Малая экспертная система.

Лабораторная работа № 1.

Цель работы: знакомство с оболочкой Малая экспертная система 2.0., выработка умений и навыков создания и редактирования баз знаний с использованием данного программного обеспечения.

Используемое программное обеспечение: MiniES, MKBEditor, блокнот.

Теоретические сведения

Экспертные системы - это сложные программные комплексы, аккумулирующие знания специалистов в конкретных предметных областях и распространяющих или тиражирующих этот опыт для пользователей, менее квалифицированных, в виде консультации.

Экспертные системы - один из классов интеллектуальных систем, ориентированные на тиражирование знаний опытных высококвалифицированных специалистов в различных областях, где качество принятия решений зависит от уровня экспертизы.

Любая экспертная система включает в себя:

- базу знаний и интерпретатор базы знаний;

- машину вывода с механизмом логического вывода и реализацией его функций, а также синтез методов логического вывода;

- интерфейс моделирования разумных умозаключений характерных для человека.

Характеристики экспертных систем:

1. Ограниченность определенной сферой экспертизы, то есть проектируемая экспертная система должна быть сугубо профессиональной.

2. Способность рассуждать при сомнительных данных и давать объяснение своим рассуждениям. Система должна быть гибкой и иметь расширенный диапазон вопросов.

3. Четкое разделение фактов и механизмов вывода. Экспертная система должна иметь гибкую систему логического вывода и синтез методов.

4. Наличие возможности постепенного наращивания системы и расширения сферы её деятельности.

5. Использование четких и нечетких правил механизма логического вывода и синтеза методов.

6. Получение на выходе пользователем лаконичных ответов, советов с комментариями, с предоставлением в некоторых случаях графической информации.

Обычно экспертные системы рассматриваются с точки зрения их применения в двух аспектах: для решения каких задач они могут быть использованы и в какой области деятельности. Эти два аспекта накладывают свой отпечаток на архитектуру разрабатываемой экспертной системы.

Области деятельности, где используются экспертные системы:

- медицина;

- вычислительная техника;

- военное дело;

- микроэлектроника;

- радиоэлектроника;

- юриспруденция;

- экономика;

- экология;

- геология (поиск полезных ископаемых);

- математика и др.

Примеры экспертных систем:

- экспертные системы диагностики легочных заболеваний;

- экспертные системы для символьных преобразований алгебраических выражений;

- экспертные системы для управления многозадачной операционной системой MVS больших ЭВМ корпорации IBM и др.

Классификация экспертных систем

Экспертные системы делятся на четыре класса:

I. По типу решаемых задач.

II. По связи с реальным временем.

III. По типу ЭВМ.

IV. По степени интеграции.

Рассмотрим подробно каждый класс.

Экспертные системы по типу решаемых задач:

1. Экспертные системы интерпретации данных осуществляют процесс определения смысла данных, результаты которых должны быть согласованы и корректны.

2. Пятое поколение авиационной техники занимается разработкой интеллектуальных систем обнаружения и уничтожения военных объектов; разработка интеллектуального дома.

3. Определение основных свойств личности по результатам психодиагностического тестирования (АВТЕНТЕСТ, МИКРОЛЮШЕР).

4. Диагностические экспертные системы.

Диагностика - процесс соотношения объекта с некоторым известным классом объектов, обнаружения неисправностей в некоторых системах.

Неисправность - отклонение некоторых технических параметров от нормы. Это позволяет с единых теоретических позиций рассматривать:

- неисправность оборудования;

- заболевания живых организмов;

- природных явлений.

5. Проектирование - процесс подготовки спецификаций на создание объектов с заранее определенными свойствами.

Спецификация - набор необходимых документов в виде чертежей, пояснительных записок, электронных схем и т.д.

В процессе проектирования возникают проблемы получения четкого структурированного описания знаний об объекте. Необходимо знать сами проектные решения и мотивы их принятия.

Таким образом, тесно связываются два процесса в рамках экспертных систем: процесс вывода решения и процесс объяснения.

6. Мониторинг - процесс непрерывной интерпретации данных в масштабе реального времени и сигнализации о выходе тех или иных параметров за допустимый предел.

В процессе мониторинга возникают следующие проблемы:

- «пропуск» тревожной ситуации;

- ложное срабатывание.

Сложность реализации происходит из-за размытости (нечёткости) симптомов тревожных ситуаций и необходимости их учёта.

7. Прогнозирование - программа предсказания последствия некоторых событий или явлений на основании имеющихся данных.

Прогнозирующие системы логически выводят вероятное следствие из заданных ситуаций. Практически прогнозирование осуществляется на базе параметрической динамической модели, в которой значение параметра подгоняется под заданную ситуацию. Выводимые из этой модели следствия составляют основу для прогноза с вероятностной оценкой.

8. Планирование - программа нахождения плановых действий, относящихся к объектам, способным выполнять некоторые функции.

В таких экспертных системах используется модель поведения реальных объектов, чтобы логически вывести последствия планируемой деятельности.

9. Обучение - использование компьютера для изучения конкретной дисциплины или предмета.

Обучающие системы диагностируют ошибки и подсказывают правильные решения. В основе процесса обучения лежит аккумуляция знаний о гипотетическом ученике и его характерных ошибках.

Экспертная система должна быть способна:

- диагностировать слабости в познаниях обучаемого;

- находить соответствующие средства для их ликвидации;

- получать правильный ответ.

Экспертные системы по связи с реальным временем:

- статические экспертные системы разрабатываются в тех предметных областях, в которых база знаний и интерпретируемые данные не изменяются во времени (например, диагностика неисправностей автомобиля);

- квазидинамические экспертные системы интерпретируют ситуацию, которая меняется с некоторым фиксированным интервалом времени;

- динамические экспертные системы сопрягаются с датчиками объектов в режиме реального времени с непрерывной интерпретацией поступающих данных.

Данная классификация условна, так как экспертная система одной категории может переходить в экспертную систему другой категории в зависимости от конкретных изменяющихся данных.

Экспертные системы по типу ЭВМ:

1. Супер ЭВМ.

2. Мощные вычислительные ЭВМ, предназначенные для разработки стратегических задач.

3. ЭВМ средней производительности.

4. Символьные процессоры и сервисы.

5. Рабочие станции.

6. Персональные компьютеры (Intel, Macintosh (Apple) и др.).

Экспертные системы по степени интеграции:

- автономные экспертные системы работают в режиме консультации с пользователем, решают специфические экспертные задачи, в которых не требуется привлекать традиционные методы обработки данных, расчета, моделирования и т.д.;

- гибридные (интегрированные) экспертные системы - программные комплексы, агрегирующие стандартные пакеты программ (в математической статистике, линейном программировании, динамическом программировании).

В качестве гибридных экспертных систем могут быть интеллектуальные надстройки над пакетами прикладных программ или интегрированные среды для решения сложных задач с элементами экспертных знаний.

Рассмотрим структуру экспертной системы (рис. 1).

Рис. 1. Структура экспертной системы

Пользователь - специалист предметной области, для которого предназначена система. Обычно его квалификация недостаточно высока, и поэтому он нуждается в помощи и поддержке со стороны экспертной системы.

Инженер по знаниям - специалист по искусственному интеллекту, выступающий в роли промежуточного звена между экспертом и базой знаний. Практически он является интерпретатором созданной базы знаний.

Интерфейс пользователя - комплекс программ, реализующий диалог пользователя с экспертной системой как на стадии ввода информации, так и получения результатов.

Эксперт - специалист в определенной предметной области.

База знаний - ядро экспертной системы - совокупность знаний предметной области, записанная на машинный носитель в форме, понятой как эксперту, так и пользователю (обычно не некотором языке, приближенном к естественному). Параллельно такому «человеческому» представлению существует база знаний во внутреннем «машинном» представлении.

Решатель - программа, моделирующая ход рассуждений эксперта на основании знаний, имеющихся в базе знаний.

Подсистема объяснений - программа, позволяющая пользователю получить ответы на вопросы, как была получена та или иная информация, и почему система приняла такое решение. Ответ на первый вопрос - это трассировка всего процесса получения решения с указанием использованных фрагментов базы знаний, то есть всех шагов цепи умозаключения; на второй - ссылка на умозаключение, непосредственно предшествовавшее полученному решению, то есть отход на один шаг назад.

Интеллектуальный редактор базы знаний - программа, представляющая инженеру по знаниям возможность создавать базы знаний в диалоговом режиме:

- система вложенных меню;

- шаблон языка представления знаний;

- подсказки и другие сервисные средства, облегчающие работу с базой знаний.

Этапы разработки экспертных систем:

1. Идентификация.

Определение участников и их ролей в процессе создания и эксплуатации экспертной системы.

В процессе создания экспертной системы могут участвовать следующие специалисты: инженеры по знаниям, эксперты, программисты, руководитель проекта, заказчики (конечные пользователи). При реализации сравнительно простых экспертных систем программистов может и не быть. Роль инженера по знаниям - выуживание профессиональных знаний из экспертов и проектирование базы знаний экспертной системы и ее архитектуры. Программист необходим при разработке специализированного для данной экспертной системы программного обеспечения, когда подходящего стандартного (например, оболочки для создания экспертной системы) не существует или его возможностей не достаточно и требуются дополнительные модули.

В процессе эксплуатации могут принимать участие конечные пользователи, эксперты, администратор.

На этом этапе разработчик должен ответить на следующие вопросы:

- Какой класс задач должна решать экспертная система?

- Как эти задачи могут быть охарактеризованы или определены?

- Какие можно выделить подзадачи?

- Какие исходные данные должны использоваться для решения?

- Какие понятия и взаимосвязи между ними используются при решении задачи экспертами?

- Какой вид имеет решение, и какие концепции используются в нем?

- Какие аспекты опыта эксперта существенны для решения задачи?

- Какова природа и объем знаний, необходимых для решения задачи?

- Какие препятствия встречаются при решении задач?

- Как эти помехи могут влиять на решение задач?

2. Концептуализация.

На этом этапе разработчик должен ответить на следующие вопросы:

- Какие типы данных нужно использовать?

- Что из данных задано, а что должно быть выведено?

- Имеют ли подзадачи наименования?

- Имеют ли стратегии наименования?

- Имеются ли ясные частичные гипотезы, которые широко используются?

3. Формализация.

4. Реализация прототипной версии.

5. Тестирование.

6. Перепроектирование прототипной версии.

Назначение, возможности и принцип работы байесовской стратегии оценки выводов

Байесовская стратегия оценки выводов - одна из стратегий, применяемых для оценки достоверности выводов (например, заключений продукционных правил) в экспертных системах. Основная идея байесовской стратегии заключается в оценке вероятности некоторого вывода с учетом фактов, подтверждающих или опровергающих этот вывод.

Формулировка теоремы Байеса, известная из теории вероятностей, следующая.

Пусть имеется n несовместных событий H₁, Н₂,..., Н_n. Несовместность событий означает, что никакие из событий H₁, Н₂,..., Н_n не могут произойти вместе (другими словами, вероятности их совместного наступления равны нулю). Известны вероятности этих событий: Р(Н₁), Р(Н₂),..., Р(Н_n), причем Р(Н₁)+Р(Н₂)+...+Р(Н_n)=1; это означает, что события H₁, Н₂,..., Н_n образуют полную группу событий, то есть одно из них происходит обязательно. С событиями H₁, Н₂,..., Н_n связано некоторое событие Е. Известны вероятности события Е при условиях того, что какое-либо из событий H₁, Н₂,..., Н_n произошло: Р(Е/Н₁), Р(Е/Н₂),..., Р(Е/Н_n). Пусть известно, что событие Е произошло. Тогда вероятность того, что какое-либо из событий Н_i (i=1,..., n) произошло, можно найти по следующей формуле (формула Байеса):

События H₁, Н₂,..., Н_n называются гипотезами, а событие Е - свидетельством. Вероятности гипотез Р(Н_i) без учета свидетельства (то есть без учета того, произошло событие Е или нет) называются доопытными (априорными), а вероятности Р(Н_i/Е) - послеопытными (апостериорными). Величина Р(ЕН_i) - совместная вероятность событий Е и Н_i, то есть вероятность того, что произойдут оба события вместе. Величина Р(Е) - полная (безусловная) вероятность события Е.

Формула Байеса позволяет уточнять вероятность гипотез с учетом новой информации, то есть данных о событиях (свидетельствах), подтверждающих или опровергающих гипотезу.

В экспертных системах формула Байеса может применяться для оценки вероятностей заключений продукционных правил на основе данных о достоверности их посылок. Заключения (выводы) в этом случае соответствуют гипотезам в теореме Байеса, а посылки - свидетельствам. Обычно посылка правила в экспертной системе содержит несколько условий. Вероятности Р(Н_i) и Р(Е/Н_i) определяются на основе статистических данных с использованием формул теории вероятностей. Основные из этих формул следующие.

Формула умножения вероятностей (вероятность того, что произойдет и событие А, и событие В):

Р(АВ) = Р(А)Р(В/А) = Р(В)Р(А/В), где Р(А), Р(В) - вероятности событий А и В; Р(В/А) - условная вероятность события В, то есть вероятность события В при условии, что произошло событие А; Р(А/В) - условная вероятность события А, то есть вероятность события А при условии, что произошло событие В. Если события А и В независимы (то есть вероятность одного события не зависит от того, произошло ли другое событие), то формула умножения вероятностей записывается следующим образом:

Р(АВ) = Р(А)Р(В).

Формула умножения вероятностей для нескольких событий (вероятность того, что произойдут все указанные события вместе):

Р(А₁, А₂,..., А_n) = Р(А₁)Р(А₂/А₁) Р(А₃/А1, А₂)... Р(А_n/А₁, А₂,..., А_n-1).

Формула сложения вероятностей (вероятность того, что произойдет хотя бы одно из событий):

Р(А+В) = Р(А) + Р(В) - Р(АВ).

Если события А и В несовместны (то есть не могут произойти вместе), то Р(АВ)=0, и формула сложения вероятностей принимает следующий вид:

Р(А+В) = Р(А) + Р(В).

Формула сложения вероятностей для нескольких событий обычно записывается следующим образом:

Р(А₁ +А₂ +... + А_n) = 1-Р( + +... + ), где Р( + +... + ) - вероятность того, что не произойдет ни одного из событий A₁, А₂,..., А_n. Эту величину можно найти, например, по формуле умножения вероятностей.

Пример применения байесовской стратегии оценки выводов

В экспертных системах для составления прогнозов погоды вероятность дождя на следующий день определяется с учетом трех факторов: ветер, влажность, облачность (в день наблюдения). За 173 дня (из них 53 дождливых) накоплены статистические данные, приведенные в таблице.

Приведенные в таблице данные означают, например, следующее: за период наблюдений (173 дня) слабый ветер наблюдался 71 день (71=19+52). В 19 случаях на следующий день погода была дождливой, в 52 случаях - без осадков.

В некоторый день наблюдается следующая погода: сильный ветер, высокая влажность, облачно. Требуется найти вероятность дождливой погоды на следующий день.

В данном случае в качестве гипотез рассматриваются состояния погоды на следующий день: Н₁ - дождь, Н₂ - погода без осадков. Свидетельством здесь является сочетание трех факторов, характеризующих погоду в день наблюдения: ветер, влажность и облачность (можно сказать, что в данном случае используются три свидетельства); обозначим эти факторы как Е₁, Е₂, Е₃. Обозначим наблюдаемое сочетание факторов (сильный ветер, высокая влажность, облачно) как событие Е.

Определим вероятности, необходимые для расчетов по формуле Байеса. Априорные вероятности гипотез (то есть вероятности дождя и погоды без осадков, без учета наблюдаемого состояния погоды):

Р(Н₁)=53/173=0, 306;

Р(Н₂)=120/173=0, 694.

Наблюдаемое свидетельство (состояние погоды в день наблюдения) представляет собой сочетание трех событий, наблюдаемых вместе: сильного ветра, высокой влажности и облачности. Считая эти события независимыми (то есть считая, например, что влажность не зависит от облачности, и т.д.), можно найти условные вероятности свидетельства по формуле умножения вероятностей:

Р(Е/Н_i) = Р(Е₁, Е₂, Е₃/Н_i) = Р(Е₁/Н_i) Р(Е₂/Н_i)Р(Е₃/Н_i), i=1, 2.

Найдем величины, необходимые для применения формулы умножения вероятностей:

Р(Е₁/Н₁)=7/53=0, 132; Р(Е₂/Н₁)=35/53=0, 66; P(Е₃/Н₁)=8/53=0, 151; Р(Е₁/Н₂)=24/120=0, 2; Р(Е₂/Н₂)=18/120=0, 15; Р(Е₃/Н₂)=27/120=0, 225.

Здесь, например, P(Е₁/Н₁)- вероятность того, что в текущий день наблюдается сильный ветер, при условии, что следующий день будет дождливым. Эта величина показывает, насколько часто наблюдается сильный ветер в дни, предшествующие дождливой погоде.

Подставляя найденные величины в формулу умножения вероятностей, получим:

Р(Е/Н₁) = 0, 132*0, 66*0, 151 = 0, 0132; Р(Е/Н₂) = 0, 2*0, 15*0, 225 = 0, 00675.

Здесь, например, величина Р(Е/Н₁) - вероятность наблюдаемого состояния погоды (сильного ветра, высокой влажности и облачности) при условии, что следующий день будет дождливым.

Найдем вероятность дождливой погоды на следующий день при наблюдаемом состоянии погоды (апостериорную вероятность):

При построении экспертных систем часто используют вероятностный подход. Составляя базу знаний, применяют экспертную матрицу, имеющую следующий вид:

Номера 1, 2, …, 10 соответствуют вопросам заданной предметной области, буквы а, b, …, t в массиве означают возможные варианты ответов. Матрица должна содержать все знания эксперта по данному предмету.

Область запросов - та область, в которой экспертная система должна быть экспертом.

Возможные варианты ответов в экспертной матрице носят вероятностный характер. Они задаются числами от 0 до 1. Если событие наверняка должно произойти, то вероятность его появления равна 1. Если событие не имеет шанса произойти когда-либо, то вероятность его появления равна 0. Если же событие равновероятно, то есть может как произойти, так и нет, то вероятность его появления равна 0, 5. Все остальные возможные случаи лежат в указанном диапазоне.

Пример:

Завтра будет дождь Завтра дождя не будет

Сыро 0, 6 0, 4

Сухо 0, 45 0, 55

Перейдем непосредственно к выполнению лабораторной работы.

1. Скопируйте на съемный диск или рабочий стол папку Малая Экспертная Система 2.0 (УММ для студентов ® Кафедра информатики ® МалежиковаАА_Интеллектуальные информационные систем системы ® Лабораторные_работы ® Лабораторная работа№1 ® Малая Экспертная Система 2.0).

2. Загрузите приложение MiniES.exe (рис. 2).

Рис. 2. Окно MiniES.exe

3. Загрузите файл «Медицинская БЗ.mkb» для получения консультации (нажав кнопку «Загрузить базу знаний» , либо с помощью одноимённого пункта меню «Файл» (для этого также предназначена «горячая» клавиша < F2>)) из папки Базы знаний, находящейся в папке Малая экспертная система 2.0. (рис. 3).

Рис. 3. Медицинская база знаний в режиме консультации

4. Нажмите кнопку «Начать консультацию» («горячая» клавиша < F3> или пункт меню «Консультация | Начать консультацию»).

5. Ответьте на вопросы консультации.

Возможны два варианта ответа:

- по некоторой шкале от –5 («точно нет») до +5 («точно да»);

- по вероятности истинности свидетельства (число от 0 до 1).

В обоих случаях вы можете выбирать любые промежуточные значения. Переключение между вариантами ответа осуществляется с помощью кнопки либо «горячей» клавишей < F8> (рис. 4).

Рис. 4. Окончание консультации с помощью Медицинской базы знаний

6. Загрузите приложение MKBEditor.exe (рис. 5).

Рис. 5. Редактор баз знаний MKBEditor.exe

Иногда антивирусная программа не дает запустить Редактор базы знаний. В таких случаях для создания и редактирования баз знаний используйте Блокнот (файл должен быть сохранен с расширением *.mkb).

7. Загрузите файл «Медицинская БЗ.mkb» для редактирования базы знаний (нажав кнопку «Загрузить базу знаний» , либо с помощью одноимённого пункта меню «Файл» (для этого также предназначена «горячая» клавиша < F2>)) (рис. 6).

Рис. 6. Медицинская база знаний в режиме редактирования

8. Внесите изменения и сохраните базу знаний в файле (нажмите кнопку «Сохранить базу знаний» , либо воспользуйтесь одноимённым пунктом меню «Файл» (для этого также предназначена «горячая» клавиша < F4>).)

9. Проверьте отредактированную базу знаний на ошибки (воспользуйтесь кнопкой , либо пунктом меню «Правка | Проверить базу знаний» (для этого также предназначена «горячая» клавиша < F3>)).

10. Выполните нижеприведенные задания (создание новой базы знаний осуществляется в MKBEditor.exe (либо создается текстовый файл с расширением *.mkb), а прохождение консультации – в MiniES.exe).

Пример базы знаний

Структура базы знаний:

1. Раздел описания базы знаний содержит название базы знаний, может содержать имя автора и сведения о базе знаний.

«Определение домашнего питомца по признакам»

Автор: Алексей Бухнин.

2. Раздел свидетельств содержит список вопросов, предлагаемых пользователю базы знаний.

Вопросы:

1. Морда вытянутая?

2. Крылья есть?

3. На поглаживания по спине отвечает довольным урчанием?

4. Живёт в аквариуме (или другом резервуаре с водой)?

5. Есть лапы?

6. При встрече с хозяином виляет хвостом?

3. В разделе описания исходов содержится перечень исходов, их априорная вероятность, номера свидетельств из модели знаний и вероятности благоприятного и неблагоприятного ответа на них.

Составные части листинга программы соединяются запятыми.

Модель знаний – это список исходов с номерами вопросов, ответ на которые однозначно положительный или отрицательный.

Пример модели знаний:

Собака, 1, 2, 3, 4, 6

Кошка, 1, 2, 3, 4

Попугай, 2, 4

Рыбка, 2, 4, 5

Тритон, 2, 4, 5

Листинг программы:

Собака, 0.4, 1, 0.7, 0.5, 2, 0, 0.5, 3, 0.01, 0.5, 4, 0, 0.5, 6, 0.9, 0.05

Кошка, 0.4, 1, 0.1, 0.5, 2, 0, 0.5, 3, 0.95, 0, 4, 0, 0.5

Попугай, 0.2, 2, 1, 0.3, 4, 0, 0.5

Рыбка, 0.1, 2, 0, 0.5, 4, 1, 0.1, 5, 0, 0.5

Тритон, 0.1, 2, 0, 0.5, 4, 1, 0.2, 5, 1, 0.5

Разделы между собой отделены пустой строкой.

Контрольные задания:

1. Заполните базу знаний и проверьте ее работоспособность.

Попытаемся определить, счастливы ли вы?

Дайте ответ на предложенные вопросы.

Вопросы:

Присутствуют ли в вашей семье мир и любовь?

Удовлетворены ли вы жилищными условиями?

Довольны ли вы своей работой?

Здоровы ли вы?

Счастливы, 0.5, 1, 0.9, 0.1, 2, 0.9, 0.1, 3, 0.9, 0.1, 4, 0.9, 0.1

Несчастливы, 0.5, 1, 0.1, 0.9, 2, 0.1, 0.9, 3, 0.1, 0.9, 4, 0.1, 0.9

2. Разработайте экспертную систему, которая оценивает здоровье испытуемого в соответствии со следующим набором правил:

1) необходимым условием для хорошего состояния является нормальная температура;

2) необходимым условием для хорошего состояния является нормальное артериальное давление;

3) необходимым условием являются хорошие результаты анализа состава крови;

4) необходимым условием является хорошая электрокардиограмма.

3. Разработайте свою экспертную систему, используя оболочку Малая экспертная система 2.0., содержащую не менее 20 свидетельств и не менее 5 исходов.

Варианты:

1. База знаний по классификации овощей.

2. База знаний для выработки советов на основе оценки состояния здоровья.

3. База знаний по управлению предприятием.

4. База знаний по ремонту ЭВМ.

5. База знаний по классификации видов птиц.

6. База знаний по классификации видов цветов.

7. База знаний по классификации видов насекомых.

8. База знаний по классификации видов транспорта.

9. База знаний по классификации видов растений.

10. База знаний по определению типов профессии (реалистический, интеллектуальный, социальный, предприимчивый, конфиденциальный, артистический).

11. База знаний по наименования блюда по входящим в него продуктам.

12. База знаний по выявления типа темперамента.

13. База знаний оценки взаимоотношений в коллективе.

14. База знаний оценки взаимоотношений руководителя в коллективе.

15. База знаний по выявлению типа личности.

16. База знаний по классификации пространственных фигур.

17. База знаний по классификации программного обеспечения.

18. База знаний по принадлежности дисциплин к определенным наукам.

19. База знаний по анализу возможных вариантов капиталовложений (финансовому планированию).

20. База знаний по классификации музыкальных произведений по жанрам.

21. База знаний по классификации литературных произведений по жанрам.

22. База знаний по классификации геометрических фигур.

23. База знаний прогнозирования погоды.

24. База знаний по определению неполадок автомобиля.

Контрольные вопросы:

1. Сформулируйте понятие экспертной системы.

2. Перечислите характеристики экспертных систем.

3. Какие существуют области применения экспертных систем?

4. Опишите классификацию экспертных систем.

5. Какова структура экспертной системы?

6. Охарактеризуйте этапы разработки экспертных систем.

7. Как связаны априорная и апостериорная вероятности?