reklama - zainteresowany?

Sztuczna inteligencja od podstaw - Helion

Sztuczna inteligencja od podstaw
ebook
Autor: Feliks Kurp
ISBN: 978-83-289-0226-8
stron: 192, Format: ebook
Księgarnia: Helion

Cena książki: 49,00 zł

Książka będzie dostępna od maja 2023

Tagi: Inne - Programowanie | Uczenie maszynowe

Nie ma w

Spis treści

Sztuczna inteligencja od podstaw eBook -- spis treści

ROZDZIAŁ 1. Definicja pojęcia "sztuczna inteligencja"

ROZDZIAŁ 2. Silna i słaba sztuczna inteligencja

ROZDZIAŁ 3. Przegląd klasycznych metod sztucznej inteligencji

  • 3.1. Metody heurystyczne i metaheurystyczne
  • 3.2. Sztuczne sieci neuronowe
  • 3.3. Uczenie maszynowe
  • 3.4. Przetwarzanie języka naturalnego
  • 3.5. Algorytmy genetyczne i ewolucyjne
  • 3.6. Algorytmy mrówkowe i inteligencja roju
  • 3.7. Sztuczne życie
  • 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 sztuczną inteligencją? Możliwości i zagrożenia

ROZDZIAŁ 4. Algorytmy genetyczne i ewolucyjne

  • 4.1. Idea algorytmów genetycznych i ewolucyjnych
  • 4.2. Klasyczny algorytm genetyczny
  • 4.3. Operatory genetyczne
  • 4.4. Przykłady operacji krzyżowania i mutacji
  • 4.5. Przykłady wykorzystania algorytmu genetycznego
    • 4.5.1. Szukanie ekstremum funkcji jednej zmiennej
    • 4.5.2. Rozwiązanie 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 dużą dokładnością

ROZDZIAŁ 5. Algorytm mrówkowy

  • 5.1. Główne różnice w zachowaniu "sztucznych mrówek" w porównaniu z rzeczywistymi
  • 5.2. Podstawowe parametry wejściowe algorytmu mrówkowego
  • 5.3. Wpływ ilości pozostawionego feromonu w punktach grafu
  • 5.4. Wpływ liczby mrówek biorących udział w eksperymencie
  • 5.5. Wpływ liczby punktów do wyboru przez mrówki
  • 5.6. Wpływ metody wyboru kolejnego punktu grafu przez mrówkę
  • 5.7. Stopień nasycenia feromonem poszczególnych punktów grafu po zakończeniu symulacji
  • Podsumowanie

ROZDZIAŁ 6. Sztuczne sieci neuronowe

  • 6.1. Sieci neuronowe biologiczne
  • 6.2. Budowa i działanie 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 błędów
    • 6.7.3. Sieci rekurencyjne
    • 6.7.4. Sieci komórkowe samoorganizujące się
    • 6.7.5. Sieci samoorganizujące z konkurencją
    • 6.7.6. Wykorzystanie sieci samoorganizujących

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. Głębokie uczenie się
  • 7.3. Zautomatyzowane uczenie maszynowe AutoML)

ROZDZIAŁ 8. Sztuczne życie

  • 8.1. Definicja sztucznego życia
  • 8.2. Model Lotki-Volterry
  • 8.3. Autorski model pełzacze i bakterie
  • 8.4. Symulacja choroby i leczenia organizmu

ROZDZIAŁ 9. Metody wykorzystujące zbiory rozmyte typu 1.

  • 9.1. Podstawowe pojęcia teorii zbiorów rozmytych typu 1.
  • 9.2. Operacje na zbiorach rozmytych
  • 9.3. Relacje rozmyte
  • 9.4. Przykłady zastosowań 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. Przydział dywidendy
    • 9.5.2. Polityka zatrudnienia
  • 9.6. Przybliżone wnioskowanie
    • 9.6.1. Wnioskowanie w logice dwuwartościowej
    • 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 własności analizy skupień
  • 11.6. Metoda k-średnich (k-means)
  • 11.7. Przykładowa aplikacja analizy danych metodą 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 określania architektury sieci neuronowych jednocześnie
    • 12.1.4. Adaptacyjne rozmyte algorytmy ewolucyjne
    • 12.1.5. Algorytmy ewolucyjne w projektowaniu systemów rozmytych
    • 12.1.6. Dopasowanie funkcji przynależności za pomocą algorytmu genetycznego
  • 12.2. Algorytmy koewolucyjne
  • 12.3. Algorytmy koewolucyjne - podsumowanie
  • 12.4. Podsumowanie rozdziału 12.

ROZDZIAŁ 13. Przetwarzanie języka naturalnego

  • 13.1. Języki naturalne i formalne
  • 13.2. Historia rozwoju NLP
  • 13.3. Poziomy analizy języka naturalnego
  • 13.4. Analiza składniowa (syntaktyczna)
    • 13.4.1. Gramatyki generatywne Chomsky'ego
  • 13.5. Analiza semantyczna (znaczeniowa)
    • 13.5.1. Podejście strukturalne do opisu semantyki
    • 13.5.2. Symetryczna macierz współwystępowania słów
    • 13.5.3. Reprezentacja wektorowa słowa (metody Word2vec i Doc2vec)
    • 13.5.4. Podobieństwo cosinusowe wektorów słów
    • 13.5.5. Modelowanie językowe 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 należą do wydawnictwa Helion S.A.