reklama - zainteresowany?

Sztuczna inteligencja od podstaw - Helion

Sztuczna inteligencja od podstaw

MIEJSCE 3 na li┼Ťcie TOP 20
Autor: Feliks Kurp
ISBN: 978-83-8322-123-6
okładka: mi
Ksi─Ögarnia: Helion

Ksi─ů┼╝ka b─Ödzie dost─Öpna od pa┼║dziernika 2022

Spis tre┼Ťci

Sztuczna inteligencja od podstaw -- spis tre┼Ťci

ROZDZIAŁ 1. Definicja pojęcia "sztuczna inteligencja"

ROZDZIAŁ 2. Silna i słaba sztuczna inteligencja

ROZDZIA┼ü 3. Przegl─ůd klasycznych metod sztucznej inteligencji

  • 3.1. Metody heurystyczne i metaheurystyczne
  • 3.2. Sztuczne sieci neuronowe
  • 3.3. Uczenie maszynowe
  • 3.4. Przetwarzanie j─Özyka naturalnego
  • 3.5. Algorytmy genetyczne i ewolucyjne
  • 3.6. Algorytmy mrówkowe i inteligencja roju
  • 3.7. Sztuczne ┼╝ycie
  • 3.8. Sztuczna inteligencja w procesach wydobywania wiedzy z danych
  • 3.9. Metody hybrydowe
  • 3.10. Metody na pograniczu sztucznej inteligencji
  • 3.11. Co dalej ze sztuczn─ů inteligencj─ů? Mo┼╝liwo┼Ťci i zagro┼╝enia

ROZDZIAŁ 4. Algorytmy genetyczne i ewolucyjne

  • 4.1. Idea algorytmów genetycznych i ewolucyjnych
  • 4.2. Klasyczny algorytm genetyczny
  • 4.3. Operatory genetyczne
  • 4.4. Przyk┼éady operacji krzy┼╝owania i mutacji
  • 4.5. Przyk┼éady wykorzystania algorytmu genetycznego
    • 4.5.1. Szukanie ekstremum funkcji jednej zmiennej
    • 4.5.2. Rozwi─ůzanie problemu plecakowego
  • 4.6. Strategie ewolucyjne
  • 4.7. Eksploracja i eksploatacja
  • 4.8. Porównanie metod selekcji
  • 4.9. Metody skalowania funkcji dostosowania
  • 4.10. Specjalne procedury reprodukcji
  • 4.11. Programowanie genetyczne
  • 4.12. Poszukiwanie ekstremum funkcji wielu zmiennych z du┼╝─ů dok┼éadno┼Ťci─ů

ROZDZIA┼ü 5. Algorytm mrówkowy

  • 5.1. G┼éówne ró┼╝nice w zachowaniu "sztucznych mrówek" w porównaniu z rzeczywistymi
  • 5.2. Podstawowe parametry wej┼Ťciowe algorytmu mrówkowego
  • 5.3. Wp┼éyw ilo┼Ťci pozostawionego feromonu w punktach grafu
  • 5.4. Wp┼éyw liczby mrówek bior─ůcych udzia┼é w eksperymencie
  • 5.5. Wp┼éyw liczby punktów do wyboru przez mrówki
  • 5.6. Wp┼éyw metody wyboru kolejnego punktu grafu przez mrówk─Ö
  • 5.7. Stopie┼ä nasycenia feromonem poszczególnych punktów grafu po zako┼äczeniu symulacji
  • Podsumowanie

ROZDZIAŁ 6. Sztuczne sieci neuronowe

  • 6.1. Sieci neuronowe biologiczne
  • 6.2. Budowa i dzia┼éanie sztucznego neuronu
  • 6.3. Funkcje aktywacji
  • 6.4. Perceptron
  • 6.5. Model neuronu sigmoidalnego
  • 6.6. Dlaczego sieci neuronowe?
  • 6.7. Topologie sieci neuronowych
    • 6.7.1. Sieci jednokierunkowe
    • 6.7.2. Algorytm wstecznej propagacji b┼é─Ödów
    • 6.7.3. Sieci rekurencyjne
    • 6.7.4. Sieci komórkowe samoorganizuj─ůce si─Ö
    • 6.7.5. Sieci samoorganizuj─ůce z konkurencj─ů
    • 6.7.6. Wykorzystanie sieci samoorganizuj─ůcych

ROZDZIAŁ 7. Uczenie maszynowe

  • 7.1. Modele uczenia maszynowego
    • 7.1.1. Uczenie nadzorowane (z nauczycielem)
    • 7.1.2. Uczenie nienadzorowane (bez nauczyciela)
    • 7.1.3. Uczenie ze wzmocnieniem
  • 7.2. G┼é─Öbokie uczenie si─Ö
  • 7.3. Zautomatyzowane uczenie maszynowe AutoML)

ROZDZIAŁ 8. Sztuczne życie

  • 8.1. Definicja sztucznego ┼╝ycia
  • 8.2. Model Lotki-Volterry
  • 8.3. Autorski model pe┼ézacze i bakterie
  • 8.4. Symulacja choroby i leczenia organizmu

ROZDZIA┼ü 9. Metody wykorzystuj─ůce zbiory rozmyte typu 1.

  • 9.1. Podstawowe poj─Öcia teorii zbiorów rozmytych typu 1.
  • 9.2. Operacje na zbiorach rozmytych
  • 9.3. Relacje rozmyte
  • 9.4. Przyk┼éady zastosowa┼ä teorii zbiorów rozmytych
    • 9.4.1. Rozmyta metoda Delphi
    • 9.4.2. Rozmyta metoda PERT
  • 9.5. Podejmowanie decyzji w otoczeniu rozmytym
    • 9.5.1. Przydzia┼é dywidendy
    • 9.5.2. Polityka zatrudnienia
  • 9.6. Przybli┼╝one wnioskowanie
    • 9.6.1. Wnioskowanie w logice dwuwarto┼Ťciowej
    • 9.6.2. Wnioskowanie w logice rozmytej
  • 9.7. Sterowanie rozmyte

ROZDZIAŁ 10. Systemy ekspertowe. Metody wnioskowania

  • 10.1. Definicja systemu ekspertowego
  • 10.2. Ogólna budowa systemu ekspertowego
  • 10.3. Drzewa decyzyjne
  • 10.4. Metodologia wnioskowania
    • 10.4.1. Wnioskowanie dedukcyjne a indukcyjne
    • 10.4.2. Wnioskowanie dedukcyjne (udowodnienie celu)
    • 10.4.3. Wnioskowanie indukcyjne (od danych do celu)
    • 10.4.4. Wnioskowanie mieszane

ROZDZIAŁ 11. Inteligentna analiza danych

  • 11.1. Eksploracja danych
  • 11.2. Analityczne przetwarzanie danych
  • 11.3. Klasyczne metody eksploracji danych
  • 11.4. Inteligentne metody eksploracji danych
  • 11.5. Podstawowe w┼éasno┼Ťci analizy skupie┼ä
  • 11.6. Metoda k-┼Ťrednich (k-means)
  • 11.7. Przyk┼éadowa aplikacja analizy danych metod─ů k-means

ROZDZIAŁ 12. Metody hybrydowe i koewolucyjne

  • 12.1. Metody hybrydowe
    • 12.1.1. Algorytmy ewolucyjne w projektowaniu sieci neuronowych
    • 12.1.2. Algorytmy ewolucyjne w uczeniu wag sieci neuronowych
    • 12.1.3. Algorytmy ewolucyjne do uczenia wag i okre┼Ťlania architektury sieci neuronowych jednocze┼Ťnie
    • 12.1.4. Adaptacyjne rozmyte algorytmy ewolucyjne
    • 12.1.5. Algorytmy ewolucyjne w projektowaniu systemów rozmytych
    • 12.1.6. Dopasowanie funkcji przynale┼╝no┼Ťci za pomoc─ů algorytmu genetycznego
  • 12.2. Algorytmy koewolucyjne
  • 12.3. Algorytmy koewolucyjne - podsumowanie
  • 12.4. Podsumowanie rozdzia┼éu 12.

ROZDZIAŁ 13. Przetwarzanie języka naturalnego

  • 13.1. J─Özyki naturalne i formalne
  • 13.2. Historia rozwoju NLP
  • 13.3. Poziomy analizy j─Özyka naturalnego
  • 13.4. Analiza sk┼éadniowa (syntaktyczna)
    • 13.4.1. Gramatyki generatywne Chomsky'ego
  • 13.5. Analiza semantyczna (znaczeniowa)
    • 13.5.1. Podej┼Ťcie strukturalne do opisu semantyki
    • 13.5.2. Symetryczna macierz wspó┼éwyst─Öpowania s┼éów
    • 13.5.3. Reprezentacja wektorowa s┼éowa (metody Word2vec i Doc2vec)
    • 13.5.4. Podobie┼ästwo cosinusowe wektorów s┼éów
    • 13.5.5. Modelowanie j─Özykowe BERT
  • 13.6. Model GPT-3
  • 13.7. Analiza sentymentu

Podsumowanie

Bibliografia

Code, Publish & WebDesing by CATALIST.com.pl



(c) 2005-2024 CATALIST agencja interaktywna, znaki firmowe nale┼╝─ů do wydawnictwa Helion S.A.