Metody i techniki sztucznej inteligencji / Leszek Rutkowski. wyd. 2, 3 dodr. Warszawa, Spis treści

Wielkość: px

Rozpocząć pokaz od strony:

Download "Metody i techniki sztucznej inteligencji / Leszek Rutkowski. wyd. 2, 3 dodr. Warszawa, Spis treści"

Ksawery Kujawa
7 lat temu
Przeglądów:

1 Metody i techniki sztucznej inteligencji / Leszek Rutkowski. wyd. 2, 3 dodr. Warszawa, 2012 Spis treści Przedmowa do wydania drugiego Przedmowa IX X 1. Wstęp 1 2. Wybrane zagadnienia sztucznej inteligencji Wprowadzenie Rys historyczny sztucznej inteligencji Systemy ekspertowe Robotyka Przetwarzanie mowy i języka naturalnego Heurystyki i strategie poszukiwań Kognitywistyka Inteligencja mrówek Sztuczne życie Boty Perspektywy rozwoju sztucznej inteligencji Uwagi Metody reprezentacji wiedzy z wykorzystaniem zbiorów przybliżonych Wprowadzenie Pojęcia podstawowe Aproksymacja zbioru Aproksymacja rodziny zbiorów Analiza tablic decyzyjnych Zastosowanie programu LERS Uwagi 50 Zadania Metody reprezentacji wiedzy z wykorzystaniem zbiorów rozmytych typu Wprowadzenie Podstawowe pojęcia i definicje teorii zbiorów rozmytych Operacje na zbiorach rozmytych Zasada rozszerzania Liczby rozmyte 74

2 4.6. Normy trójkątne i negacje Relacje rozmyte i ich właściwości Przybliżone wnioskowanie Podstawowe reguły wnioskowania w logice dwuwartościowej Podstawowe reguły wnioskowania w logice rozmytej Reguły wnioskowania dla modelu Mamdaniego Reguły wnioskowania dla modelu logicznego Rozmyte systemy wnioskujące Baza reguł Blok rozmywania Blok wnioskowania Blok wyostrzania Zastosowania zbiorów rozmytych Rozmyta metoda Delphi Ważona rozmyta metoda Delphi Rozmyta metoda PERT Podejmowanie decyzji w otoczeniu rozmytym Uwagi 133 Zadania Metody reprezentacji wiedzy z wykorzystaniem zbiorów rozmytych typu Wprowadzenie Podstawowe definicje Ślad niepewności Osadzone zbiory rozmyte Podstawowe operacje na zbiorach rozmytych typu Relacje rozmyte typu Redukcja typu Rozmyte systemy wnioskujące typu Blok rozmywania Baza reguł Blok wnioskowania Uwagi 163 Zadania Sieci neuronowe i algorytmy ich uczenia Wprowadzenie Neuron i jego modele Budowa i działanie pojedynczego neuronu Perceptron Model Adaline Model neuronu sigmoidalnego Model neuronu Hebba Sieci jednokierunkowe wielowarstwowe 185

3 Budowa i działanie sieci Algorytm wstecznej propagacji błędów Algorytm wstecznej propagacji błędów z członem momentum Algorytm zmiennej metryki Algorytm Levenberga-Marquardta Rekurencyjna metoda najmniejszych kwadratów Dobór architektury sieci Sieci rekurencyjne Sieć Hopfielda Sieć Hamminga Sieci wielowarstwowe ze sprzężeniem zwrotnym Sieć ВАМ Sieci samoorganizujące sie z konkurencją Sieci typu WTA Sieci typu WTM Sieci typu ART Sieci radialne Probabilistyczne sieci neuronowe Uwagi 234 Zadania Algorytmy ewolucyjne Wprowadzenie Problemy optymalizacji a algorytmy ewolucyjne Rodzaje algorytmów zaliczanych do algorytmów ewolucyjnych Klasyczny algorytm genetyczny Strategie ewolucyjne Programowanie ewolucyjne Programowanie genetyczne Zaawansowane techniki w algorytmach ewolucyjnych Eksploracja i eksploatacja Metody selekcji Skalowanie funkcji przystosowania Szczególne procedury reprodukcji Metody kodowania Rodzaje krzyżowań Rodzaje mutacji Inwersja Algorytmy ewolucyjne w projektowaniu sieci neuronowych Algorytmy ewolucyjne do uczenia wag sieci neuronowych Algorytmy ewolucyjne do określania topologii sieci neuronowej Algorytmy ewolucyjne do uczenia wag i określania topologii sieci neuronowej Algorytmy ewolucyjne a systemy rozmyte Systemy rozmyte do kontroli ewolucji 296

4 Ewolucja systemów rozmytych Uwagi 305 Zadania Metody grupowania danych Wprowadzenie Podziały ostre i rozmyte Miary odległości Algorytm HCM Algorytm FCM Algorytm PCM Algorytm Gustafsona-Kessela Algorytm FMLE Kryteria jakości grupowania Ilustracja działania algorytmów grupowania danych Uwagi 328 Zadania Systemy neuronowo-rozmyte typu Mamdaniego, logicznego i Takagi-Sugeno Wprowadzenie Opis wykorzystywanych problemów symulacyjnych Polimeryzacja Modelowanie statycznej funkcji nieliniowej Modelowanie nieliniowego obiektu dynamicznego Modelowanie smaku ryżu Rozpoznawanie gatunku wina Klasyfikacja kwiatu irysa Systemy neuronowo-rozmyte typu Mamdaniego Systemy typu A Systemy typu В Systemy typu Mamdaniego w zadaniach modelowania Systemy neuronowo-rozmyte typu logicznego Systemy typu M Systemy typu M Systemy typu M Systemy neuronowo-rozmyte typu Takagi-Sugeno Systemy typu M Systemy typu M Systemy typu M Algorytmy uczenia systemów neuronowo-rozmytych Ocena działania systemów neuronowo-rozmytych Kryteria oceny modeli z uwzględnieniem ich złożoności Metoda linii izokryterialnych Uwagi 395

5 Zadania Elastyczne systemy neuronowo-rozmyte Wprowadzenie Miękkie normy trójkątne Parametryzowane normy trójkątne Przełączane normy trójkątne Systemy elastyczne Algorytmy uczenia Operatory podstawowe Funkcje przynależności Funkcje zakresowe H-funkcje Przykłady symulacyjne Polimeryzacja Modelowanie smaku ryżu Klasyfikacja kwiatu irysa Rozpoznawanie gatunku wina Uwagi 431 Zadania 432 Literatura 433 Skorowidz 449 oprac. BPK

Podobne dokumenty

Sieci neuronowe do przetwarzania informacji / Stanisław Osowski. wyd. 3. Warszawa, Spis treści

Sieci neuronowe do przetwarzania informacji / Stanisław Osowski. wyd. 3. Warszawa, 2013 Spis treści Przedmowa 7 1. Wstęp 9 1.1. Podstawy biologiczne działania neuronu 9 1.2. Pierwsze modele sieci neuronowej