grandov.ru страница 1
скачать файл


Министерство образования и науки Российской Федерации

Федеральное агентство по образованию

Государственное образовательное учреждение

высшего профессионального образования

“Комсомольский-на-Амуре государственный технический университет”

Кафедра математического обеспечения и применения ЭВМ


УТВЕРЖДАЮ

Первый проректор ГОУВПО "КнАГТУ"

________________ А.Р. Куделько

"_____"_______________ 2008 года




РАБОЧАЯ ПРОГРАММА

дисциплины



"Нейрокомпьютерные системы"

основной образовательной программы подготовки дипломированных


специалистов по специальности 230105 "Программное обеспечение

вычислительной техники и автоматизированных систем"

Форма обучения заочная

Технология обучения с использованием

дистанционных технологий

Объем дисциплины 130 часов, 4 зачетных единицы

Комсомольск-на-Амуре 2008

Рабочая программа обсуждена и одобрена на заседании кафедры

"Математическое обеспечение и применение ЭВМ"
Заведующий кафедрой ___________ В.А. Тихомиров

«______» ___________2008 г


СОГЛАСОВАНО:

Начальник учебно-методического отдела _____________ С.Н. Иванов

«______» ___________2008 г

Декан факультета экономики и технологий __________ М.В. Семибратова

«______» ___________2008 г

Рабочая программа рассмотрена, одобрена и рекомендована к использованию методической комиссией факультета компьютерных технологий.

Председатель методической комиссии _____________ Н.Н. Михайлова

«______» ___________2008 г


Автор рабочей программы

к.т.н., доцент ___________ Е.Б. Абарникова

«______» ___________2008 г


Содержание


Введение 4

1. Пояснительная записка 5

1.1. Требования государственного образовательного стандарта высшего

профессионального образования к структуре и содержанию курса

«Нейрокомпьютерные системы» 5

1.2. Предмет, цели, задачи и принципы построения курса 6

1.3. Роль и место курса в структуре реализуемой образовательной программы 6

1.4. Объемы учебной работы и предусмотренные рабочими учебными планами

реализуемой образовательной программы формы аттестации ее результатов 6

2. Структура и содержание курса 7

3. Календарный график изучения курса 8

3.1. Лекции 8

3.2. Лабораторные работы 9

3.3. Объем, структура и содержание самостоятельной работы студентов, график

ее выполнения 10

4. Технологии и методическое обеспечение контроля результатов учебной

деятельности обучаемых 11

5. Ресурсное обеспечение курса 12

5.1. Список основной учебной и учебно-методической литературы 12

5.2. Список дополнительной учебной и учебно-методической литературы 13

5.3. Перечень программных продуктов, используемых при изучении курса 13

Введение


Искусственные нейронные сети (ИНС) строятся по принципам организации и функционирования их биологических аналогов. Они способны решать широкий круг задач распознавания образов, идентификации, прогнозирования, оптимизации, управления сложными объектами. Дальнейшее повышение производительности компьютеров все в большой мере связывают с ИНС, в частности, с нейрокомпьютерами (НК), основу которых составляет искусственная нейронная сеть.

Термин «нейронные сети» сформировался к середине 50-х годов ХХ века. Основные результаты в этой области связаны с именами У. Маккалоха, Д. Хебба, Ф. Розенблатта, М. Минского, Дж. Хопфилда.

Глубокое изучение ИНС требует знания нейрофизиологии, науки о познании, психологии, физики (статистической механики), теории управления, теории вычислений, проблем искусственного интеллекта, статистики/математики, распознавания образов, компьютерного зрения, параллельных вычислений и аппаратных средств (цифровых и аналоговых). С другой стороны, ИНС также стимулируют эти дисциплины, обеспечивая их новыми инструментами и представлениями. Этот симбиоз жизненно необходим для исследования нейронных сетей.

Представим некоторые проблемы, решаемые искусственными нейронными сетями.



Классификация образов. Задача состоит в указании принадлежности входного образа, представленного вектором признаков, одному или нескольким предварительно определенным классам. К известным приложениям относятся распознавание букв, распознавание речи, классификация сигнала электрокардиограммы, классификация клеток крови.

Кластеризация/категоризация. При решении задачи кластеризации, которая известна также как классификация образов без учителя, отсутствует обучающая выборка с метками классов. Алгоритм кластеризации основан на подобии образов и размещает близкие образы в один кластер. Известны случаи применения кластеризации для извлечения знаний, сжатия данных и исследования свойств данных.

Аппроксимация функций. Предположим, что имеется обучающая выборка ((х1, у1), (х2, у2),..., (хN, уN)), которая генерируется неизвестной функцией, искаженной шумом. Задача аппроксимации состоит в нахождении оценки этой функции.

Предсказание/прогноз. Пусть заданы N дискретных отсчетов {у(t1), у(t2),..., у(tN)) в последовательные моменты времени t1, t2,...,tN. Задача состоит в предсказании значения y(tN+1) в момент tN+1. Прогноз имеет значительное влияние на принятие решений в бизнесе, науке и технике.

Оптимизация. Многочисленные проблемы в математике, статистике, технике, науке, медицине и экономике могут рассматриваться как проблемы оптимизации. Задачей оптимизации является нахождение решения, которое удовлетворяет системе ограничений и максимизирует или минимизирует целевую функцию.

Память, адресуемая по содержанию. В модели вычислений фон Неймана обращение к памяти доступно только посредством адреса, который не зависит от содержания памяти. Более того, если допущена ошибка в вычислении адреса, то может быть найдена совершенно иная информация. Память, адресуемая по содержанию, или ассоциативная память, доступна по указанию заданного содержания. Содержимое памяти может быть вызвано даже по частичному или искаженному содержанию. Ассоциативная память чрезвычайно желательна при создании перспективных информационно-вычислительных систем.

Управление. Рассмотрим динамическую систему, заданную совокупностью {u(t), y(t)}, где u(t) является входным управляющим воздействием, а y(t) — выходом системы в момент времени t. В системах управления с эталонной моделью целью управления является расчет такого входного воздействия u(t), при котором система следует по желаемой траектории, диктуемой эталонной моделью. Каким образом нейронная сеть решает все эти, часто неформализуемые или трудно формализуемые задачи? Как известно, для решения таких задач традиционно применяются два основных подхода. Первый, основанный на правилах (rule-based), характерен для экспертных систем. Он базируется на описании предметной области в виде набора правил (аксиом) «если ..., то ...» и правил вывода. Искомое знание представляется в этом случае теоремой, истинность которой доказывается посредством построения цепочки вывода. При этом подходе, однако, необходимо заранее знать весь набор закономерностей, описывающих предметную область. При использовании другого подхода, основанного на примерах (case-based), надо лишь иметь достаточное количество примеров для настройки адаптивной системы с заданной степенью достоверности. Нейронные сети представляют собой классический пример такого подхода.

1.Пояснительная записка

1.1.Требования государственного образовательного стандарта высшего профессионального образования к структуре и содержанию курса


Курс относится к компоненте “Дисциплины специализации” специальных дисциплин направления, и требования государственного образовательного стандарта для него не сформулированы. Поэтому рабочая программа разработана на основании анализа рабочих программ и рекомендаций по методике преподавания данного курса в ведущих вузах России.

1.2. Предмет, цели, задачи и принципы построения курса


Предметом данной дисциплины является изучение современных технологий (методов и средств) проектирования, разработки и обучения ИНС с различными топологиями.

Обучение практическому программированию осуществляется на языках Prolog в визуальной среде Visual Prolog v.5.2, C++, Visual Basic.


Целью дисциплины является ознакомление студентов с основами теории ИНС и методами их применения для решения научных и прикладных задач.

При этом решаются следующие задачи:



  • ознакомить студентов с теоретическими основами разработки ИНС;

  • обучить студентов основным принципам проектирования ИНС;

  • ознакомить студентов с основными методами обучения ИНС;

  • научить студентов использовать в практическом программировании наиболее известные топологии ИНС;

  • привить студентам навыки использования различных ИНС и методов их обучения в зависимости от требований реальных задач из различных предметных областей.

В результате изучения дисциплины студенты должны:

иметь представление:

  • о роли и месте знаний по дисциплине в основной профессиональной образовательной программе по конкретной специальности и в сфере профессиональной деятельности инженера;

  • об основных направлениях, методах и технологиях разработки ИНС;

знать:

  • характеристики основных элементов ИНС;

  • топологию, назначение и области применения наиболее распространенных ИНС;

  • наиболее распространенных методы обучения ИНС;

  • модели и типовые приемы проектирования нечетких ИНС и генетических алгоритмов

уметь:

  • выбрать топологию ИНС для конкретной задачи;

  • выбрать метод обучения ИНС, в зависимости от требований, ограничений и типа решаемой задачи;

  • программно реализовать ИНС с любой топологией;

  • программно реализовать любой метод обучения ИНС;

  • программно реализовать блоки пред- и постобработки информации, используемой ИНС для конкретной прикладной задачи.

Весь курс разбивается на логически взаимосвязанные разделы. Каждый раздел курса:

  • содержит теоретико-познавательный модуль, обеспеченный логически законченной частью учебной информации;

  • имеет тренингово-практический модуль (лабораторные работы, задачи и т.п.);

  • заканчивается контрольным модулем.

В каждом разделе (за исключением редких, чисто описательных) четко сформулированы цель и постановка задачи, а также конфликтность ситуации, суть возникших проблем (зачем это нужно? почему это не было сделано ранее на основе старого аппарата?) и механизм разрешения этой конфликтности.

Разделы курса выстроены в логическую цепочку по принципу «от простого – к сложному». Структура модулей каждого раздела соответствует иерархической структуре «абстрактное - конкретное».

Лекционные занятия тесным образом привязаны к выполняемым студентами лабораторным работам, что должно позволять более эффективно и динамично выполнять практические задания по освоению методов и приемов проектирования искусственных нейронных сетей. Время самостоятельной подготовки должно расходоваться студентами на окончательное закрепление знаний, полученных на лекционных занятиях, и навыков – на лабораторных работах, а также на выполнение контрольной работы.

1.3.Роль и место курса в структуре реализуемой образовательной программы


В процессе обучения по курсу "Нейрокомпьютерные системы" особое внимание обращается на использование различных моделей и методов проектирования и обучения нейронных сетей для решения реальных задач из различных предметных областей, а также на связь теоретической информации с навыками практического программирования, полученными студентами раннее.

Перед изучением данного курса студенты обязательно должны пройти обучение по следующим дисциплинам:



  • информатика;

  • вычислительная математика;

  • объектно-ориентированное программирование;

  • теория вероятностей, математическая статистика и случайные процессы;

  • математический анализ;

  • обработка экспериментальных данных на ЭВМ;

  • теория вычислительных процессов.

Параллельно с изучением курса "Нейрокомпьютерные системы" студенты изучают следующие дисциплины, которые связаны с указанным курсом:

  • объектно-ориентированное программирование;

  • системы визуального программирования;

  • системы искусственного интеллекта.


1.4.Объемы учебной работы и предусмотренные рабочими учебными планам и реализуемой образовательной программы формы аттестации ее результатов


Характеристика учебной работы и трудоемкость изучения дисциплины, выраженные в объемах, как в целом, так и в разрезе различных видов учебной деятельности студента, предусмотренные рабочим учебным планом, представлена в таблице 1.

Таблица 1 – Характеристика трудоемкости курса «Нейрокомпьютерные системы»



* - для сокращенной программы обучения

2.Структура и содержание курса


В курсе «Нейрокомпьютерные системы» сосредоточены вопросы, относящиеся к моделям и методам проектирования, разработки и обучения ИНС. Основной акцент делается на изучение и программную реализацию типовых ИНС применительно к конкретным прикладным задачам.

Студент начинает изучение курса с первого раздела.

Параллельно с изучением учебного материала студент знакомиться с основными терминами и понятиями, которые ему необходимо знать при изучении данного раздела.

После этого студент должен выполнить практические занятия, предусмотренные программой курса. Для повышения эффективности усвоения материала студенту рекомендуется ознакомиться с электронной обучающей программой по курсу, содержащей тренинговый модуль, эмулятор слоистых нейронных сетей, набор демонстрационных программ, позволяющий освоить типовые приемы программирования наиболее распространенных ИНС.

На следующем этапе студент должен с помощью контрольных вопросов самостоятельно проверить свои знания по каждому разделу.

После изучения по указанному сценарию всего курса студент обязан пройти контрольное тестирование по всему курсу.

Структуру курса можно представить в виде следующих разделов (см. табл. 2).

Таблица 2 – Структура и содержание разделов курса «Нейрокомпьютерные системы»



Наименование

Описание раздела

Основные положения теории искусственных нейронных сетей

Рассматривается структура и свойства искусственного нейрона. Классификация нейронных сетей и их свойства. Постановка и возможные пути решения задачи обучения нейронных сетей. Настройка числа нейронов в скрытых слоях многослойных нейронных сетей в процессе обучения

Основные концепции нейронных сетей

Ассоциативная память нейронных сетей. Персептроны. Нейронные сети встречного распространения. Оптимизирующие нейронные сети. Двунаправленная ассоциативная память. Когнитрон. Неокогнитрон

Нечеткие нейронные сети и генетические алгоритмы

Нечеткая информация. Нечеткий логический вывод. Эффективность нечетких систем принятия решений. Синтез нечетких нейронных сетей. Нечеткий классификатор. Генетические алгоритмы







3.Календарный график изучения курса

3.1.Лекции

Лекции по курсу «Нейрокомпьютерные системы» предусматривают рассмотрение теоретических и проблемных вопросов в концентрированной, логически представленной форме, а также состояния и перспективы практического использования теоретических концепций искусственных нейронных сетей.


График лекционного курса «Нейрокомпьютерные системы» представлен в таблице 3.
Таблица 3 - Программа лекций курса «Нейрокомпьютерные системы»



Тема лекции

Объем часов

1

2

3

1


Принципы организации и функционирования искусственных нейронных сетей. Основы организации информационных процессов в искусственных нейронных сетях.

2


Элементы искусственной нейронной сети. Основные определения. Понятие «искусственная нейронная сеть». Геометрическое описание связей.

Законы обучения: основные определения; классификация методов обучения; обучение с супервизором; обучение с подкреплением; обучение самоорганизацией.

Итого:

2

3.2.Лабораторные работы


Лабораторные занятия направлены на закрепление и углубление, практическое подтверждение теоретических концепций курса, а также на формирование и развитие умений и навыков практического программирования. График реализации лабораторного практикума приведен в таблице 4.
Таблица 4– График реализации лабораторного практикума



Тема работы

Объём часов

1

Моделирование элементов ИНС.

Цель: ознакомиться с основными принципами программирования компонент ИНС.

Содержание: реализовать программу для реализации искусственного нейрона с нелинейным адаптивным сумматором и логистической активационной функцией.

Вопросы для защиты:

  1. Основные компоненты ИНС.

  2. Виды сумматоров, их назначение, математические модели.

  3. Наиболее распространенные виды активационных функций, назначение.

  4. Программные методы реализации искусственного нейрона.




2

2

Разработка многослойных ИНС.

Цель: ознакомиться с основными структурами и приемами программной реализации слоистых ИНС

Содержание: написать программу, реализующую трехслойную ИНС. В качестве искусственных нейронов использовать нейроны, разработанные в лаб.1.

Вопросы для защиты:

  1. Виды ИНС с точки зрения топологии

  2. Структура, область применения, достоинства и недостатки слоистых ИНС

  3. Основные структуры и методы, использовавшиеся при программной реализации.




4(2)*

3

Методы обучения ИНС. Обучение с учителем

Цель: ознакомиться с основными методами обучения ИНС

Содержание: написать программу, реализующую ИНС для решения задачи распознавания образов

Вопросы для защиты:

  1. Классификация методов обучения ИНС

  2. Метод обратного распространения ошибки – достоинства и недостатки

  3. Основные структуры и методы, использовавшиеся при программной реализации компоненты.

2(2)*

Итого:

8(6)*



3.3.Объем, структура и содержание самостоятельной работы студентов, график ее выполнения

3.3.1.Примерный перечень теоретических разделов курса для самостоятельного изучения


Для самостоятельного изучения предлагаются следующие темы:

1. Двунаправленная ассоциативная память.

2. Сети адаптивной резонансной теории.

3. Когнитрон.

4. Неокогнитрон.

5. Алгоритмы нечеткого вывода.

6. Методы деффазификации.

7. Основные понятия нечетких нейронных сетей.

8. Алгоритмы обучения нечетких нейронных сетей.

9. Нечеткий классификатор.

10. Понятие генетического алгоритма.

11. Обучение нечетких нейронных сетей на основе генетических алгоритмов.

3.3.1.Примерные требования к оформлению и сдаче отчетов по лабораторным работам


По каждой лабораторной работе должен быть составлен отчет в виде документа MS Word, содержащий следующие разделы:

  • титульный лист;

  • задание;

  • теоретический материал, содержащий описание методики выполнения лабораторной работы;

  • описание структуры и основных модулей программы

  • листинг программы с комментариями;

  • экранные формы;

  • список использованной литературы.

Отчет в электронном виде должен быть представлен преподавателю на контроль с последующей защитой выполненной лабораторной работы на лабораторном занятии.

3.3.2.Примерные требования к оформлению и защите контрольной работы


Для защиты контрольной работы должен быть составлен отчет в виде документа MS Word, содержащий следующие разделы:

  • титульный лист;

  • задание;

  • теоретический материал, содержащий описание методики выполнения контрольной работы;

  • описание структуры и основных модулей программы

  • листинг программы с комментариями;

  • программа и методика испытаний

  • экранные формы;

  • список использованной литературы.

Отчет в бумажном виде должен быть представлен преподавателю на контроль с последующей защитой выполненной контрольной работы.

Задания для контрольной работы, с указанием варианта, приведенным в учебном пособии к курсу.

Пример выполнения и оформления контрольной работы приведен на лазерном диске с электронной версией обучающего курса.

3.3.3.Примерная структура самостоятельной работы студентов


Примерная структура и график выполнения самостоятельной работы студентов представлены в табл. 5
Таблица 5 - Примерные структура и график выполнения самостоятельной работы студентов

Виды самостоятельной работы

Часов в неделю

Итого

1

2

3

4

5

6




Подготовка к лекциям

2

2

2


2

2

2

12

Подготовка отчета по лабораторным работам к защите




2

2(2)*




4(2)*




8(6)*

Изучение теоретических разделов курса

8

12

12

14

(16)*



12 (14)*

6

64 (68)*

Выполнение и подготовка к защите контрольной работы

4


КР1

4


4


6










18

Подготовка к экзамену

2



4


4


4


4





18

Итого

16

24

24

26(28)*

22

8

120 (122)*

4.Технологии и методическое обеспечение контроля результатов учебной деятельности обучаемых


Рабочим учебным планом направления подготовки 654600 – Информатика и вычислительная техника, специальности 230105 “Программное обеспечение вычислительной техники и автоматизированных систем” на 4(3)* курсе по дисциплине «Нейрокомпьютерные системы» предусмотрена промежуточная аттестация в форме экзамена.

Оценка по экзамену определяется средним арифметическим баллом (по пяти бальной системе), полученным студентом по результатам (согласно графика выполнения (см. табл. 5)):



  • защиты лабораторных работ;

  • защиты контрольной работы;

  • сдача итогового экзамена.

Текущий контроль учебной деятельности студентов осуществляется на лабораторных занятиях. Студент обязан в срок выполнять выданные ему лабораторные работы.

Студент, не выполнивший к концу блока обучения все лабораторные работы и не защитивший контрольную работу, не допускается до экзамена. Экзамен проводится в письменной форме или в форме теста, время проведения экзамена – 1 академический час. На экзамен каждому студенту предлагается два вопроса (1 билет). Список предполагаемых вопросов приводится ниже.



Список предлагаемых вопросов на экзамен по курсу


  1. Понятие нейрона, дендрита, аксона, синапса. Структура искусственного нейрона.

  2. Структура искусственного нейрона. Классификация искусственных нейронов, в зависимости от выполняемых функций.

  3. Структура искусственного нейрона. Классификация искусственных нейронных сетей с точки зрения топологии.

  4. Классификация многослойных нейронных сетей.

  5. Постановка задачи обучения искусственных нейронных сетей.

  6. Алгоритмы обучения с учителем. Алгоритм обратного распространения ошибки.

  7. Алгоритмы обучения без учителя. Сигнальный метод Хебба.

  8. Алгоритмы обучения без учителя. Дифференциальный метод Хебба.

  9. Алгоритмы обучения без учителя. Алгоритм Кохонена.

  10. Алгоритмы сокращения.

  11. Конструктивные алгоритмы.

  12. Понятие ассоциативной памяти. Ассоциации.

  13. Модели ассоциативной памяти.

  14. Персептроны.

  15. Нейронные сети встречного распространения.

  16. Нейронная сеть Хопфилда.

  17. Нейронная сеть Хемминга.

  18. Двунаправленная ассоциативная память.

  19. Сети адаптивной резонансной теории.

  20. Когнитрон.

  21. Неокогнитрон.

  22. Алгоритмы нечеткого вывода.

  23. Методы деффазификации.

  24. Основные понятия нечетких нейронных сетей.

  25. Алгоритмы обучения нечетких нейронных сетей.

  26. Нечеткий классификатор.

  27. Понятие генетического алгоритма.

  28. Обучение нечетких нейронных сетей на основе генетических алгоритмов.



5.Ресурсное обеспечение курса

5.1.Список основной учебно-методической литературы

1. Бэстенс Д.-Э., ван ден Берг В.-М., Вуд Д. Нейронные сети и финансовые рынки: принятие решений в торговых операциях. — М.: ТВП, 1997.

2. Горбань А. Н. Обучение нейронных сетей. — М.: СП ПараГраф, 1991

3. Горбань А. Н., Россиев Д. А. Нейронные сети на персональном компьютере. — Новосибирск: Наука, 1996.


4. Хазен А.М. О возможном и невозможном в науке, или где границы моделирования интеллекта. Проблемы науки и технического прогресса., М.:Наука, 1988г.

5. Дюбуа, Прад Теория возможностей /Пер. с франц. - М.:Наука,1990г.

6. Гаврилова Т.А., Хорошевский В.Ф. Базы знаний в интеллектуальных систмах. Уч. пос. для вузов, СПб.:Питер, 2000.

7. Люггер Дж. Искусственный интеллект: стратегии и методы решения сложных проблем, 4-е издание.: Пер.с англ. – М:Издательский дом «Вильямс», 2003.


5.2.Список дополнительной учебно-методической литературы

  1. Приобретение знаний: Пер. с япон./Под ред. С.Осуга, Ю.Саэки. – М.:Мир,1990г.

  2. Корнеев В.В. и др. Базы данных. Интеллектуальная обработка информации. Рос.ассоц.издат. компьют.лит-ры.-М.:НОЛИДЖ, 2000г.

  3. Короткий С. Нейронные сети: алгоритм обратного распространения// http://www.neuropower.de/rus/books/index.html.

  4. Короткий С. Нейронные сети: обучение без учителя// http://www.neuropower.de/rus/books/index.html.

  5. Короткий С. Нейронные сети: основные положения// http://www.neuropower.de/rus/books/index.html.

  6. Короткий С. Нейронные сети Хопфилда и Хэмминга// http://www.neuropower.de/rus/books/index.html.

  7. Нечеткие множества в моделях управления и искусственного интеллекта/ Под ред. Д.А. Поспелова. -М.: Наука, 1986.

  8. Попов Э.В., Фоминых И.Б., Кисель Е.Б., Шапот М.Д. Статические и динамические экспертные системы. - М.: Финансы и статистика, 1996.

  9. Прикладные нечеткие системы/ Под ред. Т. Тэрано, К. Асаи, М. Сугено. -М.: Мир, 1993.


.

5.3.Перечень программных продуктов, используемых при изучении дисциплины


Для полноценного изучения курса необходимо использование следующих программных продуктов:

  1. Операционные системы: MS Windows 2000/XP.

  2. Среды программирования: Visual Prolog 5.2, Builder C++ 6.0., Visual Basic 6.0.

  3. Текстовый редактор MS Word 2000.

  4. Браузер Internet Explorer 6.0.


скачать файл



Смотрите также:
Рабочая программа дисциплины "Нейрокомпьютерные системы"
212.1kb.
Рабочая программа дисциплины
132.11kb.
Рабочая программа дисциплины опд. Ф. 02
403.32kb.
Рабочая программа учебной дисциплины ландшафтное проектирование
619.28kb.
Рабочая программа учебной дисциплины компьютерная графика в садоводстве
320.76kb.
Рабочая программа учебной дисциплины «теория электросвязи» для специальностей
260.38kb.
Рабочая программа учебной дисциплины управление разработкой и реализацией нового продукта для подготовки бакалавров по профилю
376.48kb.
Рабочая программа учебной дисциплины (рпуд)
115.5kb.
Рабочая программа дисциплины «Теоретические основы информатики» /сост. С. А. Литвинова – Бузулук: бгти (филиал) огу, 2011. 15 с
245.31kb.
Рабочая программа по дисциплине «Системы искусственного интеллекта и экспертные системы»
47.27kb.
Рабочая программа дисциплины «история отечественного государства и права» Направление: 030500. 62 Юриспруденция Профиль: общий
417.82kb.
Рабочая программа дисциплины «Электроника и микропроцессорная техника» / сост. О. С. Манакова – Бузулук: бгти (филиал) огу, 2011. 30 с
549.79kb.