КнАГУ, интеллектуальные информационные системы (лабораторные работы)
| 13.01.2026, 18:23 | |||||||||||||||||||||||||||||||||||||||||||||
Лабораторная работа №1. 1) Составить интеллект-карту по основным классам интеллектуального интерфейса. 2) В обязательном порядке указать для каждого класса : основные понятия, круг решаемых задач, примеры программного обеспечения для реализации, области практического применения 3) Карту прислать на проверку преподавателю. Лабораторная работа №2. 1) Провести направленный поиск информации в Интернете по теме «Сравнение OLTP и OLAP технологий. Различие между OLAP и DataMining» 2) Составить набор информационных материалов 3) Опубликовать в виде раздела wiki с использованием WEEK (или доступного аналога 4) Ссылку на просмотр прислать преподавателю Лабораторная работа №3. Спроектировать и программно реализовать искусственную нейронную сеть со следующей архитектурой.
Количество нейронов в слоях определить самостоятельно. Лабораторная работа №4. Используя сеть, разработанную в лабораторной работе 3, реализовать программу для обучения нейронной сети, по следующим алгоритмам.
Тестовый пример подобрать самостоятельно. Лабораторная работа №5. С помощью интеллектуального бота (комбинации ботов) реализовать алгоритм и программу извлечения ключевых слов из текстов. Примеры текстов предоставляет преподаватель на этапе тестирования решения. Лабораторная работа №6. Задача: алфавит состоит из 20 букв. Из них формируются слоги по 4 буквы. Буквы в слоге не повторяются. Из слогов составляются слова. Одно слово состоит из двух слогов. Реализовать на Pyton программу, которая будет продолжать текст, составленный из таких слов. Архитектуру и класс сети определить самостоятельно. Пример решения: Для решения данной задачи можем использовать рекуррентную нейронную сеть. На вход сети подается последовательность слогов (по четыре буквы каждый), представленных в виде векторов размерности 20 (для каждой буквы свой одномерный вектор). Для предотвращения повторения букв в слогах, мы можем использовать механизм исключения уже использованных букв. Сеть состоит из нескольких слоев LSTM (Long-Short Term Memory), которые позволяют сохранять «память» о предыдущих слогах и делать более точные предсказания о том, какой слог подойдет для продолжения текста. На выходе сети мы получаем вероятностное распределение, которое генерирует новый слог, и таким образом, нейронная сеть постепенно продолжает текст, формируя новые слова, пока не достигнет заданной длины. Примерная архитектура сети: - Слой LSTM с количеством нейронов равным размерности входного вектора (20) - Слой Dropout с вероятностью отключения нейронов равной 0.2-0.5, чтобы предотвратить переобучение - Полносвязный слой с функцией активации Softmax, который выдает вероятностное распределение для выбора следующего слога. Лабораторная работа №7. 1) Провести направленный поиск сервисов, где можно протестировать нейросети. 2) Список оформить в виде онлайн каталога или wiki со ссылками на сети. 3) Ссылку на разработанный ресурс прислать на проверку преподавателю. Лабораторная работа №8. 1) Разработать программу для распознавания цифр от 0 до 9. 2) Архитектуру нейронной сети определить самостоятельно. Обосновать. 3) Язык С#, Pyton, R – по выбору, без использования специализированных библиотек (типа Pandas). 4) Оформить отчет в соответствии с требованиями РД013-2016. 5) Ссылку на проект и отчет прислать преподавателю. | |||||||||||||||||||||||||||||||||||||||||||||