Sztuczna inteligencja od podstaw - ebook
Sztuczna inteligencja od podstaw - ebook
Nie ma wątpliwości, że sztuczna inteligencja (AI) zrewolucjonizuje w najbliższych dekadach nasze życie. Wśród największych autorytetów świata nauki panuje przekonanie, że stoimy w obliczu przełomu porównywalnego z wynalezieniem i zastosowaniami elektryczności.
Sztuczna inteligencja od podstaw to pozycja, która począwszy od opisu klasycznych metod SI, takich jak algorytm genetyczny, algorytm mrówkowy, systemy ekspertowe czy sztuczne życie, zapoznaje Czytelnika z najbardziej zaawansowanymi modelami opartymi na sztucznych sieciach neuronowych.
Autor skrupulatnie objaśnia złożone zagadnienia dotyczące zarówno podstaw teoretycznych, jak i budowy i zastosowań takich systemów, nie unika przy tym odwołania do historii ich rozwoju. Książka stanowi kompendium wiedzy na temat tej niesłychanie szybko rozwijającej się i dynamicznie wkraczającej w nasze życie dziedziny. Została napisana tak, aby była przystępna dla osób posiadających podstawowe umiejętności matematyczne. Może stanowić podręcznik dla studentów takich kierunków jak informatyka, mechatronika, a także automatyka i robotyka.
Dzięki książce:
- poznasz historię rozwoju sztucznej inteligencji
- zdobędziesz wiedzę na temat aktualnych metod AI, takich jak uczenie maszynowe (ML), głębokie uczenie maszynowe (DL) czy przetwarzanie języka naturalnego (NLP)
- na podstawie udostępnionych kodów źródłowych kilku autorskich aplikacji nabędziesz umiejętności w zakresie tworzenia i optymalizacji systemów sztucznej inteligencji
Spis treści
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
Kategoria: | Programowanie |
Zabezpieczenie: |
Watermark
|
ISBN: | 978-83-289-0226-8 |
Rozmiar pliku: | 3,0 MB |