CC BY
267
ТЕХНИЧЕСКИЕ НАУКИ TECHNICAL SCIENCES
УДК 004.8 ББК 32.813.5 С 37
Симанков Владимир Сергеевич
Профессор, доктор технических наук, профессор кафедры компьютерных технологий и информационной безопасности Кубанского государственного технологического университета, Краснодар, тел. (861) 2980190, e-mail: vs@simankov.ru Теплоухов Семен Васильевич
Старший преподаватель кафедры автоматизированных систем обработки информации и управления Адыгейского государственного университета, Майкоп, тел. (8772) 593911, e-mail: mentory@mail.ru
Аналитическое исследование методов и алгоритмов искусственного интеллекта
(Рецензирована)
Аннотация. Представлен аналитический обзор методов и алгоритмов искусственного интеллекта. Сформирована краткая сравнительная характеристика методов, которая позволяет учитывать их особенности и определить основные области их применения. Сравнение особенностей работы человеческого мозга и искусственного интеллекта позволяет выделить два основных типа искусственного интеллекта: сильный и слабый. Такая классификация дает возможность проанализировать основные направления и области применения методов искусственного интеллекта. Также рассмотрены основные тенденции в развитии искусственного интеллекта и машинного обучения.
Ключевые слова: искусственный интеллект, методы и алгоритмы, нейронные сети, экспертные системы, творческий искусственный интеллект.
Simankov Vladimir Sergeevich
Professor, Doctor of Technical Sciences, Professor of Computer Technologies and Information Security Department, Kuban State University of Technology;, Krasnodar, ph. (861) 2980190, e-mail: vs@simankov.ru Teploukhov Semen Vasilyevich
Senior Lecturer, Department of Automated Systems of Processing Information and Control, Adyghe State University, Maikop, ph. (8772) 593911, e-mail: mentory@mail.ru
Analytical study of methods and algorithms of artificial intelligence
Abstract. The paper presents an analytical review of the methods and algorithms of artificial intelligence. A brief comparative characteristic of the methods has been formed, which allows taking into account their peculiarities and determining the main areas of their application. Comparison of the features of the human brain and artificial intelligence allows us to distinguish two main types of artificial intelligence: strong and weak. This classification makes it possible to analyze the main directions and areas of application of artificial intelligence methods. The paper also discusses the main trends in the development of artificial intelligence and machine learning.
Keywords: artificial intelligence, methods and algorithms, neural networks, expert systems, creative artificial intelligence.
Введение
В настоящее время существует огромное количество практических и теоретических задач, для решения которых используется искусственный интеллект (ИИ). Под этим термином понимается способность искусственных систем выполнять ряд задач, характерных для человеческого интеллекта, например, понимание языка, обучение, способность рассуждать и т.д. [1, 2]. Эта область знания активно развивается и включает в себя большое количество различных дисциплин, так, например, по данным агентства Gartner, количество организаций, *
Исследование выполнено при финансовой поддержке РФФИ и администрации Краснодарского края в рамках научного проекта № 19-47-235006 «Разработка теоретических основ и алгоритмов функционирования адаптивных систем управления ситуационных центров на основе методов искусственного интеллекта».
использующих искусственный интеллект в своей работе, увеличилось за 2018-2019 год с 4 до 14% [3]. На рисунке 1 изображен тренд технологий в рамках искусственного интеллекта.
Рис. 1. Тренд технологий искусственного интеллекта
Можно отметить, что существует огромное количество методов и технологий ИИ, поэтому актуальной является проблема комплексного рассмотрения методов и алгоритмов искусственного интеллекта, определения их основных областей использования и особенностей применения.
Теоретическая часть
В качестве основных методов ИИ можно выделить следующие [4-7]:
1. Экспертные системы;
2. Рассуждения на основе прецедентов;
3. Нейронные сети;
4. Эволюционные вычисления;
5. Байесовские сети;
6. Нечеткие системы;
7. Семантическая сеть.
Анализ зарубежных и отечественных источников литературы позволил определить основные особенности данных методов.
Экспертная система (ЭС, Expert system) - предиктивная система, включающая в себя знания об определенной слабо структурированной и трудно формализуемой узкой предметной области и способная предлагать и объяснять пользователю разумные решения [8-10]. Экспертная система состоит из базы знаний, механизма логического вывода и подсистемы объяснений.
Экспертные системы и системы искусственного интеллекта имеют основное отличие от систем обработки данных в том, что в них в основном используются символьный способ представления, символьный вывод и эвристический поиск решения. Решения экспертных систем могут быть объяснены пользователю на качественном уровне, то есть обладают прозрачностью.
Преимущества:
1. Достигнутая компетентность не утрачивается, может документироваться, передаваться, воспроизводиться и наращиваться;
2. Имеют место более устойчивые результаты;
3. Низкая стоимость эксплуатации;
4. Простота передачи информации.
Недостатки экспертных систем:
1. Предназначены для узкой предметной области;
2. Качество работы зависит от качества баз знаний;
3. Неспособны к самообучению;
4. Необходимо обновлять программные средства.
Рассуждения на основе прецедентов (далее РПП или СБЯ) - методика решения проблемной ситуации принятия решения, заключающаяся в нахождении схожей ситуации в прошлом и применении решения такой ситуации к данной проблемной ситуации [11-13]. Основными сложностями в методике РПП является распознавание текущей проблемной ситуации и нахождение схожей в прошлом, а также использование прошлого опыта для решения текущей проблемы.
Достоинства:
1. СБЯ позволяют принимать решения в ситуациях с высокой степенью неопределенности;
2. Возможность объяснения полученного решения;
3. Возможность обучения;
4. Прецеденты позволяют учитывать субъективное мнение лица, принимающего решение.
Недостатки:
1. Метод применим только в областях, где выполняется принцип регулярности и имеет место повторяемость видов задач;
2. Некомпактное (без обобщения) хранение знаний (опыта);
3. Сложность и специфичность процессов поиска подобных случаев и адаптации решения.
Нейронные сети являются по своей сути группой искусственных нейронов, связанных
между собой определенным образом. Отметим, что в настоящее время существует множество зарекомендовавших себя архитектур построения сетей (Перцептрон Розенблатта; Сеть Кохонена; Сиамская нейронная сеть; Сверточная нейронная сеть; Сеть встречного распространения) [14-18].
Достоинства:
1. Устойчивость к шумам входных данных;
2. Адаптация к изменениям;
3. Отказоустойчивость;
4. Сверхвысокое быстродействие;
5. Возможность распараллеливания.
Недостатки:
1. Нейронные сети позволяют найти только субоптимальное решение и, соответственно, неприменимы для задач, в которых требуется высокая точность;
2. Функционируя по принципу черного ящика, они также неприменимы в случае, когда необходимо объяснить причину принятия решения;
3. Высокая вычислительная стоимость процесса обучения как по времени, так и по объему занимаемой памяти.
Эволюционные системы построены на принципах генетических и эволюционных процессов в природе, когда из набора кандидатов (популяции), получаемого посредством скрещивания и мутаций, по принятому критерию отбираются лучшие, наиболее приспособленные для решения задачи [19-21]. Эволюционные вычисления являются одним из возможных эвристических подходов к решению многомодальных (имеющих несколько локальных экстремумов) оптимизационных задач большой размерности за счет сочетания элементов слу-
чайности и детерминированности точно так, как это происходит в живой природе.
Достоинства:
1. Широкая область применения;
2. Пригодность для поиска решений в сложном пространстве большой размерности;
3. Отсутствие ограничений на вид целевой функции;
4. Интегрируемость эволюционных вычислений с другими неклассическими парадигмами искусственного интеллекта, такими, как искусственные нейросети и нечеткая логика.
Недостатки:
1. Эвристический характер эволюционных вычислений не гарантирует оптимальности полученного решения;
2. Относительно высокая вычислительная трудоемкость;
3. Операторы поиска в эволюционных алгоритмах не ориентированы на быстрое попадание в локальный оптимум;
4. Нерешенность вопросов самоадаптации.
Сеть Байеса - графическая модель, представляющая переменные и их вероятностные взаимосвязи [22-24]. Сеть состоит из узлов, являющихся случайными переменными, и стрелок, связывающих родительский узел с дочерним узлом (родительский узел - переменная, которая непосредственно влияет на другую дочернюю переменную).
Теории и сети Байеса широко применяют по причине их интуитивной понятности и благодаря наличию соответствующего программного обеспечения. Сети Байеса применяют в различных областях: медицинской диагностике, моделировании изображений, генетике, распознавании речи, экономике, исследовании космоса и в современных поисковых системах. Они могут находить применение в любой области, где требуется установление неизвестных переменных посредством использования структурных связей и данных.
Преимущества:
1. Для использования метода достаточно априорной информации;
2. Логически выведенные утверждения легки для понимания;
3. Применение метода основано на формуле Байеса;
4. Метод предоставляет собой способ использования субъективных вероятностных оценок.
Недостатки:
1. Определение всех взаимодействий в сетях Байеса для сложных систем не всегда выполнимо;
2. Применение основано на экспертных оценках.
Нечеткая система управления является системой управления на основе нечеткой логики, которая анализирует аналоговые входные значения с точки зрения логических переменных, которые принимают непрерывные значения между 0 и 1. Математическая теория нечетких множеств позволяет описывать нечеткие понятия и знания, оперируя этими знаниями, и делать нечеткие выводы. Нечеткая логика обеспечивает эффективные средства отображения, неопределенностей и неточностей реального мира [25-27].
Преимущества:
1. Системы нечеткой логики являются гибкими и позволяют изменять правила;
2. Такие системы также принимают даже неточную, искаженную и ошибочную информацию;
3. Полезны при формировании решений в сложных ситуациях в различных типах приложений.
Недостатки:
1. Отсутствие стандартной методики проектирования;
2. Увеличение входных переменных существенно увеличивает сложность вычислений;
3. Длительная фаза создания первого образца.
Семантическая сеть - информационная модель предметной области, имеет вид ориентированного графа. Вершины графа соответствуют объектам предметной области, а дуги
(ребра) задают отношения между ними. Объектами могут быть: понятия, события, свойства, процессы [28-30]. Таким образом, семантическая сеть - это один из способов представления знаний. Основным представлением для семантической сети является граф.
Достоинства семантических сетей:
1. Универсальность. В принципе с помощью семантической сети можно описать сколь угодно сложную ситуацию, факт или предметную область;
2. Наглядность системы знаний, представленной графически;
3. Близость структуры сети, представляющей систему знаний, семантической структуре фраз на естественном языке;
4. Соответствие современным представлениям об организации долговременной памяти человека.
Недостатки:
1. Формирование и модификация такой модели затруднительны;
2. Сетевые модели представляют собой пассивные структуры, для обработки которых необходим специальный аппарат формального вывода;
3. Сложность поиска решения в семантических сетях;
4. Представление, использование и модификация знаний при описании систем реального уровня сложности оказывается трудоемкой процедурой, особенно при наличии множественных отношений между ее понятиями.
В результате можно сформировать краткую сравнительную характеристику данных методов (табл. 1). Анализ данной таблицы позволяет учитывать особенности методов ИИ и определить основные области их применения.
Таблица 1
Особенности методов искусственного интеллекта
Метод ИИ Область использования Преимущества Недостатки
Экспертные системы Слабоструктурируемая узкая предметная область Возможность расширения и воспроизводимость; Низкая стоимость эксплуатации Качество сильно зависит от исходной базы знаний; Неспособны к самообучению
Рассуждения на основе прецедентов Принятие решений в условиях высокой степени неопределенности Интерпретируемость результатов; Возможность обучения Сложность поиска подобных случаев; Необходима предметная область с повторяемостью решаемых задач
Нейронные сети Способны выявлять очень сложные закономерности в исходных данных Возможность обучения; Устойчивость к шумам; Высокая степень параллелизма Низкая интерпретируемость результатов; Высокая вычислительная сложность на этапе обучения
Эволюционные вычисления Эвристические оптимизационные задачи Пригодны для задач большой размерности; Возможность интеграции с другими методами ИИ Высокая вычислительная сложность; Возможен долгий процесс поиска решения
Байесовские сети Наличие в предметной области структурных связей и зависимостей Интерпретируемость результатов; Использует субъективные вероятностные оценки Определение всех взаимодействий для сложных систем не всегда выполнимо; Применение существенно зависит от качества подбора экспертов
Нечеткие системы Принятие решений в условиях высокой степени неопределенности Устойчивость к шумам; Предусматривают возможность адаптации Рост количества входных переменных существенно замедляет процесс решения; Долгий процесс создания
Семантическая сеть Предметная область, представимая в виде графа, где вершины графа - объекты, а ребра -отношения между ними Универсальность; Интерпретируемость результатов Долгий процесс создания; Сложность поиска решения; Неспособны к самообучению
Другой важной задачей является задача установления соответствия аспектов человеческого интеллекта и искусственного. В рамках этого можно выделить три основных типа искусственного интеллекта: слабый (narrow); сильный (narrow); супер-ИИ (super AI) [31, 32]. Так, под слабым ИИ понимают искусственный интеллект в сегодняшнем понимании, то есть который решает одну конкретную узкую задачу. Сильный ИИ - схож с человеческим интеллектом и способен рассуждать. Супер-ИИ значительно превосходит когнитивные способности человека.
Слабый ИИ - искусственный интеллект, который может обрабатывать данные значительно быстрее человека, а также реализует ряд биологических функций. Так, в настоящее время активно развиваются системы компьютерного зрения, анализа речи и ее генерации, а также активно решаются чисто творческие задачи, например, генерация текстов, обучения и другие.
Таким образом, можно сформулировать ряд областей применения искусственного интеллекта, в которых классические информационные системы показывают значительно худшие результаты (табл. 2).
Таблица 2
Основные области применения методов применения искусственного интеллекта
Область применения Реализация Описание
Машинное зрение [33-35] Распознавание образов Определение принадлежности данного объекта к одному из заранее выделенных классов объектов.
Биометрия Обеспечение безопасности за счет использования анализа биометрических данных человека (отпечатков пальцев и изображение лиц).
Сегментация изображений и видео Выделение объектов и границ (линии, кривые, и т.д.) на изображениях, предназначены для дальнейшего анализа.
Интерпретация объектов Сопоставление объекта с шаблоном или описание объекта.
Дополненная и виртуальная реальности Дополненная реальность - это технология добавления, внедрения в реальную жизнь, в трехмерное поле восприятия человека виртуальной информации, которая воспринимается как элементы реальной жизни. Виртуальная реальность - искусственно созданный мир, в который погружается человек.
Системы управления процессами Управление роботами и другими реальными объектами на основе задач распознавания образов, эмоций, обстановки.
Обработка естественного языка [36-38] Извлечение информации Распознавание именованных элементов (сущностей). Разрешение анафоры и кореференций: поиск связей, относящихся к одному и тому же объекту. Нахождение ключевых слов и словосочетаний. Автореферирование: выделение из текста смысловой, эмо-тивной, оценочной и пр. информации.
Формирование ответов на естественном языке Извлечение наиболее важных сведений из одного или нескольких текстов и генерация на их основе информационно емких отчетов.
Анализ текстов Категоризация документов - отнесение к одному или нескольким классам схожих между собой текстов (например, по теме или стилю). Кластеризация документов - автоматическое определение множества кластеров.
Диалоговые системы Создание информационных систем, способных отвечать на вопросы на естественном языке
Обработка аудио [39-41] Дополнительные эффекты Шумоподавление - удаление только определенных элементов, например, посторонних шумов. Аудиовосстановление - от некачественных источников. Обработка речи - смена говорящего, диалект или перевод в реальном времени. Улучшенное пространственное моделирование для реверберации и обработки.
Окончание таблицы 2
Область применения Реализация Описание
Генерация аудио Создание аудио дорожки по другим источникам: тексту, видео, изображениям.
Распознавание речи Распознавание и перевод аудио в текст с помощью компьютеров. Может включать в себя задачу распознавания голоса, то есть идентификацию человека.
Творческий искусственный интеллект [42, 43] Игровой искусственный интеллект Набор методик, которые используются в компьютерных играх для создания иллюзии интеллекта в поведении персонажей, управляемых компьютером. Игровой ИИ используется в теории управления, робототехники, компьютерной графики.
Нейронный перенос стиля Преобразует полученные на вход данные в соответствии с выбранным стилем. Например, алгоритм получает два изображения: контент и стиль, затем алгоритм изменяет входные данные так, чтобы они соответствовали содержанию изображения контента и художественному стилю изображения стиля.
Генеративно-состязательная сеть Алгоритм обучения без учителя, построенный на комбинации из двух нейронных сетей, одна из которых (сеть G) генерирует образцы (Генеративная модель), а другая (сеть D) старается отличить правильные («подлинные») образцы от неправильных (Дискриминативная модель). Между ними возникает Антагонистическая игра.
Креативные состязательные сети В основе своей опирается на GAN, но дискриминатор классифицирует данные на несколько классов.
Важно то, что некоторые задачи искусственным интеллектом сейчас решаются с большей точностью, чем человеком. Например, задача классификации изображений превысила значение в 95%, что превышает человеческий порог.
Выводы
Анализ источников литературы позволяет сформулировать основные тенденции в развитии искусственного интеллекта и машинного обучения:
1. Проблема интерпретируемости. Сегодня центральное место занимают искусственные нейронные сети. Сейчас они стали своеобразным универсальным языком представления обучаемых моделей. Однако они имеют один существенный недостаток - непрозрачность получения результата, а также отсутствие смысловой интерпретации.
2. Предобученные модели. Необходимо эффективно использовать уже обученные модели на других устройствах, организовать переносимость в каком-либо стандартизованном виде, а также облегчить процесс поиска метода ИИ и машинного обучения.
3. Мультизадачные сети. Построенная нейронная сеть применима только для узкой конкретной задачи, поэтому стоит вопрос о построении универсальной сети. Данная тенденция тесно связана с использованием интерпретируемых средств.
4. Автоматизированное обучение. Тенденция связана с возможностью автоматизации следующих процессов: подбор гиперпараметров моделей, испытание большого количества разных моделей и использование разных признаков, выделенных из данных.
Таким образом, применение методов искусственного интеллекта часто оправдано в различных прикладных задачах во многих предметных областях, где имеется достаточные объемы данных или знания экспертов. Кроме того, наблюдается процесс интеллектуализации различных сфер жизни, что приводит к переходу к цифровой экономике. В связи с этим существенно возрастает роль лица, принимающего решения, и наблюдается рост интереса к системам поддержки принятия решений, использующих методы искусственного интеллекта.
Примечания: References:
1. McCarthy J. What is artificial intelligence? Stanford: 1. McCarthy J. What is artificial intelligence? Stanford: Computer Science Department. Stanford University, Computer Science Department. Stanford University, 2007. 15 p. 2007. 15 p.
2. Russell S., Norvig P. Artificial Intelligence: a Modern Approach. 3rd Edition. Pearson, 2009. 1152 p.
3. Gartner. Top Trends on the Gartner Hype Cycle for Artificial Intelligence. 2019. URL: https://www.gartner.com/smarterwithgartner/top-trends-on-the-gartner-hype-cycle-for-artificial-intelligence-2019
4. Das Nageshwar. Advantages and disadvantages of Expert Systems. 2020. URL: https://www.ilearnlot.com/expert-system-advantages-disadvantages/34332/
5. Susmita R. A Quick Review of Machine Learning Algorithms: International Conference on Machine Learning, Big Data, Cloud and Parallel Computing (Com-IT-Con). 2019. P. 35-39.
6. Kotu Vijay, Deshpande Bala. Data Science. Concepts and Practice. Second Edition. Morgan Kaufmann, 2019. 568 p.
7. Пальмов С.В., Мифтахова А.А. Обзор основных методов искусственного интеллект // Перспективы науки. Тамбов. 2013. № 11 (50). С. 110-113.
8. Соколов М.Д., Носов Н.Ю. Экспертные системы // Современные научные исследования и инновации. Москва, 2016. № 5. С. 100-102.
9. Liebowitz J. The Handbook of Applied Expert Systems. CRC Press, 2019. 736 p.
10. Джарратано Дж., Райли Г. Экспертные системы: принципы разработки и программирование. Москва: Вильямс, 2006. 1152 с.
11. Michael M. Richter, Rosina O. Weber Case-Based Reasoning. A Textbook. Berlin; Heidelberg: Springer, 2013. 546 p.
12. Paluszek M., Thomas S. MATLAB Machine Learning Recipes: a Problem-Solution Approach. Apress, 2019. 347 p.
13. Кочкин Г.А., Кочкина В.Р., Голубкин И.А. Проблемы рассуждений по прецедентам, детализации, интеграции и оценки схожести прецедентов // Инженерный вестник Дона. 2013. № 4. С. 1-10.
14. Martin A. Neural Network Learning: Theoretical Foundations. Cambridge University Press, 2009. 404 p.
15. Rosenblatt F. The Perceptron: a Probabilistic Model for Information Storage and Organization in the Brain // Psychological Review. 1958. No. 65. P. 384-408.
16. Overview of Artificial Neural Networks / J.P.S. Rosa, D.J.D. Guerra, N.C.G. Horta, R.M.F. Martins, N.C.C. Lourengo // Using Artificial Neural Networks for Analog Integrated Circuit Design Automation. Cham: Springer, 2020. P. 21-44.
17. Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы. Москва: Горячая Линия - Телеком, 2013. 384 с.
18. Хайкин С. Нейронные сети. Полный курс / пер. Н.Н. Куссуль. Москва: Вильямс, 2019. 1104 с.
19. Forrest S. Genetic algorithm: Principles of natural selection applied to computation // Sciense. 1993. No. 261. P. 872-878.
20. Саймон Д. Алгоритмы эволюционной оптимизации. Москва: Wiley, 2020. 940 с.
21. Эволюционный алгоритм (Evalutionary algorithm). URL: https://wiki.loginom.ru/articles/evolution-
2. Russell S., Norvig P. Artificial Intelligence: a Modern Approach. 3rd Edition. Pearson, 2009. 1152 p.
3. Gartner. Top Trends on the Gartner Hype Cycle for Artificial Intelligence. 2019. URL: https://www.gartner.com/smarterwithgartner/top-trends-on-the-gartner-hype-cycle-for-artificial-intelligence-2019
4. Das Nageshwar. Advantages and disadvantages of Expert Systems. 2020. URL: https://www.ilearnlot.com/expert-system-advantages-disadvantages/34332/
5. Susmita R. A Quick Review of Machine Learning Algorithms: International Conference on Machine Learning, Big Data, Cloud and Parallel Computing (Com-IT-Con). 2019. P. 35-39.
6. Kotu Vijay, Deshpande Bala. Data Science. Concepts and Practice. Second Edition. Morgan Kaufmann, 2019. 568 p.
7. Palmov S.V., Miftakhova A.A. Review of the main methods of artificial intelligence // Science Prospects. Tambov. 2013. No. 11 (50). P. 110-113.
8. Sokolov M.D., Nosov N.Yu. Expert systems // Modern Scientific Researches and Innovations. Moscow, 2016. No. 5. P. 100-102.
9. Liebowitz J. The Handbook of Applied Expert Systems. CRC Press, 2019. 736 p.
10. Джарратано Дж., Райли Г. Экспертные системы: принципы разработки и программирование. Москва: Вильямс, 2006. 1152 с.
11. Michael M. Richter, Rosina O. Weber Case-Based Reasoning. A Textbook. Berlin; Heidelberg: Springer, 2013. 546 p.
12. Paluszek M., Thomas S. MATLAB Machine Learning Recipes: a Problem-Solution Approach. Apress, 2019. 347 p.
13. Kochkin G.A., Kochkina V.R., Golubkin I.A. Issues of case-based reasoning, detailization, integration and similarity assessment of cases // Engineering Bulletin of Don. 2013. No. 4. P. 1-10.
14. Martin A. Neural Network Learning: Theoretical Foundations. Cambridge University Press, 2009. 404 p.
15. Rosenblatt F. The Perceptron: a Probabilistic Model for Information Storage and Organization in the Brain // Psychological Review. 1958. No. 65. P. 384-408.
16. Overview of Artificial Neural Networks / J.P.S. Rosa, D.J.D. Guerra, N.C.G. Horta, R.M.F. Martins, N.C.C. Lourengo // Using Artificial Neural Networks for Analog Integrated Circuit Design Automation. Cham: Springer, 2020. P. 21-44.
17. Rutkovskaya D., Pilinsky M., Rutkovsky L. Neural networks, genetic algorithms and fuzzy systems. Moscow: Hot Line - Telecom, 2013. 384 p.
18. Khaykin S. Neural networks. Full course / transl. by N.N. Kussul. Moscow: Williams, 2019. 1104 p.
19. Forrest S. Genetic algorithm: Principles of natural selection applied to computation // Sciense. 1993. No. 261. P. 872-878.
20. Simon D. Algorithms of evolutionary optimization. Moscow: Wiley, 2020. 940 p.
21. Evolutionary algorithm. URL: https://wiki.loginom.ru/articles/evolution-
algorithm.html
22. Adnan Darwiche. Modeling and Reasoning with Bayesian Networks. Cambridge University Press, 2009. 562 p.
23. Korb Kevin B., Nicholson Ann E. Bayesian Artificial Intelligence. Second edition. CRC Press, 2010. 491 p.
24. Николенко С.И., Сироткин А.В., Тулупьев А.Л. Основы теории байесовских сетей. Санкт-Петербург: СПбГУ, 2019. 399 с.
25. Zadeh L.A. Fuzzy Sets // Information and Control. 1965. No. 8. P. 338-353.
26. Борисов В.В., Круглов В.В., Федулов А.С. Нечеткие модели и сети. Москва: Горячая Линия - Телеком, 2012. 284 с.
27. Асадуллаев Р.Г. Нечеткая логика и нейронные сети. Белгород: БелГУ, 2017. 309 с.
28. Dolgova E.V., Fayzrakhmanov R.A., Kurushin D.S. Decision-making in autonomous mobile robot control system based on active semantic network // XX IEEE International Conference on Soft Computing and Measurements (SCM). St. Petersburg, 2017. P. 221-223.
29. Semantic Network Based Approach to Compute Term / T. Yang, S. Wu, J. Feng, N. Fu, M. Tian // Semantic Similarity: 3rd International Conference on Electronic Information Technology and Computer Engineering (EITCE). 2019. P. 654-658.
30. Салибекян С.М., Петрова С.Б. Объектно-атрибутная модель представления пространственно-временных отношений между объектами // Прикладная информатика. Синергия, 2016. № 3 (63). С. 105-117.
31. Searle J.R. Minds, brains, and programs // Behavioral and Brain Sciences. 1980. No. 3. P. 417-457.
32. Bostrom N. Superintelligence: Paths, Dangers, Strategies. OUP Oxford, 2014. 431 p.
33. Nixon M., Aguado A. Feature Extraction and Image Processing for Computer Vision. 4th Edition. Academic Press, 2019. 650 p.
34. Манюкова Н.В. Компьютерное зрение как средство извлечения информации из видеоряда // Математические структуры и моделирование. 2015. № 4 (36). С. 123-128.
35. Желтов С.Ю. Обработка и анализ изображений в задачах машинного зрения. Москва: Физматкни-га, 2010. 672 с.
36. Deep Learning Based Text Classification: a Comprehensive Review / Minaee Shervin, Kalchbrenner Nal, Cambria Erik, Nikzad Narjes, Chenaghlu Meysam, Gao Jianfeng. 2020. URL: https://arxiv.org/abs/2004.03705
37. Recent Trends in Deep Learning Based Natural Language Processing. 2017 / Tom Young, Devamanyu Hazarika, Soujanya Poria, Erik Cambria. URL: https://arxiv.org/abs/1708.02709
38. Юсков В.С., Баранникова И.В. Сравнительный анализ платформ обработки естественного языка // Горный информационно-аналитический бюллетень. 2017. № 3. С. 272-278.
39. Loc Hoang Tran, Trang Hoang, Bui Hoang Nam Huynh. Hypergraph based semi-supervised learning algorithms applied to speech recognition problem: a novel approach. 2018. URL: https://arxiv.org/abs/1810.12743
algorithm.html
22. Adnan Darwiche. Modeling and Reasoning with Bayesian Networks. Cambridge University Press, 2009. 562 p.
23. Korb Kevin B., Nicholson Ann E. Bayesian Artificial Intelligence. Second edition. CRC Press, 2010. 491 p.
24. Nikolenko S.I., Sirotkin A.V., Tulupyev A.L. Fundamentals of the theory of Bayesian networks. St. Petersburg: SPbSU, 2019. 399 p.
25. Zadeh L.A. Fuzzy Sets // Information and Control. 1965. No. 8. P. 338-353.
26. Borisov V.V., Kruglov V.V., Fedulov A.S. Fuzzy models and networks. Moscow: Hot Line - Telecom, 2012. 284 p.
27. Asadullaev R.G. Fuzzy logic and neural networks. Belgorod: BelGU, 2017. 309 p.
28. Dolgova E.V., Fayzrakhmanov R.A., Kurushin D.S. Decision-making in autonomous mobile robot control system based on active semantic network // XX IEEE International Conference on Soft Computing and Measurements (SCM). St. Petersburg, 2017. P. 221-223.
29. Semantic Network Based Approach to Compute Term / T. Yang, S. Wu, J. Feng, N. Fu, M. Tian // Semantic Similarity: 3rd International Conference on Electronic Information Technology and Computer Engineering (EITCE). 2019. P. 654-658.
30. Salibekyan S.M., Petrova S.B. Object-attribute model of representation of space-time relations between objects // Applied Informatics. Synergy, 2016. No. 3 (63). P. 105-117.
31. Searle J.R. Minds, brains, and programs // Behavioral and Brain Sciences. 1980. No. 3. P. 417-457.
32. Bostrom N. Superintelligence: Paths, Dangers, Strategies. OUP Oxford, 2014. 431 p.
33. Nixon M., Aguado A. Feature Extraction and Image Processing for Computer Vision. 4th Edition. Academic Press, 2019. 650 p.
34. Manyukova N.V. Computer vision as a means of extracting information from a video sequence // Mathematical Structures and Modeling. 2015. No. 4 (36). P. 123-128.
35. Zheltov S.Yu. Image processing and analysis in machine vision tasks. Moscow: Fizmatkniga, 2010. 672 p.
36. Deep Learning Based Text Classification: a Comprehensive Review / Minaee Shervin, Kalchbrenner Nal, Cambria Erik, Nikzad Narjes, Chenaghlu Meysam, Gao Jianfeng. 2020. URL: https://arxiv.org/abs/2004.03705
37. Recent Trends in Deep Learning Based Natural Language Processing. 2017 / Tom Young, Devamanyu Hazarika, Soujanya Poria, Erik Cambria. URL: https://arxiv.org/abs/1708.02709
38. Yuskov V.S., Barannikova I.V. Comparative analysis of natural language processing platforms // Mining Information and Analytical Bulletin. 2017. No. 3. P. 272-278.
39. Loc Hoang Tran, Trang Hoang, Bui Hoang Nam Huynh. Hypergraph based semi-supervised learning algorithms applied to speech recognition problem: a novel approach. 2018. URL: https://arxiv.org/abs/1810.12743
40. Pieraccini R. The Voice in the Machine: Building Computers that Understand Speech. MIT Press, 2012. 354 p.
41. Гуртуева И. А., Тайсаев И. Д. Краткий обзор методов и алгоритмов автоматического распознавания речи // Известия Кабардино-Балкарского научного центра РАН. 2016. № 6 (74). С. 18-23.
42. Aggarwal Charu C. Neural Networks and Deep Learning: A Textbook. Springer, 2018. 520 p.
43. Foster D. Generative Deep Learning: Teaching Machines to Paint, Write, Compose and Play. O'Reilly Media, 2019. 330 p.
40. Pieraccini R. The Voice in the Machine: Building Computers that Understand Speech. MIT Press, 2012. 354 p.
41. Gurtueva I.A., Taysaev I.D. A brief overview of methods and algorithms for automatic speech recognition // Bulletin of the Kabardino-Balkarian Scientific Center of the Russian Academy of Sciences. 2016. No. 6 (74). P. 18-23.
42. Aggarwal Charu C. Neural Networks and Deep Learning: A Textbook. Springer, 2018. 520 p.
43. Foster D. Generative Deep Learning: Teaching Machines to Paint, Write, Compose and Play. O'Reilly Media, 2019. 330 p.
