Перелік контрольних питань (Модуль 1)

1. Iстрорiя розвитку теорiї штучнийх нейромереж.

2. Бiологiчнi нейрони та їх фiзичнi моделi.

3. Моделi нейроелементiв. Поняття: синапс, ваговий коефіцієнт, поріг, дискримiнантна функцiя, функція активації, персептрон.

4. Біологічний і формальний нейрони: подiбнiсть та вiдмiнностi.

5. Функції активації формальних нейронів та їх вплив на навчання нейромереж.

6. Метод найменьших квадратiв як основа алгоритму Уiдроу-Хоффа.

7. Можливостi i властивостi одношарових персептронiв

8. Лінійна роздільність і лінійна нерозділеність класів.

9. Загальне уявлення про навчання нейромереж. Характеристики процесу навчання.

10. Вимоги до навчальних вибiрок даних.

11. Класифiкацiя та види моделей нейромереж.

12. Властивостi штучних нейромереж.

13. Повнозв’язнi НМ Хопфілда. Псевдоінверсне навчальне правило, проективний алгоритм настроювання ваг.

14. Застосування НМ для асоціативного пошуку iнформацiї

15. Ефект Городничего та перспективи і методи його використання.

16. Алгоритм рознасичення синаптичної матрицi мережi Хопфiлда.

17. Мережi Хопфiлда у задачах комбiнаторної оптимiзацiї.

18. Нейронна мережа SOM.

19. Нейронна мережа LVQ.

20. Найромережа "SOM-АЗП".

21. Застосування мереж Кохонена у задачах кластер-аналiзу та геоiнформацiйних системах.

22. Багатошаровий персептрон.

23. Алгоритм зворотнього поширення помилки

24. Градiєнтнi алгоритми навчання багатошарових нейромереж.

25. Критерiї порiвняння моделей та градiєнтних алгоритмiв навчання нейромереж прямого поширення.

26. Евристичний алгоритм прискорення навчання нейромереж.

27. Евристичний алгоритм синтезу та налагодження вагових коефiцiєнтiв двошарового персептрона.

28. Евристичний алгоритм синтезу та налагодження вагових коефiцiєнтiв тришарового персептрона.

29. Евристичний алгоритм синтезу та налагодження вагових коефiцiєнтiв п'ятишарового персептрона.

30. Евристичний алгоритм синтезу та налагодження вагових коефiцiєнтiв шестишарового персептрона.

31. Методи навчання радiально-базисних нейромереж.

32. Застосування кластер-аналiзу при навчаннi радiально-базисних нейромерж

33. Евристичний алгоритм синтезу та налагодження вагових коефiцiєнтiв багатошарового персептрона.

34. Еволюцiйнi алгоритми в задачах синтезу архiтектури нейромережевої моделi.

35. Вiдбiр ознак за допомогою генетичних алгоритмiв.

36. Навчання нейромереж на основi еволюцiйної адаптацiї.

37. Нейроннi мережi у пакетi MATLAB. Модуль Neural Network Toolbox.

38. Пакет Statistica Neural Networks.

39. Пакет Brain Maker Pro.

40. Архітектура експертної системи.

41. База правил.

42. Визначення структури фрейму як моделі подання знань про поняття.

43. Визначте переваги та недоліки фреймів.

44. Використання метазнань для обмеження області пошуку рішень.

45. Впровадження в промислову експлуатацію.

46. Евристичний пошук.

47. Етап інтерпретації. Етап концептуалізації. Етап тестування.

48. Етапи проектування експертної системи. Етап формалізації. Дослідна експлуатація.

49. За допомогою яких дій можливо виразити ієрархію фреймів?

50. За заданим висловом створіть фрейм–опис або рольовий фрейм поняття, події.