Intektikos pagrindai
Turinys
Pagrindinės santrumpos
Pratarmė
1.1. Dirbtinio intelekto koncepcija ir klasifikacija
1.2. Mašininio mokymosi metodų apžvalga
2. Optimalių sprendimų paieška
2.1. Minimakso algoritmas
2.2. Minimakso algoritmo pavyzdys
2.2.1. Alfa-beta genėjimas
2.3. Genetiniai algoritmai
2.3.1. Populiacija
2.3.2. Kodavimas
2.3.3. Tinkamumo ir tikslo funkcijos
2.3.4. Atranka
2.3.5. Kryžminimas
2.5. Apibendrinimas
2.5. Papildomi skaitiniai
2.6. Savikontrolės klausimai
2.7. Praktinės užduotys
3. Ekspertinės sistemos
3.1. Kas yra neraiškioji logika
3.1.1. Neraiškiosios logikos sistemų sudarymo algoritmai
3.2. Apibendrinimas
3.3. Papildomi skaitiniai
3.4. Savikontrolės klausimai
3.5. Praktinės užduotys
4. Žvalgomoji duomenų analizė
4.1. Duomenų imties pažinimas ir pirmieji duomenų analizės žingsniai
4.2. Kiekybinių kintamųjų transformacijos
4.3. Kategorinių kintamųjų transformacijos
4.4. Kiekybinių kintamųjų tarpusavio priklausomybė
4.5. Kategorinių kintamųjų tarpusavio sąveika
4.6. Požymių inžinerija
4.7. Apibendrinimas
4.8. Papildomi skaitiniai
4.9. Savikontrolės klausimai
4.10. Praktinės užduotys
5. Prižiūrimojo mašininio mokymosi modelio patikra
5.1. Prižiūrimojo mašininio mokymosi modelio patikra, kai išvesties kintamasis kategorinis
5.2. Prižiūrimojo mašininio mokymosi modelio patikra, kai išvesties kintamasis kiekybinis
5.3. Apibendrinimas
5.4. Papildomi skaitiniai
5.5. Savikontrolės klausimai
5.6. Praktinės užduotys
6. Bayeso klasifikatorius
6.1. Bayeso klasifikatoriaus mokymas
6.2. Naivusis Bayeso klasifikatorius
6.3. Tikimybių glodinimas
6.4. Kiekybinių kintamųjų taikymas Bayeso klasifikatoriuje
6.5. Apibendrinimas
6.6. Papildomi skaitiniai
6.7. Savikontrolės klausimai
6.8. Praktinės užduotys
7. Sprendimų medžiai
7.1. Sprendimų medžių sudarymo etapai
7.2. Duomenų išskaidymas
7.3. Sprendimų medžio sudarymas pagal mokymo duomenų imtį
7.4. Sprendimų medžio testavimas su naujais duomenis
7.5. Tikslesnio sprendimo paieška
7.6. Entropijos skaičiavimai sprendimų medžiuose
7.7. Medžio genėjimas
7.8. Apibendrinimas
7.9. Papildomi skaitiniai
7.10. Savikontrolės klausimai
7.11. Praktinės užduotys
8. Dirbtiniai neuroniniai tinklai
8.1. Dirbtinių neuroninių tinklų klasifikacija
8.2. Prižiūrimojo mokymosi neuroniniai tinklai
8.2.1. Prižiūrimojo neuroninio tinklo mokymasis ir testavimas
8.2.2. Prižiūrimojo mokymosi tipai
8.2.3. Sprendimo pavyzdys - vienasluoksnis perceptronas
8.3. Neprižiūrimojo mokymosi neuroniniai tinklai
8.4. Apibendrinimas
8.5. Papildomi skaitiniai
8.6. Savikontrolės klausimai
8.7. Praktinės užduotys
9. K artimiausių kaimynų algoritmas
9.1. K artimiausių kaimynų algoritmo žingsniai
9.2. Apibendrinimas
9.3. Papildomi skaitiniai
9.4. Savikontrolės klausimai
9.5. Praktinės užduotys
10. K vidurkių algoritmas
10.1. Klasterių vertinimas
10.2. Apibendrinimas
10.3. Papildomi skaitiniai
10.4. Savikontrolės klausimai
Praktinių užduočių atsakymai
2 skyrius
3 skyrius
4 skyrius
5 skyrius
6 skyrius
7 skyrius
8 skyrius
9 skyrius
10 skyrius
Literatūra
Indeksų rodyklė
Vartojamų terminų anglų-lietuvių kalbomis žodynėlis
Apie autores