Преподавател(и):

доц. Елисавета Гурова  д-р
гл. ас. Йоана Иванова  д-р
доц. Цвета Апостолова  д-р

Описание на курса:

Компетенции:

Успешно завършилите курса студенти:

1) знаят:

• принципите на концептуално проектиране на системи с изкуствен интелект в управлението,

2) могат:

• да изграждат симулационни модели на изкуствени невронни мрежи;

• да оптимизират изкуствени невронни мрежи.

Предварителни изисквания:
Студентите да имат знания и/или умения:

• базови компютърни умения са задължителни.

Форми на провеждане:
Дистанционен

Учебни форми:


Език, на който се води курса:
Български

Теми, които се разглеждат в курса:

1. Еволюция на информационните системи. Предимства на информационните системи от пето поколение при подпомагане процесите на вземане на решения.
2. Концептуална архитектура на експертна система. Продукционни правила. Вероятностни разпределения. Размита логика.
3. Концептуално проектиране на експертни системи. Предикатно смятане от първи ред. Понятия за семантична мрежа. Евристични методи. Евристична класификация на Кланси. Класификация на експертните системи.
4. Връзка между понятията изкуствен интелект, машинно обучение и дълбоко самообучение. Същност на изкуствените невронни мрежи. Математически модел на неврон [3].
5. Класификация и приложения на изкуствените невронни мрежи. Машините (превозни средства) на Брайтенберг като средство за реализация на мисловен експеримент в изкуствения интелект [3].
6. Софтуерни продукти за симулационно моделиране на изкуствени невронни мрежи. Симулационно моделиране на изкуствени невронни мрежи с обратно разпространение на грешката [1, 2, 3, 4].
7. ТЕСТ
8. Методи за оптимизация на изкуствени невронни мрежи. Оценка и анализ на резултати от моделиране на изкуствени невронни мрежи с обратно разпространение на грешката.
9. Приложения на експертните системи в медицинската диагностика. Етапи на концептуално проектиране на медицински експертни системи.
10. Изграждане на семантични мрежи при проектиране на медицински експертни системи. Описание на симптоми с помощата на логически оператори за диагностициране на заболяване.
11. Съвместно приложение на медицински експертни системи и симулационно моделиране в здравеопазването. Приложение на метода на симулационно моделиране за анализ на разходната ефективност. Статистически (стохастичен) модел на Марков. Симулационен модел базиран на статистическите опити Монте Карло.
12. Приложение на изкуствените невронни мрежи в сигурността. Оптимизация на симулационни модели на изкуствена невронна мрежа за разпознаване на геометрични примитиви. Алгоритмично представяне на оптимизационния процес [1, 2, 3].
13. Приложение на изкуствените невронни мрежи в киберсигурността. Симулационно моделиране на изкуствени невронни мрежи за целите на стеганографския анализ. Съвременни стеганографски техники и методи за стеганографски анализ [1, 2].
14. Приложение на изкуствените невронни мрежи в киберсигурността. Методика за изследване на изкуствени невронни мрежи за откриване и класификация на баркодове [4].
15. Защита на курсова работа

Литература по темите:

Научни публикации на лектора и списък с библиография към всяка от тях:

[1] IVANOVA, Yoana, SIMULATION MODELLING OF ARTIFICIAL NEURAL NETWORKS FOR THE PURPOSES OF STEGANALYSIS, Publication of Union of Scientists in Bulgaria: International Journal on Information Technologies and Security (IJITS), Issue №2, 2022 (vol. 14), ISSN 1313-8251, pp. 99-110, https://ijits-bg.com/contents/IJITS-2022-No2/2022-N2-09.pdf (Web of Science)

[2] IVANOVA, Yoana, OPTIMIZING SIMULATION MODELS OF AN ARTIFICIAL NEURAL NETWORK FOR DIGITAL RECOGNITION, Publication of Union of Scientists in Bulgaria: International Journal on Information Technologies and Security (IJITS), Issue №4, 2021 (vol. 13), ISSN 1313-8251, pp. 59-70, http://ijits-bg.com/last-published-issue-No_4-2021.php (Web of Science)

[3] IVANOVA, Yoana, MODELLING AND SIMULATION OF ARTIFICIAL NEURAL NETWORKS USING SOFTWARE SIMBRAIN, Yearbook Telecommunications, NBU, Issue №7, 2020, eISSN: 2534-854X.

[4] ИВАНОВА, Йоана, Методика за изследване на изкуствени невронни мрежи за откриване и класификация на баркодове, Сборник с доклади от Годишна студентска научна сесия „Съвременни аспекти на сигурността - предизвикателства, подходи, решения“, 27 септември 2021 г., Факултет „Командно-щабен“, Военна академия „Г. С. Раковски“, 2021, ISSN 2738-7526, стр. 445 – 454, https://rndc.bg/wp-content/uploads/2022/01/СЪВРЕМЕННИ-АСПЕКТИ-НА-СИГУРНОСТТА-1.pdf

Допълнителни материали:

[5] Винарова, Ж. и П. Михова, Медицинска информатика, Издателство на Нов български университет, София, 2008, ISBN 978-954-535-515-8, стр. 57 – 58, 21; Vinarova, Zh. i P. Mihova, Meditsinska informatika, Izdatelstvo na Nov balgarski universitet, Sofia, 2008, pp. 57 – 58, 21.

[6] Alder, H., Marx, Ch., Tamborrini, G. and Beat A. Michel, Computer-Based Diagnostic Expert Systems in Rheumatology: Where Do We Stand in 2014?, International Journal of Rheumatology, 2014 (1):672714, https://doi.org/10.1155/2014/672714

[7] Başçiftçi, F. and E. Avuçlu, An expert system design to diagnose cancer by using a new method reduced rule base, Computer Methods and Programs in Biomedicine, Vol. 157, April 2018, pp. 113-120, https://doi.org/10.1016/j.cmpb.2018.01.020

[8] Billard, L., Markov Models and Social Analysis, International Encyclopedia of the Social & Behavioral Sciences (Second Edition), 2015, pp. 576-583, https://doi.org/10.1016/B978-0-08-097086-8.42144-6.

[9] Shreider, Yu., A., The Monte Carlo Method: The Method of Statistical Trials, Chapter I – Principles of the Monte Carlo Method, April, 2015, Elsevier Ltd., 1966, ISBN 978-0-08-011088-2, pp. 1-90, https://doi.org/10.1016/C2013-0-01870-1

[10] Scratchapixel 2.0, Mathematical Foundations of Monte Carlo Methods. Available at: https://www.scratchapixel.com/lessons/mathematics-physics-for-computer-graphics/monte-carlo-methods-mathematical-foundations (visited on 20.06.2022).

[11] ICER, Cost-Effectiveness, the QALY, and the evLYG. Available at: https://icer.org/our-approach/methods-process/cost-effectiveness-the-qaly-and-the-evlyg/ (visited on 20.06.2022).