SOWA OPAC : Katalog komputerowy książek, czasopism i zbiorów specjalnych

198 wyników

Brak okładki

Książka

W koszyku

Programowanie z bazą wiedzy / Enn Ch. Tyugu ; tł. Wiktor Bartol. - Warszawa : Wydaw-a Naukowo-Techniczne, 1989. - 237 s. : rys. ; 24 cm.

(Biblioteka Inżynierii Oprogramowania ; Nr 66)

Autor

Tyugu Enn Ch. Bartol Wiktor.

Temat

Informatyka PROGRAMOWANIE z BAZĄ WIEDZY Sztuczna inteligencja. BAZY WIEDZY

Tyt. oryg. : Konceptual'noe programmirovanie.

Bibliogr.s. [228] - 230

dostępna do wypożyczenia

1 placówka posiada w zbiorach tę pozycję. Rozwiń informację, by zobaczyć szczegóły.

Wypożyczalnia

Są egzemplarze dostępne do wypożyczenia: sygn. 78498, 78497 L, 78499, 103608 (4 egz.)

Brak okładki

Książka

W koszyku

To żyje! : sztuczna inteligencja od logicznego fortepianu po zabójcze roboty / Toby Walsh ; przekład Witold Sikorski na zlecenie WITKOM Witold Sikorski. - Wydanie 1. - Warszawa : Wydawnictwo Naukowe PWN, copyright 2018. - 286, [2] strony ; 24 cm.

Autor

Walsh Toby. Sikorski Witold.

Forma i typ

Książki Publikacje popularnonaukowe

Temat

Sztuczna inteligencja Programowanie

Gatunek

Opracowanie

Dziedzina i ujęcie

Historia Informatyka i technologie informacyjne

Bibliografia na stronach 272-275. Indeks.

I. Przyszłość AI 1. Sen o AI 2. Pomiar AI II. Dzień dzisiejszy AI 3. Dzisiejszy stan AI 4. Ograniczenia AI 5. Wpływ AI III. Przyszłość AI 6. Zmiana technologiczna 7. Dziesięć prognoz

dostępna do wypożyczenia

1 placówka posiada w zbiorach tę pozycję. Rozwiń informację, by zobaczyć szczegóły.

Wypożyczalnia

Są egzemplarze dostępne do wypożyczenia: sygn. 145888 (1 egz.)

Brak okładki

Książka

W koszyku

Metody sztucznej inteligencji w projektowaniu analogowych układów CMOS / Krzysztof Wawryn. - Koszalin : Wyższa Szkoła Inżynierska, 1991. - 131 s. : rys., schem., tab. ; 24 cm.

(Monografie / Wyższa Szkoła Inżynierska w Koszalinie ; Nr 40)

Autor

Wawryn Krzysztof.

Temat

Układy analogowe Sztuczna inteligencja. Systemy ekspertowe

Bibliogr.s. 118 - 127.- Sum.

dostępna do wypożyczenia

1 placówka posiada w zbiorach tę pozycję. Rozwiń informację, by zobaczyć szczegóły.

Wypożyczalnia

Są egzemplarze dostępne do wypożyczenia: sygn. 80858 (1 egz.)

Książka

W koszyku

Podstawy sztucznej inteligencji / Paweł Wawrzyński. - Warszawa : Oficyna Wydawnicza Politechniki Warszawskiej, 2014. - 135 s. : il. ; 24 cm.

Autor

Wawrzyński Paweł (1978- ).

Temat

Sztuczna inteligencja.

Gatunek

Podręczniki akademickie

Bibliogr. s. 135.

Dla studentów nauk technicznych i informatycznych.

Sygnatura czytelni BWEAiI: XII Ą 16

dostępna w czytelni

1 placówka posiada w zbiorach tę pozycję. Rozwiń informację, by zobaczyć szczegóły.

Biblioteka WEAiI

Egzemplarze są dostępne wyłącznie na miejscu w bibliotece: sygn. S 73511 N (1 egz.)

Książka

W koszyku

Podstawy sztucznej inteligencji / Paweł Wawrzyński. - Wydanie 2. - Warszawa : Oficyna Wydawnicza Politechniki Warszawskiej, 2019. - 161 stron : ilustracje, wykresy ; 24 cm.

Autor

Wawrzyński Paweł (1978- )

Forma i typ

Książki Publikacje dydaktyczne

Odbiorca

Szkoły wyższe

Temat

Sztuczna inteligencja Uczenie maszynowe.

Gatunek

Podręcznik

Dziedzina i ujęcie

Informatyka i technologie informacyjne

Bibliografia na stronach 160-161.

1. Wprowadzenie 1.1. Definicja sztucznej inteligencji 1.2. Działy sztucznej inteligencji 1.3. Historia sztucznej inteligencji I Wnioskowanie logiczne i systemy eksperckie 2. Systemy wnioskujące oparte na logice zdań 2.1. Semantyka zdań 2.2. Zdania złożone 2.3. Klauzule i sprowadzanie wiedzy do zbioru klauzul 2.4. Wnioskowanie w przód 2.5. Wnioskowanie wstecz 2.6. Wnioskowanie przez rezolucję i zaprzeczenie 3. Systemy posługujące się logiką predykatów 3.1. Język 3.2. Wiedza w postaci klauzul 3.3. Podstawianie i unifikacja 3.4. Wnioskowanie w przód 3.5. Wnioskowanie wstecz 3.6. Wnioskowanie przez rezolucję i zaprzeczenie 3.7. Poprawność wnioskowania 4. Logika rozmyta 4.1. Zbiory rozmyte 4.2. Rozmyte spójniki 4.3. Rozmyte reguły 4.4. Wyostrzanie 4.5. Konstrukcja systemu rozmytego 5. Systemy eksperckie 5.1. Tryby wnioskowania 5.2. Szkieletowe systemy eksperckie 5.3. Historyczne przykłady znaczących systemów eksperckich II Przeszukiwanie 6. Algorytmy ewolucyjne 6.1. Ogólna idea i stosowana terminologia 6.2. Algorytm (1 + 1) 6.3. Algorytmy i strategie ewolucyjne 6.4. Algorytmy ewolucyjne w praktyce 7. Algorytmy genetyczne 7.1. Ogólny algorytm genetyczny 7.2. Kodowanie osobników 7.3. Reprodukcja 8. Przeszukiwanie przestrzeni stanów 8.1. Strategie nieinformowane 8.2. Strategie minimalizujące koszt 8.3. Strategie heurystyczne 9. Gry dwuosobowe 9.1. Model 9.2. Przegląd wyczerpujący 9.3. Strategia MIN-MAX 9.4. Przycinanie a-/3 9.5. Inne techniki poprawiania efektywności gry III Uczenie maszynowe 10. Sztuczne sieci neuronowe 10.1. Zagadnienie parametrycznej aproksymacji funkcji 10.2. Perceptron dwuwarstwowy i wielowarstwowy 10.3. Aproksymacja na zbiorze skończonym 10.4. Aproksymacja na zbiorze nieskończonym 11. Uczenie się ze wzmocnieniem 11.1. Proces Decyzyjny Markowa 11.2. Algorytmy Q-Learning i SARSA 11.3. Rozszerzenie algorytmów Q-Learning i SARSA do ciągłych przestrzeni stanów i decyzji

dostępna do wypożyczenia

1 placówka posiada w zbiorach tę pozycję. Rozwiń informację, by zobaczyć szczegóły.

Wypożyczalnia

Są egzemplarze dostępne do wypożyczenia: sygn. S 73943 (1 egz.)

Brak okładki

Książka

W koszyku

Readings in Artificial Intelligence / red. Bonnie Lynn Webber, Nils J. Nilsson. - Los Altos : Morgan Kaufmann Publ., 1985. - X, 547 s. : rys., schem., tab., wykr. ; 28 cm.

Autor

Webber Bonnie Lynn. Nilsson Nils J.

Temat

Sztuczna inteligencja.

Bibliogr. przy art.

dostępna do wypożyczenia

1 placówka posiada w zbiorach tę pozycję. Rozwiń informację, by zobaczyć szczegóły.

Wypożyczalnia

Są egzemplarze dostępne do wypożyczenia: sygn. Z 7894 (1 egz.)

Książka

W koszyku

Autor

Weidman Seth. Walczak Tomasz (tłumacz).

Forma i typ

Książki Publikacje fachowe

Temat

Python (język programowania) Sieci neuronowe (informatyka) Sztuczna inteligencja Uczenie maszynowe. Deep learning

Gatunek

Podręcznik

Dziedzina i ujęcie

Informatyka i technologie informacyjne

Tytuł oryginału: Deep learning from scratch : building with Python from first principles.

Na okładce i stronie tytułowej nazwa wydawcy oryginału: O'Reilly.

1. Podstawowe zagadnienia 15 Funkcje 16 Matematyka 16 Diagramy 16 Kod 17 Pochodne 20 Matematyka 20 Diagramy 20 Kod 21 Funkcje zagnieżdżone 22 Diagram 22 Matematyka 22 Kod 23 Inny diagram 23 Reguła łańcuchowa 24 Matematyka 24 Diagram 24 Kod 25 Nieco dłuższy przykład 27 Matematyka 27 Diagram 27 Kod 28 Funkcje z wieloma danymi wejściowymi 29 Matematyka 30 Diagram 30 Kod 30 Pochodne funkcji z wieloma danymi wejściowymi 31 Diagram 31 Matematyka 31 Kod 32 Funkcje przyjmujące wiele wektorów jako dane wejściowe 32 Matematyka 33 Tworzenie nowych cech na podstawie istniejących 33 Matematyka 33 Diagram 33 Kod 34 Pochodne funkcji z wieloma wektorami wejściowymi 35 Diagram 35 Matematyka 36 Kod 36 Następny etap - funkcje wektorowe i ich pochodne 37 Diagram 37 Matematyka 37 Kod 38 Funkcje wektorowe i ich pochodne w kroku wstecz 38 Grafy obliczeniowe z danymi wejściowymi w postaci dwóch macierzy dwuwymiarowych 40 Matematyka 41 Diagram 43 Kod 43 Ciekawa część - krok wstecz 43 Diagram 44 Matematyka 44 Kod 46 2. Wprowadzenie do budowania modeli 51 Wstęp do uczenia nadzorowanego 52 Modele uczenia nadzorowanego 53 Regresja liniowa 55 Regresja liniowa - diagram 55 Regresja liniowa - bardziej pomocny diagram (i obliczenia matematyczne) 57 Dodawanie wyrazu wolnego 58 Regresja liniowa - kod 58 Uczenie modelu 59 Obliczanie gradientów - diagram 59 Obliczanie gradientów - matematyka (i trochę kodu) 60 Obliczanie gradientów - (kompletny) kod 61 Używanie gradientów do uczenia modelu 62 Ocena modelu - testowe i treningowe zbiory danych 63 Ocena modelu - kod 63 Analizowanie najważniejszej cechy 65 Budowanie sieci neuronowych od podstaw 66 Krok 1. Zestaw regresji liniowych 67 Krok 2. Funkcja nieliniowa 67 Krok 3. Inna regresja liniowa 68 Diagramy 68 Kod 70 Sieci neuronowe - krok wstecz 71 Uczenie i ocena pierwszej sieci neuronowej 73 Dwa powody, dla których nowy model jest lepszy 74 3. Deep learning od podstaw 77 Definicja procesu deep learning - pierwszy krok 77 Elementy sieci neuronowych - operacje 79 Diagram 79 Kod 80 Elementy sieci neuronowych - warstwy 82 Diagramy 82 Elementy z elementów 84 Wzorzec warstwy 86 Warstwa gęsta 88 Klasa NeuralNetwork (i ewentualnie inne) 89 Diagram 89 Kod 90 Klasa Loss 90 Deep learning od podstaw 92 Implementowanie treningu na porcjach danych 92 Klasa NeuralNetwork - kod 93 Nauczyciel i optymalizator 95 Optymalizator 95 Nauczyciel 97 Łączenie wszystkich elementów 98 Pierwszy model z dziedziny deep learning (napisany od podstaw) 99 4. Rozszerzenia 101 Intuicyjne rozważania na temat sieci neuronowych 102 Funkcja straty - funkcja softmax z entropią krzyżową 104 Komponent nr 1. Funkcja softmax 104 Komponent nr 2. Entropia krzyżowa 105 Uwaga na temat funkcji aktywacji 108 Eksperymenty 111 Wstępne przetwarzanie danych 111 Model 112 Eksperyment: wartość straty z użyciem funkcji softmax z entropią krzyżową 113 Współczynnik momentum 113 Intuicyjny opis współczynnika momentum 114 Implementowanie współczynnika momentum w klasie Optimizer 114 Eksperyment - algorytm SGD ze współczynnikiem momentum 116 Zmniejszanie współczynnika uczenia 116 Sposoby zmniejszania współczynnika uczenia 116 Eksperymenty - zmniejszanie współczynnika uczenia 118 Inicjowanie wag 119 Matematyka i kod 120 Eksperymenty - inicjowanie wag 121 Dropout 122 Definicja 122 Implementacja 122 Eksperymenty - dropout 123 5. Konwolucyjne sieci neuronowe 127 Sieci neuronowe i uczenie reprezentacji 127 Inna architektura dla danych graficznych 128 Operacja konwolucji 129 Wielokanałowa operacja konwolucji 131 Warstwy konwolucyjne 131 Wpływ na implementację 132 Różnice między warstwami konwolucyjnymi a warstwami gęstymi 133 Generowanie predykcji z użyciem warstw konwolucyjnych - warstwa spłaszczania 134 Warstwy agregujące 135 Implementowanie wielokanałowej operacji konwolucji 137 Krok w przód 137 Konwolucja - krok wstecz 140 Porcje danych, konwolucje dwuwymiarowe i operacje wielokanałowe 144 Konwolucje dwuwymiarowe 145 Ostatni element - dodawanie kanałów 147 Używanie nowej operacji do uczenia sieci CNN 150 Operacja Flatten 150 Kompletna warstwa Conv2D 151 Eksperymenty 152 6. Rekurencyjne sieci neuronowe 155 Najważniejsze ograniczenie - przetwarzanie odgałęzień 156 Automatyczne różniczkowanie 158 Pisanie kodu do akumulowania gradientów 158 Powody stosowania sieci RNN 162 Wprowadzenie do sieci RNN 163 Pierwsza klasa dla sieci RNN - RNNLayer 164 Druga klasa dla sieci RNN - RNNNode 165 Łączenie obu klas 166 Krok wstecz 167 Sieci RNN - kod 169 Klasa RNNLayer 170 Podstawowe elementy sieci RNNNode 172 Zwykłe węzły RNNNode 173 Ograniczenia zwykłych węzłów RNNNode 175 Pierwsze rozwiązanie - węzły GRUNode 176 Węzły LSTMNode 179 Reprezentacja danych dla opartego na sieci RNN modelu języka naturalnego na poziomie znaków 182 Inne zadania z obszaru modelowania języka naturalnego 182 Łączenie odmian warstw RNNLayer 183 Łączenie wszystkich elementów 184 7. PyTorch 187 Typ Tensor w bibliotece PyTorch 187 Deep learning z użyciem biblioteki PyTorch 188 Elementy z biblioteki PyTorch - klasy reprezentujące model, warstwę, optymalizator i wartość straty 189 Implementowanie elementów sieci neuronowej za pomocą biblioteki PyTorch - warstwa DenseLayer 190 Przykład - modelowanie cen domów w Bostonie z użyciem biblioteki PyTorch 191 Elementy oparte na bibliotece PyTorch - klasy optymalizatora i wartości straty 192 Elementy oparte na bibliotece PyTorch - klasa nauczyciela 193 Sztuczki służące do optymalizowania uczenia w bibliotece PyTorch 195 Sieci CNN w bibliotece PyTorch 196 Klasa DataLoader i transformacje 198 Tworzenie sieci LSTM za pomocą biblioteki PyTorch 200 Postscriptum - uczenie nienadzorowane z użyciem autoenkoderów 202 Uczenie reprezentacji 203 Podejście stosowane w sytuacjach, gdy w ogóle nie ma etykiet 203 Implementowanie autoenkodera za pomocą biblioteki PyTorch 204 Trudniejszy test uczenia nienadzorowanego i rozwiązanie 209 A. Skok na głęboką wodę 211 Reguła łańcuchowa dla macierzy 211 Gradient dla wartości straty względem wyrazu wolnego 215 Konwolucje z użyciem mnożenia macierzy 215

Sygnatura czytelni BWEAiI: XII Ł 175

dostępna w czytelni

1 placówka posiada w zbiorach tę pozycję. Rozwiń informację, by zobaczyć szczegóły.

Biblioteka WEAiI

Egzemplarze są dostępne wyłącznie na miejscu w bibliotece: sygn. 149871 N (1 egz.)

Brak okładki

Książka

W koszyku

Fault diagnosis and fault-tolerant control strategies for non-linear systems : analytical and soft computing approaches / Marcin Witczak. - Cham [etc.] : Springer International Publishing, cop. 2014. - XVI, 229 s. : il. ; 25 cm.

(Lecture Notes in Electrical Engineering, ISSN 1876-1100 ; vol. 266)

Autor

Witczak Marcin (1973- ).

Temat

Sztuczna inteligencja. Sieci neuronowe Diagnostyka techniczna Sterowanie

Bibliogr. przy rozdz. Indeks.

dostępna do wypożyczenia

1 placówka posiada w zbiorach tę pozycję. Rozwiń informację, by zobaczyć szczegóły.

Wypożyczalnia

Są egzemplarze dostępne do wypożyczenia: sygn. Z 8572 (1 egz.)

Książka

W koszyku

Sztuczna inteligencja we współczesnych organizacjach : jak autonomiczne systemy mogą wpływać na firmy, modele biznesowe i rynki / Andrzej Wodecki. - Wydanie I. - Warszawa : Wydawnictwo Naukowe PWN, 2021. - 196, [1] strona : ilustracje ; 24 cm.

Autor

Wodecki Andrzej.

Forma i typ

Książki Publikacje fachowe Publikacje naukowe

Odbiorca

Studenci

Temat

Sztuczna inteligencja Bezpieczeństwo teleinformatyczne Cyberprzestępczość nformatyzacja

Gatunek

Opracowanie

Dziedzina i ujęcie

Informatyka i technologie informacyjne

Bibliografia na stronach 193-[197].

Dla decydentów i inwestorów w ocenie potancjału biznesowego nowych autonomicznych projektów oraz przedstawicieli środowisk naukowych.

UCZENIE MASZYNOWE 11 Podstawowe pojęcia i koncepcje 12 Inteligencja maszyn 12 Uczenie maszynowe a programowanie 16 Metody nauczania maszynowego 18 Nauczanie ze wzmocnieniem jako fundament systemów autonomicznych 27 Agent, jego otoczenie, działania, obserwacje i nagrody 27 Uczenie się przez interakcje 31 Kluczowe metody i algorytmy nauczania ze wzmocnieniem 37 Wyzwania 45 Samouczące się, autonomiczne systemy we współczesnym świecie 46 Podsumowanie 49 WPŁYW SYSTEMÓW AUTONOMICZNYCH NA TECHNOLOGIE, PROCESY I BRANŻE 51 Technologie leżące u podstaw systemów autonomicznych 52 Zmysły, percepcja i świadomość sytuacyjna 52 Komunikacja 58 Trenowanie, uczenie się i symulacje 60 Cyberbezpieczeństwo 61 Zarządzanie flotą 62 Platformy do tworzenia kompleksowych rozwiązań 64 Zastosowania systemów samouczących się w kluczowych procesach biznesowych 65 Zarządzanie aktywami 65 Produkcja 69 Logistyka 72 Marketing i sprzedaż 78 Technologie informatyczne i komunikacyjne 84 Potencjalny wpływ na branże 87 Produkcja, budownictwo i branża samochodowa 88 Transport 92 Rolnictwo 96 Sektor wydobywczy i energetyczny 97 Marketing 99 Handel detaliczny 102 Ubezpieczenia, usługi finansowe i bankowość 105 Opieka zdrowotna 109 Sektor publiczny 113 AUTONOMICZNE, SAMOUCZĄCE SIĘ SYSTEMY W GENEROWANIU WARTOŚCI 117 Praktyczne aspekty i dobre praktyki wdrożeń systemów autonomicznych 118 Inicjacja 118 Wdrożenie 125 Utrwalenie zmiany 132 Korzyści z wdrożeń systemów inteligentnych 133 Generowanie przychodów 134 Redukcja kosztów 138 Minimalizacja ryzyka 149 Model generowania wartości 154 Generowanie wartości przez systemy SI 154 AiR Management: metoda projektowania uzasadnienia biznesowego oraz strategii wdrożeń systemów autonomicznych 156 TRENDY ROZWOJU 167 Możliwy wpływ technologii autonomicznych na organizacje, rynki i ludzi 168 Rozproszona SI 168 Sieci poznawcze 172 Nowe kompetencje 176 Wpływ SI na rolę człowieka w organizacji 177 Horyzonty badań i inspiracje na przyszłość 179 Badania podstawowe 180 Badania stosowane 184 Zarządzanie i nauki o społeczeństwie 186

Sygnatura czytelni BWEAiI: XII Ą 22

dostępna w czytelni

Ta pozycja znajduje się w zbiorach 2 placówek. Rozwiń listę, by zobaczyć szczegóły.

Wypożyczalnia

Wszystkie egzemplarze są obecnie wypożyczone: sygn. 150306 (1 egz.)

Biblioteka WEAiI

Egzemplarze są dostępne wyłącznie na miejscu w bibliotece: sygn. 150305 N (1 egz.)

Książka

W koszyku

Zastosowania metod uczenia maszynowego i sztucznej inteligencji do wykrywania nieprawidłowości finansowych w przedsiębiorstwach / Joanna Wyrobek. - Wydanie I. - Warszawa : Poltext, 2023. - 250 stron : ilustracje, wykresy ; 24 cm.

Autor

Wyrobek Joanna

Forma i typ

Książki Publikacje fachowe Publikacje naukowe

Odbiorca

Biegli rewidenci Inwestorzy indywidualni Inwestorzy instytucjonalni Księgowi Przedsiębiorcy Urzędnicy

Temat

Analiza finansowa Przestępczość gospodarcza Spółki giełdowe Sprawozdawczość finansowa Sztuczna inteligencja Uczenie maszynowe Polska Stany Zjednoczone (USA)

Gatunek

Monografia

Dziedzina i ujęcie

Gospodarka, ekonomia, finanse Informatyka i technologie informacyjne

Bibliografia, netografia na stronach 243-250.

Dla przedsiębiorców, inwestorów, księgowych, biegłych rewidentów oraz organów nadzoru finansowego.

Przegląd wyników badań nad wykrywaniem manipulacji finansowych przedsiębiorstw 1.1. Tradycyjne modele wykrywania oszustw finansowych 1.1.2. Modele f-score — modele Dechow, Ge, Larsona i Sloana 1.1.3. Model Christensena, Paika i Williamsa 1.1.4. Model Armstronga, Jagolinzera i Larckera 1.1.5. Modele Beasleya 1.1.6. Modele Bonner, Palmrose i Young 1.1.7. Modele Brazela, Jonesa i Zimbelmana 1.1.8. Modele Richardsona, Tuny i Wu 1.1.9. Modele Ericksona, Hanlon i Maydewa 1.1.10. Modele Feng, Ge, Luo i Shevlina 1.1.11. Modele Hribara, Kraveta i Wilsona 1.1.12. Badania Price'a, Sharpa i Wooda 1113 Model Personsa s 1.1.14. Model Summersai Sweeneya iaj 1.1.15. Modele Kanapickiene oraz Grundiene ty. 11:16 Modele Yulana 1.117. Model Bella i Carcello 1118; Modele Spathisa 1.1.19. Modele Spathisai innych 1.2. Wyniki wcześniejszych badań wykorzystujących algorytmy typu black box Największe przestępstwa finansowe XX i XXI w. 2.1. Lista amerykańskich spółek, które stały się sprawcami największych przestępstw finansowych XX i XXI w. 6 Zastosowania metod uczenia maszynowego i sztucznej inteligencji do wykrywania... 2.2. Mechanizmy działania spółek istotne dla badań nad manipulowaniem sprawozdaniem finansowym 2.3. Mechanizmy manipulacji stosowane przez amerykańskie spółki giełdowe objęto badaniem Budowa własnych modeli wykrywania manipulacji finansowych 3.1. Źródło danych i opis metody badawczej 3.2. Opis algorytmów uczenia maszynowego 3.2.3. Drzewa decyzyjne klasyfikacyjne i regresyjne CART 5.2.4 Losowy las decyzyjny 3.2.5 Metoda wektorów nośnych 3.2.6. Liniowa analiza dyskryminacyjna 3.2.7 Wzmacnianie gradientowe 3.2.8. Estymacja regresji metodą procesów Gaussowskich 3.2.9 Głębokie sieci neuronowe 3.3. Wyniki uczenia algorytmów opartych na największych przestępstwach finansowych XX w. 3.3.1. Regresja logistyczna 3.3.2 Drzewo decyzyjne 3.3.3. XGBoost 3.3.4. Losowy las drzew decyzyjnych 5.3.3 Głęboka sieć neuronowa 3.3.6. Naiwne wnioskowanie Bayesowskie 3.3.7. Liniowa analiza dyskryminacyjna 3.3.8. Metoda wektorów nośnych 3.4. Ocena porównawcza skuteczności wykorzystanych modeli

Sygnatura czytelni BWZ: XIII B 45

dostępna do wypożyczenia

Ta pozycja znajduje się w zbiorach 2 placówek. Rozwiń listę, by zobaczyć szczegóły.

Wypożyczalnia

Są egzemplarze dostępne do wypożyczenia: sygn. 155044 N (1 egz.)

Biblioteka WEiZ

Egzemplarze są dostępne wyłącznie na miejscu w bibliotece: sygn. 155045 N (1 egz.)

Książka

W koszyku

Podstawy modelowania i sterowania rozmytego / Ronald R. Yager, Dimitar P. Filev ; z angielskiego przełożyli Stanisław Jankowski, Cezary Mazur, Ryszard Wańczuk. - Warszawa : Wydawnictwa Naukowo-Techniczne, 1995. - 386 stron : ilustracje ; 24 cm.

Autor

Yager Ronald R. (1941- ). Filev Dimitar P. (1959- ). Jankowski Stanisław. Mazur Cezary. Wańczuk Ryszard.

Forma i typ

Publikacje dydaktyczne

Temat

Sztuczna inteligencja Modele matematyczne Teoria sterowania Zbiory rozmyte

Gatunek

Podręcznik

Dziedzina i ujęcie

Inżynieria i technika

Bibliografia przy rozdziałach. Indeks.

Dla studentów i pracowników naukowych takich kierunków, jak informatyka, matematyka i elektronika.

1Podstawowe pojęcia z teorii zbiorów rozmytych 1.1Podstawowe pojęcia podzbiorów rozmytych 1.2Operacje na zbiorach rozmytych 1.3Relacje rozmyte 1.4Zasada rozszerzania i arytmetyka rozmyta 1.5Miary rozmytości 1.6Wartości lingwistyczne i rozkłady możliwości 1.7Miary specyficzności 2Agregacja operacji na zbiorach rozmytych 2.1Iloczyn i suma zbiorów rozmytych 2.2Sumy i iloczyny ważone 2.3Niemonotoniczne operacje rozmyte 2.4Operatory agregacji średniej 2.5Uporządkowane operatory średniej ważonej 2.6Otrzymywanie funkcji agregacji OWA 2.7Kwantyfikatory lingwistyczne i operatory OWA 2.8Miary i całki rozmyte 3Teoria wnioskowania przybliżonego 3.1Elementy pierwotne systemu WP 3.2Semantyka systemu WP 3.3Dedukcja w systemie WP 3.4Rozwiązania minimalne i projekcje 3.5Logika dwuwartościowa w systemie WP 3.6Reprezentacje funkcyjne 4Wstęp do sterowania rozmytego 4.1Regulator rozmyty FLC: pojęcia podstawowe 4.2Wnioskowanie z FLC 4.3Ilustracja podstawowego algorytmu wnioskowania 4.4O relacji względem sterowania PI, PD i PID 4.5Projektowanie regulatora FLC: wyznaczanie zmiennych lingwistycznych 4.6Projektowanie regulatora FLC: konstruowanie bazy wiedzy 4.7Projektowanie regulatora FLC: strojenie 4.8Uogólnienie regulatora FLC typu Mamdaniego 5Modele systemu rozmytego 5.1Modele lingwistyczne jako narzędzie reprezentacji systemów złożonych 5.2Ogólne ramy wnioskowania z modelu rozmytego 5.3Modele lingwistyczne typu Mamdaniego (konstruktywne) 5.4Modele lingwistyczne typu logicznego (destrukcyjne) 5.5Modele lingwistyczne i problem identyfikacji 5.6Modele lingwistyczne wielu zmiennych 5.7Modele lingwistyczne układów dynamicznych: metoda przestrzeni stanu 5.8Modele rozmyte układów dynamicznych typu wejście-wyjście 5.9Modele rozmyte Takagi-Sugeno-Kanga (TSK) 5.10Modele rozmyte quasi-liniowe i quasi-nieliniowe 6Postępy modelowania rozmytego 6.1Bezpośrednie podejście do konstruowania modeli lingwistycznych 6.2Uczenie LM na podstawie równań 6.3Szablonowe modelowanie systemów rozmytych 6.4Szablonowe modelowanie rozmyte przez wiarygodne struktury 6.5Uczenie parametrów modelu rozmytego metodą propagacji wstecznej 6.6Uczenie następników metodą najmniejszych kwadratów i według reguły Widrowa--Hoffa 6.7Uczenie następników metodą filtru Kalmana 6.8Metoda górska grupowania danych 6.9Udoskonalanie rozmytych baz wiedzy metodą grupowania 7Teoretyczna analiza regulatora FLC 7.1Projektowanie regulatora FLC na podstawie wiedzy 7.2FLC jako wirtualny regulator PI (PD) 7.3Strojenie FLC jako regulatora PID 7.4FLC jako układ o zmiennej strukturze 7.5Zależność między sterowaniem o logice rozmytej i sterowaniem ślizgowym 7.6Sterowanie ślizgowe za pomocą FLC 8Zagadnienie defuzyfikacji 8.1Probabilistyczna natura procesu wyboru na podstawie zbioru rozmytego 8.2Ogólne spojrzenie na proces defuzyfikacji 8.3Przekształcenia BADD i metoda defuzyfikacji BADD 8.4Metoda defuzyfikacji semiliniowej SLIDE 8.5Metoda defuzyfikacji M-SL1DE 8.6Metoda defuzyfikacji za pomocą losowej generacji (RAGE) 8.7Defuzyfikacja z ograniczeniami: metoda RAGE 8.8Defuzyfikacja przez optymalizację z ograniczeniami 9Elastyczna struktura systemów rozmytych 9.1Główne paradygmaty wnioskowania rozmytego 9.2Miękkie implikacje rozmyte 9.3Miękka agregacja reguł 9.4Miękki zapłon reguły 9.5Sparametryzowane metody wnioskowania rozmytego 9.6Metoda kompromisowa wnioskowania rozmytego (CFR) 9.7Ufność podziału przestrzeni wejściowej i wyjściowej 9.8Zastosowanie struktury elastycznej

dostępna do wypożyczenia

1 placówka posiada w zbiorach tę pozycję. Rozwiń informację, by zobaczyć szczegóły.

Wypożyczalnia

Są egzemplarze dostępne do wypożyczenia: sygn. 90770, 122007, 152228, 90769 N, 105857, 94696, 90771 (7 egz.)

Książka

W koszyku

Deep Learning : uczenie głębokie z językiem Python : sztuczna inteligencja i sieci neuronowe / Valentino Zocca, Gianmario Spacagna, Daniel Slater, Peter Roelants ; tłumaczenie Radosław Meryk. - Gliwice : Wydawnictwo Helion, 2018. - 356 stron : ilustracje ; 24 cm.

Autor

Zocca Valentino. Spacagna Gianmario. Slater Daniel. Roelants Peter. Meryk Radosław.

Forma i typ

Książki Publikacje fachowe

Temat

Python (język programowania) Sztuczna inteligencja Sieci neuronowe

Gatunek

Podręcznik

Dziedzina i ujęcie

Informatyka i technologie informacyjne

Tytuł oryginału: Python deep learning.

Indeks.

Rozdział 1. Uczenie maszynowe - wprowadzenie (17) Czym jest uczenie maszynowe? (18) Różne podejścia do uczenia maszynowego (19) Uczenie nadzorowane (19) Uczenie nienadzorowane (22) Uczenie przez wzmacnianie (23) Fazy systemów uczenia maszynowego (24) Krótki opis popularnych technik (algorytmów) (28) Zastosowania praktyczne (40) Popularny pakiet open source (42) Rozdział 2. Sieci neuronowe (49) Dlaczego sieci neuronowe? (50) Podstawy (51) Neurony i warstwy (52) Różne rodzaje funkcji aktywacji (56) Algorytm propagacji wstecznej (61) Zastosowania praktyczne (68) Przykład kodu sieci neuronowej dla funkcji XOR (70) Rozdział 3. Podstawy uczenia głębokiego (77) Czym jest uczenie głębokie? (78) Podstawowe pojęcia (80) Uczenie się cech (81) Algorytmy uczenia głębokiego (88) Zastosowania uczenia głębokiego (89) Rozpoznawanie mowy (90) Rozpoznawanie i klasyfikacja obiektów (91) GPU kontra CPU (94) Popularne biblioteki open source - wprowadzenie (96) Theano (96) TensorFlow (97) Keras (97) Przykład implementacji głębokiej sieci neuronowej za pomocą biblioteki Keras (98) Rozdział 4. Nienadzorowane uczenie cech (105) Autoenkodery (107) Projekt sieci (110) Metody regularyzacji dla autoenkoderów (113) Autoenkodery - podsumowanie (117) Ograniczone maszyny Boltzmanna (119) Sieci Hopfielda a maszyny Boltzmanna (121) Maszyna Boltzmanna (123) Ograniczona maszyna Boltzmanna (125) Implementacja za pomocą biblioteki TensorFlow (126) Sieci DBN (130) Rozdział 5. Rozpoznawanie obrazów (135) Podobieństwa pomiędzy modelami sztucznymi a biologicznymi (136) Intuicja i uzasadnianie (137) Warstwy konwolucyjne (138) Parametry krok i wypełnienie w warstwach konwolucyjnych (144) Warstwy pooling (145) Dropout (147) Warstwy konwolucyjne w uczeniu głębokim (147) Warstwy konwolucyjne w bibliotece Theano (148) Przykład zastosowania warstwy konwolucyjnej do rozpoznawania cyfr za pomocą biblioteki Keras (150) Przykład zastosowania warstwy konwolucyjnej za pomocą biblioteki Keras dla zbioru danych CIFAR10 (153) Rozdział 6. Rekurencyjne sieci neuronowe i modele języka (159) Rekurencyjne sieci neuronowe (160) RNN - jak implementować i trenować? (162) Długa pamięć krótkotrwała (168) Modelowanie języka (171) Modele na bazie słów (171) Modele bazujące na znakach (176) Rozpoznawanie mowy (183) Potok rozpoznawania mowy (183) Mowa jako dane wejściowe (184) Przetwarzanie wstępne (185) Model akustyczny (186) Dekodowanie (189) Modele od końca do końca (190) Rozdział 7. Uczenie głębokie w grach planszowych (195) Pierwsze systemy AI grające w gry (197) Wykorzystanie algorytmu min-max do oceny stanów gry (198) Implementacja gry w kółko i krzyżyk w Pythonie (201) Uczenie funkcji wartości (209) Trenowanie systemu AI do uzyskania mistrzostwa w grze w Go (210) Zastosowanie górnych granic zaufania do drzew (213) Uczenie głębokie w algorytmie przeszukiwania drzewa Monte Carlo (220) Krótkie przypomnienie technik uczenia przez wzmacnianie (222) Metoda policy gradients w funkcjach strategii uczenia (222) Metoda policy gradients w AlphaGo (230) Rozdział 8. Uczenie głębokie w grach komputerowych (235) Techniki uczenia nadzorowanego w odniesieniu do gier (235) Zastosowanie algorytmów genetycznych do grania w gry komputerowe (237) Q-learning (238) Funkcja Q (240) Q-learning w akcji (241) Gry dynamiczne (246) Odtwarzanie doświadczeń (250) Epsilon zachłanny (253) Breakout na Atari (254) Losowy test gry w Breakout na Atari (255) Wstępne przetwarzanie ekranu (257) Tworzenie głębokiej sieci konwolucyjnej (259) Problemy zbieżności w technikach Q-learning (263) Technika policy gradients kontra Q-learning (265) Metody aktor-krytyk (266) Metoda baseline do redukcji wariancji (267) Uogólniony estymator korzyści (267) Metody asynchroniczne (268) Podejścia bazujące na modelach (269) Rozdział 9. Wykrywanie anomalii (273) Co to jest wykrywanie anomalii i wykrywanie elementów odstających? (274) Rzeczywiste zastosowania mechanizmów wykrywania anomalii (277) Popularne płytkie techniki uczenia maszynowego (278) Modelowanie danych (279) Modelowanie wykrywania (279) Wykrywanie anomalii z wykorzystaniem głębokich autoenkoderów (281) H2O (283) Wprowadzenie do pracy z H2O (285) Rozpoznawanie anomalii wykrywania cyfr z wykorzystaniem zestawu danych MNIST (286) Rozdział 10. Budowanie gotowego do produkcji systemu wykrywania włamań (301) Czym jest produkt danych? (302) Trening (304) Inicjalizacja wag (304) Współbieżny algorytm SGD z wykorzystaniem techniki HOGWILD! (306) Uczenie adaptacyjne (308) Uczenie rozproszone z wykorzystaniem mechanizmu MapReduce (314) Sparkling Water (317) Testowanie (320) Walidacja modelu (326) Dostrajanie hiperparametrów (335) Ocena od końca do końca (338) Podsumowanie zagadnień związanych z testowaniem (342) Wdrażanie (343) Eksport modelu do formatu POJO (344) Interfejsy API oceny anomalii (347) Podsumowanie wdrażania (349)

Sygnatura czytelni BWEAiI: XII Ł 111

dostępna w czytelni

1 placówka posiada w zbiorach tę pozycję. Rozwiń informację, by zobaczyć szczegóły.

Biblioteka WEAiI

Egzemplarze są dostępne wyłącznie na miejscu w bibliotece: sygn. 146543 N (1 egz.)

Brak okładki

Artykuł

W koszyku

AI : programowanie architektury / Piotr Zybura. W: Architektura Murator.2023, nr 11, s. 92-98 -. - 2023.

Autor

Zybura Piotr.

Forma i typ

Artykuły

Temat

Sztuczna inteligencja Komputerowe projektowanie architektoniczne

Gatunek

Artykuł z czasopisma fachowego

Dziedzina i ujęcie

Nauka i badania

Dokument nadrzędny: Architektura Murator / [redaktor naczelna Ewa Przestaszewska-Porębska].

Kartoteka zagadnieniowa: Architektura i Budownictwo

Brak okładki

Artykuł

W koszyku

Jak sztuczna inteligencja może wspierać linie montażowe? / Witold Zygmunt W: Euro Logistics Rok 2022, nr 1(128), s. 130-132. - 2023.

Autor

Zygmunt Witold.

Forma i typ

Artykuły

Temat

Sztuczna inteligencja. Optymalizacja procesów branża EMS

Gatunek

Artykuł z czasopisma naukowego

Dziedzina i ujęcie

Transport i logistyka

Dokument nadrzędny: Euro Logistics : logistyka w teorii i w praktyce / [redaktor naczelny Marek Szymański].

Kartoteka zagadnieniowa: Transport, Spedycja, Logistyka

Brak okładki

Książka

W koszyku

Advances in knowledge-based and intelligent information and engineering systems [Dokument elektroniczny] / ed. by Manuel Graňa [et al.]. - Amsterdam [etc.] : IOS Press, 2012. - 1 dysk optyczny (CD-ROM) ; 12 cm.

(Frontiers in artificial intelligence and applications ; 243.)

Temat

Inżynieria systemów Sztuczna inteligencja.

Tyt. z ekranu tytułowego.

Annual KES conference ; 16 (San Sebastian) : 2012.09.10-12

Bibliogr. przy ref.

brak informacji o dostępności

1 placówka posiada w zbiorach tę pozycję. Rozwiń informację, by zobaczyć szczegóły.

Biblioteka WEiZ

w opracowaniu: sygn. DS 3381 (1 egz.)

Brak okładki

Książka

W koszyku

IEEE/RSJ International Conference on Intelligent Robots and Systems. IROS'2008 [Dokument elektroniczny] : Nice, September 22-26 2008. - Nice : IEEE, 2008. - 1 dysk optyczny (CD-ROM) ; 12 cm.

Temat

ROBOTY Sztuczna inteligencja. SYSTEMY ROBOTYCZNE

Gatunek

Dokumenty elektroniczne

Format PDF

brak informacji o dostępności

1 placówka posiada w zbiorach tę pozycję. Rozwiń informację, by zobaczyć szczegóły.

Biblioteka WEiZ

w opracowaniu: sygn. DS 3298 (1 egz.)

Brak okładki

Książka

W koszyku

ISCIII 2011 [Dokument elektroniczny] : 5th International Symposium on Computional Intelligence and Inteligent Informatics : September 15-17, 2011 Floriana, Malta : Procedings. - Floriana : [s.n.], 2011. - 1 dysk optyczny (CD-ROM) ; 12 cm.

Temat

Informatyka Logika rozmyta Obliczenia inteligentne Sztuczna inteligencja. Sieci neuronowe

Gatunek

Materiały konferencyjne Dokumenty elektroniczne

Tyt. z ekranu tyt.

Bibliogr. przy ref.

brak informacji o dostępności

1 placówka posiada w zbiorach tę pozycję. Rozwiń informację, by zobaczyć szczegóły.

Biblioteka WEiZ

w opracowaniu: sygn. DS 3361 (1 egz.)