SOWA OPAC : Katalog komputerowy książek, czasopism i zbiorów specjalnych

3 wyniki

Brak okładki

Książka

W koszyku

Wprowadzenie do informatyki / Józef Maroński, Mieczysław R. Muraszkiewicz, Zbigniew Nowicki ; Polska Akademia Nauk. Centrum Obliczeniowe. - Warszawa ; Łódź : Państ. Wydaw. Naukowe. Oddział, 1975 (Zakł. Graf. Wydaw. Nauk.). - 157, [2] s. : il. ; 24 cm.

Autor

Maroński Józef Muraszkiewicz Mieczysław (1948- ) Nowicki Zbigniew Michał

Forma i typ

Książki

Temat

Informatyka

Bibliogr. s. 151. Indeks.

niedostępna

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

Wypożyczalnia

Egzemplarze są obecnie niedostępne: sygn. 47119

Książka

W koszyku

Sztuczna inteligencja dla inżynierów : istotne obszary i zastosowania : praca zbiorowa / pod redakcją Mieczysława Muraszkiewicza i Roberta Nowaka. - Wydanie I. - Warszawa : Oficyna Wydawnicza Politechniki Warszawskiej, 2023. - [6], X, 378 stron : fotografie, ilustracje, portrety, wykresy ; 24 cm.

Autor

Muraszkiewicz Mieczysław (1948- ). Nowak Robert (informatyka).

Forma i typ

Książki Publikacje naukowe

Temat

Sztuczna inteligencja

Gatunek

Praca zbiorowa

Dziedzina i ujęcie

Informatyka i technologie informacyjne Inżynieria i technika Matematyka

Bibliografia, netografia, wykaz norm na stronach 355-367. Indeks.

Odpowiedzialna sztuczna inteligencja Inżynieria wiedzy Podstawy logiczne reprezentacji wiedzy Sieci semantyczne Ramy Ontologie Język RDFS Język modelowania ontologii OWL Grafy wiedzy Konstrukcja grafu wiedzy Uczenie reprezentacji grafów wiedzy Metodologia inżynierii wiedzy Etykiety i wielojęzyczność Metodyki inżynierii wiedzy Zasady FAIR Analiza danych ustrukturyzowanych Przekształcanie wartości atrybutów Brakujące wartości atrybutów Usuwanie niekompletnych rekordów Imputacja jednokrotna Imputacja wielokrotna Redukcja wymiarowości Korelacje atrybutów Selekcja cech Ekstrakcja cech Niezbalansowane dane Ocena jakości, uwzględnianie kosztów pomyłek Przetwarzanie języka naturalnego Opis języka, podejście klasyczne i statystyczne Języki fleksyjne i pozycyjne Semantyka Przetwarzanie tekstu w języku naturalnym Tokenizacja Określenie części mowy Lematyzacja i wyodrębnienie rdzenia Usunięcie powszechnie występujących słów Rozpoznawanie jednostek nazewniczych Reprezentacje tekstu Reprezentacja n-gramowa Rozmiar reprezentacji n-gramowych Kodowanie „1 z n” Inne reprezentacje klasyczne Reprezentacje zanurzone Wyznaczanie podobieństwa między dokumentami tekstowymi Modele w przetwarzaniu języka naturalnego Modele regułowe Klasyczne modele statystyczne Głębokie sieci neuronowe Modele języka Modele statystyczne Modele oparte na uczeniu głębokim Modele wielojęzyczne Rozwiązania multimodalne Bioinformatyka Podstawy biologiczne Dane bioinformatyczne Algorytmy uliniowienia Badanie podobieństwa dwóch sekwencji Mapowanie odczytów Sekwencjonowanie Następnej Generacji Formaty danych wykorzystywane w analizie NGS Asemblacja de novo Potok przetwarzania danych z NGS Percepcja maszyn Widzenie geometryczne Modele kamer i ich kalibracja Geometria epipolarna Homografie Punkty charakterystyczne Rekonstrukcja 3D Sieci neuronowe w wizji komputerowej Rozpoznawanie obrazów i detekcja obiektów Segmentacja Odszumianie obrazów Zmiana stylu Przetwarzanie dźwięków Reprezentacja sygnałów dźwiękowych Typy zadań w analizie nagrań dźwiękowych Ocena jakości systemu rozpoznawania dźwięku Opis zawartości nagrania za pomocą atrybutów Rozpoznawanie dźwięku za pomocą sieci neuronowych Wyjaśnialna sztuczna inteligencja Oczekiwania a rzeczywistość Taksonomia metod XAI Interpretowalna struktura vs. przybliżone wyjaśnienia Wyjaśnienia specyficzne dla rodziny modeli vs. wyjaśnienia niezależne od struktury modelu Lokalna analiza modelu vs. globalna analiza modelu Atrybucje zmiennych vs. profil odpowiedzi Piramida eksploracji modelu Lokalna analiza modelu Addytywna atrybucja, metoda SHAP Przybliżenie interpretowanym modelem – LIME Lokalny profil – ceteris paribus Globalna analiza modelu Globalna atrybucja Globalny profil dla zmiennej – cząstkowa zależność Globalny profil dla zmiennej – skumulowane przyrosty Przykładowa analiza z użyciem technik XAI Globalna analiza modelu Lokalna analiza modelu Inżynieria uczenia maszynowego Realizacja projektów stosujących UM Definiowanie zadań modelowania Miary jakości Ocena dostępnych danych Sukcesja modeli Eksperymenty A/B Causal impact Wdrożenia i utrzymanie Środowiska statyczne i dynamiczne Wyzwania powdrożeniowe Prywatność i bezpieczeństwo Złośliwe dane Praca z danymi wrażliwymi – prywatność różnicowa Bezpieczeństwo systemów wykorzystujących UM

Sygnatura czytelni BWEAiI: XII Ą 71

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. 154502 N (1 egz.)

Książka

W koszyku

Sztuczna inteligencja dla inżynierów : metody ogólne : praca zbiorowa / pod redakcją Mieczysława Muraszkiewicza i Roberta Nowaka. - Wydanie I. - Warszawa : Oficyna Wydawnicza Politechniki Warszawskiej, 2022. - [6], VIII, 224 strony : ilustracje, wykresy ; 24 cm.

Autor

Muraszkiewicz Mieczysław (1948- ) Nowak Robert (informatyk)

Forma i typ

Książki Publikacje naukowe

Temat

Sieci neuronowe Sztuczna inteligencja Uczenie maszynowe

Gatunek

Praca zbiorowa

Dziedzina i ujęcie

Informatyka i technologie informacyjne Matematyka

Bibliografia, netografia na stronach 211-217. Indeks.

0O sztucznej inteligencji JAROSŁAW CHUDZ1AK, TOMASZ ClAMBIN, PlOTB GAWRYSIAK, MIECZYSŁAW MuRASZKIEWICZ 2Przeszukiwanie i optymalizacja RAFAŁ BIEDRZYCKI, WIKTOR DASZCZUK, ROUERT NOWAK, PAWEŁ WAWRZYŃSKI 2.1Metody klasyczne w SI 2.2.1Metoda Newtona 2.2.2Metoda Levenberga 2.2.3Metoda gradientu prostego 2.2.4Metoda stochastycznego najszybszego spadku 2.3Przeszukiwanie przestrzeni stanów 2.3.1Strategie ślepe 2.3.2Strategie heurystyczne 2.3.3Gry dwuosobowe, algorytm MiniMax 2.4Algorytmy ewolucyjne i inne metaheurystyki 2.4.1Algorytm genetyczny 2.4.2Algorytm ewolucyjny 2.4.3Strategia ewolucyjna ES(1 + 1) 2.4.4Strategie ewolucyjne ES(/J + A), ES(/x, A) 2.4.5Inne metaheurystyki 3Uczenie maszynowe PAWEŁ CICHOSZ 3.1Systemy uczące się 3.1.1W stronę definicji uczenia się 3.1.2Rodzaje informacji trenującej 3.1.3Wprowadzenie do uczenia indukcyjnego 3.2Drzewa decyzyjne 3.2.1Drzewa decyzyjne jako reprezentacja modelu 3.2.2Zstępująca budowa drzewa 3.2.3Kryterium stopu 3.2.4Kryterium wyboru podziału 3.2.5Przycinanie drzewa 3.2.G Predykcja probabilistyczna 3.2.7Drzewa regresji 3.2.8Właściwości drzew decyzyjnych 3.3Modele liniowe 3.3.1Regresja liniowa 3.3.2Klasyfikacja liniowo-progowa 3.3.3Regresja logistyczna 3.3.4Obsługa atrybutów dyskretnych 3.3.5Klasyfikacja wieloklasowa 3.3.C Właściwości modeli liniowych 3.4Naiwny klasyfikator bayesowski 3.4.1Wnioskowanie bayesowskie 3.4.2Estymacja prawdopodobieństw 3.4.3Prawdopodobieństwa zerowe i prawie zerowe101 3.4.4Atrybuty ciągłe 3.4.5Predykcja 3.4.G Właściwości naiwnego klasyfikatora bayesowskiego 3.5Las losowy 3.5.1Modele zespołowe 3.5.2Tworzenie modeli bazowych 3.5.3Łączenie predykcji 3.5.4Budowa lasu losowego 3.5.5Predykcja lasu losowego 3.5.6Ocena predykcyjnej użyteczności atrybutów 3.5.7Właściwości lasów losowych 3.6Algorytm SVM 3.6.1Udoskonalenie klasyfikacji liniowo-progowej 3.6.2Maksymalizacja marginesu klasyfikacji 3.6.3Twardy margines 3.6.4Miękki margines 3.6.5Postać dualna 3.6.6Funkcje jądrowe 3.6.7Właściwości algorytmu SVM 3.7Ocena jakości modeli 3.7.1Miary jakości klasyfikacji 3.7.2Miary jakości regresji 3.7.3Procedury oceny 3.8Elementy teorii uczenia się 3.8.1Klasy pojęć i przestrzenie modeli 3.8.2PAC-nauczalność 3.8.3PAC-uczenie się dla algorytmów spójnych 3.8.4Uczenie agnostyczne 3.8.5 Wymiar Vapnika-Chervonenkisa 3.8.G Podsumowanie wniosków z teorii 4Sieci neuronowe KAROL PICZAK, PAWEŁ WAWRZYŃSKI 4.1Perceptron wielowarstwowy 4.1.1Model neuronu 4.1.2Perceptron dwuwarstwowy 4.1.3Własność uniwersalnej aproksymacji 4.1.4Perceptron wielowarstwowy 4.2Uczenie sieci neuronowej 4.2.1Uczenie jako rozwiązanie problemu optymalizacji 4.2.2Skalowanie wejść i wyjść, inicjacja wag 4.2.3Wsteczna propagacja gradientu 4.2.4Algorytmy optymalizacji 4.3Rekurencyjne sieci neuronowe 4.3.1Uczenie rekurencyjnej sieci neuronowej 4.3.2Sieci LSTM 4.3.3Sieci GRU 4.4Hiperparametry struktury i procesu uczenia sieci 4.4.1Funkcje aktywacji neuronów 4.4.2Inicjacja wag 4.4.3Normalizacja 4.4.4Dobór wielkości sieci 4.4.5Wczesne zatrzymanie uczenia 4.4.6Regularyzacja 4.4.7Inne techniki poprawy generalizacji 4.5Modele splotowe 4.5.1Operacja splotu 4.5.2Warstwy splotowe 4.5.3Złożone architektury splotowe 5O związkach etyki i sztucznej inteligencji KATARZYNA BUDZYŃSKA, MIECZYSŁAW MURASZKIEWICZ 5.1Wybrane dylematy i problemy 5.2Sztuczna inteligencja godna zaufania

dostępna do wypożyczenia

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

Wypożyczalnia

Są egzemplarze dostępne do wypożyczenia: sygn. 152435 N (1 egz.)