Системы искусственного интеллекта (курс лекций, Д.В.Михайлов)

Материал из MachineLearning.

(Различия между версиями)
Перейти к: навигация, поиск
Текущая версия (10:31, 16 февраля 2024) (править) (отменить)
(Демо)
 
(17 промежуточных версий не показаны.)
Строка 4: Строка 4:
Автор — [[Участник:Dmitry.Mikhaylov|Дмитрий Владимирович Михайлов]],
Автор — [[Участник:Dmitry.Mikhaylov|Дмитрий Владимирович Михайлов]],
-
доцент кафедры Информационных технологий и систем [http://www.novsu.ru Новгородского государственного университета им. Ярослава Мудрого].
+
кафедра Информационных технологий и систем [http://www.novsu.ru Новгородского государственного университета им. Ярослава Мудрого (НовГУ)].
Научный консультант — д.т.н., профессор Емельянов Геннадий Мартинович
Научный консультант — д.т.н., профессор Емельянов Геннадий Мартинович
 +
 +
Представленный здесь вариант курса в 2020 году лёг в основу одноимённого учебного модуля по направлению подготовки «Информатика и вычислительная техника» (бакалавриат) в НовГУ. Актуальная редакция курса представлена на портале [https://do.novsu.ru/ «Дистанционные образовательные технологии обучения в НовГУ»] (требуется регистрация).
== Содержание лекционных занятий ==
== Содержание лекционных занятий ==
Строка 118: Строка 120:
}}
}}
</ref>, в том числе:
</ref>, в том числе:
-
** [http://www.novsu.ru/file/1504831 вариант с сортировкой анализируемых фраз по степени близости эталону и выделением ключевых сочетаний слов на основе меры TF-IDF], включая [http://www.novsu.ru/file/1580901 построение иерархии статей на основе оценок взаимной смысловой зависимости по аннотациям и заголовкам с учётом найденных ключевых сочетаний слов].
+
** [http://www.novsu.ru/file/1504831 вариант с сортировкой анализируемых фраз по степени близости эталону и выделением ключевых сочетаний слов на основе меры TF-IDF]<ref name="pria2019">
 +
{{биб.статья
 +
|автор = Mikhaylov D. V., Emelyanov G. M.
 +
|заглавие = [https://link.springer.com/content/pdf/10.1134%2FS1054661819040114.pdf Estimation of the closeness to a semantic pattern of a topical text without construction of periphrases]
 +
|ссылка = https://www.pleiades.online/ru/journal/patrec/
 +
|издание = Pattern Recognition and Image Analysis
 +
|год = 2019
 +
|том = 29
 +
|номер = 4
 +
|страницы = 647–653
 +
}}
 +
</ref>, включая [http://www.novsu.ru/file/1580901 построение иерархии статей на основе оценок взаимной смысловой зависимости по аннотациям и заголовкам с учётом найденных ключевых сочетаний слов]<ref name="pria2020">
 +
{{биб.статья
 +
|автор = Mikhaylov D. V., Emelyanov G. M.
 +
|заглавие = [https://link.springer.com/content/pdf/10.1134/S1054661820030207.pdf Hierarchization of topical texts based on the estimate of proximity to the semantic pattern without paraphrasing]
 +
|ссылка = https://www.pleiades.online/ru/journal/patrec/
 +
|издание = Pattern Recognition and Image Analysis
 +
|год = 2020
 +
|том = 30
 +
|номер = 3
 +
|страницы = 440–449
 +
}}
 +
</ref>;
 +
** [http://www.novsu.ru/file/1688839 вариант с построением иерархии статей на основе оценок их взаимной смысловой зависимости и последующим оцениванием взаимной близости документов тематического корпуса, относительно которых достигалась наибольшая близость фраз эталону]<ref name="pria2021">
 +
{{биб.статья
 +
|автор = Mikhaylov D. V., Emelyanov G. M.
 +
|заглавие = [https://link.springer.com/content/pdf/10.1134/S1054661821030172.pdf Analysis of the Mutual Relevance of Topical Corpus Documents in the Problem of Assessing the Proximity of Text to the Semantic Standard]
 +
|ссылка = https://www.pleiades.online/ru/journal/patrec/
 +
|издание = Pattern Recognition and Image Analysis
 +
|год = 2021
 +
|том = 31
 +
|номер = 3
 +
|страницы = 588–594
 +
}}
 +
</ref>, а также [http://www.novsu.ru/file/1752845 численным оцениванием значимости каждого такого документа при подборе пары взаимно релевантных]<ref name="jphys2021">
 +
{{биб.статья
 +
|автор = Mikhaylov D. V., Emelyanov G. M.
 +
|заглавие = [https://iopscience.iop.org/article/10.1088/1742-6596/2052/1/012027/pdf Ranking of documents of topical corpus according to their mutual relevance in the problem of estimating of affinity of a text to the sense standard]
 +
|ссылка = https://iopscience.iop.org/journal/1742-6596
 +
|издание = Journal of Physics: Conference Series
 +
|год = 2021
 +
|том = 2052
 +
|страницы = 012027
 +
}}
 +
</ref>.
 +
 
 +
* [http://www.novsu.ru/file/1859320 Анализ документов тематического корпуса на предмет включения в состав референтного на основе встречаемости слов из аннотаций статей по заданной предметной области (реализация на Python 2.7)]<ref name="pria2022">
 +
{{биб.статья
 +
|автор = Mikhaylov D. V., Emelyanov G. M.
 +
|заглавие = [https://rdcu.be/c2iQS Reference-Corpus Formation for Estimating the Closeness of Topical Texts to the Semantic Standard]
 +
|ссылка = https://www.pleiades.online/ru/journal/patrec/
 +
|издание = Pattern Recognition and Image Analysis
 +
|год = 2022
 +
|том = 32
 +
|номер = 4
 +
|страницы = 755–762
 +
}}
 +
</ref>, а также [https://portal.novsu.ru/file/1953485 оценивание качества отбора документов в референтный корпус (реализация на Python 2.7 и (частично) на Python 3.10)]<ref name="pria2023">
 +
{{биб.статья
 +
|автор = Mikhaylov D. V., Emelyanov G. M.
 +
|заглавие = [https://trebuchet.public.springernature.app/get_content/6f6138ae-d21e-445c-bc5e-b455276c82b1 Estimating the Quality of a Selection of Scientific PapersUsing a Collection of Short Texts]
 +
|ссылка = https://www.pleiades.online/ru/journal/patrec/
 +
|издание = Pattern Recognition and Image Analysis
 +
|год = 2023
 +
|том = 33
 +
|номер = 3
 +
|страницы = 568–575
 +
}}
 +
</ref>.
 +
 
 +
* [https://portal.novsu.ru/file/1962982 Применение нейросетевых моделей BERT для оценки смысловой близости рефератов научных статей (реализация на Python 3.10 + блокнот Jupyter Notebook и результаты экспериментов)].
 +
 
 +
* [https://portal.novsu.ru/file/1986783 Применение нейросетевых моделей BERT для ранжирования коротких текстов по близости эталону на основе оценки взаимного сходства их смыслов (реализация на Python 3.10 + блокнот Jupyter Notebook и результаты экспериментов)], в том числе [https://portal.novsu.ru/file/2123223 вариант с дообучением моделей ruSciBERT и SciRus-tiny для задач анализа смысловой близости отдельных предложений (Sentence Similarity) и текстов (Textual Similarity)].
== Инструментальные средства и библиотеки ==
== Инструментальные средства и библиотеки ==
Строка 168: Строка 242:
* [https://books.google.com/ngrams Google Books Ngram Viewer].
* [https://books.google.com/ngrams Google Books Ngram Viewer].
-
* [http://www.ospcon.ru/files/media/Kuznecov.pdf Кузнецов С.О. Решетки формальных понятий в современных методах анализа данных и знаний].
+
* [http://www.posp.raai.org/data/posp2011/kuznetsov.pdf Кузнецов С.О. Решетки формальных понятий в современных методах анализа данных и знаний].
== Для самоконтроля ==
== Для самоконтроля ==

Текущая версия

Дисциплина «Системы искусственного интеллекта» для специальности 230105 важную роль в подготовке студентов к самостоятельной профессиональной деятельности в области интеллектуальных информационных технологий. Дисциплина «Системы искусственного интеллекта» для специальности 230105 относится к числу дисциплин специализации и читается в 9-м семестре. Она включает в себя рассмотрение основных вопросов современной теории и практики построения интеллектуальных систем (в первую очередь) символьной обработки и опирается на учебные курсы :«Дискретная математика», «Функциональное и логическое программирование», «Объектно-ориентированное программирование», «Базы данных», «Теория вычислительных процессов и структур», «Компьютерное моделирование», «Распознавание образов и обработка изображений» и «Человеко-машинное взаимодействие». Особое внимание уделяется моделированию языкового поведения человека при работе с базами знаний интеллектуальных информационно-поисковых систем.

Включение данной дисциплины в учебный план заключительного учебного семестра перед преддипломной практикой и дипломным проектированием дает возможность студенту более четко сформулировать задачу на дипломное проектирование с точки зрения перспективных направлений интеллектуальных технологий компьютерной обработки информации.

Автор — Дмитрий Владимирович Михайлов, кафедра Информационных технологий и систем Новгородского государственного университета им. Ярослава Мудрого (НовГУ).

Научный консультант — д.т.н., профессор Емельянов Геннадий Мартинович

Представленный здесь вариант курса в 2020 году лёг в основу одноимённого учебного модуля по направлению подготовки «Информатика и вычислительная техника» (бакалавриат) в НовГУ. Актуальная редакция курса представлена на портале «Дистанционные образовательные технологии обучения в НовГУ» (требуется регистрация).

Содержание

Содержание лекционных занятий

Дополнительные разделы по обработке и анализу текстов

Содержание лабораторных занятий

Дополнительные темы работ по моделям представления знаний

Демо

Инструментальные средства и библиотеки

Базы данных

Полезные ссылки

Для самоконтроля

Примерный список вопросов к экзамену.

Примечания


К сожалению, незарегистрированные пользователи не видят литературных ссылок из раздела «Демо» (данный дефект системы находится в стадии проработки). Тем не менее, Вы можете найти цитируемый источник, используя вкладку «Просмотр» на данной странице.

Личные инструменты