Sztuczna inteligencja od podstaw

Spis treści książki

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

pokaż cały spis treści

ukryj recenzje