POLECAMY
Autor:
Wydawca:
Format:
ibuk
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 zakres inteligentnych struktur decyzyjnych i algorytmów uczenia maszynowego – przedstawia metody wnioskowania wykorzystujące zbiory przybliżone, zbiory rozmyte, sieci neuronowe oraz algorytmy uczenia propagacji wstecznej, najmniejszych kwadratów, ewolucyjne oraz algorytmy grupowania danych. Autorowi udało się optymalnie wyważyć treść książki uzyskując doskonałą proporcję pomiędzy wysokim poziomem teoretycznym opisu, a łatwością przyswojenia prezentowanych metod. Książka jest napisana przystępnie i klarownie. Zrozumienie i przyswojenie treści znacznie ułatwia wiele przykładów ilustrujących wprowadzane koncepcje teoretyczne.
(dr hab. inż. Wojciech Jędruch, Politechnika Gdańska)
Walorem dydaktycznym drugiego wydania są dodane przez Autora po każdym rozdziale zadania do samodzielnego rozwiązania.
Książka przeznaczona dla studentów i pracowników naukowych uczelni technicznych – kierunki: informatyka, automatyka i robotyka, elektronika, telekomunikacja, mechanika; uczelni ekonomicznych – kierunek ekonomia i zarządzanie; uniwersytetów – kierunki: ekonomia, matematyka i informatyka.
Rok wydania | 2009 |
---|---|
Liczba stron | 464 |
Kategoria | Sztuczna inteligencja |
Wydawca | Wydawnictwo Naukowe PWN |
ISBN-13 | 978-83-01-15731-9 |
Numer wydania | 2 |
Język publikacji | polski |
Informacja o sprzedawcy | ePWN sp. z o.o. |
POLECAMY
Ciekawe propozycje
Spis treści
Przedmowa do wydania drugiego IX | |
Przedmowa X | |
1. Wstęp | 1 |
2. Wybrane zagadnienia sztucznej inteligencji | 5 |
2.1. Wprowadzenie | 5 |
2.2. Rys historyczny sztucznej inteligencji | 5 |
2.3. Systemy ekspertowe | 7 |
2.4. Robotyka | 8 |
2.5. Przetwarzanie mowy i języka naturalnego | 10 |
2.6. Heurystyki i strategie poszukiwań | 12 |
2.7. Kognitywistyka | 13 |
2.8. Inteligencja mrówek | 14 |
2.9. Sztuczne życie | 15 |
2.10. Boty | 17 |
2.11. Perspektywy rozwoju sztucznej inteligencji | 18 |
2.12. Uwagi | 19 |
3. Metody reprezentacji wiedzy z wykorzystaniem zbiorów przybliżonych | 20 |
3.1. Wprowadzenie | 20 |
3.2. Pojęcia podstawowe | 21 |
3.3. Aproksymacja zbioru | 28 |
3.4. Aproksymacja rodziny zbiorów | 36 |
3.5. Analiza tablic decyzyjnych | 38 |
3.6. Zastosowanie programu LERS | 45 |
3.7. Uwagi | 50 |
Zadania | 52 |
4. Metody reprezentacji wiedzy z wykorzystaniem zbiorów rozmytych typu 1 | 54 |
4.1. Wprowadzenie | 54 |
4.2. Podstawowe pojęcia i definicje teorii zbiorów rozmytych | 54 |
4.3. Operacje na zbiorach rozmytych | 65 |
4.4. Zasada rozszerzania | 71 |
4.5. Liczby rozmyte | 74 |
4.6. Normy trójkątne i negacje | 81 |
4.7. Relacje rozmyte i ich właściwości | 92 |
4.8. Przybliżone wnioskowanie | 96 |
4.8.1. Podstawowe reguły wnioskowania w logice dwuwartościowej | 96 |
4.8.2. Podstawowe reguły wnioskowania w logice rozmytej | 97 |
4.8.3. Reguły wnioskowania dla modelu Mamdaniego | 101 |
4.8.4. Reguły wnioskowania dla modelu logicznego | 102 |
4.9. Rozmyte systemy wnioskujące | 105 |
4.9.1. Baza reguł | 106 |
4.9.2. Blok rozmywania | 107 |
4.9.3. Blok wnioskowania | 107 |
4.9.4. Blok wyostrzania | 114 |
4.10. Zastosowania zbiorów rozmytych | 116 |
4.10.1. Rozmyta metoda Delphi | 116 |
4.10.2. Ważona rozmyta metoda Delphi | 119 |
4.10.3. Rozmyta metoda PERT | 120 |
4.10.4. Podejmowanie decyzji w otoczeniu rozmytym | 123 |
4.11. Uwagi | 133 |
Zadania | 133 |
5. Metody reprezentacji wiedzy z wykorzystaniem zbiorów rozmytych typu 2 | 137 |
5.1. Wprowadzenie | 137 |
5.2. Podstawowe definicje | 138 |
5.3. Ślad niepewności | 141 |
5.4. Osadzone zbiory rozmyte | 142 |
5.5. Podstawowe operacje na zbiorach rozmytych typu 2 | 144 |
5.6. Relacje rozmyte typu 2 | 149 |
5.7. Redukcja typu | 151 |
5.8. Rozmyte systemy wnioskujące typu | 156 |
5.8.1. Blok rozmywania | 156 |
5.8.2. Baza reguł | 158 |
5.8.3. Blok wnioskowania | 158 |
5.9. Uwagi | 163 |
Zadania | 163 |
6. Sieci neuronowe i algorytmy ich uczenia | 166 |
6.1. Wprowadzenie | 166 |
6.2. Neuron i jego modele | 166 |
6.2.1. Budowa i działanie pojedynczego neuronu | 166 |
6.2.2. Perceptron | 168 |
6.2.3. Model Adaline | 174 |
6.2.4. Model neuronu sigmoidalnego | 179 |
6.2.5. Model neuronu Hebba | 184 |
6.3. Sieci jednokierunkowe wielowarstwowe | 185 |
6.3.1. Budowa i działanie sieci | 185 |
6.3.2. Algorytm wstecznej propagacji błędów | 187 |
6.3.3. Algorytm wstecznej propagacji błędów z członem momentum | 194 |
6.3.4. Algorytm zmiennej metryki | 195 |
6.3.5. Algorytm Levenberga–Marquardta | 196 |
6.3.6. Rekurencyjna metoda najmniejszych kwadratów | 198 |
6.3.7. Dobór architektury sieci | 200 |
6.4. Sieci rekurencyjne | 206 |
6.4.1. Sieć Hopfielda | 207 |
6.4.2. Sieć Hamminga | 210 |
6.4.3. Sieci wielowarstwowe ze sprzężeniem zwrotnym | 212 |
6.4.4. Sieć BAM | 212 |
6.5. Sieci samoorganizujące się z konkurencją | 213 |
6.5.1. Sieci typu WTA | 214 |
6.5.2. Sieci typu WTM | 219 |
6.6. Sieci typu ART | 223 |
6.7. Sieci radialne | 227 |
6.8. Probabilistyczne sieci neuronowe | 232 |
6.9. Uwagi | 234 |
Zadania | 235 |
7. Algorytmy ewolucyjne | 237 |
7.1. Wprowadzenie | 237 |
7.2. Problemy optymalizacji a algorytmy ewolucyjne | 238 |
7.3. Rodzaje algorytmow zaliczanych do algorytmow ewolucyjnych | 239 |
7.3.1. Klasyczny algorytm genetyczny | 240 |
7.3.2. Strategie ewolucyjne | 258 |
7.3.3. Programowanie ewolucyjne | 274 |
7.3.4. Programowanie genetyczne | 274 |
7.4. Zaawansowane techniki w algorytmach ewolucyjnych | 277 |
7.4.1. Eksploracja i eksploatacja | 277 |
7.4.2. Metody selekcji | 277 |
7.4.3. Skalowanie funkcji przystosowania | 280 |
7.4.4. Szczegolne procedury reprodukcji | 281 |
7.4.5. Metody kodowania | 282 |
7.4.6. Rodzaje krzyżowań | 285 |
7.4.7. Rodzaje mutacji | 286 |
7.4.8. Inwersja | 287 |
7.5. Algorytmy ewolucyjne w projektowaniu sieci neuronowych | 288 |
7.5.1. Algorytmy ewolucyjne do uczenia wag sieci neuronowych | 288 |
7.5.2. Algorytmy ewolucyjne do określania topologii sieci neuronowej | 291 |
7.5.3. Algorytmy ewolucyjne do uczenia wag i określania topologii sieci neuronowej | 293 |
7.6. Algorytmy ewolucyjne a systemy rozmyte | 296 |
7.6.1. Systemy rozmyte do kontroli ewolucji | 296 |
7.6.2. Ewolucja systemów rozmytych | 298 |
7.7. Uwagi | 305 |
Zadania | 307 |
8. Metody grupowania danych | 311 |
8.1. Wprowadzenie | 311 |
8.2. Podziały ostre i rozmyte | 312 |
8.3. Miary odległości | 316 |
8.4. Algorytm HCM | 318 |
8.5. Algorytm FCM | 319 |
8.6. Algorytm PCM | 321 |
8.7. Algorytm Gustafsona–Kessela | 322 |
8.8. Algorytm FMLE | 324 |
8.9. Kryteria jakości grupowania | 325 |
8.10. Ilustracja działania algorytmow grupowania danych | 327 |
8.11. Uwagi | 328 |
Zadania | 329 |
9. Systemy neuronowo-rozmyte typu Mamdaniego, logicznego i Takagi–Sugeno | 332 |
9.1. Wprowadzenie | 332 |
9.2. Opis wykorzystywanych problemów symulacyjnych | 333 |
9.2.1. Polimeryzacja | 333 |
9.2.2. Modelowanie statycznej funkcji nieliniowej | 334 |
9.2.3. Modelowanie nieliniowego obiektu dynamicznego | 334 |
9.2.4. Modelowanie smaku ryżu | 334 |
9.2.5. Rozpoznawanie gatunku wina | 335 |
9.2.6. Klasyfikacja kwiatu irysa | 335 |
9.3. Systemy neuronowo-rozmyte typu Mamdaniego | 336 |
9.3.1. Systemy typu A | 336 |
9.3.2. Systemy typu B | 338 |
9.3.3. Systemy typu Mamdaniego w zadaniach modelowania | 339 |
9.4. Systemy neuronowo-rozmyte typu logicznego | 349 |
9.4.1. Systemy typu M1 | 350 |
9.4.2. Systemy typu M2 | 356 |
9.4.3. Systemy typu M3 | 361 |
9.5. Systemy neuronowo-rozmyte typu Takagi–Sugeno | 366 |
9.5.1. Systemy typu M1 | 367 |
9.5.2. Systemy typu M2 | 369 |
9.5.3. Systemy typu M3 | 370 |
9.6. Algorytmy uczenia systemow neuronowo-rozmytych | 372 |
9.7. Ocena działania systemow neuronowo-rozmytych | 387 |
9.7.1. Kryteria oceny modeli z uwzględnieniem ich złożoności | 388 |
9.7.2. Metoda linii izokryterialnych | 390 |
9.8. Uwagi | 395 |
Zadania | 396 |
10. Elastyczne systemy neuronowo-rozmyte | 398 |
10.1. Wprowadzenie | 398 |
10.2. Miękkie normy trójkątne | 398 |
10.3. Parametryzowane normy trójkątne | 401 |
10.4. Przełączane normy trójkątne | 404 |
10.5. Systemy elastyczne | 409 |
10.6. Algorytmy uczenia | 410 |
10.6.1. Operatory podstawowe | 416 |
10.6.2. Funkcje przynależności | 417 |
10.6.3. Funkcje zakresowe | 418 |
10.6.4. H-funkcje | 419 |
10.7. Przykłady symulacyjne | 422 |
10.7.1. Polimeryzacja | 423 |
10.7.2. Modelowanie smaku ryżu | 425 |
10.7.3. Klasyfikacja kwiatu irysa | 427 |
10.7.4. Rozpoznawanie gatunku wina | 429 |
10.8. Uwagi | 431 |
Zadania | 432 |
Literatura | 433 |
Skorowidz | 449 |