Юрій Зайченко » Системи і методи штучного інтелекту
|
[додати інший файл чи обкладинку цього твору]
[додати цей твір до вибраного]
|
Системи і методи штучного інтелекту
Підручник
|
|
|
| Написано: |
2025 року |
|
| Розділ: |
Навчальна |
|
| Твір додано: |
16.12.2025 |
|
| Твір змінено: |
16.12.2025 |
|
| Завантажити: |
djvu
(26.2 МБ)
|
|
| Опис: |
Згуровський М.З. Системи і методи штучного інтелекту / М.З. Згуровський, Ю.П. Зайченко; НАН України, ННК ІПСА КПІ ім. Ігоря Сікорського. — Київ: Академперіодика, 2025. — 744 с.
ISBN 978-966-360-551-7
Підручник надає систематичний огляд сучасних методів і технологій штучного та обчислювального інтелекту з акцентом на їх практичне застосування у різних сферах людської діяльності. Окреслено особливості кожного з напрямів, відмінності у підходах до вирішення задач. Особливу увагу приділено детальному аналізу нейронних мереж, зокрема їх архітектури, алгоритмів навчання та ключових теоретичних аспектів, підкріплених прикладами практичного застосування. Висвітлено методи нечіткої логіки та нейронні мережі, побудовані на їх основі, що ефективно використовують для прогнозування та аналізу поведінки складних систем. Розглянуто досягнення в обробці природної мови та еволюцію цього напряму від 1960-х років до сьогодення.
Для широкого кола студентів, аспірантів і фахівців, що вивчають та впроваджують штучний інтелект у своїй професійній діяльності. |
|
| Зміст: |
[натисніть, щоб розгорнути]
Зміст
ПЕРЕЛІК СКОРОЧЕНЬ 3
ПЕРЕДМОВА 7
ВСТУП 18
Розділ 1
НЕЙРОННІ МЕРЕЖІ
1.1. Нейронна мережа зі зворотним поширенням. Архітектура, функції 47
1.2. Градієнтний метод навчання нейронної мережі зі зворотним поширенням 51
1.3. Градієнтний алгоритм навчання для мережі з довільним числом шарів 52
1.4. Удосконалення градієнтного алгоритму навчання нейронної мережі BP 55
1.5. Прискорення збіжності алгоритмів навчання нейронних мереж. Алгоритм спряжених градієнтів 58
1.6. Генетичний алгоритм навчання нейронної мережі 60
1.7. Нейронні мережі з радіально-базисними функціями (РБФ-мережі) 62
Висновки 84
Список літератури 85
Розділ 2
НЕЙРОННІ МЕРЕЖІ ЗІ ЗВОРОТНИМИ ЗВ’ЯЗКАМИ І САМООРГАНІЗАЦІЄЮ
2.1. Нейронна мережа Хопфілда та її застосування 89
2.2. Нейронна мережа Хеммінга. Архітектура і алгоритм роботи 99
2.3. Самоорганізаційні (самоорганізовані) нейронні мережі. Алгоритми навчання Кохонена 104
2.4. Застосування нейронних мереж Кохонена 114
736
Зміст
Висновки 123
Список літератури 124
Розділ 3
СИСТЕМИ НЕЧІТКОГО ЛОГІЧНОГО ВИСНОВКУ, НЕЧІТКІ НЕЙРОННІ МЕРЕЖІ ТА ЇХ ЗАСТОСУВАННЯ В ЗАДАЧАХ ПРОГНОЗУВАННЯ
3.1. Алгоритми нечіткого логічного висновку 127
3.2. Методи приведення до чіткості 135
3.3. Теореми про універсальну апроксимацію 136
3.4. Нечіткі нейронні мережі з висновком Мамдані і Цукамото 138
3.5. Градієнтний алгоритм навчання ННК Мамдані і Цукамото 140
3.6. Нечітка нейронна мережа ANFIS 142
3.7. Нечіткі нейронні мережі TSK та Ванга — Менделя 147
3.8. Каскадна нечітка (нео-фаззі) нейронна мережа 160
3.9. Експериментальні дослідження каскадної нечіткої (нео-фаззі) мережі 172
Висновки 174
Список літератури 175
Розділ 4
МЕТОД ІНДУКТИВНОГО МОДЕЛЮВАННЯ В ЗАДАЧАХ ІНТЕЛЕКТУАЛЬНОГО АНАЛІЗУ ДАНИХ
4.1. Загальна характеристика та основні принципи МГУА 179
4.2. Нечіткий МГУА. Основні ідеї. Математична модель НМГУА 183
4.3. Опис алгоритму НМГУА 184
4.4. НМГУА з гауссовими та дзвоноподібними функціями належності 185
4.5. Нечіткий МГУА з різними видами часткових описів 188
4.6. Адаптація коефіцієнтів лінійної інтервальної моделі 192
4.7. Порівняльний аналіз МГУА та нечіткого МГУА 196
Висновки 201
Список літератури 202
737
Зміст
Розділ 5
НЕЧІТКІ НЕЙРОННІ МЕРЕЖІ В ЗАДАЧАХ КЛАСИФІКАЦІЇ
5.1. ННМ NEFClass: архітектура, властивості, алгоритм навчання бази правил і параметрів ФН 207
5.2. Аналіз властивостей NEFClass. Модифікована система нечіткої класифікації NEFClass-M 211
5.3. Експериментальні дослідження ННМ NEFClass 214
5.4. Розпізнавання об’єктів електрооптичних зображень з використанням нечітких НМ 215
5.5. Застосування системи NEFClass у завданні розпізнавання об’єктів електрооптичних зображень 220
5.6. Експерименти з розпізнавання об’єктів на електрооптичних зображеннях 222
5.7. Метод опорних векторів 230
5.8. Алгоритм налаштування SVM 242
5.9. Застосування методу опорних векторів 245
5.10. Метод класифікації Random Forest 249
Висновки 251
Список літератури 252
Розділ 6
КЛАСТЕРНИЙ АНАЛІЗ В ІНТЕЛЕКТУАЛЬНИХ СИСТЕМАХ
6.1. Кластер-аналіз. Постановка задачі. Критерії якості та метрики кластер-аналізу 258
6.2. Класифікація алгоритмів кластерного аналізу 261
6.3. Нечіткий метод k-середніх 267
6.4. Визначення початкового розміщення центрів кластерів 269
6.5. Алгоритм нечіткого кластер-аналізу Густавсона — Кесселя 271
6.6. Застосування нечітких методів k-середніх і Густавсона — Кесселя в задачах автоматичної класифікації 272
6.7. Адаптивні робастні алгоритми кластеризації 289
Висновки 297
Список літератури 298
738
Зміст
Розділ 7
ГЕНЕТИЧНІ АЛГОРИТМИ ТА ЕВОЛЮЦІЙНЕ МОДЕЛЮВАННЯ
7.1. Генетичні алгоритми 303
7.2. Застосування генетичного алгоритму для задачі структурного синтезу мереж 322
7.3. Еволюційне програмування 326
7.4. Диференціальна еволюція 339
7.5. Самонавчання ДЕ 344
7.6. Знаходження найкоротшого шляху на графі на основі ГА 345
Висновки 353
Список літератури 354
Розділ 8
РОЙОВІ АЛГОРИТМИ ОБЧИСЛЮВАЛЬНОГО ІНТЕЛЕКТУ
8.1. Загальна характеристика кооперативної поведінки в ройових алгоритмах 359
8.2. Ройова оптимізація 360
8.3. Вибір параметрів алгоритмів РО 366
8.4. Гібридні алгоритми РО 368
8.5. Мурашині алгоритми 370
8.6. Алгоритми колоній мурах 382
8.7. Застосування мурашиних алгоритмів у задачі комівояжера 391
8.8. Аналіз результатів експериментів 395
Висновки 401
Список літератури 402
Розділ 9
ГЛИБОКІ НЕЙРОННІ МЕРЕЖІ. АЛГОРИТМИ ГЛИБОКОГО НАВЧАННЯ
9.1. Автоасоціатори. Автокодувальники 407
9.2. Машини Больцмана (БМ) 411
9.3. Алгоритм навчання «контрастна дивергенція» (КД-k) 416
739
Зміст
9.4. Стекові мережі автоасоціаторів 417
9.5. Глибоке мережеве навчання 418
9.6. Алгоритми оптимізації функції вартості в машинному навчанні для НМ 419
9.7. Регуляризація глибокого навчання 422
Висновки 428
Список літератури 429
Розділ 10
ГІБРИДНІ НЕЧІТКІ МЕРЕЖІ ГЛИБОКОГО НАВЧАННЯ, АЛГОРИТМИ НАВЧАННЯ ТА ОПТИМІЗАЦІЇ
10.1. Архітектура нейронечіткої системи МГУА, що еволюціонує 436
10.2. Нейронечітка мережа з малою кількістю параметрів налаштування як вузол МГУА-системи 437
10.3. Експериментальні дослідження гібридних нейронечітких мереж 439
10.4. Дослідження гібридних неонечітких НМ на основі МГУА та оптимізація структури в задачах прогнозування 442
10.5. Оптимізація структури та дослідження гібридних неонечітких нейронних мереж МГУА в задачах прогнозування 446
10.6. Неонечіткі системи МГУА з розширеними неонечіткими нейронами 453
10.7. Гібридна система обчислювального інтелекту на основі пакетного та групового оброблення даних 458
Висновки 468
Список літератури 469
Розділ 11
ЗГОРТКОВІ НЕЙРОННІ МЕРЕЖІ
11.1. Поняття згортки 475
11.2. Загальні особливості згорткових нейронних мереж, шари ЗНМ та їх функції 476
11.3. Архітектури згорткових нейронних мереж 483
Висновки 490
Список літератури 490
740
Зміст
Розділ 12
ЗГОРТКОВІ І ГІБРИДНІ НЕЙРОННІ МЕРЕЖІ У ЗАВДАННЯХ АНАЛІЗУ МЕДИЧНИХ ЗОБРАЖЕНЬ ТА КЛАСИФІКАЦІЇ ПУХЛИН МОЛОЧНОЇ ЗАЛОЗИ
12.1. Опис набору даних BreakHis 496
12.2. Вибір архітектури згорткової нейронної мережі 498
12.3. Вибір гіперпараметрів тренувальних моделей 500
12.4. Результати бінарної класифікації пухлин молочної залози 501
12.5. Результати багатокласової класифікації зображень 502
12.6. Гібридна ЗНМ ННМ для класифікації пухлин молочної залози 505
12.7. Гібридна згорткова нейронна мережа на основі автокодувальника для виявлення раку молочної залози 510
Висновки 518
Список літератури 519
Розділ 13
СИСТЕМА ВИЯВЛЕННЯ РАКУ ЛЕГЕНІВ НА ОСНОВІ ЗАСТОСУВАННЯ СТРАТЕГІЙ ГЛИБОКОГО НАВЧАННЯ
13.1. Двовимірні згорткові нейронні мережі із багаторазовим навчанням 523
13.2. Рекурентні нейронні мережі з механізмом уваги та 2D-ЗНМ 525
13.3. Тривимірна згорткова нейронна мережа для виявлення раку легенів 537
13.4. Набори даних та їх попереднє оброблення 541
13.5. Експериментальні дослідження і аналіз результатів 545
Висновки 548
Список літератури 549
Розділ 14
СИСТЕМИ ОБРОБКИ ПРИРОДНОЇ МОВИ
14.1. Базові засади обробки природної мови 555
14.2. Головні завдання і сфери застосування NLP 560
741
Зміст
14.3. Як працюють моделі обробки природної мови? 578
Висновки 592
Список літератури 593
Розділ 15
МЕТОДИ І МОДЕЛІ ОБРОБКИ ПРИРОДНОЇ МОВИ
15.1. Традиційні методи і моделі машинного навчання 598
15.2. Методи і моделі глибокого навчання в обробці природної мови 617
15.3. Методи глибокого навчання з підкріпленням 627
Висновки 633
Список літератури 634
Розділ 16
ДЕЯКІ ПРАКТИЧНІ АСПЕКТИ ЗАСТОСУВАННЯ СИСТЕМ ОБРОБКИ ПРИРОДНОЇ МОВИ
16.1. Еволюція систем обробки природної мови у період 1964-2024 рр. 639
16.2. Найпоширеніші класи мовних моделей 647
16.3. Нове покоління NLP-моделей, придатних для вирішення складних і ресурсомістких завдань 678
16.4. Апаратне і програмне забезпечення машинного навчання мовних моделей 698
16.5. Деякі суперечки і дискусії навколо проблеми обробки природної мови 724
Висновки 727
Список літератури 728
ПІСЛЯМОВА 732
|
|
|
|
| |
|
Відгуки читачів:
|
| |
|
Поки не додано жодних відгуків до цього твору.
|
| |
|
|
| |
