Самообучающаяся система - реализует способность ИИС к самообучению. В основу самообучающихся систем заложены методы автоматической классификации ситуаций и примеров из реальной практики.
Примеры реальной ситуации и модели поведения образуют обучающую выборку. Обучение по обучающей выборке может происходить 2-мя способами:
1)обучение «с учителем» 2)обучение «без учителя». В 1ом случае для любого примера задается массив признаков и определяется принадлежность к какому-либо классу ситуаций. Множество классов ситуаций фиксировано и задается заранее, до начала обучения. Это задача классификации в чистом виде.
Во 2-м случае система сама выделяет классы ситуаций по степени близости значений признаков. Это задача кластеризации. Кластеризация - это совокупность мат. методов, предназначенных для формирования относительно «отдаленных» друг от друга групп «близких» между собой объектов по информации о «расстояниях» му ними. В результате обучения системы автоматически строятся правила, позволяющие определять, какому классу принадлежит реальная не учебная ситуация. При этом в результате обучения и дальнейшей работе автоматически формируется БД, используемая при классификации и она автоматически корректируется. (нейронные сети)
Самообуч системы:
- индуктивные
- нейронные
- системы, основанные на прецедентах
- хранилища данных.
Особенности самообуч. систем:
- возможна неполнота или избыточность обучающей выборки следствием чего возможна неполная адекватность БЗ состоянию предметной области.
- возникают проблемы со смысловой интерпретацией зависимостью признаков и как следствие с неспособностью объяснить получаемые результаты.
- ограниченные в размерности пространства признаков приводят к поверхностному описанию предметной области.
