УДК 007:681.512.2
НЕЙРОСЕТИ СО ЗНАНИЯМИ ДЛЯ АНАЛИЗА БОЛЬШИХ ДАННЫХ
И. Ю. Каширин, д.т.н., профессор кафедры ВПМ РГРТУ Рязань, Россия;
orcid.org/0000-0003-1694-7410, e-mail: Этот адрес электронной почты защищён от спам-ботов. У вас должен быть включен JavaScript для просмотра.
Рассматривается важнейшая задача проектирования обучающихся алгоритмов интеллектуального анализа больших данных, включая нейросетевые. Для повышения их эффективности используются таксономии для моделей знаний искусственного интеллекта. В качестве базисного отношения таксономии предлагается использовать отношение смежного наследования ICF. Такой подход позволяет эффективно проектировать общие и прикладные онтологии для решения задач искусственного интеллекта. В статье используется математический аппарат иерархических чисел, дающий возможность анализировать прикладные ICF-онтологии с помощью вычисления основных характеристик таксономических иерархий. К таким характеристикам относятся, например, мера семантической близости концептов или сложность структурного пути в таксономической иерархии между двумя концептами. В качестве примера, подтверждающего возможность эффективного использования ICF-таксономий в решении реальных задач анализа данных, предлагается решение задач кластеризации и классификации в предметной области «Сокращение оттока и привлечение клиентов телекоммуникационной компании». Для нее показана возможность взаимозовисимого проектирования нейросетей и прикладных онтологий с априорными библиотеками причинно-следственных таксономий, например, в технологии Semantic Web. В экспериментальной части для апробации возможностей информационного поиска в глобальных сетях на основе технологии Semantic Web с помощью ICF-таксономии рассматривается программа-экспериментальный стенд для методов интеллектуального анализа данных (ЭСМИАД v.12.02.2021), позволяющий путем помещения фрагментов текста программы в комментарии или наоборот выполнять эксперименты для аналитических алгоритмов с обучающими выборками. Экспериментальный стенд реализован на языке Python v.3.7 в инструментальной среде Anaconda v.3.0. Назначение этого стенда – анализ эффективности методов интеллектуального анализа данных, использующих модели представления знаний.
Целью работы является анализ особенностей проектирования обучающихся алгоритмов анализа данных с применением общей и прикладной ICF-онтологий с помощью аппарата иерархических чисел для эффективного решения актуальных задач кластеризации и классификации.
Ключевые слова: модели знаний, большие данные, искусственный интеллект, нейронные сети, ICF-онтология, онтологические таксономии, иерархические числа, инструментальные программные средства, мера семантической близости концептов, технология Semantic Web, Python, Anaconda, родовидовые и причинно-следственные отношения.