Metody i techniki sztucznej inteligencji

Metody i techniki sztucznej inteligencji

Inteligencja obliczeniowa

1 opinia

Format:

ibuk

WYBIERZ RODZAJ DOSTĘPU

 

Dostęp online przez myIBUK

WYBIERZ DŁUGOŚĆ DOSTĘPU

6,15

Wypożycz na 24h i opłać sms-em

29,50

cena zawiera podatek VAT

ZAPŁAĆ SMS-EM

TA KSIĄŻKA JEST W ABONAMENCIE

Już od 19,90 zł miesięcznie za 5 ebooków!

WYBIERZ SWÓJ ABONAMENT

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.


Liczba stron464
WydawcaWydawnictwo Naukowe PWN
ISBN-13978-83-01-15731-9
Numer wydania2
Język publikacjipolski
Informacja o sprzedawcyRavelo Sp. z o.o.

Ciekawe propozycje

Spis treści

[]. Wstęp    1
  2. Wybrane zagadnienia sztucznej inteligencji    5
    2.1. Wprowadzenie    5
    2.2. Rys historyczny sztucznej inteligencji    5
    2.3. Systemy ekspertowe    7
    2.4. Robotyka    8
    2.5. Przetwarzanie mowy i języka naturalnego    10
    2.6. Heurystyki i strategie poszukiwań    12
    2.7. Kognitywistyka    13
    2.8. Inteligencja mrówek    14
    2.9. Sztuczne życie    15
    2.10. Boty    17
    2.11. Perspektywy rozwoju sztucznej inteligencji    18
    2.12. Uwagi    19
  3. Metody reprezentacji wiedzy z wykorzystaniem zbiorów przybliżonych    20
    3.1. Wprowadzenie    20
    3.2. Pojęcia podstawowe    21
    3.3. Aproksymacja zbioru    28
    3.4. Aproksymacja rodziny zbiorów    36
    3.5. Analiza tablic decyzyjnych    38
    3.6. Zastosowanie programu LERS    45
    3.7. Uwagi    50
    Zadania    52
  4. Metody reprezentacji wiedzy z wykorzystaniem zbiorów rozmytych typu 1    54
    4.1. Wprowadzenie    54
    4.2. Podstawowe pojęcia i definicje teorii zbiorów rozmytych    54
    4.3. Operacje na zbiorach rozmytych    65
    4.4. Zasada rozszerzania    71
    4.5. Liczby rozmyte    74
    4.6. Normy trójkątne i negacje    81
    4.7. Relacje rozmyte i ich właściwości    92
    4.8. Przybliżone wnioskowanie    96
      4.8.1. Podstawowe reguły wnioskowania w logice dwuwartościowej    96
      4.8.2. Podstawowe reguły wnioskowania w logice rozmytej    97
      4.8.3. Reguły wnioskowania dla modelu Mamdaniego    101
      4.8.4. Reguły wnioskowania dla modelu logicznego    102
    4.9. Rozmyte systemy wnioskujące    105
      4.9.1. Baza reguł    106
      4.9.2. Blok rozmywania    107
      4.9.3. Blok wnioskowania    107
      4.9.4. Blok wyostrzania    114
    4.10. Zastosowania zbiorów rozmytych    116
      4.10.1. Rozmyta metoda Delphi    116
      4.10.2. Ważona rozmyta metoda Delphi    119
      4.10.3. Rozmyta metoda PERT    120
      4.10.4. Podejmowanie decyzji w otoczeniu rozmytym    123
    4.11. Uwagi    133
    Zadania    133
  5. Metody reprezentacji wiedzy z wykorzystaniem zbiorów rozmytych typu 2    137
    5.1. Wprowadzenie    137
    5.2. Podstawowe definicje    138
    5.3. Ślad niepewności    141
    5.4. Osadzone zbiory rozmyte    142
    5.5. Podstawowe operacje na zbiorach rozmytych typu 2    144
    5.6. Relacje rozmyte typu 2    149
    5.7. Redukcja typu    151
    5.8. Rozmyte systemy wnioskujące typu    156
      5.8.1. Blok rozmywania    156
      5.8.2. Baza reguł    158
      5.8.3. Blok wnioskowania    158
    5.9. Uwagi    163
    Zadania    163
  6. Sieci neuronowe i algorytmy ich uczenia    166
    6.1. Wprowadzenie    166
    6.2. Neuron i jego modele    166
      6.2.1. Budowa i działanie pojedynczego neuronu    166
      6.2.2. Perceptron    168
      6.2.3. Model Adaline    174
      6.2.4. Model neuronu sigmoidalnego    179
      6.2.5. Model neuronu Hebba    184
    6.3. Sieci jednokierunkowe wielowarstwowe    185
      6.3.1. Budowa i działanie sieci    185
      6.3.2. Algorytm wstecznej propagacji błędów    187
      6.3.3. Algorytm wstecznej propagacji błędów z członem momentum    194
      6.3.4. Algorytm zmiennej metryki    195
      6.3.5. Algorytm Levenberga–Marquardta    196
      6.3.6. Rekurencyjna metoda najmniejszych kwadratów    198
      6.3.7. Dobór architektury sieci    200
    6.4. Sieci rekurencyjne    206
      6.4.1. Sieć Hopfielda    207
      6.4.2. Sieć Hamminga    210
      6.4.3. Sieci wielowarstwowe ze sprzężeniem zwrotnym    212
      6.4.4. Sieć BAM    212
    6.5. Sieci samoorganizujące się z konkurencją    213
      6.5.1. Sieci typu WTA    214
      6.5.2. Sieci typu WTM    219
    6.6. Sieci typu ART    223
    6.7. Sieci radialne    227
    6.8. Probabilistyczne sieci neuronowe    232
    6.9. Uwagi    234
    Zadania    235
  7. Algorytmy ewolucyjne    237
    7.1. Wprowadzenie    237
    7.2. Problemy optymalizacji a algorytmy ewolucyjne    238
    7.3. Rodzaje algorytmow zaliczanych do algorytmow ewolucyjnych    239
      7.3.1. Klasyczny algorytm genetyczny    240
      7.3.2. Strategie ewolucyjne    258
      7.3.3. Programowanie ewolucyjne    274
      7.3.4. Programowanie genetyczne    274
    7.4. Zaawansowane techniki w algorytmach ewolucyjnych    277
      7.4.1. Eksploracja i eksploatacja    277
      7.4.2. Metody selekcji    277
      7.4.3. Skalowanie funkcji przystosowania    280
      7.4.4. Szczegolne procedury reprodukcji    281
      7.4.5. Metody kodowania    282
      7.4.6. Rodzaje krzyżowań    285
      7.4.7. Rodzaje mutacji    286
      7.4.8. Inwersja    287
    7.5. Algorytmy ewolucyjne w projektowaniu sieci neuronowych    288
      7.5.1. Algorytmy ewolucyjne do uczenia wag sieci neuronowych    288
      7.5.2. Algorytmy ewolucyjne do określania topologii sieci neuronowej    291
      7.5.3. Algorytmy ewolucyjne do uczenia wag i określania topologii sieci neuronowej    293
    7.6. Algorytmy ewolucyjne a systemy rozmyte    296
      7.6.1. Systemy rozmyte do kontroli ewolucji    296
      7.6.2. Ewolucja systemów rozmytych    298
    7.7. Uwagi    305
    Zadania    307
  8. Metody grupowania danych    311
    8.1. Wprowadzenie    311
    8.2. Podziały ostre i rozmyte    312
    8.3. Miary odległości    316
    8.4. Algorytm HCM    318
    8.5. Algorytm FCM    319
    8.6. Algorytm PCM    321
    8.7. Algorytm Gustafsona–Kessela    322
    8.8. Algorytm FMLE    324
    8.9. Kryteria jakości grupowania    325
    8.10. Ilustracja działania algorytmow grupowania danych    327
    8.11. Uwagi    328
    Zadania    329
  9. Systemy neuronowo-rozmyte typu Mamdaniego, logicznego i Takagi–Sugeno    332
    9.1. Wprowadzenie    332
    9.2. Opis wykorzystywanych problemów symulacyjnych    333
      9.2.1. Polimeryzacja    333
      9.2.2. Modelowanie statycznej funkcji nieliniowej    334
      9.2.3. Modelowanie nieliniowego obiektu dynamicznego    334
      9.2.4. Modelowanie smaku ryżu    334
      9.2.5. Rozpoznawanie gatunku wina    335
      9.2.6. Klasyfikacja kwiatu irysa    335
    9.3. Systemy neuronowo-rozmyte typu Mamdaniego    336
      9.3.1. Systemy typu A    336
      9.3.2. Systemy typu B    338
      9.3.3. Systemy typu Mamdaniego w zadaniach modelowania    339
    9.4. Systemy neuronowo-rozmyte typu logicznego    349
      9.4.1. Systemy typu M1    350
      9.4.2. Systemy typu M2    356
      9.4.3. Systemy typu M3    361
    9.5. Systemy neuronowo-rozmyte typu Takagi–Sugeno    366
      9.5.1. Systemy typu M1    367
      9.5.2. Systemy typu M2    369
      9.5.3. Systemy typu M3    370
    9.6. Algorytmy uczenia systemow neuronowo-rozmytych    372
    9.7. Ocena działania systemow neuronowo-rozmytych    387
      9.7.1. Kryteria oceny modeli z uwzględnieniem ich złożoności    388
      9.7.2. Metoda linii izokryterialnych    390
    9.8. Uwagi    395
    Zadania    396
  10. Elastyczne systemy neuronowo-rozmyte    398
    10.1. Wprowadzenie    398
    10.2. Miękkie normy trójkątne    398
    10.3. Parametryzowane normy trójkątne    401
    10.4. Przełączane normy trójkątne    404
    10.5. Systemy elastyczne    409
    10.6. Algorytmy uczenia    410
      10.6.1. Operatory podstawowe    416
      10.6.2. Funkcje przynależności    417
      10.6.3. Funkcje zakresowe    418
      10.6.4. H-funkcje    419
    10.7. Przykłady symulacyjne    422
      10.7.1. Polimeryzacja    423
      10.7.2. Modelowanie smaku ryżu    425
      10.7.3. Klasyfikacja kwiatu irysa    427
      10.7.4. Rozpoznawanie gatunku wina    429
    10.8. Uwagi    431
    Zadania    432
  Literatura    433
  Skorowidz    449
RozwińZwiń
W celu zapewnienia wysokiej jakości świadczonych przez nas usług, nasz portal internetowy wykorzystuje informacje przechowywane w przeglądarce internetowej w formie tzw. „cookies”. Poruszając się po naszej stronie internetowej wyrażasz zgodę na wykorzystywanie przez nas „cookies”. Informacje o przechowywaniu „cookies”, warunkach ich przechowywania i uzyskiwania dostępu do nich znajdują się w Regulaminie.

Nie pokazuj więcej tego powiadomienia