Информационные технологии проектирования

1.

#1
Информационные технологии
проектирования

2.

Введение
1. Важные тренды в IT индустрии;
2. Типы информации в проектировании;
3. Основные задачи в проектировании;
4. Базовые алгоритмы для решения задач;
5. Эволюционное моделирование;
6. Бионические модели;
7. Нечеткие модели;
8. Машинное обучение;
9. Заключение

3.

Важные тренды в IT индустрии
1. Искусственный интеллект
(выполнение некоторых задач, решаемых человеком);
2. Blockchain
(защита и передача данных);
3. Виртуальная/дополненная реальность
(обучение, лечение, симуляция, игровая индустрия);
4. Интернет-вещей (5G - сети)
(информирование, помощь, взаимодействие с
человеком, ускорение передачи данных);
5. Big Data
(обработка и хранение больших массивов данных).

4.

Типы информации в проектировании
ИНФОРМАЦИЯ
Признаковое
описание
Инвариантные
признаки
Временная
Зависимость
Лингвистическая
неопределенность
Независимые и
равнозначные свойства
объектов/процессов
Зависимые и
неравнозначные
свойства
объектов/процессов
Зависимость
данных от времени
Многозначность и
неопределенность
информации
признаки
шаблоны
время
субъективизм
Отнесение объекта или
процесса к определенному
классу на основе набора
свойств (признаков),
которые описывают
этоm объект или процесс
через интересующую
предметную область.
Например: порода собак,
болезнь (рак молочной
железы), качество вина.
Обнаружение шаблонов
и признаков, которые
обладают
пространственновременной
инвариантностью.
Например: сегментация
изображения или
распознавание литер,
обнаружение частей
сложных объектов или
процессов.
Извлечение
семантических или
иных признаков из
строгой временной
последовательности.
Например: временные
ряды, сезонность
некоторых процессов,
распознавание речи и
предложений.
Учет информации с
высокой долей
лингвистической
неопределенностью.
Например:
комфортная
температура, высокая
скорость, низкое
давление, красивый и
т.д.

5.

Основные задачи в проектировании
ЗАДАЧИ
Классификация
Регрессия
Оптимизация
Управление
Разделение объектов или
процесс на классы в
зависимости от
признаковых описаний
Предсказание
поведения процесса
или объекта на основе
предыдущих знаний
Максимизация или
минимизация
определенного
значения
функциональной
зависимости (ФЗ)
Выработка
управляющего
воздействия на основе
введения обратной
связи
разделение
прогноз
поиск экстремума ФЗ
контроль
Минимизация или
максимизация значения
функциональной
зависимости,
описывающей
соответствующий
процесс или
показатели. Например,
минимизация ошибки,
максимизация прибыли,
минимизация
временных затрат.
Достижения заданной
цели при минимизации
затрат и
оптимизации контура
управления. Например,
автопарковка,
система
терморегулирования и
т.д.
Классификация: бинарная
(два класса),
многоклассовая
классификация (приписать
объекту один класс из
заданного множества
классов), многозначная
классификация
(принадлежность объекта
к двум классам –
изображение с кошкой и
собакой)
Предсказание
скалярного значения.
Например,
температура, курс
валюты, цены на
недвижимость,
определенные
экономические
показатели .

6.

Базовые алгоритмы для решения задач
1. Эволюционное моделирование
( оптимизация – генетический алгоритм);
2. Бионические модели
( оптимизация – муравьиный алгоритм);
3. Нечеткие модели
( управление – нечеткая логика);
4. Машинное обучение
( классификация, регрессия – доминируют
нейронные сети).

7.

Эволюционный подход
Эволюционный подход: Генетический алгоритм
основные идеи, которые понадобятся в дальнейшем. Условно
обобщенная схема развития живых организмов, основана на:
1) Наследовании при котором происходит передача части
родительских признаков своим потомкам (механизм наследования);
2) Отборе наиболее приспособленных особей к среде
(механизм селекции), которые обладают элементами, позволяющим
выжить в окружающей среде. В противном случае, особи погибают;
3) Формировании нового поколения (механизм скрещивания). При
этом могут происходить случайные изменчивости
(механизм мутации) наследуемых признаков.

8.

Эволюционный подход

9.

Бионические модели
Био́ника (от др.-греч. βίον «живущее») — прикладная наука о применении в
технических устройствах и системах принципов организации, свойств, функций и
структур живой природы, то есть формах живого в природе и их промышленных
аналогах.

10.

Муравьиный алгоритм

11.

Нечеткие модели
Нечеткое множество
представляет собой совокупность элементов произвольной природы,
относительно которых нельзя с полной уверенностью утверждать —
принадлежит ли тот или иной элемент рассматриваемой
совокупности данному множеству или нет, решает проблемы:
1) Лингвистическая неопределенность многозначность терминов и их
толкований, высокая доля субъективности (хорошо, плохо, красиво,
тепло и т.д.);
2) Моделирование сложных нелинейных систем невозможно учесть
все факторы, влияющие на процесс управления (сложность
математической модели);
3) Аккумулирование информации Позволяет учесть информацию от
внешней среды для дальнейшего использования в последующем
процессе управления (1 or 0 => 1).

12.

Нечеткие модели

13.

Машинное обучение
Машинное обучение
совокупность алгоритмов для решения задач классификации и
регрессии (метод ближайших соседей, опорных векторов, деревья
решений, нейронные сети и др.) на сегодняшний день наилучший
результаты показывают нейронные сети, которые решают
следующие проблемы:
1) Точность классификации определение разных объектов, которые
относятся к определенному классу: инвариантность в пространстве,
иерархичность объектов (по некоторым показателям лучше, чем у
человека).
2) Решение задач предсказания (регрессии) на основе прошлых
знаний об исследуемом процессе
3) Простота реализации необходимо определить репрезентативную
обучающую выборку для настройки качества модели, которая
определяется точностью

14.

Модель нейронной сети
Проблемы распознавания

15.

Модель нейронной сети

16.

Заключение

17.

Задание