Użytkownik nieznany → zaloguj się

Metody i techniki sztucznej inteligencji

Inteligencja obliczeniowa

Metody i techniki sztucznej inteligencji

Leszek Rutkowski

2009, Wydawnictwo Naukowe PWN

Liczba stron: 464

ISBN: 978-83-01-15731-9

XML: format ONIX

Podręcznik prezentuje nowoczesne podejście do obliczeń inteligentnych. Przedstawiono w nim rys historyczny rozwoju sztucznej inteligencji, jej zastosowania w życiu codziennym człowieka oraz prognozę dalszego jej rozwoju.

Omawia szeroki zakres inteligentnych struktur decyzyjnych i algorytmów uczenia maszynowego – przedstawia metody wnioskowania wykorzystujące zbiory przybliżone, zbiory rozmyte, sieci neuronowe oraz algorytmy uczenia propagacji wstecznej, najmniejszych kwadratów, ewolucyjne oraz algorytmy grupowania danych. Autorowi udało się optymalnie wyważyć treść książki uzyskując doskonałą proporcję pomiędzy wysokim poziomem teoretycznym opisu, a łatwością przyswojenia prezentowanych metod. Książka jest napisana przystępnie i klarownie. Zrozumienie i przyswojenie treści znacznie ułatwia wiele przykładów ilustrujących wprowadzane koncepcje teoretyczne.

(dr hab. inż. Wojciech Jędruch, Politechnika Gdańska)

Walorem dydaktycznym drugiego wydania są dodane przez Autora po każdym rozdziale zadania do samodzielnego rozwiązania.

Książka przeznaczona dla studentów i pracowników naukowych uczelni technicznych – kierunki: informatyka, automatyka i robotyka, elektronika, telekomunikacja, mechanika; uczelni ekonomicznych – kierunek ekonomia i zarządzanie; uniwersytetów – kierunki: ekonomia, matematyka i informatyka.

Przedmowa do wydania drugiegoIX
PrzedmowaX
1. Wstęp1
2. Wybrane zagadnienia sztucznej inteligencji5
2.1. Wprowadzenie5
2.2. Rys historyczny sztucznej inteligencji5
2.3. Systemy ekspertowe7
2.4. Robotyka8
2.5. Przetwarzanie mowy i języka naturalnego10
2.6. Heurystyki i strategie poszukiwań12
2.7. Kognitywistyka13
2.8. Inteligencja mrówek14
2.9. Sztuczne życie15
2.10. Boty17
2.11. Perspektywy rozwoju sztucznej inteligencji18
2.12. Uwagi19
3. Metody reprezentacji wiedzy z wykorzystaniem zbiorów przybliżonych20
3.1. Wprowadzenie20
3.2. Pojęcia podstawowe21
3.3. Aproksymacja zbioru28
3.4. Aproksymacja rodziny zbiorów36
3.5. Analiza tablic decyzyjnych38
3.6. Zastosowanie programu LERS45
3.7. Uwagi50
Zadania52
4. Metody reprezentacji wiedzy z wykorzystaniem zbiorów rozmytych typu 154
4.1. Wprowadzenie54
4.2. Podstawowe pojęcia i definicje teorii zbiorów rozmytych54
4.3. Operacje na zbiorach rozmytych65
4.4. Zasada rozszerzania71
4.5. Liczby rozmyte74
4.6. Normy trójkątne i negacje81
4.7. Relacje rozmyte i ich właściwości92
4.8. Przybliżone wnioskowanie96
4.8.1. Podstawowe reguły wnioskowania w logice dwuwartościowej96
4.8.2. Podstawowe reguły wnioskowania w logice rozmytej97
4.8.3. Reguły wnioskowania dla modelu Mamdaniego101
4.8.4. Reguły wnioskowania dla modelu logicznego102
4.9. Rozmyte systemy wnioskujące105
4.9.1. Baza reguł106
4.9.2. Blok rozmywania107
4.9.3. Blok wnioskowania107
4.9.4. Blok wyostrzania114
4.10. Zastosowania zbiorów rozmytych116
4.10.1. Rozmyta metoda Delphi116
4.10.2. Ważona rozmyta metoda Delphi119
4.10.3. Rozmyta metoda PERT120
4.10.4. Podejmowanie decyzji w otoczeniu rozmytym123
4.11. Uwagi133
Zadania133
5. Metody reprezentacji wiedzy z wykorzystaniem zbiorów rozmytych typu 2137
5.1. Wprowadzenie137
5.2. Podstawowe definicje138
5.3. Ślad niepewności141
5.4. Osadzone zbiory rozmyte142
5.5. Podstawowe operacje na zbiorach rozmytych typu 2144
5.6. Relacje rozmyte typu 2149
5.7. Redukcja typu151
5.8. Rozmyte systemy wnioskujące typu156
5.8.1. Blok rozmywania156
5.8.2. Baza reguł158
5.8.3. Blok wnioskowania158
5.9. Uwagi163
Zadania163
6. Sieci neuronowe i algorytmy ich uczenia166
6.1. Wprowadzenie166
6.2. Neuron i jego modele166
6.2.1. Budowa i działanie pojedynczego neuronu166
6.2.2. Perceptron168
6.2.3. Model Adaline174
6.2.4. Model neuronu sigmoidalnego179
6.2.5. Model neuronu Hebba184
6.3. Sieci jednokierunkowe wielowarstwowe185
6.3.1. Budowa i działanie sieci185
6.3.2. Algorytm wstecznej propagacji błędów187
6.3.3. Algorytm wstecznej propagacji błędów z członem momentum194
6.3.4. Algorytm zmiennej metryki195
6.3.5. Algorytm Levenberga–Marquardta196
6.3.6. Rekurencyjna metoda najmniejszych kwadratów198
6.3.7. Dobór architektury sieci200
6.4. Sieci rekurencyjne206
6.4.1. Sieć Hopfielda207
6.4.2. Sieć Hamminga210
6.4.3. Sieci wielowarstwowe ze sprzężeniem zwrotnym212
6.4.4. Sieć BAM212
6.5. Sieci samoorganizujące się z konkurencją213
6.5.1. Sieci typu WTA214
6.5.2. Sieci typu WTM219
6.6. Sieci typu ART223
6.7. Sieci radialne227
6.8. Probabilistyczne sieci neuronowe232
6.9. Uwagi234
Zadania235
7. Algorytmy ewolucyjne237
7.1. Wprowadzenie237
7.2. Problemy optymalizacji a algorytmy ewolucyjne238
7.3. Rodzaje algorytmow zaliczanych do algorytmow ewolucyjnych239
7.3.1. Klasyczny algorytm genetyczny240
7.3.2. Strategie ewolucyjne258
7.3.3. Programowanie ewolucyjne274
7.3.4. Programowanie genetyczne274
7.4. Zaawansowane techniki w algorytmach ewolucyjnych277
7.4.1. Eksploracja i eksploatacja277
7.4.2. Metody selekcji277
7.4.3. Skalowanie funkcji przystosowania280
7.4.4. Szczegolne procedury reprodukcji281
7.4.5. Metody kodowania282
7.4.6. Rodzaje krzyżowań285
7.4.7. Rodzaje mutacji286
7.4.8. Inwersja287
7.5. Algorytmy ewolucyjne w projektowaniu sieci neuronowych288
7.5.1. Algorytmy ewolucyjne do uczenia wag sieci neuronowych288
7.5.2. Algorytmy ewolucyjne do określania topologii sieci neuronowej291
7.5.3. Algorytmy ewolucyjne do uczenia wag i określania topologii sieci neuronowej293
7.6. Algorytmy ewolucyjne a systemy rozmyte296
7.6.1. Systemy rozmyte do kontroli ewolucji296
7.6.2. Ewolucja systemów rozmytych298
7.7. Uwagi305
Zadania307
8. Metody grupowania danych311
8.1. Wprowadzenie311
8.2. Podziały ostre i rozmyte312
8.3. Miary odległości316
8.4. Algorytm HCM318
8.5. Algorytm FCM319
8.6. Algorytm PCM321
8.7. Algorytm Gustafsona–Kessela322
8.8. Algorytm FMLE324
8.9. Kryteria jakości grupowania325
8.10. Ilustracja działania algorytmow grupowania danych327
8.11. Uwagi328
Zadania329
9. Systemy neuronowo-rozmyte typu Mamdaniego, logicznego i Takagi–Sugeno332
9.1. Wprowadzenie332
9.2. Opis wykorzystywanych problemów symulacyjnych333
9.2.1. Polimeryzacja333
9.2.2. Modelowanie statycznej funkcji nieliniowej334
9.2.3. Modelowanie nieliniowego obiektu dynamicznego334
9.2.4. Modelowanie smaku ryżu334
9.2.5. Rozpoznawanie gatunku wina335
9.2.6. Klasyfikacja kwiatu irysa335
9.3. Systemy neuronowo-rozmyte typu Mamdaniego336
9.3.1. Systemy typu A336
9.3.2. Systemy typu B338
9.3.3. Systemy typu Mamdaniego w zadaniach modelowania339
9.4. Systemy neuronowo-rozmyte typu logicznego349
9.4.1. Systemy typu M1350
9.4.2. Systemy typu M2356
9.4.3. Systemy typu M3361
9.5. Systemy neuronowo-rozmyte typu Takagi–Sugeno366
9.5.1. Systemy typu M1367
9.5.2. Systemy typu M2369
9.5.3. Systemy typu M3370
9.6. Algorytmy uczenia systemow neuronowo-rozmytych372
9.7. Ocena działania systemow neuronowo-rozmytych387
9.7.1. Kryteria oceny modeli z uwzględnieniem ich złożoności388
9.7.2. Metoda linii izokryterialnych390
9.8. Uwagi395
Zadania396
10. Elastyczne systemy neuronowo-rozmyte398
10.1. Wprowadzenie398
10.2. Miękkie normy trójkątne398
10.3. Parametryzowane normy trójkątne401
10.4. Przełączane normy trójkątne404
10.5. Systemy elastyczne409
10.6. Algorytmy uczenia410
10.6.1. Operatory podstawowe416
10.6.2. Funkcje przynależności417
10.6.3. Funkcje zakresowe418
10.6.4. H-funkcje419
10.7. Przykłady symulacyjne422
10.7.1. Polimeryzacja423
10.7.2. Modelowanie smaku ryżu425
10.7.3. Klasyfikacja kwiatu irysa427
10.7.4. Rozpoznawanie gatunku wina429
10.8. Uwagi431
Zadania432
Literatura433
Skorowidz449

Wybierz typ dostępu

24,95 zł
14,97 zł
6,88 zł
4,88 zł
3,66 zł
4,88 zł
3,66 zł
dostęp według kodu aktywacyjnego

koszyk

Twój koszyk jest pusty.

Masz już wykupiony dostęp? Pobierz aplikację do przeglądania książek »
eCard platnosci.pl CashBill