SZTUCZNA INTELIGENCJA OD PODSTAW

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