Створення баз знань і документів в оболонці ESTA

Размещено на http://www.allbest.ru

ВСТУП

Експертні системи (ЕС) - це системи штучного інтелекту (інтелектуальні системи), призначені для вирішення погано формалізованих і слабко структурованих завдань у певних проблемних областях, на основі закладених у них знань фахівців-експертів. В даний час ЕС впроваджуються в різні види людської діяльності, де використання точних математичних методів моделей важко або взагалі неможливо. До них відносяться: медицина, навчання, підтримка прийняття рішень і управління в складних ситуаціях, ділові різні додатки і т. д.

Основними компонентами ЕС є бази даних (БД) і знань (БД), блоки пошуку рішення, пояснення, вилучення і накопичення знань, навчання та організації взаємодії з користувачем. БД, БЗ і блок пошуку рішень утворюють ядро ЕС.

На початку 80-х років в дослідженнях по штучному інтелекту сформувався самостійний напрям, що одержав назву "експертні системи" (ЕС). Основним призначенням ЕС є розробка програмних засобів, які при рішенні задач, важких для людини, одержують результати, не поступливі за якістю і ефективності рішення, рішенням одержуваною людиною-експертом.

Головне в роботі з системою ESTA розробка бази знань на основні правил.

Представлення знань базується на слідуючих пунктах:

Sections (Розділи)

Parametrs (Параметри)

Titles (Назви)

1. ТЕОРЕТИЧНА ЧАСТИНА

1.1 Основні поняття

Експертна система -- це програмний засіб, що використовує знання експертів, для високоефективного вирішення завдань в наочній області, що цікавить користувача. Вона називається системою, а не просто програмою, оскільки містить базу знань, вирішувач проблеми і компоненту підтримки. Остання з них допомагає користувачу взаємодіяти з основною програмою.

Експерт -- це людина, здатна ясно виражати свої думки і що користується репутацією фахівця, що уміє знаходити правильні рішення проблем в конкретній наочній області. Експерт використовує свої прийоми і хитрування, щоб зробити пошук рішення ефективнішим, і ЕС моделює всі його стратегії.

Інженер знань -- людина, як правило, що має пізнання в інформатиці і штучному інтелекті і що знає, як треба будувати ЕС. Інженер знань опитує експертів, організовує знання, вирішує, яким чином вони повинні бути представлені в ЕС, і може допомогти програмісту в написанні програм.

Засіб побудови ЕС -- це програмний засіб, використовуваний інженером знань або програмістом для побудови ЕС. Цей інструмент відрізняється від звичайних мов програмування тим, що забезпечує зручні способи представлення складних високорівневих понять.

Користувач -- це людина, яка використовує вже побудовану ЕС. Так, користувачем може бути юрист, що використовує її для кваліфікації конкретного випадку; студент, якому ЕС допомагає вивчати інформатику і т.д.

1.2 Класифікація експертних систем

Основні задачі, що ставляться для ЕС, описані нижче:

Інтерпретація - аналіз спостережуваних даних чи ситуацій з метою визначення їх змісту чи опису.

Діагностика - класифікація та пошук несправностей у живих чи неживих системах, що базуються на результатах інтерпретації.

Моніторинг - порівняння спостережуваних величин чи ситуацій з опорними (критичними) точками плану та видача повідомлень при відхиленні від плану; інший вид моніторингу - неперервний процес інтерпретації сигналів і видача повідомлень у ситуаціях, що вимагають втручання системи вищого рівня або людини.

Проектування - знаходження такої конфігурації компонентів системи, що задовольняє цільовим умовам та множині проектних обмежень.

Прогнозування - проектування можливих наслідків даної ситуації. Прикладами таких ЕС є: WILLARD для передбачення погоди, ECON для здійснення прогнозів в економіці, тощо.

Планування - розробка послідовності дій для досягнення множини поставлених цілей при заданих початкових умовах і часових обмеженнях.

Інструктування (навчання) - допомога в освітньому процесі для вивчення певної дисципліни. Системи навчання за допомогою ЕОМ діагностують помилки при вивченні певного предмету та підказують правильні рішення, а також - планують процес спілкування учителя з учнем, в залежності від успіхів учня з метою передачі знань.



Рисунок 1.1 - Класифікація ЕС

Класифікація ЕС за зв'язком з реальним часом:

Квазідинамічні ЕС інтерпретують ситуацію, що змінюється з деяким фіксованим інтервалом часу.

Динамічні ЕС працюють разом із датчиками об'єктів у режимі реального часу з неперервною інтерпретацією даних, що надходять (рис.1.2).

Статичні ЕС розробляються для предметних областей, для яких база знань та інтерпретовані дані не змінюються в часі, а є повністю стабільними. Приклади: діагностика несправностей в автомобілях .

Згідно класифікації за типом ЕОМ, нині існують:

ЕС для унікальних стратегічно важливих задач на суперкомп'ютерах (таких, як Ельбрус, CRAY, CONVEX та інші);

ЕС на ЕОМ середньої потужності;

ЕС на символьных процесорах та робочих станціях;

ЕС на міні- та суперміні- ЕОМ (VAX, micro- VAX і т.д.);

ЕС на персональних комп'ютерах (IBM PC, MAC II та ініш).

керування базами даних) і засоби маніпулювання знаннями.

Рисунок 1.2 - Структура динамічної ЕС

Класифікація за ступенем інтеграції з іншими програмами:

Автономні ЕС працюють безпосередньо в режимі консультації з користувачем для вирішення специфічних «експертних» завдань, при чому немає необхідності залучати традиційні методи опрацювання даних, моделювання, тощо.

Гібридні ЕС - це програмні комплекси, що мають у собі стандартні пакети прикладних програм (наприклад, математичну статистику, лінійне програмування або системи.

1.3 Представлення знань

Представлення знань -- одна із функцій експертної системи. Теорія представлення знань -- окрема галузь досліджень, тісно пов'язана з філософією формалізму та когнітивною психологією. Предмет дослідження в цій галузі -- методи асоціативного збереження інформації, подібні до тих, що існують в мозку людини.

У галузі штучного інтелекту проводиться робота зі створення мов представлення знань, тобто, комп'ютерних мов, орієнтованих на організацію описів об'єктів та ідей. Основними критеріями для представлення знань є логічна адекватність, евристична потужність та природність нотації.

Переваги та слабкі місця.

Експертні системи відзначаються певними перевагами над людьми-експертами при використанні. Зокрема, експертна система:

переважає можливості людини при вирішенні надзвичайно громіздких проблем;

не має упереджених думок, тоді як експерт може користуватися побічними знаннями і легко піддається впливу зовнішніх факторів;

не робить поспішних висновків, нехтуючи певними етапами знайдення рішення;

забезпечує діалоговий режим роботи;

дозволяє роботу з інформацією, що містить символьні змінні;

забезпечує коректну роботу з інформацією, яка містить помилки, за рахунок використання ймовірнісних методів досліджень;

дозволяє проводити одночасну обробку альтернативних версій;

за вимогою пояснює хід кроків реалізації програми;

забезпечує можливість обгрунтування рішення та відтворення шляху його прийняття.

Але навіть найкращі з існуючих експертних систем мають певні обмеження у порівнянні з людиною-експертом, які зводяться до таких:

більшість експертних систем не цілком придатні для широкого використання. Якщо користувач не має деякого досвіду роботи з цими системами, у нього можуть виникнути серйозні труднощі. Багато експертних систем доступні лише тим експертам, які створювали їх бази знань. Тому потрібно паралельно розробляти відповідний користувацький інтерфейс, який би забезпечив кінцевому користувачу властивий йому режим роботи;

"навички" системи не завжди "зростають" після сеансу експертизи, навіть коли проявляються нові знання;

все ще залишається проблемою приведення знань, отриманих від експерта, до вигляду, який забезпечував би їх ефективне використання;

експертні системи, як правило, не можуть набувати якісно нових знань, не передбачених під час розробки, і тим більше не володіють здоровим глуздом. Людина-експерт при розв'язанні задач звичайно звертається до своєї інтуїції або здорового глузду, якщо відсутні формальні методи рішення або аналоги розв'язування даної проблеми.

1.4 База знань як елемент експертної системи

База знань містить факти і правила. Факти - це фрази без умов, вони містять твердження, які завжди абсолютно вірні. Правила містять твердження, істинність яких залежить від деяких умов, включених в тіло правила.

Факти містять короткострокову інформацію в тому сенсі, що вони можуть мінятися, наприклад, під час консультації.

Правила містять довготривалу інформацію про те, як породжувати нові факти або гіпотези з того, що зараз відомо.

Чим такий підхід відрізняється від звичайної методики використання БД? Основна відмінність полягає в тому, що БЗ володіє великими «творчими» можливостями. Факти в БД звичайно пасивні: вони там є, або їх там немає. БЗ, з іншого боку, активно намагається поповнити бракуючу інформацію.

1.5 Сфера застосувань та перспективи розвитку

Експертні системи досить давно використовуються у діагностиці, зокрема у медичній та автомобільній.

Також експертні системи можна використовувати в прогнозуванні, плануванні, контролі, управлінні та навчанні. Наприклад, експертні системи вже застосовуються в банківській справі в таких напрямках:

програмах аналізу інвестиційних проектів;

програмах аналізу стану валютного, грошового та фондового ринку;

програмах аналізу кредитоспроможності чи фінансового стану підприємств і банків.

Процес створення експертних систем значно змінився за останні роки. Завдяки появі спеціальних інструментальних засобів побудови експертних систем значно скоротились терміни та зменшилась трудомісткість їх розробки. Інструментальні засоби, що використовуються при створенні експертних систем, можна розбити на три класи.

На американському і західноєвропейських ринках систем штучного інтелекту організаціям, які бажають створити експертну систему, фірми-розробники пропонують сотні інструментальних засобів для їх побудови. Нараховуються тисячі розроблених вузькоспеціалізованих експертних систем. Це свідчить про те, що експертні системи складають дуже вагому частину програмних засобів.

1.6 Створення баз знань і документів в оболонці ESTA

У оболонці ESTA можуть бути створені бази знань, діалог, текстовий документ.

Для створення документа необхідно відкрити вікно оболонки. Вибрати в меню Filе команду New. У діалоговому вікні, що з'явилося, вибрати вигляд створюваної програми. Це може бути база знань knowledge base, діалог - dialog, текстовий файл - text file.

Якщо Ви вибираєте перший тип, то в цьому випадку ESTA створює файл з розширенням безіменний (Untitled), файл з розширенням *.kb і переходить в режим редагування. Створений документ не може бути збережений, поки не створені які-небуть структури бази знань, команди save і save as. не активізовані. У цьому режимі можна створювати і редагувати секції, параметри, бази графічних файлів. Проте рекомендується спочатку створити титул, використовуючи меню title. В цьому випадку активізуються всі команди меню File.

При виборі другого типу документа - діалогу, з'являється ще одне діалогове вікно. За допомогою команд, використовуваних в цьому вікні можна вибрати режим фіксації діалогу між експертною системою і користувачем. Зокрема можливі режим фіксації лише питань і відповідей. Режим фіксації порад advice, режим фіксації титулів. При виборі всіх прапорців, в діалозі фіксуються всі параметри діалогу ЕС і користувача.

1.7 Основні структури баз знань, взаємодія параметрів і секцій

Структура баз знань складається із секцій і параметрів. Параметри можуть бути чотирьох типів: булеві (boolean), параметр вибору (category), текстовий параметр (text), числовий параметр (number). Параметри фактично визначають тип діалогового вікна, якщо вони використовуються при діалозі. Проте вони можуть використовуватися просто для завдання типу даних, тобто не брати участь в людино-машинному (призначеному для користувача) інтерфейсі.

Секції в ESTA це логічні блоки, в межах кожного з яких виконується аналіз певних даних з метою подальшого переключення на іншу секцію, чи виведення порад.

Секція складається з назви (section-name), опису(description-text) та кількох параграфів. Якщо параграф містить логічний вираз, то спочатку обчислюється цей вираз і в випадку його істинності чи коли параграф не містить логічних виразів, виконуються дії, згідно порядку записаному в параграфі.

2. РОЗРОБКА АЛГОРИТМУ РІШЕННЯ

2.1 Опис предметної області

експертна система база знання

Метою курсової роботи є створення експертної системи для оцінки ступеня підготовленості студента до іспиту.

Вхідними даними є:

Кілкість зданих лабораторних робіт.

На скільки відсотків виконана курсова робота.

Тест за теоретичним курсом.

В результаті виконання програми має виводитись ймовірність допуску до сесії студента, а також рекомендації щодо покращення успішності.

Головним критерієм успішності є кількість у відсотковому відношенні зданих лабораторних робіт, курсової роботи а також тесту (колоквіуму). Також важливим є кількість зданого по відношенню до часу що залишився, оскільки якщо в початковий період навчання низька успішність зовсім не означає, що він не буде допущений до сесії, оскільки в нього ще буде достатньо часу щоб покращити ситуацію з усіма результатами то в останній період часу низька успішність гарантовано означає не допуск до сесії.

Лабораторна робота - є одним із видів обов'язкових самостійних робіт учнів. Вона передбачається навчальним планом з низки навчальних предметів і проводиться під керівництвом викладача із застосуванням спеціальних приладів, матеріалів, інструментів та інших засобів навчання.

Курсова робота (Курсовий проект) -- вид самостійної навчально-наукової роботи з елементами дослідження, що виконується студентами вищих або середніх-спеціальних учбових закладів протягом семестру з метою закріплення, поглиблення і узагальнення знань, одержаних за час навчання та їх застосування до комплексного вирішення конкретного фахового завдання.

Колоквіум-одна з форм навчання -- бесіда викладача із студентами з метою оцінк

Екзаменаційна сесія -- це період підведення підсумків навчальної роботи студентів протягом семестру.Тривалість та терміни її проведення визначаються навчальним планом (робочим навчальним планом). Під час сесії проводяться екзамени за окремим розкладом, який затверджується проректором (заступником директора) з навчальної роботи. Перерва між екзаменами, якщо вона необхідна студентам для самопідготовки, повинна становити не менше 3--4 днів. Перед кожним екзаменом обов'язково проводиться консультація.и та підвищення рівня знань.

Не допуск до сесії. Студент не допускається до семестрового контролю з певної дисципліни, якщо він не виконав усіх видів робіт, завдань (лабораторні роботи та певні індивідуальні завдання), передбачених робочим навчальним планом на семестр з цієї навчальної дисципліни.

Для того, щоб правильно вирішити поставлену задачу необхідно, спроектувати концептуальну модель знань згідно поставленого завдання, яка буде якнайточніше відповідати вимогам, що ставляться до роботи даної системи.

У нашому випадку, необхідно реалізувати експертну систему для оцінки ступеня підготовленості студента до іспиту. Нище наведена можлива модель алгоритму рішень з відповідними питаннями і можливими комбінаціями - шляхами.

Розглінемо створення бази знань для експертної системи з вибору фотоапарата. Перелічимо опписані вище факти:

Стан підготовик студента

1.1Який тиждень

1.1.1 Перша третина навчання

1.1.2 Друга третина навчання

1.1.3 Третя третина навчання

1.2 Кількість зданих лабораторних робіт

1.2 1 Кількість зданих лабораторних терміном до 6 тижня

1.2.1.1 До 5 %

1.2.1.2 5-10 %

1.2.1.3 10-15 %

1.2.2 Кількість зданих лабораторних терміном 6-12 тижня

1.2.2.1 До 20 %

1.2.2.2 20-35 %

1.2.2.3 35-50 %

1.2.3 Кількість зданих лабораторних терміном до 12-18 тижня

1.2.3.1 До 50 %

1.2.3.2 60-80 %

1.2.3.3 80-100 %

1.3 Готовність курсової роботи, %

1.3.1 Готовність курсової роботи терміном до 6 тижня

1.3.1.1 До 5 %

1.3.1.2 5-10 %

1.3.1.3 10-15 %

1.3.2 Готовність курсової роботи терміном 6 - 12 тижня

1.3.2.1 До 20%

1.3.2.2 20-35 %

1.3.2.3 35-50 %

1.3.3 Готовність курсової роботи терміном до 12-18 тижня

1.3.3.1 До 50 %

1.3.3.2 60-80 %

1.3.3.3 80-100 %

1.4 Тест за теоретичним курсом

1.4.1 Оцінка за тест по 6-12 тижні

1.4.1.1 До 15 %

1.4.1.2 15-30 %

1.4.1.330-50 %

1.4.2 Оцінка за тест по 12-18 тижні

1.4.2.1 50-60%

1.4.2.2 50-75 %

1.4.2.375-100 %

1.5 Оцінкка

1.6 Рекомендація

2.2 Побудуємо дерево рішень

Важливим етапом при створенні БЗ є етап придбання знань. На цьому етапі різноманітний набір фактів про деякий предмет повинен бути представлений у вигляді деякої узагальненої структури. Однією з них є структура, що одержала назву «дерево рішень».

Це один з простих способів представлення фактів і його застосування обмежено, тобто граф, який представляє правила в ієрархічній послідовній структурі, де кожному об'єкту відповідає єдиний вузол, що дає рішення. Потім визначаються способи (правила) розбиття на гілки всієї множини записів або варіантів, відповідних кореневого вузла. Гілки утворюють дерево, повернене кроною вниз. На гілках дерева відзначають вузли, що відповідають підмножині записів або варіантів. На кожному вузлі знову визначаються правила розбиття на гілки і т.д. до тих пір, поки процес не дійде до кінцевих вузлів, що називаються листям. У зв'язку з цим, дерева рішень часто застосовуються для моделювання (генерації) «багатоетапних» процесів прийняття рішень, в яких взаємопов'язані рішення приймаються послідовно. Таке уявлення полегшує опис процесу прийняття рішень.

Структура дерева рішень ілюструє відносини, які повинні бути встановлені між правилами в добре організованій БЗ. По мірі спуску по дереву рішень від вершини до листя, створюється все більше відфільтрованих однорідних множин, що задовольняють певному набору умов, сформульованих у вузлах дерева. Фрагмент дерева рішень наведено на рисунку 2.1.

Рисунок 2.1 - Дерево рішень

Розробивши дерево рішень, можна записати правила бази знань. Для цього з дерева рішень виділяємо всі шляхи, що ведуть до його завершальних вершин.При створенні консультуючої експертної системи для вибору майбутньої спеціальності використаємо програмну оболонку ESTA. Нище наведений приклад одного з правил бази знань:

ЯКЩО тиждень навчання = (перша третина навчання ) та кількість зданих лабораторних = (Число) та готовінсть курсової роботи= (Число) та оцінка за колоквіум = (Число) ТО після відповідних обрахунків імовірність допуску до сесії = (... .. ..) а також рекомендація (…….).

Після того, як правила сформульовані і записані, їх можна помістити в базу знань.

2.3 Робота в оболонці ESTA

Для початку роботи з ESTA потрібно зайти в папку з встановленою програмою, та запустити ESTA.EXE. Для створення нового параметру вибераємо Parameter->New Parameter. В діалоговому вікні що зявиться потрібно буде задавти дві характеристики назу і тип. В мене перший параметр буде називатися Week та мати тип категорійний або перераховний (cutegory). Перерахований тип використовують для зображення властивостей певного об'єкту, які можна перерахувати. Вибравши Show current parameter можна розглянути синтаксис даного параметра:

parameter week : ' '

type category

explanation 'Необхiдно вибрати вiдповiдний часовий вiдрiзок. Семестр подiлений на 3 рiвнi вiдрiзки 1-6; 6-12; 12-18 тижнi '

options

Перша_третина_навчання,

Друга_третина_навчання,

Третя_третина_навчання.

/* rules field */

question 'Виберiть який тиждень навчання '

picture ' '

В пункті меню Parameter -р обота з параметрами БЗ можна також редагувати вже створені раніше параметри вибравши Edit parameter редагувати параметр. Непотрібні або помилково створені парметри можна видалити з БЗ вибравши Delete parameter. Аналогічним чином створимо інші параметри бази знань, які необхідні для побудови дерева рішень.

Під час консультації також можна подивитися на активний параметр з допомогою Show current parameter. Також можна подивитися всі параметри, які отримали свої значення з допомогою List parameters with a Value.

Секції в ESTA це логічні блоки, в межах кожного з яких виконується аналіз певних даних з метою подальшого переключення на іншу секцію, чи виведення порад. Для створення нової секції вибераємо Section->New Section, і в вікні вводимо назву секції. Після чого відкривається вікно, в якому необхідно описати дану секцію.

В процесі написання програми при сторенні параметрів та секцій я називав їх такими скороченнями, як:

kilkist_zdanuh_lab -параметри, що використовується для вводу кількості зданих лабораторних робіт, у відсотках.

Gotovnist_kursovoi_robotu - параметри, що використовується для вводу у відсотках готовність курсової роботи.

Rezultat_za_kolokvium - параметри, що використовується для вводу результату за колоквіум, виражається к відсотках.

Rating -- оцінка, що що вираховується для кожного часового періоду.

Вираховується як сума введена з клавіатури кількість зданих лабораторних робіт поділена на кількість балів відведені під конкретний паремтр і поділений на 100, так вираховуються бали за кожний парметр .

oc1-oc3 - введена з клавіатури оцінка за лабораторні.

oc4-oc6 - введена з клавіатури готовність курсової роботи.

oc7-oc8 - введена з клавіатури оцінка за колоквіум.

Рисунок 2.2 - Приклад опису секції

Аналогічно створюємо всі необідні секції. Впроцесі створення секцій використовувалися в них такі дії ESTA як:

advice виводить пораду яка вказана в лапках;

do переведення контролю виконання на іншу секцію;

exit вихід з режиму консультації та інші.

Для того, щоб переглянути список всіх секцій нашої БЗ потрібно вибрати пункт Section->List all sections. Виконавши в меню Section - робота з секціями бази знань пункт - Draw section отримаємо намальоване дерево секцій (рис. 2.3). Першим кроком є вибір тижня навчання.

Рисунок 2.3 - Дерево секцій

2.4 Процес консультації

Consult. За допомогою даного пункту меню можна здійснювати процес консультуваня а також працювати з БЗ.

- Begin consultation - почати процес консультації;

- Continue consultation - продовжити процес консультування;

- Advice given in last session - показати пораду, яка була згенерована в останній консультації;

- Check knowledge base - перевірити БЗ (дозволяє перевірити БЗ на наявність помилок);

- Show knowledge base - показати БЗ.

Рисунок 2.4 - Режим консультації

Кінцевим кроком консультації є демонстрація введеної інформації, сумарна оцінка в балах а також ймовірність допуску до сесії при умові що студент буде вчитись в такому ж ритмі. (рис. 2.5).а також рекомендація щодо покращення результатів (рис. 2.6)

Рисунок 2.5 - Результат консультації

Рисунок 2.6 - Рекомендація

2.5 Інструкція роботи користувача

В даній курсовій роботі я розділив семестр на три часові відрізки:

1-6 тижні

6-12 тижні

12-18 тижні

Згідно вище сказаного першим, що побачить користувач буде вікно проханням “Виберіть тиждень навчання” і будуть можливі варіанти:

Перша третина навчання

Друга третина навчання

Третя третина навчання

В подальшому доцільно буде описувати тільки один часовий відрізок, так як критерії будуть однакові за виключенням відсутності колоквіуму на першому часовому етапі.

Після вибору тижня перед користувачем постає проханнання ввести відсоток зданих ним лабораторних робіт. Для кращої інформативності користувача при нажаті на кнопку Explain / Пояснення появляється повідомлення де написано “Вкажіть кількість зданих лабораторних робіт з урахуванням того, що Х % ---- максимальне для даного періоду.

Наступним питанням, що появиться перед користувачем це “Відсоток виконання курсової роботи”. Аналогічно попередньому для кращої інформативності при нажатті на кнопку Explain появляється підказка :
“Вкажіть готовність курсової роботи з урахуванням того, що Х % -- максимальне для даного періоду ”.

Після введення оцінки за курсову роботу появиться прохання “Вкажіть відсоток на який пройдено тест за теоретичним курсом (колоквіум)”, при нажатті на підказку появиться вікно з інформацією “Вкажіть відсоток на який пройдено тест за теоретичним курсом з урахуванням того, що Х % -- максимальне для даного періоду ”.

В результаті ми отримаємо вікно де виведений результат приведений до оцінки в балах, а також вірогідність допуску студента до сесії відсотках, а також рекомендації.

Х-це число що ми вводимо з клавіатури.

Для першої третини навчання (1-6 тижні) максимальними значеннями є 15 % як для лабораторних робіт так і для курсової роботи. Колоквіум в першій третині навчання відсутній.

Для другої третини навчання (6-12 тижні) максимальними значеннями зданих лабораторних робіт і готовності курсової роботи є 50 %. Максимальним відсотком на який можна пройти тест є 100%.

Для третьої третини навчання (12-18 тижні) максимальними значеннями для всіх параметрів є 100%.

Умови рекомендації є наступними:
Якщо загальна успішність менша 35 рекомендація є: ” Підготовка студента є низька, рекомендація почати вчитись.”

Якщо успішність вмежах між 36 і 59 то рекомендація наступна: ”Підготовка студента є задовільна, рекомендація досягти кращих результатів”.

Якщо успішність більше 60 рекомендацією є “Підготовка студента є на рівні добре і відмінно , рекомендація встигнути все вчасно”.

ВИСНОВКИ

Під час виконання даної курсової роботи перед мною була поставлено завдання розробити експертну система для оцінки ступеня підготовленості студента до іспиту.

Необхідно було створити експертну систему, що буде оцінювати підготовку студента за заданими параметрами, а саме :

Кілкість зданих лабораторних робіт.

На скільки відсотків виконана курсова робота.

Тест за теоретичним курсом.

За даними параметрами було складене дерево рішень де було розпреділено бали між параметрами а також врахований часовий параметр що сильно впливає на результат.

Мною було реалізовано поставлене завдання в програмній оболонці ESTA. Користуючись даною експертною системою користувач зможе оцінити відсоток здачі по заданим критеріям і оцінити ймовірність допуску його до сесії.

Результатом проектування є програма яка в діалоговому режимі з користувачем ставить питання щодо заданих параметрів, а користувач вводить свої результати користуючись підказками з описом.

В результаті користувач отримує приведені в бали оцінки, а також ймовірність допуску до сесії і рекомендації до покращення результатів.

СПИСОК ПОСИЛАНЬ НА ДЖЕРЕЛА

1. Зікратий С. В. Системи штучного інтелекту. Лабораторний практикум. Частина ІІ. - Івано-Франківськ: Факел, 2005. - 68 с.

2. А. П. Частиков, Д. Л. Белов, Т. А. Гаврилова - Разработка экспертных систем. Среда CLIPS - 2003. - 393 с.

3. Бердтис А. Структуры данних. - М.: Статистика, 1974, - 408 с.

4. Построение экспертных систем.- М.: Мир, 1987.

5. Гаврилова Т. А., Хорошевский В. Ф. Базы знаний интеллектуальных систем. Учебник.-- СПб.: Питер, 2000. - 484 с.

6. Джозеф Джарратано - Экспертные системы. Принципы разработки и программирование, 4е изд - 2007. - 421 с.

Размещено на Allbest.ru