История развития искусственного интеллекта в России
В 1954 г. в МГУ под руководством профессора А.А. Ляпунова (1911 - 1973) начал свою работу семинар "Автоматы и мышление" . В этом семинаре принимали участие крупнейшие физиологи, лингвисты, психологи, математики. Принято считать, что именно в это время родился искусственный интеллект в России. Как и за рубежом, выделились направления нейрокибернетики и кибернетики "черного ящика".
Среди наиболее значимых результатов, полученных отечественными учеными, следует отметить алгоритм "Кора" М. Бонгарда, моделирующий деятельность человеческого мозга при распознавании образов (60-е гг.).
В 1945 - 1964 гг. создаются отдельные программы и исследуется поиск решения логических задач. В Ленинграде (ЛОМИ – Ленинградское отделение математического института им. В.А. Стеклова) создается программа, автоматически доказывающая теоремы (АЛПЕВ ЛОМИ). Она основана на оригинальном обратном выводе С.Ю. Маслова, аналогичном методу резолюций Робинсона.
В 1965 - 1980 гг. получает развитие новая наука – ситуационное управление (соответствует представлению знаний в западной терминологии). Основоположник этой научной школы – профессор Д.А. Поспелов. Разработаны специальные модели представления ситуаций – представления знаний.
В 1980 - 1990 гг. проводятся активные исследования в области представления знаний, разрабатываются языки представления знаний, экспертные системы (более 300). В Московском государственном университете создается язык РЕФАЛ.
В 1988 г. создается АИИ – Ассоциация искусственного интеллекта. Ее членами являются более 300 исследователей. Президент Ассоциации – Д.А. Поспелов. Крупнейшие центры – в Москве, Петербурге, Переславле-Залесском, Новосибирске.
В рамках Ассоциации проводится большое количество исследований, собираются конференции, издается журнал. Уровень теоретических исследований по искусственному интеллекту в России ничуть не ниже мирового. К сожалению, начиная с 1975 г. на развитии этого направления сказалось прогрессирующее отставание в технологии. На данный момент отставание в области промышленных интеллектуальных систем составляет порядка 5-7 лет.
НАПРАВЛЕНИЯ РАЗВИТИЯ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА
Искусственный интеллект – это одно из направлений информатики, цель которого разработка аппаратно-программных средств, позволяющих пользователю-непрограммисту ставить и решать свои задачи, традиционно считающиеся интеллектуальными, общаясь с ЭВМ на ограниченном подмножестве естественного языка.
Представление знаний и разработка систем, основанных на знаниях
Это основное направление искусственного интеллекта. Оно связано с разработкой моделей представления знаний, созданием баз знаний, образующих ядро экспертных систем (ЭС). В последнее время включает в себя модели и методы извлечения и структурирования знаний и сливается с инженерией знаний (см. гл. 17).
Игры и творчество
Традиционно искусственный интеллект включает в себя игровые интеллектуальные задачи – шахматы, шашки, го. В основе лежит один из ранних подходов – лабиринтная модель плюс эвристики. Сейчас это скорее коммерческое направление, так как в научном плане эти идеи считаются тупиковыми.
Разработка естественноязыковых интерфейсов и машинный перевод
В 50-х гг. одной из популярных тем исследований искусственного интеллекта являлась область машинного перевода. Первая программа в этой области – переводчик с английского языка на русский. Первая идея – пословный перевод, оказалась неплодотворной. В настоящее время используется более сложная модель, включающая анализ и синтез естественноязыковых сообщений, которая состоит из нескольких блоков. Для анализа это:
морфологический анализ – анализ слов в тексте;
синтаксический анализ – анализ предложений, грамматики и связей между словами;
семантический анализ – анализ смысла каждого предложения на основе некоторой предметно-ориентированной базы знаний;
прагматический анализ – анализ смысла предложений в окружающем контексте на основе собственной базы знаний.
Синтез включает аналогичные этапы, но несколько в другом порядке.
Распознавание образов
Традиционное направление искусственного интеллекта, берущее начало у самых его истоков. Каждому объекту ставится в соответствие матрица признаков, по которой происходит его распознавание. Это направление близко к машинному обучению, тесно связано с нейрокибернетикой.
Новые архитектуры компьютеров
Это направление занимается разработкой новых аппаратных решений и архитектур, направленных на обработку символьных и логических данных. Создаются Пролог- и Лисп-машины, компьютеры V и VI поколений. Последние разработки посвящены компьютерам баз данных и параллельным компьютерам.
Интеллектуальные роботы
Роботы – это электромеханические устройства, предназначенные для автоматизации человеческого труда.
Идея создания роботов исключительно древняя. Само слово появилось в 20-х гг. Его автор – чешский писатель Карел Чапек. Со времени создания сменилось несколько поколений роботов.
Роботы с жесткой схемой управления. Практически все современные промышленные роботы принадлежат к первому поколению. Фактически это программируемые манипуляторы.
Адаптивные роботы с сенсорными устройствами. Есть образцы таких роботов, но в промышленности они пока не используются.
Самоорганизующиеся, или интеллектуальные, роботы. Это конечная цель развития робототехники. Основная проблема при создании интеллектуальных роботов – проблема машинного зрения.
В настоящее время в мире изготавливается более 60 тыс. роботов в год.
Специальное программное обеспечение
В рамках этого направления разрабатываются специальные языки для решения задач невычислительного плана. Эти языки ориентированы на символьную обработку информации – LISP, PROLOG, SMALLTALK, РЕФАЛ и др. Помимо этого создаются пакеты прикладных программ, ориентированные на промышленную разработку интеллектуальных систем, или программные инструментарии искусственного интеллекта, например KEE, ARTS[10]. Достаточно популярно создание так называемых пустых экспертных систем, или "оболочек", – EXSYS, M1 и др., в которых можно наполнять базы знаний, создавая различные системы.
Обучение и самообучение
Активно развивающаяся область искусственного интеллекта. Включает модели, методы и алгоритмы, ориентированные на автоматическое накопление знаний на основе анализа и обобщения данных. Включает обучение по примерам (или индуктивное), а также традиционные подходы распознавания образов.
ДАННЫЕ И ЗНАНИЯ
При изучении интеллектуальных систем традиционно возникает вопрос – что же такое знания и чем они отличаются от обычных данных, десятилетиями обрабатываемых ЭВМ. Можно предложить несколько рабочих определений, в рамках которых это становится очевидным.
Данные – это отдельные факты, характеризующие объекты, процессы и явления в предметной области, а также их свойства.
При обработке на ЭВМ данные трансформируются, условно проходя следующие этапы:
данные как результат измерений и наблюдений;
данные на материальных носителях информации (таблицы, протоколы, справочники);
модели (структуры) данных в виде диаграмм, графиков, функций;
данные в компьютере на языке описания данных;
базы данных на машинных носителях.
Знания связаны с данными, основываются на них, но представляют результат мыслительной деятельности человека, обобщают его опыт, полученный в ходе выполнения какой-либо практической деятельности. Они получаются эмпирическим путем.
Знания – это выявленные закономерности предметной области (принципы, связи, законы), позволяющие решать задачи в этой области.
При обработке на ЭВМ знания трансформируются аналогично данным:
знания в памяти человека как результат мышления;
материальные носители знаний (учебники, методические пособия);
поле знаний - условное описание основных объектов предметной области, их атрибутов и закономерностей, их связывающих;
знания, описанные на языках представления знаний (продукционные языки, семантические сети, фреймы – см. далее);
базы знаний.
Часто используются такие определения знаний:
знания – это хорошо структурированные данные, или данные о данных, или метаданные.
Существует множество способов определять понятия. Один из широко применяемых способов основан на идее интенсионала. Интенсионал понятия – это определение через понятие более высокого уровня абстракции с указанием специфических свойств. Этот способ определяет знания. Другой способ определяет понятие через перечисление понятий более низкого уровня иерархии или фактов, относящихся к определяемому. Это есть определение через данные, или экстенсионал понятия.
Пример 16.1. Понятие "персональный компьютер". Его интенсионал: "Персональный компьютер – это дружественная ЭВМ, которую можно поставить на стол и купить менее чем за $2000 - 3000".
Экстенсионал этого понятия: "Персональный компьютер – это Mac, IBM PC, Sinkler...".
Для хранения данных используются базы данных (для них характерны большой объем и относительно небольшая удельная стоимость информации), для хранения знаний – базы знаний (небольшого объема, но исключительно дорогие информационные массивы). База знаний – основа любой интеллектуальной системы.
Знания могут быть классифицированы по следующим категориям:
поверхностные – знания о видимых взаимосвязях между отдельными событиями и фактами в предметной области;
глубинные - абстракции, аналогии, схемы, отображающие структуру и процессы в предметной области.
Современные экспертные системы работают в основном с поверхностными знаниями. Это связано с тем, что на данный момент нет адекватных моделей, позволяющих работать с глубинными знаниями.
Кроме того, знания можно разделить на процедурные и декларативные. Исторически первичными были процедурные знания, т.е. знания, "растворенные" в алгоритмах. Они управляли данными. Для их изменения требовалось изменять программы. Однако с развитием искусственного интеллекта приоритет данных постепенно изменялся, и все большая часть знаний сосредоточивалась в структурах данных (таблицы, списки, абстрактные типы данных), т.е. увеличивалась роль декларативных знаний.
Сегодня знания приобрели чисто декларативную форму, т.е. знаниями считаются предложения, записанные на языках представления знаний, приближенных к естественному и понятных неспециалистам.
Существуют десятки моделей (или языков) представления знаний для различных предметных областей. Большинство из них может быть сведено к следующим классам:
продукционные;
семантические сети;
фреймы;
формальные логические модели.
МОДЕЛИ ПРЕДСТАВЛЕНИЯ ЗНАНИЙ
Продукционная модель
Продукционная модель, или модель, основанная на правилах, позволяет представить знания в виде предложений типа: Если (условие), то (действие).
Под условием понимается некоторое предложение-образец, по которому осуществляется поиск в базе знаний, а под действием – действия, выполняемые при успешном исходе поиска (они могут быть промежуточными, выступающими далее как условия, и терминальными или целевыми, завершающими работу системы).
При использовании продукционной модели база знаний состоит из набора правил. Программа, управляющая перебором правил, называется машиной вывода. Чаще всего вывод бывает прямой (от данных к поиску цели) или обратный (от цели для ее подтверждения – к данным). Данные – это исходные факты, на основании которых запускается машина вывода – программа, перебирающая правила из базы.
Пример 16.2. Имеется фрагмент базы знаний из двух правил:
П1: Если "отдых – летом" и "человек – активный", то "ехать в горы".
П2: Если "любит солнце", то "отдых летом".
Предположим, в систему поступили данные – "человек активный" и "любит солнце".
Прямой вывод – исходя из данных, получить ответ.
1-й проход.
Шаг 1. Пробуем П1, не работает (не хватает данных "отдых – летом").
Шаг 2. Пробуем П2, работает, в базу поступает факт "отдых – летом".
2-й проход.
Шаг 3. Пробуем П1, работает, активируется цель "ехать в горы", которая и выступает как совет, который дает ЭС.
Обратный вывод – подтвердить выбранную цель при помощи имеющихся правил и данных.
1-й проход.
Шаг 1. Цель – "ехать в горы": пробуем П1 – данных "отдых – летом" нет, они становятся новой целью, и ищется правило, где она в правой части.
Шаг 2. Цель "отдых – летом": правило П2 подтверждает цель и активирует ее.
2-й проход.
Шаг 3. Пробуем П1, подтверждается искомая цель.
Продукционная модель чаще всего применяется в промышленных экспертных системах. Она привлекает разработчиков своей наглядностью, высокой модульностью, легкостью внесения дополнений и изменений и простотой механизма логического вывода.
Имеется большое число программных средств, реализующих продукционный подход (язык OPS 5 [8]; "оболочки" или "пустые" ЭС – EXSYS [10], ЭКСПЕРТ [2]; инструментальные системы ПИЭС [11] и СПЭИС [3] и др.), а также промышленных ЭС на его основе (ФИАКР [8]) и др.
Семантические сети
Термин семантическая означает смысловая, а сама семантика – это наука, устанавливающая отношения между символами и объектами, которые они обозначают, т.е. наука, определяющая смысл знаков.
Семантическая сеть – это ориентированный граф, вершины которого – понятия, а дуги – отношения между ними.
Понятиями обычно выступают абстрактные или конкретные объекты, а отношения – это связи типа: "это" ("is"), "имеет частью" ("has part"), "принадлежит", "любит". Характерной особенностью семантических сетей является обязательное наличие трех типов отношений:
класс – элемент класса;
свойство – значение;
пример элемента класса.
Можно ввести несколько классификаций семантических сетей. Например, по количеству типов отношений:
однородные (с единственным типом отношений);
неоднородные (с различными типами отношений).
По типам отношений:
бинарные (в которых отношения связывают два объекта);
n-арные (в которых есть специальные отношения, связывающие более двух понятий).
Наиболее часто в семантических сетях используются следующие отношения:
связи типа "часть-целое" ("класс-подкласс", "элемент-множество" и т.п.);
функциональные связи (определяемые обычно глаголами "производит", "влияет"...);
количественные (больше, меньше, равно...);
пространственные (далеко от, близко от, за, под, над ...);
временные (раньше, позже, в течение...);
атрибутивные связи ( иметь свойство, иметь значение...);
логические связи (и, или, не) и др.
Проблема поиска решения в базе знаний типа семантической сети сводится к задаче поиска фрагмента сети, соответствующего некоторой подсети, соответствующей поставленному вопросу.
Пример 16.3. На рис. 16.1 изображена семантическая сеть. В качестве вершин – понятия: Человек, Иванов, Волга, Автомобиль, Вид транспорта, Двигатель.
Рис. 16.1. Семантическая сеть
Основное преимущество этой модели – в соответствии современным представлениям об организации долговременной памяти человека. Недостаток модели – сложность поиска вывода на семантической сети.
Для реализации семантических сетей существуют специальные сетевые языки, например NET[12] и др. Широко известны экспертные системы, использующие семантические сети в качестве языка представления знаний – PROSPECTOR, CASNET, TORUS [8, 10].
Фреймы
Фрейм (англ. frame – каркас или рамка) предложен М. Минским в 70-е гг. как структура знаний для восприятия пространственных сцен. Эта модель, как и семантическая сеть, имеет глубокое психологическое обоснование.
Под фреймом понимается абстрактный образ или ситуация. В психологии и философии известно понятие абстрактного образа. Например, слово "комната" вызывает у слушающих образ комнаты: "жилое помещение с четырьмя стенами, полом, потолком, окнами и дверью, площадью 6-20 м2 ". Из этого описания ничего нельзя убрать (например, убрав окна, мы получим уже чулан, а не комнату), но в нем есть "дырки", или "слоты", – это незаполненные значения некоторых атрибутов – количество окон, цвет стен, высота потолка, покрытие пола и др.
В теории фреймов такой образ называется фреймом. Фреймом называется также и формализованная модель для отображения образа.
Структуру фрейма можно представить так:
В таблице дополнительные столбцы предназначены для описания типа слота и возможного присоединения к тому или иному слоту специальных процедур, что допускается в теории фреймов. В качестве значения слота может выступать имя другого фрейма; так образуют сети фреймов.
Различают фреймы-образцы, или прототипы, хранящиеся в базе знаний, и фреймы-экземпляры, которые создаются для отображения реальных ситуаций на основе поступающих данных.
Модель фрейма является достаточно универсальной, поскольку позволяет отобразить все многообразие знаний о мире через:
фреймы-структуры, для обозначения объектов и понятий (заем, залог, вексель);
фреймы-роли (менеджер, кассир, клиент);
фреймы-сценарии (банкротство, собрание акционеров, празднование именин);
фреймы-ситуации (тревога, авария, рабочий режим устройства) и др.
Важнейшим свойством теории фреймов является заимствованное из теории семантических сетей наследование свойств. И во фреймах, и в семантических сетях наследование происходит по АКО-связям (A-Kind-Of = это). Слот АКО указывает на фрейм более высокого уровня иерархии, откуда неявно наследуются, т.е. переносятся, значения аналогичных слотов.
Пример 16.4. Например, в сети фреймов на рис. 16.2 понятие "ученик" наследует свойства фреймов "ребенок" и "человек", которые находятся на более высоком уровне иерархии. Так, на вопрос: "Любят ли ученики сладкое?" Следует ответ: "Да", так как этим свойством обладают все дети, что указано во фрейме "ребенок". Наследование свойств может быть частичным, так, возраст для учеников не наследуется из фрейма "ребенок", поскольку указан явно в своем собственном фрейме.
Основным преимуществом фреймов как модели представления знаний является способность отражать концептуальную основу организации памяти человека [13], а также ее гибкость и наглядность.
Специальные языки представления знаний в сетях фреймов FRL (Frame Representation Language) [1] и другие позволяют эффективно строить промышленные ЭС. Широко известны такие фреймо-ориентированные экспертные системы, как ANALYST, МОДИС [3, 8].
Рис. 16.2. Сеть фреймов
Формальные логические модели
Традиционно в представлении знаний выделяют формальные логические модели, основанные на классическом исчислении предикатов I порядка, когда предметная область или задача описывается в виде набора аксиом. Мы же опустим описание этих моделей по следующим причинам. Исчисление предикатов I порядка в промышленных экспертных системах практически не используется. Эта логическая модель применима в основном в исследовательских "игрушечных" системах, так как предъявляет очень высокие требования и ограничения к предметной области.
В промышленных же экспертных системах используются различные ее модификации и расширения, изложение которых выходит за рамки данного учебника.
- Информатика
- К читателю
- Предисловие
- От всей души желаем вам успехов!
- 1.1. Информатизация общества
- Опыт информатизации и перспективные идеи
- 1.2. Информационный потенциал общества
- Рынок информационных продуктов и услуг
- Правовое регулирование на информационном рынке
- 1.3. Информатика – предмет и задачи
- Ключевые понятия
- Вопросы для самопроверки
- Литература
- 2 Глава. Измерение и представление информации
- 2.1. Информация и ее свойства
- 2.2. Классификация и кодирование информации
- 2.1. Информация и ее свойства
- 2.2. Классификация и кодирование информации
- Фасетная система классификации
- Дескрипторная система классификации
- Система кодирования
- Классификационное кодирование
- Ключевые понятия
- Вопросы для самопроверки
- Литература
- После изучения главы вы должны знать:
- 3.1. Информационные системы
- Понятие информационной системы
- Персонал организации
- 3.2. Структура и классификация информационных систем
- Информационные системы для менеджеров среднего звена
- 3.3. Информационные технологии
- Как соотносятся информационная технология и информационная система
- 3.4. Виды информационных технологий
- Характеристика и назначение
- Ключевые понятия
- Вопросы для самопроверки
- Литература
- Глава 4. Архитектура персонального компьютера
- После изучения главы вы должны знать:
- 4.1. Информационно-логические основы построения
- 4.2. Функционально-структурная организация
- 4.3. Микропроцессоры
- 4.4. Запоминающие устройства пк
- Накопители на жестких магнитных дисках
- 4.5. Основные внешние устройства пк
- 4.6. Рекомендации по выбору персонального компьютера
- Ключевые понятия
- Вопросы для самопроверки
- Литература
- Глава 5. Состояние и тенденции развития эвм
- После изучения главы вы должны знать:
- 5.1. Классификация эвм Классификация эвм по принципу действия
- Классификация эвм по размерам и функциональным возможностям
- 5.2. Большие эвм
- 5.3. Малые эвм
- 5.4. Персональные компьютеры
- 5.5. Суперэвм
- 5.6. Серверы
- 5.7. Переносные компьютеры
- 5.8. Тенденции развития вычислительных систем
- Ключевые понятия
- Вопросы для самопроверки
- Литература
- Глава 6. Компьютерные сети
- После изучения главы вы должны знать:
- 6.1. Коммуникационная среда и передача данных
- 6.2. Архитектура компьютерных сетей
- 6.3. Локальные вычислительные сети
- Управление взаимодействием устройств в сети
- 6.4. Глобальная сетьinternet
- 6.5. Локальная вычислительная сетьnovellnetware
- Ключевые понятия
- Вопросы для самопроверки
- Литература
- Глава 7. Офисная техника
- После изучения главы вы должны знать:
- 7.1. Классификация офисной техники
- 7.2. Средства изготовления, хранения, транспортирования и обработки документов
- Средства транспортирования документов
- 7.3. Средства копирования и размножения документов
- 7.4. Средства административно-управленческой связи
- Системы передачи недокументированной информации
- Дейтефонная связь
- 7.5. Компьютерные системы в оргтехнике
- Ключевые понятия
- Вопросы для самопроверки
- Литература
- Глава 8. Состояние и тенденции развития программного обеспечения
- 8.1. Программные продукты и их основные характеристики
- 8.2. Классификация программных продуктов
- После изучения главы вы должны знать:
- 8.1. Программные продукты и их основные характеристики
- 8.2. Классификация программных продуктов
- Сервисное программное обеспечение
- Офисные ппп
- Системы искусственного интеллекта
- Ключевые понятия
- Вопросы для самопроверки
- Литература
- Глава 9. Операционная система ms dos
- 9.1. Основные понятия
- 9.2. Характеристика ms dos
- 9.3. Технология работы в ms dos
- 9.1. Основные понятия
- 9.2. Характеристикаmsdos
- 9.3. Технология работы вmsdos
- Формат команды объединения нескольких файлов
- Форматы команд для обмена данными между внешним устройством и файлом, хранящимся на диске
- Ключевые понятия
- Вопросы для самопроверки
- Литература
- Глава 10. Norton commander – инструментарий работы в среде ms dos
- После изучения главы вы должны знать:
- 10.1. Общие сведения
- 10.2. Работа с панелями информационного окна
- 10.3. Управление пакетом при помощи функциональных клавиш и ниспадающего меню
- 10.4. Вспомогательный инструментарий пакета
- Ключевые понятия
- Вопросы для самопроверки
- Литература
- После изучения главы вы должны знать:
- 11.1. Программы-архиваторы
- 11.2. Программы обслуживания магнитных дисков
- Проблема фрагментации дисков
- 11.3. Антивирусные программные средства
- Программы обнаружения и защиты от вирусов
- Ключевые понятия
- Вопросы для самопроверки
- Литература
- Глaba12. Операционные системыwindows95 иwindows98
- После изучения главы вы должны знать:
- 12.1. Концепция операционных системwindows95 иwindows98
- 32-Разрядная архитектура
- 12.2. Объектно-ориентированная платформаwindows
- Назначение Рабочего стола
- 12.3. Организация обмена данными
- Внедрение объекта
- 12.4. Программные средстваwindows98
- Комплекс программ Связь
- Ключевые понятия
- Вопросы для самопроверки
- Литература
- Глава 13. Текстовый процессор
- 13.1. Базовые возможности
- 13.2. Работа с текстом
- 13.3. Работа издательских систем
- После изучения главы вы должны знать:
- 13.1. Базовые возможности
- 13.2. Работа с текстом
- 13.3. Работа издательских систем
- Ключевые понятия
- Вопросы для самопроверки
- Литература
- Глава 14. Табличный процессор
- 14.1. Основные понятия
- 14.2. Функциональные возможности табличных процессоров
- 14.3. Технология работы в электронной таблице
- После изучения главы вы должны знать:
- 14.1. Основные понятия
- Окно, рабочая книга, лист
- Перемещение формул
- 14.2. Функциональные возможности табличных процессоров
- Команды для работы с электронной таблицей как с базой данных
- 14.3. Технология работы в электронной таблице
- Ключевые понятия
- Вопросы для самопроверки
- Литература
- Глава 15. Система управления базой данных
- После изучения главы вы должны знать:
- 15.1. Основные понятия
- 15.2. Реляционный подход к построению инфологической модели
- 15.3. Функциональные возможности субд
- 15.4. Основы технологии работы в субд
- Ключевые понятия
- Вопросы для самопроверки
- Литература
- Глава 16. Интеллектуальные системы
- 16.1. Введение в искусственный интеллект
- 16.2. Экспертные системы: структура и классификация
- 16.3. Технология разработки экспертных систем
- После изучения главы вы должны знать:
- 16.1. Введение в искусственный интеллект
- История развития искусственного интеллекта в России
- 16.2. Экспертные системы: структура и классификация
- 16.3. Технология разработки экспертных систем
- Ключевые понятия
- Вопросы для самопроверки
- Литература
- Глава 17. Инженерия знаний
- 17.1. Теоретические аспекты получения знаний
- 17.2. Практические методы извлечения знаний
- 17.3. Структурирование знаний
- После изучения главы вы должны знать:
- 17.1. Теоретические аспекты получения знаний
- 17.2. Практические методы извлечения знаний
- 17.3. Структурирование знаний
- Ключевые понятия
- Вопросы для самопроверки
- Литература
- Глава 18. Создание программного продукта
- 18.1. Методология проектирования программных продуктов
- 18.2. Структурное проектирование и программирование
- 18.3. Объектно-ориентированное проектирование
- После изучения главы вы должны знать:
- 18.1. Методология проектирования программных продуктов
- Этапы создания программных продуктов
- 1. Составление технического задания на программирование
- 2. Технический проект
- 3. Рабочая документация (рабочий проект)
- 4. Ввод в действие
- 18.2. Структурное проектирование и программирование
- 18.3. Объектно-ориентированное проектирование
- Методика объектно-ориентированного проектирования
- Ключевые понятия
- Вопросы для самопроверки
- Литература
- После изучения главы вы должны знать:
- 19.1. Автоматизация работы пользователя в средеmicrosoftoffice
- 19.2. Создание приложений на языкеvisualbasicforapplications
- 19.3. Реляционные языки манипулирования данными
- Ключевые понятия
- Вопросы для самопроверки
- Литература
- Макарова Наталья Владимировна
- Матвеев Леонид Анатольевич
- Бройдо Владимир Львович и др.
- Информатика
- 101000, Москва, ул. Покровка, 7
- Глава 13. Текстовый процессор 425