 Монографии в полном открытом бесплатном доступе
Подобные документы
Разработка городских систем на базе мобильных интерфейсов. Методики геокодирования в информационных системах, ориентированных на определенную группу пользователей. Прототипная реализация туристической карты для мобильных устройств на платформе Android.
дипломная работа [4,3 M], добавлен 05.12.2013Развитие информационно-коммуникационных технологий в образовании. Характеристика и сравнительный анализ программных средств дистанционного обучения, используемых в on-line и off-line режимах; его критерии; эффективность автоматизированных систем.
курсовая работа [208,9 K], добавлен 04.03.2013Основные концепции информационной визуализации, используемые в городских информационных системах. Разработка туристической карты города Гомеля для мобильных устройств на платформе Android. Обработка графической информации менеджером поверхностей.
дипломная работа [2,5 M], добавлен 28.05.2013Компьютер как средство обучения. Классификация учебно-программных средств. Роль интерактивных технологий в обучении школьников. Эффективное управление познавательной деятельностью учащихся первой ступени обучения с помощью интерактивной доски Smart.
курсовая работа [856,7 K], добавлен 10.02.2012Выбор технологии проектирования рабочего места оператора валютно-обменных операций в режиме off-line. Единовременные расходы системы при внедрении автоматизированных рабочих мест (АРМ). Реализация АРМ оператора валютно-обменных операций в режиме off-line.
дипломная работа [3,8 M], добавлен 02.03.2010Средства разработки для реализации On-line игры в Интернете: Adobe Flash Pro, Adobe Flash Builder, Apache Flex. Технология интерактивной анимации. Достоинства и недостатки различных средств разработки приложений. История версий программного обеспечения.
курсовая работа [873,0 K], добавлен 08.12.2013Предпосылки развития мультиагентного подхода на базе специализированных компьютерных программ. Предметные области в деятельности компании "Альянс Моторс". Алгоритм работы системы на базе мультиагентов и его реализация. Система диагностики автомобиля.
дипломная работа [1,1 M], добавлен 23.05.2013Анализ существующих программных решений для обучения студентов и контроля их знаний. Обзор лингвопроцессорных средств и обоснование их выбора. Алгоритмы решения и проверки упражнений на именную часть русского языка. Применение правил преобразования.
курсовая работа [97,0 K], добавлен 29.01.2015Компьютерные обучающие системы. Принципы новых информационных технологий обучения. Типы обучающих программ. Активизация обучения. Компьютерное тестирование. Перспективные исследования в области компьютерного обучения. Интернет-технологии, мультимедиа.
контрольная работа [60,3 K], добавлен 10.09.2008Характеристика и значение интернет-технологий в современном образовании. Позитивная возможность современных Internet–технологий. Основные преимущества электронного обучения, анализ обучающих программ, характеристика телекоммуникационных технологий.
дипломная работа [111,8 K], добавлен 23.06.2012
