Autor: Leszek Rutkowski
ISBN: 978-83-01-15731-9
Ilość stron: 464
Data wydania: 06/2016 (wydanie 2, dodruk z 2012)
Nowe rozszerzone kompendium wiedzy o systemach inteligentnych!
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.
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.
Rozdziały:
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
4.9 Rozmyte systemy wnioskujące 105
4.10 Zastosowania zbiorów rozmytych 116
4.11Uwagi 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 2 156
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
6.3 Sieci jednokierunkowe wielowarstwowe 185
6.4 Sieci rekurencyjne 206
6.5 Sieci samoorganizujące siê z konkurencją 213
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 algorytmów zaliczanych do algorytmów ewolucyjnych 239
7.4 Zaawansowane techniki w algorytmach ewolucyjnych 277
7.5 Algorytmy ewolucyjne w projektowaniu sieci neuronowych 288
7.6 Algorytmy ewolucyjne a systemy rozmyte 296
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 algorytmów 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
9.3 Systemy neuronowo-rozmyte typu Mamdaniego 336
9.4 Systemy neuronowo-rozmyte typu logicznego 349
9.5 Systemy neuronowo-rozmyte typu Takagi–Sugeno 366
9.6 Algorytmy uczenia systemów neuronowo-rozmytych 372
9.7 Ocena działania systemów neuronowo-rozmytych 387
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
10.7 Przykłady symulacyjne 422
10.8 Uwagi 431
Zadania 432 Najniższa cena z 30 dni przed obniżką 71,40zł
Metody i techniki sztucznej inteligencji Wydanie 2
|