1. Введение
Наличие у школьников и студентов знаний и умений по информатике стало одним из важнейших условий подготовки к профессиональной деятельности в любой области. В настоящее время происходит массовое распространение различных книг, пособий и учебников, работает большое количество различных курсов, предмет «Информатика» введен в государственный образовательный стандарт и в учебные планы большинства учебных заведений. Однако до сих пор существует большое количество различных проблем с изучением и обучением информатике - нехватка современных компьютеров, недостаток хороших учебных пособий, отсутствие лицензионного программного обеспечения и квалифицированных школьных учителей. Одна из причин указанного заключается в задержке начала развития информатики в СССР и последующем нашем технологическом отставании.
С конца 80-х годов во всем мире активно развивается новый раздел знания на стыке информационной науки и математики – нейроинформатика. Главные результаты, получаемые обществом от нейроинформатики - решение различных трудноформализуемых прикладных задач. Для решения практических задач разрабатываются специальные математические методы, программное обеспечение. Многое доступно уже сейчас. Сразу же встает вопрос - кто в этом разбирается и где взять программное обеспечение?
Нужно сделать оговорку, что в данной работе не обсуждаются источники, достижения и перспективы самой науки, для этого достаточно сослаться на большой список литературы, изданной только в Красноярской школе нейроинформатики [1-14]. Этот список намеренно неполон, чтобы привести полный список работ, опубликованных на русском языке, требуется написать еще одну такую статью, а на английском языке публикуются многотомные сборники тезисов конференций и множество книг. Тем не менее, надо подчеркнуть некоторое отставание в уровне развития нейроинформатики, по крайней мере, по уровню известности и количеству прикладных работ.
В Красноярске с конца 80-х и особенно активно в 90-е годы создана Красноярская научная школа нейроинформатики, кузница научных и педагогических кадров. Начиная с 1993 года в Красноярске проходят ежегодные всероссийские семинары (конференции) по Нейроинформатике. В работе этих конференций участвуют не только ученые и специалисты, но и студенты и даже школьники, если им есть что сказать. Ведущий ученый в Красноярской научной школе нейроинформатики - д.ф.-м.н. А.Н. Горбань. В этой школе также работают д.м.н. Д.А. Россиев, к.ф.-м.н. В.А. Охонин, к.ф.-м.н. Е.М. Миркес, к.ф.-м.н. С.Е. Гилев и другие.
Для существования и развития Красноярской научной школы нейроинформатики, как и для любой другой школы, нужен постоянный приток школьников и студентов. Это способствует развитию и распространению новых идей и способов обработки информации, развитию информационных технологий. Нужны молодые энтузиасты - разработчики и пользователи нейропрограмм. Первым шагом стала организация и проведение в 1991 году 1-й Всесоюзной Олимпиады по нейроинформатике и нейрокомпьютерам. После этого несколько раз проводились Школы Нейроинформатики, параллельно с всероссийскими семинарами по Нейроинформатике, но участвовали в них студенты, аспиранты и молодые ученые.
- Методы нейроинформатики
- Фцп "интеграция"
- Предисловие редактора
- Моделирование данных при помощи кривыхдля восстановления пробелов в таблицах
- 660036, Красноярск-36, ивм со ран,
- 1. Общая схема метода
- 2. Итерационный метод главных компонент для данных с пропусками
- 3. Квазилинейные факторы и формулы Карлемана
- 4. Нейронный конвейер
- Литература
- Финитность и детерминированность простых программ для кинетической машины кирдина
- 660036, Красноярск-36, ивм со ран,
- 1. Введение
- 2. Понятие кинетической машины Кирдина
- 3. Модели выполнения программы
- 3.1. Последовательная модель
- 3.2. Параллельно-последовательная модель
- 3.3. Максимальная параллельно-последовательная модель
- 4. Программы, состоящие из одной команды
- 4.1. Распад
- 4.2. Синтез
- 4.3. Прямая замена
- 5. Заключение
- ЛитературА
- Алгоритмическая универсальность кинетической машины кирдина
- 660036, Красноярск-36, ивм со ран,
- Литература
- Погрешности нейронных сетей. Вычисление погрешностей весов синапсов
- 660036, Красноярск-36, ивм со ран,
- 1. Введение
- 2. Структура сети
- 3. Два базовых подхода к оценкам погрешности
- 4. Погрешности весов синапсов
- 5. Гарантированные интервальные оценки погрешностей весов синапсов
- 6. Среднеквадратические оценки погрешностей весов синапсов
- 7. Заключение
- Литература
- Нейросетевые методы обработки информации в задачах прогноза климатических характеристик и лесорастительных свойств ландшафтных зон
- 660036, Красноярск-36, ивм со ран,
- Введение
- 1. Проблемы обработки таблиц экспериментальных данных
- 2. Искусственные нейронные сети
- 2.1. Элементы нейронных сетей
- 2.2. Архитектуры нейронных сетей
- 2.3. Решение задач нейронными сетями
- 2.4. Подача входных сигналов и снятие выходных сигналов сети
- 2.5. Обучение нейронных сетей
- 2.6. Вычисление градиента функции оценки по подстроечным параметрам сети
- 2.7. Факторы, влияющие на обучение нейронной сети
- 2.8. Упрощение нейронных сетей
- 2.9 Вычисление показателей значимости параметров и входных сигналов сети
- 3. Транспонированная задача регрессии
- 4. Применение нейросетевых технологий для обработки таблицы климатических данных
- 4.1. Заполнение пропусков в таблице климатических данных
- 4.2. Построение классификационной модели ландшафтных зон и секторов континентальности
- 4.2.1. Классификация ландшафтных зон Сибири
- 4.2.2. Идентификация лесных зон по континентальности
- 4.3. Прогнозирование возможного изменения ландшафтных зон и секторов континентальности
- 5. Заключение
- Литература
- Интуитивное предсказание нейросетями взаимоотношений в группе
- 660049, Красноярск, пр. Мира 82
- 1. Проблема оценки взаимоотношений
- 2. Общая задача экспериментов
- 3. Применяемые в экспериментах психологические методики
- 4. Эксперименты по предсказанию группового статуса
- 5. Нейросетевое исследование структуры опросника
- 6. Оценка оптимизации задачника нейросетью с позиций теории информации
- 7 Эксперименты по предсказанию парных взаимоотношений
- Литература
- Аппроксимация многомерных функций полутораслойным предиктором с произвольными преобразователями
- 660049, Красноярск, пр. Мира 82
- 1. Постановка проблемы
- 2. Аналитическое решение
- 3. Запись решения в идеологии нейросетей
- 4. Алгоритмическая часть
- 5. Оценка информационной емкости нейронной сети при помощи выборочной константы Липшица
- 6. Соглашение о терминологии
- 7. Компоненты сети
- 8. Общий элемент сети
- 9. Вход сети
- 10. Выход сети
- 11. Синапс сети
- 12. Тривиальный сумматор
- 13. Нейрон
- 14. Поток сети
- 15. Скомпонованная полутораслойная поточная сеть
- Литература
- Использование нейросетевых технологий при решении аналитических задач в гис
- 660036, Красноярск-36, ивм со ран,
- Литература
- Использование нейросетевых технологий для проведения учебно-исследовательских работ
- 1. Введение
- 2. Зимняя Политехническая Школа по Нейроинформатике
- 3. Задачи
- 4. Результаты
- 5. Перспективы
- Литература
- Производство полуэмпирических знаний из таблиц данных с помощью обучаемых искусственных нейронных сетей
- 660036, Красноярск-36, ивм со ран,
- 1. Введение
- 2. Логически прозрачные нейронные сети
- 2.1. Архитектура логически прозрачных сетей
- 2.2. Критерии логической прозрачности нейронной сети
- 2.3. Требования к нелинейности элементов
- 3. Контрастирование нейронов
- 4. Приведение нейронных сетей к логически прозрачному виду
- 4.1. Наложение ограничений на архитектуру нейросети
- 4.2. Упрощение нейросети
- 4.3. Приведение настраиваемых параметров сети к предельным значениям и модификация нелинейных преобразователей нейронов
- 4.4. Проведение эквивалентных преобразований структуры нейросети
- 5. Вербализация нейронных сетей
- 6. Автоматическая генерация полуэмпирических теорий
- 7. Когнитологические аспекты
- 8. Влияние функции оценки на логическую прозрачность сети. Исключение примеров
- 9. Как выбирают американских президентов
- 10. Заключение
- Литература
- Содержание