SOWA OPAC : Katalog komputerowy książek, czasopism i zbiorów specjalnych

3 wyniki

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.)

Książka

W koszyku

Uczące się systemy decyzyjne / Paweł Wawrzyński. - Wydanie I. - Warszawa : Oficyna Wydawnicza Politechniki Warszawskiej, 2021. - 248 stron : ilustracje, wykresy ; 24 cm.

Autor

Wawrzyński Paweł (1978- )

Forma i typ

Książki Publikacje dydaktyczne Publikacje fachowe Publikacje naukowe

Odbiorca

Informatycy Szkoły wyższe

Temat

Programowanie dynamiczne Sieci neuronowe Sterowanie adaptacyjne Uczenie maszynowe

Gatunek

Podręcznik

Dziedzina i ujęcie

Informatyka i technologie informacyjne Matematyka

Bibliografia na stronach 245-248.

1.1. Przykłady zagadnień, w których pojawia się potrzeba adaptacji i uczenia się 1.3. Dziedziny składające się na zawartość podręcznika 1.4. Adaptacja i uczenie się jako droga do inteligentnego zachowania się maszyn i programów 1.5. Organizacja podręcznika 1.6. Potrzebna wiedza wstępna 2. Optymalizacja stochastyczna 2.1. Algorytm gradientu prostego 2.2. Procedura Stochastycznego Najszybszego Spadku, SGD 3. Aproksymacja funkcji i podstawowe mechanizmy adaptacji 3.1. Aproksymatory i zagadnienie aproksymacji 3.2. Zagadnienie uczenia na zbiorze nieskończonym, on-line 3.3. Perceptron wielowarstwowy 3.4. Uczenie się przy użyciu aproksymacji stochastycznej 3.5. Zagadnienia praktyczne związane z używaniem sieci neuronowych w systemach uczących się 4. Proces Decyzyjny Markowa i programowanie dynamiczne 4.1. Proces Decyzyjny Markowa 4.2. Funkcja wartości-akcji i indukowanie strategii 4.3. Klasyczny algorytm programowania dynamicznego 4.4. Programowanie dynamiczne w algorytmice 4.5. Algorytm Iteracji Strategii 4.6. Algorytm Iteracji Funkcji Wartości II. Uczenie się ze wzmocnieniem 5.1. Nieznany z góry Proces Decyzyjny Markowa 5.2. Algorytmy Q-Learning i SARSA 5.3. Rozszerzenie algorytmów Q-Learning i SARSA do ciągłych przestrzeni stanów i akcji 6. Optymalizacja stochastycznego wyboru 6.1. Parametryzowane rozkłady prawdopodobieństwa 6.2. Algorytm REINFORCE punktowy 6.3. Stacjonarna strategia decyzyjna 6.4. Algorytm REINFORCE statyczny 6.5. Algorytm REINFORCE epizodyczny 7. Algorytm Aktor-Krytyk 7.1. Idea algorytmu Aktor-Krytyk 7.2. Klasyczny Aktor-Krytyk 7.3. Aktor-Krytyk(A) 8. Aktor-Krytyk z kompatybilną aproksymacją 8.1. Optymalizacja średniej nagrody 8.2. Gradient strategii 8.3. Aktor-Krytyk z kompatybilną aproksymacją 8.4. Naturalny Aktor-Krytyk 8.5. Dyskonto - ograniczenie wariancji estymatora gradientu 9. Wielokrotne przetwarzanie obserwacji 9.1. Algorytm Q-Learning z powtarzaniem doświadczenia 9.2. Próbkowanie istotnościowe 9.3. Algorytm Aktor-Krytyk z powtarzaniem doświadczenia 9.4. Optymalizacja estymatora wskaźnika jakości 10. Algorytmy wzbogacone 10.1. Asynchronous Advantage Actor-Critic 10.2. Prozimal Policy Optimization 10.3. Deep Deterministic Policy Gradient 10.4. Soft Actor-Critic 11. Gęsta dyskretyzacja czasu 11.1. Strategia z autoskorelowanymi akcjami 11.2. Actor-Critic with Experien.ee Replay and Autocorrelated aCtions 12. Uczenie się w warunkach częściowo obserwowalnego stanu 12.1. Rekurencyjne sieci neuronowe 12.2. Deep Recurrent Q-Learning 13. Wieloagentowe uczenie się ze wzmocnieniem 13.1. Model synchroniczny niekooperacyjny z częściowo obserwowanym stanem 13.2. Multi-Agent Deep Deterministic Policy Gradient III. Sterowanie adaptacyjne 14. Obiekty dynamiczne 14.1. Wstęp 14.2. Liniowe obiekty SISO 14.3. Dyskretna aproksymacja obiektów o ciągłej dynamice 15. Stabilność i funkcja Lapunowa 15.1. Ogólna postać typowego schematu adaptacji 15.2. Stabilność 15.3. Funkcja Lapunowa 15.4. Stabilność w kontekście funkcji Lapunowa 16. Sterowanie adaptacyjne z modelem referencyjnym 16.1. Liniowy obiekt SISO pierwszego rzędu 16.2. Uogólnienie 16.3. Obiekty liniowe wyższych rzędów 17. Zaawansowane schematy adaptacji 17.1. Obiekty o nieliniowej dynamice 17.2. Obiekty z nieobserwowalnymi pochodnymi stanu 18. Samostrojące się regulatory 18.1. Dynamika liniowo parametryzowalna 18.2. Liniowe najmniejsze kwadraty 18.3. Najmniejsze kwadraty z wykładniczym zapominaniem 18.4. Adaptacyjny dobór współczynnika zapominania IV. Inne podejścia do adaptacji 19. Aproksymowane programowanie dynamiczne 20. Stochastyczne sterowanie adaptacyjne 21. Sterowanie z iteracyjnym uczeniem się 22. Filtr Kalmana 22.1. Model 22.2. Algorytm 22.3. Wyprowadzenia 22.4. Rozszerzony Filtr Kalmana

dostępna do wypożyczenia

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

Wypożyczalnia

Są egzemplarze dostępne do wypożyczenia: sygn. 152291 (1 egz.)