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