Научная статья на тему 'Методичні аспекти навчання теми «Логічне виведення за невірогідних знань»'

Методичні аспекти навчання теми «Логічне виведення за невірогідних знань» Текст научной статьи по специальности «Науки об образовании»

CC BY
95
10
i Надоели баннеры? Вы всегда можете отключить рекламу.
Ключевые слова
штучний інтелект / знання / невірогідні знання / неточне виведення / Artificial Intelligence / Knowledge / Unreliable Knowledge / Inaccurate Inference

Аннотация научной статьи по наукам об образовании, автор научной работы — Т. П. Кобильник

Стаття присвячена методичним аспектам навчання теми «Логічне виведення за невірогідних знань». Тема є складовою розділу «Моделі та методи подання знань» дисципліни «Основи штучного інтелекту». Тема вивчається на другому (магістерському) рівні вищої освіти педагогічного університету. Схема подання навчального матеріалу пропонується такою: постановка завдання, стисле подання теоретичних відомостей, методи та алгоритми розв’язування, вправи на їх застосування. При поданні теоретичних відомостей наводяться основні теореми, твердження без доведення. При цьому для ознайомлення з доведенням даються посилання на відповідні літературні джерела. Знання – інформаційна основа систем штучного інтелекту. Знання експерта, які потрібно формалізувати, можуть бути неповними, невірогідними та нечіткими. Проте ці відомості є цінними і повинні бути включені до бази знань. Мета вивчення теми передбачає ознайомлення студентів з методами неточного логічного виведення та теоретичними основами і практичними аспектами їх використання для прийняття рішень в умовах невизначеності. Більшість методик неточного логічного виведення пов’язані з ймовірнісними методами, зокрема формулою Байєса. Тому перед вивченням теми студентам необхідно нагадати деякі поняття, твердження, формули з теорії ймовірностей. Підсумовуючи вивчення теми «Логічне виведення за невірогідних знань», слід наголосити на тому, що не існує досконалого механізму логічного виведення за невірогідних знань. Студентам самостійно пропонується ознайомитися зі схемами MYCIN (EMYCIN), (методи виведення ґрунтуються на байєсівському підході, як і в схемі PROSPECTOR), Піерла (базується на байєсівських мережах), теорією Демпстера-Шефера. Подальші дослідження буде зосереджено на методиці навчання основ штучного інтелекту для студентів інформатичних спеціальностей другого (магістерського) рівня вищої освіти в педагогічному університеті.

i Надоели баннеры? Вы всегда можете отключить рекламу.
iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.
i Надоели баннеры? Вы всегда можете отключить рекламу.

METHODOLOGICAL ASPECTS OF TEACHING THE TOPIC "LOGICAL INFERENCE WITH UNRELIABLE KNOWLEDGE"

The article is devoted to the methodical aspects of teaching the topic "Logical inference with unreliable knowledge". The topic is a component of the section "Models and methods of knowledge representation" of the discipline "Fundamentals of Artificial Intelligence". The topic is studied at the second (master’s) level of higher education in the Pedagogical University. The scheme for submitting the teaching material is proposed as follows: problem statement, brief presentation of theoretical information, solving methods and algorithms , exercises on their application. The teacher recommends references for receipt of the evidence. Knowledge is the information basis of the artificial intelligence systems. Expert's knowledge may be incomplete, uncertain and fuzzy. The purpose of studying the topic involves familiarizing students with methods of inaccurate inference and the theoretical bases and practical aspects of their use for decision-making under uncertainty. However, this information is valuable and should be included in the knowledge base. Most of the methods of inaccurate inference are related to the probabilistic methods, in particular the Bayes formula. Therefore, teacher need to remind students of some concepts, statements, formulas from the probability theory before studying the topic. Summarizing the study of the topic "Logical inference for unreliable knowledge," it should be emphasized that there is no perfect mechanism of logical inference for unreliable knowledge. The teacher proposes students to familiarize themselves with the MYCIN (EMYCIN) schemes, (methods of derivation based on the Bayesian approach, as in the PROSPECTOR scheme), Pierla (based on Bayesian networks), Dempsteur-Scheffer's theory. Further researches we will focus on the method of training the fundamentals of artificial intelligence for students of computer science specialties of the second (master's) level of higher education at the pedagogical university.

Текст научной работы на тему «Методичні аспекти навчання теми «Логічне виведення за невірогідних знань»»

Scientific journal PHYSICAL AND MATHEMATICAL EDUCATION

Has been issued since 2013.

Науковий журнал Ф1ЗИКО-МАТЕМАТИЧНА ОСВ1ТА

Видасться з 2013.

http://fmo-journal.fizmatsspu.sumy.ua/

Кобильник Т.П. Memodu4Hi аспекти навчання теми «Логiчне виведення за невiрогiднихзнань». Ф'зико-математична oceima. 2018. Випуск 3(17). С. 57-60.

Kobylnyk Taras. Methodological Aspects Of Teaching The Topic "Logical Inference With Unreliable Knowledge". Physical and Mathematical Education. 2018. Issue 3(17). Р. 57-60.

DOI 10.31110/2413-1571-2018-017-3-010

УДК 378:004.6

Т.П. Кобильник

Дрогобицький державний педaгoгiчний ушверситет iменi 1вана Франка, Дрогобич

kobylnyktaras@gmail. com

МЕТОДИЧН1 АСПЕКТИ НАВЧАННЯ ТЕМИ «ЛОГ1ЧНЕ ВИВЕДЕННЯ ЗА НЕВ1РОГ1ДНИХ ЗНАНЬ»

Анотаця. Стаття присвячена методичним аспектам навчання теми «Лoгiчне виведення за невiрoгiдних знань». Тема е складовою роздлу «Мoделi та методи подання знань» дисципл'ши «Основи штучного iнтелекту». Тема вивчаеться на другому (маг'1стерському) рiвнi вищоi освти педaгoгiчнoгo унiверcиmеmу. Схема подання навчального матер'юлу пропонуеться такою: постановка завдання, стисле подання теоретичних в'домостей, методи та алгоритми розв'язування, вправи на ¡х застосування. При поданш теоретичних в1'домостей наводяться ocнoвнi теореми, твердження без доведення. При цьому для ознайомлення з доведенням даються посилання на в'дпов'дш лimерamурнi джерела.

Знання - iнфoрмaцiйнa основа систем штучного iнтелекту. Знання експерта, як пomрiбнo формал'1зувати, можуть бути неповними, невiрoгiдними та неч'ткими. Проте ц в'домост'1 е цнними i повинш бути включенi до бази знань. Мета вивчення теми передбачае ознайомлення студент'!в з методами неточного лoгiчнoгo виведення та теоретичними основами i практичними аспектами ¡х використання для прийняття рiшень в умовах невизначеност'1. Бльш'1сть методик неточного лoгiчнoгo виведення пов'язаш з ймoвiрнicними методами, зокрема формулою Байеса. Тому перед вивченням теми студентам необх'дно нагадати деяк поняття, твердження, формули з теорИ ймов'рностей.

П'дсумовуючи вивчення теми «Лoгiчне виведення за невiрoгiдних знань», сл'д наголосити на тому, що не iснуе досконалого мехашзму лoгiчнoгo виведення за невiрoгiдних знань. Студентам самостйно пропонуеться ознайомитися з'1 схемами MYCIN (EMYCIN), (методи виведення фунтуються на байесвському п'дход'!, як i в схем'1 PROSPECTOR), Пiерлa (базуеться на байеавських мережах), mеoрiею Демпстера-Шефера.

Пoдaльшi досл'дження буде зосереджено на методиц навчання основ штучного iнтелекту для студент'в iнфoрмamичнихспе^альностей другого (маг'стерського) рiвня вищo¡'осв'ти в педагог'чному ушверситет'!.

Ключов! слова: штучний iнmелекm, знання, невiрoгiднi знання,неточне виведення.

Постановка проблеми. Сучасний стан розвитку шформацмних систем спрямований на '¡х iнтелектуалiзацiю. Уже ншого не здивуеш системами розтзнавання тексту, мови, опрацювання сигналiв i зображень, перекладу з одые' мови на шшу, рiзнoманiтними шаховими програми тощо. Тому виникае необхщысть в опануванн студентами педагопчного уыверситету знань з «Основ штучного штелекту». Ще одыею важливою причиною, що зумовлюе необхщысть вивчення дано' дисциплши е те, що програмою з шформатики для учыв 10-11 клаав передбачен питання, пов'язан зi штучним штелектом (поняття про штучний штелект, Smart-технологГ'' та технологи колективного штелекту). Тому виникае необхщысть пщвищувати практичну значимкть результат навчання на шформатичних спе^альностях педагопчних уыверситет шляхом вивчення дисциплши «Основи штучного штелекту», одыею з важливих тем яко' е «Лопчне виведення за невiрoгiдних знань».

Важливою рисою людини е спроможысть приймати ршення в умовах невизначеносп. Знання людини, як правило, не е абсолютно точн i вiрoгiднi. Знанням властива невизначеысть, яка може мати рiзнoманiтний характер. Один з видiв невизначеност у знаннях е ¡х неточысть. Неточысть знань i виведень означае, що для оцшювання ¡х вiрoгiднoстi не можна застосувати двобальну шкалу (1 - абсолютно вiрoгiднi знання, 0 - невiрoгiднi знання), тобто ¡х ктинысть або хибысть не можуть бути встановлен однозначно - тобто твердження не е ан абсолютно вiрoгiдними, ан абсолютно хибними. Побудова моделей наближених до мiркувань людини та використання ¡х в системах штучного штелекту е нин одним з найперспектившших напрям^в розвитку сучасно' науки.

Аналiз актуальних дослщжень. У статт [9] автор обГрунтовуе актуальысть вивчення студентами шформатичних спещальностей дисциплши «Основи штучного штелекту». Там же наводить характеристику лабораторного практикуму з

ISSN 2413-158X (online) ISSN 2413-1571 (print)

даного курсу. Автор робить висновок, що правильне визначення структури, обсягу та змкту лабораторного практикуму «Основи штучного штелекту» на шформатичних специальностях педагогiчних унiверситетiв, що вщповщатиме рiвню iнформатизацií суспiльства, в свою чергу забезпечить ефективне досягнення цтей освiти з iнформатики. У статт [1] автором запропоновано кiлька етатв з розробки методiв отримання i формалiзацií знань, з опису предметно''' областi, необхiдних для розроблення навчальних систем штучного штелекту, що, на його думку, дозволить змшити ситуа^ю у професiйному навчаннi студентiв на краще. Слiд вiдзначити дослiдження Стрша О.М., у якому автором розроблено методичну систему i описано методику реалiзацií диференцiйованого пiдходу з використанням елемен^в модульно''' системи, рейтингового контролю знань у вивченн основ штучного штелекту та експериментальним шляхом перевiрено ефективысть запропоновано'' методики [7].

Мета статп: методичнi аспекти навчання теми «Лопчне виведення за невiрогiдних знань».

Методи дослщження. Для дослiдження використовувались таю методи: системний науково-методолопчний аналiз пiдручникiв i навчальних посiбникiв, монографш, дисертацiйних дослiджень, статей i матерiалiв науково-методичних конференцiй з проблеми дослщження; спостереження навчального процесу; аналiз результатiв навчання студентiв у вщповщност до проблеми дослiдження; синтез, порiвняння та узагальнення теоретичних положень, розкритих у науковш та навчальнiй лтератур^ узагальнення власного педагогiчного досвiду та досвщу колег з iнших закладiв вищо''' освiти.

Виклад основного матертлу. Тема «Логiчне виведення за невiрогiдних знань» е складовою роздiлу «Моделi та методи подання знань» дисциплши «Основи штучного iнтелекту». Зауважимо, що в навчальних планах закладiв вищо''' освiти зустрiчаються й iншi дисциплши, у яких вивчаеться даний роздт, зокрема «lнтелектуальнi iнформацiйнi системи», «Системи штучного штелекту» i т.п. Дисциплша «Основи штучного iнтелекту» вивчаеться на другому (мапстерському) рiвнi вищо''' освти. Це передбачае вiдведення значно'' частини часу на самостiйне опрацювання. Тому схема подання навчального матерiалу пропонуеться такою: постановка завдання, стисле подання теоретичних вщомостей, методи та алгоритми розв'язування, вправи на 'х застосування. При поданы теоретичних вщомостей наводяться ттьки основнi теореми, твердження без доведення. При цьому для ознайомлення з доведенням даються посилання на вщповщн лтературш джерела. Зокрема, такий пщхщ до вивчення основ штучного штелекту реалiзовано у пiдручнику [3]. Для бтьш Грунтовного ознайомлення з питаннями, що стосуються роздiлу «Моделi та методи подання знань» студентам також пропонуеться навчальний поабник [8].

Знання - шформацшна основа систем штучного штелекту. Знання експерта, ям потрiбно формалiзувати, можуть бути неповними (для доведення твердження або його спростування не вистачае вщомостей), невiрогiдними (об'ективна, наприклад, вплив випадкових чинниюв чи суб'ективна невизначенiсть, наприклад, експерт не впевнений у деякому факт чи правилi виведення) та нечп^кими (поняття «гарячий», «високий», «далеко», «легкий» ). Але незважаючи на це, вщомост е цiнними i повинн бути включенi до бази знань.

Зупинимось детальнее на методичних аспектах навчання теми «Лопчне виведення за невiрогiдних знань», що е складовою роздту «Моделi та методи подання знань», у якому розглядаються математичн основи та методи опису, побудови та застосування моделей знань в системах штучного штелекту та пщтримки прийняття ршень. Мета вивчення теми передбачае ознайомлення студенев з методами неточного лопчного виведення та теоретичними основами i практичними аспектами 'х використання для прийняття рiшень в умовах невизначеносп. Згiдно мети змкт теми розкриваеться за допомогою таких питань:

- об'ективна та суб'ективна невизначеысть;

- принципи неточного лопчного виведення;

- точковi та штервальш мiри неточностi;

- проблеми комбшування свiдоцтв;

- формалiзацiя мiр ризику за неточного лопчного виведення;

- проблеми виведення;

- схеми неточного лопчного виведення.

Вивчення теми доцтьно розпочати з введення понять «неточне висловлення» та «неточне виведення». Бтьшлсть методик неточного лопчного виведення пов'язан з формулою Байеса, осктьки за нею обчислюються апостерюры ймовiрностi Р(Н1\А) гiпотез Я; за умови, що подiя А вiдбулася, через апрюры ймовiрностi Р(А\Н1). Тому перед вивченням теми студентам необхщно нагадати деяк поняття, твердження, формули з теорп ймовiрностей. Тут у нагодi стане пщручник [4]. При цьому треба звернути увагу студентiв, що неточне виведення слщ вiдрiзняти в^д роботи з нечп^кими знаннями. У неточному лопчному виведеннi кожному твердженню ставиться у вщповщысть коефiцiент упевненостi, або мiра вiрогiдностi, - число, що характеризуе мiру надiйностi твердження. Розрахунок коефщентв упевненостi тiсно пов'язаний з ймовiрнiсними методами, хоча ненадiйнiсть вщомостей не завжди мае ймовiрнiсний характер (об'ективна та суб'ективна невизначеысть). Студентам на прикладах пояснюються поняття «об'ективна невизначеысть» та «суб'ективна невизначеысть», принцип шдиферентносп.

Цiкавим е аналiз питання про прийняття ршень в умовах ризику i невизначеностi. Студентам пропонуеться пригадати (якщо вони вивчали дисциплшу «Системи та методи прийняття ршень» або «Моделi та методи прийняття ршень» тощо) або ознайомитися з критерiями прийняття рiшень в умовах невизначеносп. Для цього рекомендуються вщповщш лiтературнi джерела, наприклад [2; 6]. На лекцп наводиться приклад, на якому тюструеться прийняття рiшення в умовах ризику i невизначеностi (наприклад, гра в лотерею).

По™ студентам пропонуеться навести самостшно приклади, як iлюструють поняття «об'ективна невизначенiсть» та «суб'ективна невизначеысть», а також описати ситуацп, коли невизначенiсть може мати як об'ективний, так i суб'ективний характер.

Слщ звернути увагу студентiв на шкалу для коефщента упевненостi. Зокрема, часто обирають шкалу вщ 0 до 1 (за аналопею з ймовiрнiстю), проте вона не е едино можливою. Можна, наприклад, використовувати шкалу вщ -1 до 1: -1 -

Bipor^Ha хибнiсть, 0 - повна невизначеысть, 1 - вiрогiдна ктинысть. При цьому необхiдно наголосити, що чим надшышими е вiдoмoстi, тим коефщенти упевненoстi пoвиннi бути бтьшими.

Звичайно, слiд звернути увагу студентв на тoчкoвi та iнтеpвaльнi мipи нетoчнoстi. Цi поняття вводяться за аналопею з точковими та штервальними oцiнкaми пapaметpiв poзпoдiлу ймoвipнoстей на множин значень випадково''' величини.

При poзглядi загальних пpинципiв неточного виведення слщ зауважити, що лoгiчне виведення здшснюеться за тими ж принципами, що й для точних знань, але при цьому висновкам приписуеться певна мipa вipoгiднoстi. Розглянемо ктька пpиклaдiв.

Нехай е два висловлення:

1) х1= Студент складе iспитз «Основ штучного штелекту» на позитивну oцiнку з мipoю вipoгiднoстi0.7 (у(х1) = 0.7);

2) х2= Студент складе кпитз «ПедагопчноС шформатики» на позитивну oцiнкузмipoю вipoгiднoстi0.8 (у(х1) = 0.8); З цих висловлень можна утворити ктька складних, наприклад, х = х1Лх2 (студент складе iспити на позитивы

оцшки). Тoдi функцiя у(х), за якою задаеться мipa нетoчнoстi складного висловлення х, набуде вигляду у(х) = min(0.7,0.8) = 0.7. Слщ зауважити, що для кон'юнкцп висловлень типовим е використання функци тт^хД ...,у(хп)}, а для диз'юнкцп - функци тах(у(х1), ...,у(хп)}.

Нехай е правило г: Якщо у склaдi команди буде проводити матч гравець А, то команда здобуде перемогу у матчГ Нехай мipa вipoгiднoстi цього правила у(г) дopiвнюе 0.7. Це можна штерпретувати так: якщо гравець А е у склaдi команди, то у 70 матчах зi ста 100 команда отримае перемогу. Нехай мipa вipoгiднoстi умови (гравець А проводитиме матч) у(х) = 0.9. Для розрахунку мipи вipoгiднoстi висновку (команда здобуде перемогу у матч^ типовим е використання добутку: у (у) = у(х) • у(г) = 0.9 • 0.7 = 0.63.

Детально рекомендуеться зупинитися на пояснены поняття «функщя кoмбiнувaння свщоцтв», oскiльки це е основною проблемою неточного лопчного виведення. Тут слщ наголосити, що може бути, наприклад два свщоцтва, одне з яких пщтверджуе висновок, а iнше його заперечуе. Це можна пояснити на такому прикладГ За шкалу вiзьмемo 1 - вipoгiднa iстиннa, 0 - вipoгiднa хибнiсть. Нехай е два правила:

1. Якщо студент Петренко складе вс кпити на вщмшы oцiнки, вiн влаштуе вечipку.

2. Якщо у студента Петренка буде поганий настрш, вiн не влаштуе вечipку.

Тут е супеpечливi свiдoцтвa, якi дають пpoтилежнi прогнози. Виникае питання: як '(х комбшувати? Нaйпpoстiше -це обчислити середне арифметичне двох свщоцтв i таким чином оцшити мipу вipoгiднoстi.

Шсля цього розглянути деяку схему неточного лопчного виведення, наприклад одну з перших PROSPECTOR. Пщсумовуючи вивчення теми, слщ наголосити на тому, що не кнуе досконалого мехаызму лопчного виведення за невipoгiдних знань. Студентам самостшно пропонуеться ознайомитися зi схемами MYCIN (EMYCIN), (методи виведення фунтуються на байеавському пiдхoдi, як i в схемi PROSPECTOR), Пiеpлa (базуеться на бaйесiвських мережах). Теopiя Демпстера-Шефера розроблена з метою узагальнення ймoвipнiснoгo пiдхoду до опису невизнaченoстi i пов'язана зi спробою звiльнення вщ використання ймoвipнiсних метoдiв для опису суб'ективно' невизнaченoстi. Про згaдaнi вище схеми, схему INFERNO, числення шцидентв детaльнiше можна ознайомитися в [5, с.106-110], про що студентам повщомляеться на лекцiйнoму зaняттi.

Висновки. У статт наведено деякi метoдичнi аспекти навчання теми «Лопчне виведення за невipoгiдних знань», що е складовою курсу «Основи штучного iнтелекту», що вивчаеться на другому (мапстерському) piвнi вищо'( oсвiти. Це передбачае, що для вивчення теми, i дисциплши загалом, значна частина часу выводиться на самостшне опрацювання. Тому на лекцшних заняттях теopетичнi вiдoмoстi подаються стило, а для детaльнiшoгo вивчення студентам рекомендують посилання на вщповщы лiтеpaтуpнi джерела. Пoдaльшi дoслiдження будуть спpямoвaнi на метoдицi навчання основ штучного штелекту у педaгoгiчнoму уыверситетГ

Список використаних джерел

1. Бордюг О.В. Методолопя побудови iнтелектуaльних систем штучного штелекту для професшного навчання. Фiзикo-математична oсвiтa. 2018. Випуск 2(16). С. 27-29.

2. Волошин О.Ф.,Мащенко С.О. Мoделi та методи прийняття piшень: навч. пoсiб. для студ. вищ. навч. закл. 2-ге вид., перероб. та допов. К.: Видaвничo-пoлiгpaфiчний центр "Ки'вський унiвеpситетм, 2010. 336 с.

3. Глибовець М.М., Олецький О.В. Штучний штелект : Пщручник для студентiв вищих навчальних зaклaдiв, що навчаються за спещальностями «Кoмп'ютеpнi науки» та «Прикладна математика». Ки'(в: Видавничий дiм «КМ Акaдемiя», 2002. 366 с.

4. Жалдак М.1., Кузьмiнa Н.М., Михaлiн Г.О. Теopiя ймoвipнoстей i математична статистика: Пщручник для студентiв фiзикo-мaтемaтичних та шформатичних спецiaльнoстей педaгoгiчних унiвеpситетiв. Видання трете, перероблене i доповнене. Ки'в: НПУ iменi М.П. Драгоманова, 2015. 705 с.

5. Искуственный интеллект. В 3-х кн. Кн.2. Модели и методы: Справочник / Под.ред. Д.А. Поспелова. М.: Радио и связь, 1990. 304 с.

6. Катренко А.В., Паачник В.В. Прийняття ршень: Теopiя та практика. Львiв: «Новий свп--2000», 2013. 448 с.

7. Стрш О.М. Дифеpенцiйoвaний тдхщ у вивченнi основ штучного штелекту в кура шформатики фiзикo-мaтемaтичнoгo факультету вищого педагопчного закладу: дис... канд. пед. наук: 13.00.02 / Нацюнальний педагопчний унiвеpситет iменi М.П.Драгоманова. Ки'в, 2001. 223 с.

8. Субботш С.О. Подання й обробка знань у системах штучного штелекту та пщтримки прийняття ршень: Навчальний поабник. Зaпopiжжя: ЗНТУ, 2008. 341 с.

9. Чеpемiсiнa Л.О. Актуaльнiсть вивчення основ штучного штелекту на шформатичних спе^альностях педaгoгiчних унiвеpситетiв.Нaукoвий часопис НПУ iменi М.П. Драгоманова. Сеpiя 2: Кoмп'ютеpнo-opiентoвaнi системи навчання. 2012. №. 12. С. 211-213.

References

1. Bordyuh O. Methodology Of Construction Of Intellectual Systems Of Artificial Intelligence For Professional Education. Physical and Mathematical Education. 2018. Issue 2(16). P. 27-29. (in Ukrainian)

2. Voloshyn O.F.,Mashchenko S.O. Modeli ta metody pryiniattia rishen: navch. posib. dlia stud. vyshch. navch. zakl. 2-he vyd., pererob. ta dopov. K.: Vydavnycho-polihrafichnyi tsentr "Kyivskyi universytet", 2010. 336 s. (in Ukrainian)

3. Hlybovets M.M., Oletskyi O.V. Shtuchnyi intelekt : Pidruchnyk dlia studentiv vyshchykh navchalnykh zakladiv, shcho navchaiutsia za spetsialnostiamy «Kompiuterni nauky» ta «Prykladna matematyka». Kyiv: Vydavnychyi dim «KM Akademiia», 2002. 366s. (in Ukrainian)

4. Zhaldak M.I., Kuzmina N.M., Mykhalin H.O. Teoriia ymovirnostei i matematychna statystyka: Pidruchnyk dlia studentiv fizyko-matematychnykh ta informatychnykh spetsialnostei pedahohichnykh universytetiv. Vydannia tretie, pereroblene i dopovnene. Kyiv: NPU imeni M.P. Drahomanova, 2015. 705 s. (in Ukrainian)

5. Iskustvennyy intellekt. V 3-kh kn. Kn.2. Modeli i metody: Spravochnik / Pod.red. D.A. Pospelova. M.: Radio i svyaz. 1990. 304 s. (in Russian)

6. Katrenko A.V., Pasichnyk V.V. Pryiniattia rishen: Teoriia ta praktyka. Lviv: «Novyi svit-2000», 2013. 448 s. (in Ukrainian)

7. Spirin O.M. Dyferentsiiovanyi pidkhid u vyvchenni osnov shtuchnoho intelektu v kursi informatyky fizyko-matematychnoho fakultetu vyshchoho pedahohichnoho zakladu: dys... kand. ped. nauk: 13.00.02 / Natsionalnyi pedahohichnyi universytet imeni M.P.Drahomanova. Kyiv, 2001. 223 s. (in Ukrainian)

8. Subbotin S.O. Podannia y obrobka znan u systemakh shtuchnoho intelektu ta pidtrymky pryiniattia rishen: Navchalnyi posibnyk. Zaporizhzhia: ZNTU, 2008. 341 s. (in Ukrainian)

9. Cheremisina L.O. Aktualnist vyvchennia osnov shtuchnoho intelektu na informatychnykh spetsialnostiakh pedahohichnykh universytetiv.Naukovyi chasopys NPU imeni M.P. Drahomanova. Seriia 2: Kompiuterno-oriientovani systemy navchannia. 2012. №. 12. S. 211-213. s. (in Ukrainian)

METHODOLOGICAL ASPECTS OF TEACHING THE TOPIC "LOGICAL INFERENCE WITH UNRELIABLE KNOWLEDGE"

Taras Kobylnyk

Drohobych Ivan Franko State Pedagogical University, Ukraine

Abstract. The article is devoted to the methodical aspects of teaching the topic "Logical inference with unreliable knowledge". The topic is a component of the section "Models and methods of knowledge representation" of the discipline "Fundamentals of Artificial Intelligence". The topic is studied at the second (master's) level of higher education in the Pedagogical University. The scheme for submitting the teaching material is proposed as follows: problem statement, brief presentation of theoretical information, solving methods and algorithms, exercises on their application. The teacher recommends references for receipt of the evidence.

Knowledge is the information basis of the artificial intelligence systems. Expert's knowledge may be incomplete, uncertain and fuzzy. The purpose of studying the topic involves familiarizing students with methods of inaccurate inference and the theoretical bases and practical aspects of their use for decision-making under uncertainty. However, this information is valuable and should be included in the knowledge base. Most of the methods of inaccurate inference are related to the probabilistic methods, in particular the Bayes formula. Therefore, teacher need to remind students of some concepts, statements, formulas from the probability theory before studying the topic.

Summarizing the study of the topic "Logical inference for unreliable knowledge," it should be emphasized that there is no perfect mechanism of logical inference for unreliable knowledge. The teacher proposes students to familiarize themselves with the MYCIN (EMYCIN) schemes, (methods of derivation based on the Bayesian approach, as in the PROSPECTOR scheme), Pierla (based on Bayesian networks), Dempsteur-Scheffer's theory. Further researches we will focus on the method of training the fundamentals of artificial intelligence for students of computer science specialties of the second (master's) level of higher education at the pedagogical university.

Key words: Artificial Intelligence, Knowledge, Unreliable Knowledge, Inaccurate Inference.

i Надоели баннеры? Вы всегда можете отключить рекламу.