автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.11, диссертация на тему:Разработка логических моделей и алгоритмов обучения

кандидата технических наук
Гришкина, Мария Петровна
город
Москва
год
2001
специальность ВАК РФ
05.13.11
Диссертация по информатике, вычислительной технике и управлению на тему «Разработка логических моделей и алгоритмов обучения»

Оглавление автор диссертации — кандидата технических наук Гришкина, Мария Петровна

СОДЕРЖАНИЕ.

СПИСОК ГРАФИЧЕСКИХ МАТЕРИАЛОВ.

ВВЕДЕНИЕ.

ГЛАВА 1. ПРОБЛЕМЫ АВТОМАТИЗАЦИИ ОБУЧЕНИЯ. СОСТОЯНИЕ. ПЕРСПЕКТИВЫ.

1.1 .КЛАССИФИКАЦИИ МОДЕЛЕЙ ОБУЧЕНИЯ.

1.2 . МОДЕЛИ ПРЕДСТАВЛЕНИЯ ЗНАНИЙ.

1.2.1. Семантические сети.

1.2.2 . Продукционные модели.

1.2.3 . Фреймовые модели.

1.2.4 . Логические модели.

1.3 . СТРАТЕГИИ ОБУЧЕНИЯ.

1.3.1. Стратегия обучения по инструкциям.

1.3.2. Стратегия обучения, основанная на объяснении и анализе cumyaifuu.

1.3.3 . Стратегия обученш по аналогии.

1.3.4. Стратегии обучения, основанные на индуктивном логическом выводе.

1.4. ПОСТАНОВКА ЗАДАЧИ.

ГЛАВА 2 . ИНДУКТИВНОЕ ОБУЧЕНИЕ.

2.1 . АРХИТЕКТУРА СИСТЕМЫ ОБУЧЕНИЯ.

2.2 . ЛОГИЧЕСКАЯ ПРАВИЛА ИНДУКТИВНОГО ВЫВОДА.

2.3 . ЭМПИРИЧЕСКОЕ ОБУЧЕНИЕ СМЫСЛОВОМУ ЗНАЧЕНИЮ ПОНЯТИЯ НА ПРИМЕРАХ.

2.3.1. Подход на основе примеров.

А . Поиск обобщений сперва в глубину.

В . Поиск обобщений сперва в ширину.

С . Алгоритм Митчелла. Двунаправленный поиск.

D . Эвристический поиск обобщений.

2.3.2. Подход, основанный на уточняемых понятиях.

2.4 . КОНЦЕПТУАЛЬНАЯ КЛАССИФИКАЦИЯ.

2.4.1. Основной принцип.

2.4.2 . Подход совокупной обработки.

2.4.3 . Подход последовательной обработки.

2.5 . ВЫВОДЫ К ГЛАВЕ 2.

ГЛАВА 3 . АЛЬТЕРНАТИВНЫЕ МЕТОДЫ ОБУЧЕНИЯ.

3.1 . ЛОГИЧЕСКИЕ ПРАВИЛА ДЕДУКТИВНОГО ВЫВОДА.

3.2 . ЛОГИЧЕСКИЕ ПРАВИЛА ВЫВОДА ПО АНАЛОГИИ.

3.3 . ЛОГИЧЕСКИЕ ПРАВИЛА АБДУКТИВНОГО ВЫВОДА.

3.4 . АНАЛИТИЧЕСКОЕ ОБУЧЕНИЕ С ПОМОЩЬЮ ОБЪЯСНЕНИЙ.

3.4.1. Основания метода.

3.4.2 . Обобщение с помощью объяснений.

3.4.3 . Абдуктивное обучение.

3.4.4 . Обучение по аналогии.

3.5 . ПЕРСПЕКТИВЫ.

3.6 . ВЫВОДЫ К ГЛАВЕ 3.

ГЛАВА 4 . ПРИКЛАДНЫЕ ЗАДАЧИ АВТОМАТИЗИРОВАННОГО ОБУЧЕНИЯ.

4.1 . СИСТЕМА ИНДУКТИВНОЙ КЛАССИФИКАЦИИ ETIS.

4.2 . МЕДИЦИНСКИЕ ТЕХНОЛОГИИ.

4.3 . ВЫВОДЫ К ГЛАВЕ 4.

Введение 2001 год, диссертация по информатике, вычислительной технике и управлению, Гришкина, Мария Петровна

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ Актуальность работы

Создание обучающих систем, основанных на некоторой обоснованной теоретической концепции, сдерживалась, с одной стороны, недостаточными мощностями средств вычислительной техники, а с другой, - отсутствием аксиоматической теории, исчерпывающе описывающей различные подходы к проблеме обучения, в том числе психологические, дидактические и т.д. Поэтому чаще всего при решении рассматриваемой проблемы преобладал эмпирический подход или проблема подменялась задачей тестирования.

Состояние средств вычислительной техники на сегодняшний день в значительной степени позволило преодолеть первое из ограничений. Этого нельзя сказать о втором: задача создания аксиоматической теории, в сколь угодно замкнутом виде, остается открытой и настоятельно требует своего разрешения. Таким образом, актуальность решаемой задачи автоматизации обучения обосновано следующими факторами:

• отсутствие аксиоматической теории;

• отсутствие методик, позволяющих обобщить применение теории к различным предметным областям;

• низкой эффективностью (в дидактическом смысле) существующих обучающих систем при решении задачи выработки понятий.

Цель исследования заключается в разработке моделей и алгоритмов автоматизированного обучения и самообучения.

В соответствии с этим в диссертационной работе поставлены и решены следующие основные задачи:

1. Аксиоматизация различных моделей автоматизированного обучения.

2. Разработка индуктивных моделей обучения.

3. Разработка стратегам аналитического обучения.

4. Разработка практических реализаций положений, указанных в предыдущих пунктах.

Методика исследования

Для решения поставленных задач в работе использованы методы математической логики, теории множеств, искусственного интеллекта, логического программирования, а также следующие способы исследований:

• изучение принципов построения и эксплуатации отечественных и зарубежных систем обучения, с целью подтверждения обоснования постановки задачи;

• теоретический анализ технической, математической и методологической литературы;

• практическое подтверждение преимуществ логического подхода по сравнению с использованными ранее к решению задач автоматизации обучения.

Достоверность научных положений, выводов и практических рекомендаций подтверждена результатами практического внедрения предложенных в диссертации методов, алгоритмов и программ. Апробация основных результатов исследования

Основные положения диссертации изложены и получили одобрение на

• Научно-технической конференции студентов, аспирантов и молодых специалистов МГИЭМ (Москва, МГИЭМ, 1997г.);

• Пятой международной школе-семинаре студентов, аспирантов и молодых специалистов «Новые информационные технологии» (Крым, 1997г.);

• Третьей международной научно-практической конференции «Пилотируемые полеты в космос» (Звездный городок, 1997г.);

• Научно-технической конференции студентов, аспирантов и молодых специалистов МГИЭМ (Москва, МГИЭМ, 1999г.);

• Третьей международной научно-технической конференции «Электроника и информатика - XXI век» (Москва, МИЭТ, 2000г.);

• Научно-технической конференции студентов, аспирантов и молодых специалистов МГИЭМ (Москва, МГИЭМ, 2001г.)

• Четвертой Международной Научно-практической конференции «Фундаментальные и прикладные проблемы информатики, экономики и права» (Сочи, 2001г.)

Теоретическая и практическая ценность полученных результатов

Теоретическая значимость диссертационной работы состоит в разработке единого логического подхода к моделям автоматизированного обучения, в разработке предметно-независимых моделей обучения: индуктивных, аналитической и по аналогии. Практическая ценность разработанных методов состоит в возможности реализации полученных алгоритмов в виде вычислительных систем автоматизированного обучения и интеллектуальных систем самообучения.

Полученные в работе результаты использованы в автоматизированной системе обучения методам и технике проведения лапароскопической холецистоэктомии LAP А, прошедшей клинические испытания в ОНЦ РАМН РФ им. Н.Н. Блохина, и в экспертно-обучающей системе индуктивной классификации ETIS, протестированной на базе школьного курса неорганической химии.

Публикации по теме диссертационной работы

Основные положения диссертационной работы изложены в девяти публикациях.

Структура и объем диссертации

Диссертация состоит из введения, четырех глав, заключения и списка литературы. Объем работы: 150 печатных страниц текста, включая рисунки и приложения.

Заключение диссертация на тему "Разработка логических моделей и алгоритмов обучения"

4.3. ВЫВОДЫ К ГЛАВЕ 4

В этой главе представлены примеры реализаций разработанных алгоритмов обучения, описания которых представлены в главах 1 и 2. Получены следующие результаты:

1. Разработанные в главе 2 индуктивные модели обучения реализованы в экспертно-обучающей системе ETIS, работа которой успешно протестирована на примере школьного курса неорганической химии и диагностике неисправностей лифтов и АЗУ. Система внедрена в процесс подготовки ИТР СУ-8 МГУП «Мослифт», что подтверждается актом о внедрении.

2. Модель аналитического обучения, разработанная в главе 3, легла в основу автоматизированной системы обучения методам и технике проведения лапароскопической холецистоэктомии (ЛХЭ) LAPA, которая прошла успешные клинические испытания в ОНЦ РАМН РФ им. Н.Н. Блохина и внедрена, что подтверждается актом о внедрении.

ЗАКЛЮЧЕНИЕ

Обобщим результаты исследования и решения задач автоматизированного обучения, поставленные в диссертации:

1. Разработан единый логический подход к разработке экспертно-обучающих систем. Формальная логическая система, основанная на теоретической логике, позволяет отказаться от эмпирических подходов к построению систем обучения и сформулировать продуктивные стратегии для различных целей и условий обучения.

2. Разработаны индуктивные модели обучения, позволяющие настраивать модель обучаемого на начальном этапе обучения на основе эмпирических данных в отсутствии формальной теории:

• модель эмпирического обучения на примерах позволяет вырабатывать новые понятия на основе множества описаний объектов, фактов, наблюдений, экспериментов;

• модель концептуальной классификации позволяет структурировать накопленные или поступающие описания концептов.

3. Задача индуктивного обучения сведена к задаче поиска в пространстве состояний. Такой подход позволяет использовать для обучения хорошо изученные эффективные поисковые алгоритмы.

4. Разработаны алгоритмы для практической реализации моделей индуктивного обучения. Для каждой из них разработано несколько алгоритмов, выбор из которых осуществляется в зависимости от целей и условий обучения, что позволяет сделать процесс обучения гибким и эффективным.

5. В отличие от существующих систем, использующих индуктивный вывод, разработанные алгоритмы не используют эвристические методы, связанные с той или иной предметной областью, т.е. мотуг быть применены к любой базе знаний, представимой в терминах логической модели представления знаний.

6. Разработанные индуктивные алгоритмы легли в основу экспертно-обучающей системы ETIS, которая протестирована на примере школьного курса неорганической химии и диагностике неисправностей лифтов и АЗС. Система ETIS внедрена в процесс подготовки работников ИТР СУ-8 МГУП «Мослифт», что подтверждается актом о внедрении.

7. Разработана модель аналитического обучения, позволяющая вести обучение на небольшом количестве примеров (даже на одном) при наличии априорных знаний о предметной области или о типе решаемых задач. Она основана на адекватном дедуктивном выводе.

8. Результаты аналитического обучения всегда содержат объяснения, что позволяет наглядно проследить ход рассуждений, проиллюстрировать изучаемые методы, модели или схемы решений задач.

9. Вырабатываемые в процессе аналитического обучения операциональные описания позволяют повысить эффективность исполнителя, в частности сократить глубину выводов и количество бэктрекингов.

Ю.Разработана модель абдукгивного обучения как расширение аналитической модели, позволяющая вести обучение при неполной информации, а также выявлять и обучать причинно-следственным связям. Абдуктивная аналитическая модель также успешно используется в системах, требующих формирования в реальном времени заключений по выполнению некоторого технологического процесса

11. На основе аналитической модели разработана модель обучения по аналогии, позволяющая вести обучение даже при отсутствии знаний о предметной области, но при наличии значимых понятий, родственных изучаемым.

12.Разработана медицинская система автоматизированного обучения методам и технике проведения лапароскопической холецистоэктомии (ЛХЭ) LAP А, в основу которой легла модель аналитического обучения. LAPA прошла успешные клинические испытания и внедрена в ОНЦ РАМН РФ им. Н.Н. Блохина, что подтверждается актом о внедрении.

Библиография Гришкина, Мария Петровна, диссертация по теме Математическое и программное обеспечение вычислительных машин, комплексов и компьютерных сетей

1. Ашинянц М.Р., Ашинянц Р. А. Аналитическое, ассоциативное, генетическое обучение - новейшие стратегии обучения. // Информационные технологии в проектировании и производстве. - Москва, №2, с. 49-58, 1997г.

2. Ашинянц Р.А. Логические методы в искусственном интеллекте. М.: МГАПИ, 2001г.

3. Ашинянц Р.А. Стратегии логических методов обучения и концептуальной классификации. // Информационные технологии в проектировании и производстве. Москва, №3, с. 22-40, 1997г.

4. Ашинянц Р.А., Боголюбов Д.П., Гришкина М.П. О некоторых методических основах построения интеллектуальных обучающих систем для подготовки космонавтов. // «Пилотируемые полеты в космос». Третья международная научно-практическая конференция. Москва, 1997г.

5. Ашинянц Р.А., Богданов К.С. Представление знаний и логический вывод в сети фреймов. М.: Физ.-мат. Лит, Тр. 7-ой национальной конференции по искусственному интеллекту, с. 150-153, 2000 г.

6. Боголюбов Д.П., Гришкина М.П. Разработка учебных интеллектуальных систем, основанных на логических моделях обучения. // В кн. «Новые информационные технологии». Тезисы докладов V Международной студенческой школы-семинара. М.~:МГИЭМ, 1997г.

7. Боголюбов Д.П., Гришкина М.П. Учебные интеллектуальные системы, основанные на логических моделях обучения. // В кн. Научно-техническая конференция студентов, аспирантов и молодых специалистов МГИЭМ. Тезисы докладов. М.~:МГИЭМ, 1997г.

8. Гаазе-Рапопорт М.Г., Поспелов Д.А. От амебы до робота: модели поведения. М.: Наука, 1987.

9. Гребень И.И., Довгялло A.M. Автоматические устройства для обучения (обучающие машины). Киев: Изд-во Киев. Ун-та, 1965.

10. Гришкина М.П. Эмпирическое обучение по примерам. Система INDUCT. // В кн. «Новые информационные технологии». Тезисы докладов VМеждународной студенческой школы-семинара. М.~:МГИЭМ, 1997г.

11. Гришкина М.П. Обучение на примерах: концептуальная классификация // В кн. "Электроника и информатика XXI век". Третья Международная научно-техническая конференция. Тезисы докладов. - М.~:МИЭТ, 2000г.

12. Гришкина М.П. Обучение на примерах: концептуальная классификация // В кн. Научно-техническая конференция студентов, аспирантов и молодых специалистов МГИЭМ. М.~:МГИЭМ, 2001г.

13. Гришкина М.П. Система ABDUCT как реализация модели обучения на объяснениях // В кн. Научно-техническая конференция студентов, аспирантов и молодых специалистов МГИЭМ. Тезисы докладов. -М.~:МГИЭМ, 1999г.

14. Гришкина М.П. Система INDUCT как реализация индуктивной модели обучения. // В кн. Научно-техническая конференция студентов, аспирантов и молодых специалистов МГИЭМ. Тезисы докладов. -М.~:МГИЭМ, 1997г.

15. Дейкстра Э. Дисциплина программирования М.: Мир, 1978.

16. Змитрович А.И. Интеллектуальные информационные системы. Мн.: НТООО «ТетраСистемс», 1997.

17. Клоксин, Мелиш Программирование на языке ПРОЛОГ. М.: Мир, 1987.

18. Лозовский B.C. Семантические сети // Представление знаний в человеко-машинных и робототехнических системах. М.: ВИНИТИ, стр. 84-120, 1984.

19. Минский M.JI. Структура для представления знания // Уинстон П.Г. (ред.) Психология машинного зрения. -М.: Мир, стр. 249-338, 1978.

20. Минский M.JL, Пайперт С. Персептроны. М. Мир, 1971.

21. Нильсон Н. Принципы искусственного интеллекта М.: Радио и связь, 1985.

22. Осуга С. Обработка знаний. М.: Мир, 1989.

23. Петрушин В.А. Экспертно-обучающие системы. Киев: Наук, думка, 1992.

24. Попов Э.В. Экспертные системы: Решение неформализованных задач в диалоге с ЭВМ. -М.: Наука. Гл. ред. Физ.-мат. Лит., 1987.

25. Розенблатт Ф. Обобщение восприятий по группам преобразований. // Кибернетический сборник, М.: ИЛ, №4, 1962.

26. Розенблатт Ф. Принципы нейродинамики. М.: Мир, 1965.

27. Столяров Л.М. Обучение с помощью машин. М.: Мир, 1965.

28. Тейз А. и др. Логический подход к искусственному интеллекту, т. 1.- М.: Мир, 1990.

29. Хоггер К. Введение в логическое программирование- М.: Финансы и статистика.

30. Alpert D., Bitzer D.L. Advances in Computer Based Instruction. // Science. -167, p. 1582-1590, 1970.

31. Andersen A., Belnap N. Entailment: The Logic of Relevance and Necessity. Prinston University Press, Prinston, 1975.

32. Bennet R. ROGET: a knowlege-based system acquiring the conceptual structure of a diagnostic expert system // Journal of Automated Reasoning, vol. 1, pp. 4974, 1985.

33. Biermann A., Krishnaswamy R. Constructing program from example computations // IEEE Transactions on Software Engineering, vol. 2, pp. 141— 153, 1976.

34. Bledsoe W. Non-resolution theorem proving // Artificial Intelligence, vol. 9, pp. 1-36, 1977.

35. Booker L., Goldberg D., Holland J. Classifier systems and genetic algorithms // Artificial Intelligence, vol. 40, 1989.

36. Buchanan В., Shortliffe E., Rule-based expert systems: the MYCIN experiments of the Stanford Heuristic Programming Project, 1984

37. Buchman A., Mitchell T. Model-directed learning priductio rules // Pattern-Firected Inference Systems, Academic Press, pp. 297-312, 1978.

38. Burstein M. Incremental learning from multiple analogis. Analogica. Pitman, London, pp. 37-62, 1988.

39. Carbonell J. (publisher). Special volume on machine learning // Artificial Intelligence, vol. 40,1989.

40. Carbonell J. Learning by analogy: formulating and generalising plans from past experience // An Artificial Intelligence Approach, vol. 1, Springer-Verlag, Berlin, pp. 137-161,1984.

41. Charniak E., McDermott D. Introduction of Artificial Intelligence // Addison-Wesley, 1985.

42. Clancey W.J. GUIDON // J/ of Computer-Based Instruction, №1-2, p. 8-15, 1983.

43. Coursewriter III Version 3. Authors Guide. Program Product SH200-I009-I., 1973.

44. Davies T. Teiresias: application of meta-level knowlege // Knowlege-based systems in Artificial Intelligence, McGraw-Hill, New York, 1982.

45. Davies Т., Russel S. A logical reasoning by analogy // Proc. IJCAI, pp. 264270,1987.

46. Davis R., King J. An Overview of Production Systems // Machine Intelligence, vol. 8, Ellis Korwood Limited, Chichester, p. 300-332, 1977.

47. DeJong G. Acquiring schemata through understanding and generalizing plans // Proc. IJCAI, pp. 462-464, 1987.

48. DeJong G., Mooney R. Explanation-based learning: an alternative view // Machine Learning, vol. l,pp. 145-176, 1986.

49. Detterich T.G., Michalski R.S. A comparative review of selected methods for learning structural description // Machine Learning: An Artificial Intelligence Approach. Palo Alto, CA: Tioga Publishing Company, 1984.

50. Dietterich T. and Michalski R., Inductive learning of structural descriptions // Artificial Intelligence, vol. 16, pp. 257-294, 1981.

51. Dietterich T. Learning and knowlege level // Machine Learning, vol. 1, pp. 287-315, 1986.

52. Ellman T. Explanation-based learning: a survey of programs and perspectives // ACM Computing Survey, vol. 21, pp. 163-222, Juin 1989.

53. Falkenhainer B. An examination in the third stage in the analogy process: verification-based analogical learning//Proc. IJCAI, pp. 260-263,1987.

54. Feigenbaum E., Simon H. EPAM-like models of recognition and learning // IEEE Transactions on Software Engineering, vol. 8, pp. 305-336, 1984.

55. Fisher D. Knowelege acquition via incremental conceptual clastering, vol. 2, pp. 139-172, 1987.

56. Flann N., Dietterich T. Selecting appropriate representations for learning from examples II Proc. AAAI1986, pp. 460-466, 1986.

57. Forsyth R. BEAGLE: a Darwinian approach to pattern recognition, Kybernetes, vol. 10, 1981.

58. Gashnig J. PROSPECTOR: An expert system for mineral exploration. Study of art report on machine intelligence. London: Pergamon Infotechn., 1981.

59. Genesereth M., Nilsson N. Logical Foundations of Artificial Intelligence, Morgam Kaufmann. Los Altos, 1987.

60. Gentner D. Structure Mapping: A theoretical framework for analogy // Cognitive Science, vol. 7, pp. 155-170, 1983.

61. Goldberg D. E. Dynamic control using rule learning and genetic algorithms // Proc. IJCAI 1985, pp. 588-592, 1985.

62. Greiner R. Learning by understanding analogies // Artificial Intelligence, vol. 35, pp.81-125, 1988.

63. Haas N., Henderix G. Learning by being told: acquiring knowlege for information management // An Artificial Intelligence Approach, vol. 1, Springer-Verlag, Berlin, pp. 405-4281,1984.

64. Hall R. Computational Approaches to analogical reasoning: a comparative analysis // Artificial Intelligence, vol. 39, pp. 343-372, 1989.

65. Hinton G. Connectionist learning procedures // Artificial Intelligence, vol. 40, 1989.

66. Hoare C. An axiomatic basis for computer programming // Communications of the ACM, vol. 12, pp. 576-583, 1989.

67. Holland J. Adaption in natural and artificial systems. Ann Arbor, MI: University of Michigan Press, 1975.

68. Holland J., HolyoakK. and al. Induction: Processes of Inference, Learning and Discovery. The MIT press, Cambridge, 1986.

69. Huet G. Resolution d'equations dans les langages d'ordre 1, 2,., These d'etat, Universite de PARIS VII, Decembre 1976.

70. Jackson P. Introduction to Expert System Addison-Wesley, Reading, 1986.

71. Kahn G., Nowlan S., McDermott J. MORE: an intelligent knowlege acquisition tool // Рос. IJCAI1985, pp. 581-584, 1985.

72. Keller R. Definig operationality for explanation-based learning // Artificial Intelligence, vol. 35, pp. 227-241, 1988.

73. Kifer M., Lausen G., Wu J. Logical Foundations of Object Oriented and Frame Based Languages // J of ASM 42(4), pp. 741-841, July, 1995.

74. Langley P., Zytcow J. Data-driven approaches to scientific discovery // Artificial Intelligence, vol.40,1989.

75. Lebowitz M. Experiments with incremental concept formation: UNTNEM, Machine Learning, vol. 2, pp. 103-138, 1987.

76. Lenat D. The nature of heuristics III// Artificial Intelligence, vol. 19, pp. 189249, 1983.

77. Lenat D.B. AM: dicovery in mathematics as euristic search // Knowlege-based systems in Artificial Intelligence, pp. 1-25, McGraw-Hill, New York, 1982.

78. McDermott J. Learning to use analogies II Рос. IJCAI1979, pp. 568-576, 1979.

79. Michalski R. A theory and methodology of inductive learning I I An Artificial Intelligence Approach, vol. 1, Springer-Verlag, Berlin, pp. 83-134,1984.

80. Michalski R., Carbonell J., Mitchell T. An overview of machine learning // An Artificial Intelligence Approach, vol. 1, Springer-Verlag, Berlin, pp. 3-24, 1984.

81. Michalski R., Carbonell J., Mitchell T. Machine Learning I I An Artificial Intelligence Approach, vol. 1, Springer-Verlag, Berlin, 1984.

82. Michalski R., Carbonell J., Mitchell T. Machine Learning // An Artificial Intelligence Approach, vol. 2, Morgan Kaufman, Los Altos, 1986.

83. Michalski R., Ко H., Chen K. Qualitative prediction: the SPARC/G methodology for inductiverly describing and predicting discrete processes // Current Issues in Expert Systems, Academic Press, London, 1987.

84. Michalski R., Stepp R. Learning from observation: conceptual clastering // An Artificial Intelligence Approach, vol. 1, Springer-Verlag, Berlin, pp. 33164,1984.

85. Minton S., Carbonell J. and al. Explanation-based learning: a problem solving perspective II Artificial Intelligence, vol. 40, pp. 63-118, September 1989.

86. Mitchell T.M. Generalisation as search I I Artificial Intelligence, vol. 18, pp. 203-226, 1982.

87. Mitchell T.M. Version spaces: a candidate elimination. Approach to rule learning // Рос. IJCAI1977, vol. 1, pp. 305-310, 1977.

88. Mitchell T.M., Keller R., Keder-Cabelli S. Explanation-based learning: a unifing view // Machine Learning, vol. 1, pp. 47-80, 1986.

89. Mitchell T.M., Michakski R., Carbonell J. Machine Learning // A Guide to Current Research, Kluwer Academic Publishers, Amsterdam, 1986.

90. Mitchell T.M., Utgoff P., Banerij R. Learning by experimentation: acquiring and refining problem-solving heuristics // Intelligence Approach, vol. 1, Springer-Verlag, Berlin, 1984.

91. Mooney R. J. Generalizing explanations of narratives into schemata // Machine Learning: A Guide to Current Research, Kluwer Academic Publishers, Amsterdam, pp.207-212,1986.

92. Mostow J. Design by derivational analogy // Artificial Intelligence, vol.40, 1989.

93. Mostow J. Searching for operational description in BAR, MetaLEX and EBG // Proc. 4th Intl. Workshop on Machine Learning, Morgan Kaufmann, pp. 376-382, 1987.

94. Nordhausen В., Langley P. Towards an integrated discovery system // Рос. IJCAI1987, pp. 198-200, 1987.

95. Plotkin G.D. A further note on inductive generalization // Ibid. vol. 6, 1971.

96. Plotkin G.D. A note on inductive generalization // Machine Intelligence. -vol. 5, p. 153-163, 1971.

97. Pressy S. A simple apparatus which given tests and scores and teaches // School and Society, № 3,1926.

98. Quinlan J. Induction of decision trees // Machine Learning, vol. 1, pp. 81-106, 1986.

99. Quinlan J., Induction over Large Databases // Report HPP-7914, Stanford University, Palo Alto, Ca, 1979.

100. Quinlan J., Learning efficient classification procedures/ Eds Michalski R.S., Carbonell J.J., Mitchell T.M. // Machine Learning: An Artificial Intelligence Approach. Palo Alto, CA: Tioga Publishing Company, 1984.

101. Reboh R. Extracting useful advice from conflicting expertise // Рос. IJCAI1983, pp. 145-150, 1983.

102. Rendell R., Seshu R. Tcheng D. More robust concept learning using dynamically variable bias // Proc. 4th Intl. Workshop on Machine Learning, Irvin (CA), pp. 66-78, 1987.

103. Rich C., Waters R., Rubinstein H. Toward a requirements apprentice // Proc IWSSD-A (4-th Workshop Specification and Design), Monterey (CA) IEEE RH0181, pp. 79-86, 1986.

104. Shorliffe E. Computer-based Medical Consultation: MYCIN. North Holland, Amsterdam, 1976.

105. Siclossy L., Sykes D. Automatic program synthesis from example problems // Рос. IJCAI1975, pp. 260-267,1975.

106. Swartout W. XPLAN: A system for creating and explaining expert consulting programs // Artificial Intelligence, vol. 21, pp. 285-325, 1983.

107. Thayse A. (editeur). Approache logique de Flntelligence Artificielle, vol. 3: Du traitement de la Langue naturelle a la Logique des Systemes Experts. Dunod, Paris, 1990.

108. Tversky A. Features of similarity // Psychological Review, vol. 84, pp. 327352, 1977.

109. Utgoff P. Shift of bias for inductive concept learning // Machine Learning: An Artificial Intelligence Approach, vol. 2, Morgan Kaufman, Los Altos, 1986.

110. Watanabe L., Elio R. Guiding constructive induction for incremental learning from examples II Рос. IJCAI1987, pp.293-296, 1987.

111. White J. A decision tool for assisting with the comprehension of large software systems // Automated Tools for Information Systems Design, pp. 49-64, North Holland, Amsterdam, 1982.

112. Widrow B. Adaptive sampled date systems. A statistical theory of adaptation // WESCON Convention Record, 1959.

113. Winston P. Learning new principles from precedents and exercises // Artificial Intelligence, vol. 19, pp. 321-350, 1982.

114. Winston P. Learning structural descriptions from examples // The Psychology of Computer Vision, McGraw-Hill, New York, 1975.

115. Winston P., Binford В., Katz В., Lowry M. Learning physical descriptions from functional definitions, examples and precedents // Proc. AAAI-83, Morgan Kaufinann, San Mateo, pp. 433^39, 1983.