ПРОГРАММА ЭКЗАМЕНА
Профессионально-ориентированных дисциплин
Квалификации «Специалист компьютерных наук»
Современные Интернет-технологии (В.К. Толстых)
1. Состав информационно-поисковых систем (ИПС).
2. Полнота охвата Internet документов, релевантность, пертинентность.
3. Алгоритм PageRank и методы оценки Internet-страниц.
4. Булевские модель информационного поиска.
5. Векторная модель информационного поиска.
6. Назначение и задачи Grid.
7. Что дают онтологии для семантического Web?
8. Какая модель и классификации семантических сетей?
9. Понятие и цели сервис-ориентированной архитектуры (SOA). Возможности SOA для информационных систем организаций.
10. Обоснование целесообразности разработки и внедрения SOA.
11. Архитектура OGSA. Требования, предъявляемые к Grid-сервисов OGSA.
12. Последовательность построения OGSA «Получение данных».
13. Понятие облачных вычислений. Обязательные характеристики облаков.
14. Модели развертывания облаков и утилизация ресурсов в облаках.
15. Экономическая целесообразность построения публичных облачных дата-центров.
Литература:
1. Толстых В.К. Современные Internet-технологии. Слайды лекций. Донецк: ДонНУ. – 2015. [электронный ресурс] / URL: https://www.tolstykh.com/ShowFolders/default.asp?show=/edu/slides/Advanced Internet-technologies
2. Беленький А. «Облачные» технологии начинают и выигрывают. — КомпьютерПресс, N7. — 2011. — С. 36-47.
3. Лапшин В. А. Онтологии в компьютерных системах.— https://www.rsdn.ru/article/philosophy/what-is-onto.xml
Технологии искусственного интеллекта (Т.В. Ермоленко)
1. Представление знаний с использованием логики предикатов. Логическое программирование.
2. Продукционные модели
3. Представление знаний с помощью фреймов
|
|
4. Сетевая модель представления знаний
5. Представление нечетких знаний. Нечеткая логика
6. Представление знаний нейронными сетями
7. Генетические алгоритмы
8. Упрощенная структура экспертных систем
9. Основные понятия распознавания образов
10. Метод опорных векторов
11. Классификация образов в рамках статистического подхода. Байесовский подход к распознаванию образов
12. Распознавание без учителя. Методы кластеризации
13. Задача выбора признаков при обучении с учителем
14. Задача выбора признаков при обучении без учителя. Анализ главных компонент и факторный анализ
15. Интеллектуальные информационные системы: назначение, проектирование и архитектура
Литература:
1. Потапов А.С. Технологииискусственногоинтеллекта: учебноепособие / А.С. Потапов – СПб: СПбГУ ИТМО, 2010. – 218 с.
2. Золотов С.И. Интеллектуальныеинформационныесистемы: учебноепособие / С.И. Золотов – Воронеж: Научная книга, 2007. –140с.
3. Представление знаний в информационных системах [Электронный ресурс] // URL: https://www.habarov.spb.ru/bz
4. Представление знаний [Электронный ресурс] // URL: https://itteach.ru/predstavlenie-znaniy
Управлениеинформацией и знаниями(Т.В. Шарий)
1. Информационныемодели. Отображениеинформационноймодели на язык XML.
2. Разработкаонтологий.
3. Хранилищаданных.
4. Определениетипа документа DTD.
5. ОсновыOLAP-анализа.
6. Понятиесхемы XML. Язык XSD.
7. Технология XSLT. Основныеинструкции.
8. Трансформациядокументов XML (XML-to-XML).
9. Визуализациядокументов XML (XML-to-HTML).
10. Средства XML. ЯзыкадресацииXPath.
11. Средства XML. ФункцииXPath.
12. Средства XML. ЯзыкзапросовXQuery.
13. Средства XML. Обработкапоследовательностей в XQuery.
|
|
14. СистемыCRM.
15. Средства XML. Языксвязей XLink.
Литература:
Лапшин В.А. Онтологии в компьютерных системах.– М.: Научный мир, 2010. – 224 с.
2. Паклин Н.Б. Бизнес-аналитика: от данных к знаниям / Н.Б.Паклин, В.И.Орешков. – СПб.: Питер, 2013. – 704 с.
3. Федоров А., Елманова Н. Введение в OLAP // Журнал «КомпьютерПресс». – 2001. – № 4-8.
4. Холзнер С. XSLT. Библиотекапрограммиста. – СПб.: Питер, 2002. – 544 с.
5. Чамберлин Д. W3CXML: XQuery от экспертов. Руководство по языкузапросов / Д.Чамберлин, Д.Дрейпер. – М.:КУДИЦ-ОБРАЗ, 2005. – 480 с.
Вычислительныйинтеллект. (С.В. Сапунов)
Двунаправленная ассоциативная память (ДАП)
Машина Больцмана
Нейронная сеть с обучением по методу обратного распространения ошибки
Сеть встречного распространения
Применение генетических алгоритмов при обучении нейронных сетей
Сеть Хэмминга
Сеть Хопфилда
Сеть Кохонена
Сеть поиска максимума (MAXNET)
Сеть с радиальными базисными функциями (RadialBasisFunctionNetwork)
Однослойный персептрон
Алгоритмы обучения нейронных сетей
Модели нейронов
Типы функций активации
Архитектура нейронных сетей
Простой генетический алгоритм
Литература:
1. Каллан Р. Основныеконцепциинейронныхсетей / Пер. с англ. – М.: Издательскийдом «Вильямс», 2001. – 288 с.
2. Осовский С. Нейронные сети для обработкиинформации / Пер. с польского И.Д. Рудинского. – М.: Финансы и статистика, 2002. – 344 с.
3. Хайкин С. Нейронные сети: полный курс / Пер. с англ. – 2-е изд. – М.: Издательскийдом «Вильямс», 2006. – 1104 с.
4. Гладков Л.А., Курейчик В.В., Курейчик В.М. Генетическиеалгоритмы / Под ред. В.М. Курейчика. – 2-е изд., испр. и доп. – М.: ФИЗМАТЛИТ, 2006. – 320 с.
Скобцов Ю.А. Основыэволюционныхвычислений. – Донецк: ДонНТУ, 2008. – 326 с.