Niniejszy podr

 

Osoby które kupowały "Podstawy sztucznej inteligencji", wybierały także:

• Windows Media Center. Domowe centrum rozrywki 66,67 zł, (8,00 zł -88%)
• 67,73 zł, (14,90 zł -78%)
• Przywództwo w świecie VUCA. Jak być skutecznym liderem w niepewnym środowisku 58,64 zł, (12,90 zł -78%)
• Superinteligencja. Scenariusze, strategie, zagro 67,73 zł, (14,90 zł -78%)
• Lean dla bystrzak 59,60 zł, (14,90 zł -75%)

• 
• 
• 
• 
• 

Spis treści

Podstawy sztucznej inteligencji eBook -- spis treści

Przedmowa   8

1. Wprowadzenie  9

1.1. Sztuczna inteligencja wokół nas  9

1.2. Działy sztucznej inteligencji   10

1.3. Definicja sztucznej inteligencji  11

1.4. Historia sztucznej inteligencji  12

1.5. Zawartość podręcznika  15

1.6. Notacja   16

I Przeszukiwanie  17

2. Metody gradientowe  20

2.1. Metoda Newtona  20

2.2. Metoda Levenberga  21

2.3. Metoda gradientu prostego  22

2.4. Metoda stochastycznego najszybszego spadku  23

3. Algorytmy ewolucyjne  27

3.1. Ogólna idea i stosowana terminologia  27

3.2. Algorytm (1 + 1)  28

3.3. Algorytmy i strategie ewolucyjne  30

3.4. Algorytmy ewolucyjne w praktyce  33

4. Algorytmy genetyczne  36

4.1. Ogólny algorytm genetyczny  36

4.2. Kodowanie osobników  37

4.3. Reprodukcja  40

5. Przeszukiwanie przestrzeni stanów  42

5.1. Strategie nieinformowane  44

5.2. Strategie minimalizujące koszt  47

5.3. Strategie heurystyczne 49

6. Gry dwuosobowe  52

6.1. Model  52

6.2. Przegląd wyczerpujący  53

6.3. Strategia MIN-MAX  55

6.4. Przycinanie α–β  57

6.5. Inne techniki poprawiania efektywności gry  58

II Uczenie maszynowe  60

7. Regresja i klasyfikacja  62

7.1. Parametryczna aproksymacja funkcji 64

7.2. Maszyna Wektorów Nośnych  69

7.3. Drzewa i lasy decyzyjne  76

7.4. Wzmacnianie Gradientowe (Gradient Boosting)  81

7.5. Miary jakości i wybór modelu  83

8. Statystyka i metody bayesowskie  85

8.1. Estymacja metodą największej wiarygodności  86

8.2. Fuzja danych i maksimum a posteriori  89

8.3. Naiwny klasyfikator bayesowski  90

9. Sztuczne sieci neuronowe  92

9.1. Perceptron dwuwarstwowy i wielowarstwowy 93

9.2. Uczenie sieci neuronowej  102

9.3. Użycie perceptronu wielowarstwowego do klasyfikacji  105

9.4. Sieć neuronowa jako dobry model  106

10. Uczenie się ze wzmocnieniem  109

10.1. Proces Decyzyjny Markowa  109

10.2. Algorytmy Q-Learning i SARSA 111

10.3. Rozszerzenie algorytmów Q-Learning i SARSA do ciągłych przestrzeni stanów i akcji 115

III Duże modele językowe  119

11. Przetwarzanie języka naturalnego  120

11.1. Reprezentacja tekstu: tokeny  120

11.2. Model językowy 121

11.3. Osadzenia 122

12. Atencja 123

12.1. Atencja z iloczynem skalarnym 123

12.2. Wielogłowa atencja 124

12.3. Maskowanie 125

12.4. Znaczniki pozycyjne 126

13. Duży model językowy: struktura, działanie i trening 128

13.1. Struktura i działanie modelu 128

13.2. Uczenie modelu 130

IV Wnioskowanie logiczne 132

14. Systemy wnioskujące oparte na logice zdań 134

14.1. Semantyka zdań 134

14.2. Zdania złożone 135

14.3. Klauzule i sprowadzanie wiedzy do zbioru klauzul 136

14.4. Wnioskowanie w przód 137

14.5. Wnioskowanie wstecz 141

14.6. Wnioskowanie przez rezolucję i zaprzeczenie 143

15. Systemy posługujące się logiką predykatów 146

15.1. Język 147

15.2. Wiedza w postaci klauzul 151

15.3. Podstawianie i unifikacja 154

15.4. Wnioskowanie w przód 156

15.5. Wnioskowanie wstecz 157

15.6. Wnioskowanie przez rezolucję i zaprzeczenie 160

15.7. Poprawność wnioskowania 164

16. Logika rozmyta 172

16.1. Zbiory rozmyte 173

16.2. Rozmyte spójniki 175

16.3. Rozmyte reguły 175

16.4. Wyostrzanie 176

16.5. Konstrukcja systemu rozmytego 177

Literatura 178