Готовый отчет по практике: ИИ на нечетких моделях

ОГЛАВЛЕНИЕ

Введение	2
ОСНОВНАЯ ЧАСТЬ	4
1. Постановка задачи исследования	4
2. Методы выявления и решения проблемной ситуации	5
2.1. Аналитические методы	5
2.2. Практические методы исследования	6
2.3. Методы решения проблемной ситуации	7
3. Новые технологии, способствующие решению исследуемой проблемы	8
3.1. Технологии программирования и фреймворки	8
3.2. Технологии гибридного искусственного интеллекта	8
3.3. Технологии обработки данных	9
3.4. Технологии визуализации данных	9
3.5. Интеграционные технологии	9
ЗАКЛЮЧЕНИЕ	11
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ	13


 
Введение
Преддипломная практика является ключевым этапом подготовки к выполнению выпускной квалификационной работы и направлена на углубление профессиональных компетенций, развитие навыков аналитической и исследовательской деятельности, а также на проверку готовности студента к самостоятельному решению научно-практических задач. Темой предстоящей выпускной квалификационной работы является «Разработка системы искусственного интеллекта, основанной на применении нечетких моделей и методов», что определяет направления анализа, проводимого в процессе практики.

Преддипломная практика является ключевым этапом подготовки к выполнению выпускной квалификационной работы и направлена на углубление профессиональных компетенций, развитие навыков аналитической и исследовательской деятельности, а также на проверку готовности студента к самостоятельному решению научно-практических задач. Темой предстоящей выпускной квалификационной работы является «Разработка системы искусственного интеллекта, основанной на применении нечетких моделей и методов», что определяет направления анализа, проводимого в процессе практики.
В ходе практики была сформулирована постановка задачи исследования, заключающаяся в изучении теоретических основ и практических подходов к построению интеллектуальных систем, функционирующих в условиях неопределённости и неполноты исходных данных. Основное внимание уделяется выявлению проблемной ситуации, связанной с ограниченной применимостью традиционных детерминированных алгоритмов в задачах, где исходные сведения имеют нечеткий, приблизительный или лингвистический характер. На основе анализа существующих решений необходимо определить, какие недостатки и ограничения современных методов требуют разработки новых подходов, основанных на нечеткой логике и соответствующих моделях обработки информации.
Методы выявления и решения обозначенной проблемной ситуации включают анализ научно-технической литературы, изучение применяемых в отрасли технологий искусственного интеллекта, анализ существующих программных решений, а также сравнительный анализ методов обработки неопределённых данных. В ходе практики проводится оценка эффективности различных подходов, что позволяет определить перспективные направления для создания интеллектуальной системы, способной адаптивно реагировать на неопределённость входных данных.
Особое внимание уделяется изучению новых технологий, которые могут способствовать решению исследуемой проблемы. К ним относятся современные библиотеки и фреймворки для построения систем искусственного интеллекта, инструменты моделирования нечетких систем, методы гибридного интеллекта, объединяющие нечеткую логику с нейронными сетями, а также технологии машинного обучения, ориентированные на обработку шумных и неполных данных. Использование этих технологий позволит разработать эффективную и гибкую интеллектуальную систему, соответствующую актуальным требованиям и тенденциям в области искусственного интеллекта.
Таким образом, преддипломная практика предоставляет возможность комплексно изучить предмет исследования, определить направления дальнейшей работы и сформировать теоретическую и практическую основу для разработки выпускной квалификационной работы.
ОСНОВНАЯ ЧАСТЬ

В ходе преддипломной практики была проведена комплексная исследовательская работа, направленная на изучение теоретических и практических основ разработки интеллектуальных систем, функционирующих в условиях неопределённости. Основное внимание уделялось анализу принципов нечеткой логики, особенностям построения моделей нечёткого вывода, а также современным технологиям, обеспечивающим их применение в актуальных задачах искусственного интеллекта.
В рамках практики была сформулирована постановка задачи исследования, определяющая необходимость создания системы искусственного интеллекта, основанной на нечетких моделях и методах. Проведён анализ проблемной ситуации, выявивший ограничения традиционных детерминированных методов при работе с неполными, качественными и субъективными данными. На основе изучения научных источников, программных инструментов и существующих решений были определены ключевые методы и подходы к обработке неопределённости.
Особое внимание уделялось исследованию технологий, которые могут быть использованы при разработке будущей системы: библиотек нечеткой логики, инструментов машинного обучения, гибридных нейро-нечетких архитектур и средств оптимизации параметров моделей. Анализ современных программных платформ подтвердил актуальность интеграции нечеткой логики с методами искусственного интеллекта, что позволяет повысить адаптивность и интерпретируемость разрабатываемых систем.
Полученные результаты стали важным этапом подготовки к выполнению выпускной квалификационной работы. Практика позволила систематизировать знания, определить направления дальнейшего исследования и сформировать основу для разработки интеллектуальной системы, способной эффективно решать задачи с высоким уровнем неопределённости. Полученный опыт и выполненная аналитическая работа будут использованы при проектировании и реализации программного продукта в рамках ВКР.

Дюбуа Д., Прад А. Теория возможностей: применение к представлению знаний в системах искусственного интеллекта. — М.: Мир, 2020. — 286 с.
Заде Л. А. Понятие лингвистической переменной и её применение к принятию приближённых решений. — М.: Мир, 2024. — 167 с.
Кофман А. Введение в теорию нечётких множеств. — М.: Радио и связь, 2020. — 432 с.
Колесников А. А. Системы нечёткого управления: Теория и практика. — СПб.: БХВ-Петербург, 2024. — 448 с.
Мамдани Э., Асилиан С. Нечёткие системы управления. — М.: Наука, 2023. — 312 с.
Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы. — М.: Горячая линия — Телеком, 2023. — 452 с.
MATLAB Fuzzy Logic Toolbox. User’s Guide. — MathWorks, 2020.
Ross T. J. Fuzzy Logic with Engineering Applications. — 4th ed. — Wiley, 2024. — 585 p.
Jang J.-S. R., Sun C.-T., Mizutani E. Neuro-Fuzzy and Soft Computing: A Computational Approach to Learning and Machine Intelligence. — Prentice Hall, 2023. — 614 p.
Pedrycz W., Gomide F. Fuzzy Systems Engineering: Toward Human-Centric Computing. — Wiley, 2020. — 480 p.