Metody i techniki sztucznej inteligencji

Leszek Rutkowski

Отримати доступ

Придбати цю книгу

ISBN/ISSN:

978-83-01-15731-9

DOI:

Видавництво:

Wydawnictwo Naukowe PWN

Рік видання:

2009

Кількість сторінок:

465

XML:ISBN/ISSN:

ONIX MARC21

Bibliografia:

Rutkowski, Leszek. Metody i techniki sztucznej inteligencji. Red. . Warszawa: Wydawnictwo Naukowe PWN, 2009, 465 s. ISBN 978-83-01-15731-9

Bibliografia refWorks:

RT Book, Whole

SR Electronic(1)

A1 Rutkowski, L.

T1 Metody i techniki sztucznej inteligencji

PB Wydawnictwo Naukowe PWN

PP Warszawa

YR 2009

SN 978-83-01-15731-9

Bibliografia BibTex:

@Book{ 1340, author = "Rutkowski, Leszek", editor = "", title = "Metody i techniki sztucznej inteligencji", publisher = "Wydawnictwo Naukowe PWN", year = "2009", address = "Warszawa", isbn = "978-83-01-15731-9" }

Bibliografia endNote:

TY - BOOK

AU - Rutkowski, Leszek

ED -

TI - Metody i techniki sztucznej inteligencji

PB - Wydawnictwo Naukowe PWN

CY - Warszawa

PY - 2009

SN - 978-83-01-15731-9

ER -

Бібліографічний опис Інтернет-ресурсів (standard APA):

Rutkowski, Leszek. Metody i techniki sztucznej inteligencji [baza danych online] Warszawa: Wydawnictwo Naukowe PWN, 2009 [доступ: 19 05 2024]. Доступ в Ibuk Libra: https://libra.ibuk.pl/reader/metody-i-techniki-sztucznej-inteligencji-leszek-rutkowski-1340.

metody

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 zakr...

більше

ISBN/ISSN:

978-83-01-15731-9

DOI:

Видавництво:

Wydawnictwo Naukowe PWN

Рік видання:

2009

Кількість сторінок:

465

XML:ISBN/ISSN:

ONIX MARC21

Przedmowa do wydania drugiego10
Przedmowa11
1. Wstęp14
2. Wybrane zagadnienia sztucznej inteligencji18
2.1. Wprowadzenie18
2.2. Rys historyczny sztucznej inteligencji18
2.3. Systemy ekspertowe20
2.4. Robotyka21
2.5. Przetwarzanie mowy i języka naturalnego23
2.6. Heurystyki i strategie poszukiwań25
2.7. Kognitywistyka26
2.8. Inteligencja mrowek27
2.9. Sztuczne życie28
2.10. Boty30
2.11. Perspektywy rozwoju sztucznej inteligencji31
2.12. Uwagi32
3. Metody reprezentacji wiedzy z wykorzystaniem zbiorów przybliżonych33
3.1. Wprowadzenie33
3.2. Pojęcia podstawowe34
3.3. Aproksymacja zbioru41
3.4. Aproksymacja rodziny zbiorow49
3.5. Analiza tablic decyzyjnych51
3.6. Zastosowanie programu LERS58
3.7. Uwagi63
Zadania65
4. Metody reprezentacji wiedzy z wykorzystaniem zbiorów rozmytych typu 167
4.1. Wprowadzenie67
4.2. Podstawowe pojęcia i definicje teorii zbiorow rozmytych67
4.3. Operacje na zbiorach rozmytych78
4.4. Zasada rozszerzania84
4.5. Liczby rozmyte87
4.6. Normy trójkątne i negacje94
4.7. Relacje rozmyte i ich właściwości105
4.8. Przybliżone wnioskowanie109
4.8.1. Podstawowe reguły wnioskowania w logice dwuwartościowej109
4.8.2. Podstawowe reguły wnioskowania w logice rozmytej110
4.8.3. Reguły wnioskowania dla modelu Mamdaniego114
4.8.4. Reguły wnioskowania dla modelu logicznego115
4.9. Rozmyte systemy wnioskujące118
4.9.1. Baza reguł119
4.9.2. Blok rozmywania120
4.9.3. Blok wnioskowania120
4.9.4. Blok wyostrzania127
4.10. Zastosowania zbiorów rozmytych129
4.10.1. Rozmyta metoda Delphi129
4.10.2. Ważona rozmyta metoda Delphi132
4.10.3. Rozmyta metoda PERT133
4.10.4. Podejmowanie decyzji w otoczeniu rozmytym136
Zadania146
4.11. Uwagi146
5. Metody reprezentacji wiedzy z wykorzystaniem zbiorów rozmytych typu 2150
5.1. Wprowadzenie150
5.2. Podstawowe definicje151
5.3. Ślad niepewności154
5.4. Osadzone zbiory rozmyte155
5.5. Podstawowe operacje na zbiorach rozmytych typu 2157
5.6. Relacje rozmyte typu 2162
5.7. Redukcja typu164
5.8. Rozmyte systemy wnioskujące typu 2169
5.8.1. Blok rozmywania169
5.8.2. Baza reguł171
5.8.3. Blok wnioskowania171
Zadania176
5.9. Uwagi176
6. Sieci neuronowe i algorytmy ich uczenia179
6.1. Wprowadzenie179
6.2. Neuron i jego modele179
6.2.1. Budowa i działanie pojedynczego neuronu179
6.2.2. Perceptron181
6.2.3. Model Adaline187
6.2.4. Model neuronu sigmoidalnego192
6.2.5. Model neuronu Hebba197
6.3. Sieci jednokierunkowe wielowarstwowe198
6.3.1. Budowa i działanie sieci198
6.3.2. Algorytm wstecznej propagacji błędow200
6.3.3. Algorytm wstecznej propagacji błędow z członem momentum207
6.3.4. Algorytm zmiennej metryki208
6.3.5. Algorytm Levenberga-Marquardta209
6.3.6. Rekurencyjna metoda najmniejszych kwadratow211
6.3.7. Dobor architektury sieci213
6.4. Sieci rekurencyjne219
6.4.1. Sieć Hopfielda220
6.4.2. Sieć Hamminga223
6.4.3. Sieci wielowarstwowe ze sprzężeniem zwrotnym225
6.4.4. Sieć BAM225
6.5. Sieci samoorganizujące sie z konkurencją226
6.5.1. Sieci typu WTA227
6.5.2. Sieci typu WTM232
6.6. Sieci typu ART236
6.7. Sieci radialne240
6.8. Probabilistyczne sieci neuronowe245
6.9. Uwagi247
Zadania248
7. Algorytmy ewolucyjne250
7.1. Wprowadzenie250
7.2. Problemy optymalizacji a algorytmy ewolucyjne251
7.3. Rodzaje algorytmow zaliczanych do algorytmow ewolucyjnych252
7.3.1. Klasyczny algorytm genetyczny253
7.3.2. Strategie ewolucyjne271
7.3.3. Programowanie ewolucyjne287
7.3.4. Programowanie genetyczne287
7.4. Zaawansowane techniki w algorytmach ewolucyjnych290
7.4.1. Eksploracja i eksploatacja290
7.4.2. Metody selekcji290
7.4.3. Skalowanie funkcji przystosowania293
7.4.4. Szczegolne procedury reprodukcji294
7.4.5. Metody kodowania295
7.4.6. Rodzaje krzyżowań298
7.4.7. Rodzaje mutacji299
7.4.8. Inwersja300
7.5. Algorytmy ewolucyjne w projektowaniu sieci neuronowych301
7.5.1. Algorytmy ewolucyjne do uczenia wag sieci neuronowych301
7.5.2. Algorytmy ewolucyjne do określania topologii sieci neuronowej304
7.5.3. Algorytmy ewolucyjne do uczenia wag i określania topologii sieci neuronowej306
7.6. Algorytmy ewolucyjne a systemy rozmyte309
7.6.1. Systemy rozmyte do kontroli ewolucji309
7.6.2. Ewolucja systemow rozmytych311
7.7. Uwagi318
Zadania320
8. Metody grupowania danych324
8.1. Wprowadzenie324
8.2. Podziały ostre i rozmyte325
8.3. Miary odległości329
8.4. Algorytm HCM331
8.5. Algorytm FCM332
8.6. Algorytm PCM334
8.7. Algorytm Gustafsona-Kessela335
8.8. Algorytm FMLE337
8.9. Kryteria jakości grupowania338
8.10. Ilustracja działania algorytmow grupowania danych340
8.11. Uwagi341
Zadania342
9. Systemy neuronowo-rozmyte typu Mamdaniego, logicznego i Takagi-Sugeno345
9.1. Wprowadzenie345
9.2. Opis wykorzystywanych problemow symulacyjnych346
9.2.1. Polimeryzacja346
9.2.2. Modelowanie statycznej funkcji nieliniowej347
9.2.3. Modelowanie nieliniowego obiektu dynamicznego347
9.2.4. Modelowanie smaku ryżu347
9.2.5. Rozpoznawanie gatunku wina348
9.2.6. Klasyfikacja kwiatu irysa348
9.3. Systemy neuronowo-rozmyte typu Mamdaniego349
9.3.1. Systemy typu A349
9.3.2. Systemy typu B351
9.3.3. Systemy typu Mamdaniego w zadaniach modelowania352
9.4. Systemy neuronowo-rozmyte typu logicznego362
9.4.1. Systemy typu M1363
9.4.2. Systemy typu M2369
9.4.3. Systemy typu M3374
9.5. Systemy neuronowo-rozmyte typu Takagi-Sugeno379
9.5.1. Systemy typu M1380
9.5.2. Systemy typu M2382
9.5.3. Systemy typu M3383
9.6. Algorytmy uczenia systemow neuronowo-rozmytych385
9.7. Ocena działania systemow neuronowo-rozmytych400
9.7.1. Kryteria oceny modeli z uwzględnieniem ich złożoności401
9.7.2. Metoda linii izokryterialnych403
9.8. Uwagi408
Zadania409
10. Elastyczne systemy neuronowo-rozmyte411
10.1. Wprowadzenie411
10.2. Miękkie normy trojkątne411
10.3. Parametryzowane normy trojkątne414
10.4. Przełączane normy trojkątne417
10.5. Systemy elastyczne422
10.6. Algorytmy uczenia423
10.6.1. Operatory podstawowe429
10.6.2. Funkcje przynależności430
10.6.3. Funkcje zakresowe431
10.6.4. H-funkcje432
10.7. Przykłady symulacyjne435
10.7.1. Polimeryzacja436
10.7.2. Modelowanie smaku ryżu438
10.7.3. Klasyfikacja kwiatu irysa440
10.7.4. Rozpoznawanie gatunku wina442
10.8. Uwagi444
Zadania445
Literatura446
Skorowidz462