Skip to main content

Banery wysuwane

schemat ludzkiego mózgu z siatką neuronów z falą sygnału na czarnym tle
Podstawy uczenia maszynowego

Author
Product category
Nauki techniczne » Automatyka i robotyka
e-ISBN
978-83-67427-05-0
Publication type
e-podręcznik
Format
pdf
Number of pages
192
Publication date
2022
Description

Sztuczna inteligencja jest obecnie bardzo popularną technologią i niemal w każdym obszarze naszego życia można doszukać się mniej lub bardziej znaczących jej zastosowań. Dlatego zdecydowanie warto poznać przynajmniej podstawowe narzędzia sztucznej inteligencji, a uczenie maszynowe w szczególności. Nie należy jednak zapominać, że metody sztucznej inteligencji wspierają pracę ludzi, ale jednak to wiedza i doświadczenie człowieka wciąż są jeszcze niezastąpione.
Praca autorstwa Aleksandry Król-Nowak i Katarzyny Kotarby w sposób zwięzły przybliża ideę uczenia maszynowego i przedstawia podstawowe typy problemów rozwiązywanych za jego pomocą. W monografii zestawiono najbardziej podstawowe algorytmy, które pozwalają w przystępny sposób przedstawić istotę rozwiązywania problemów metodami uczenia maszynowego. Zagadnienia są zwięźle omówione matematycznie oraz zilustrowane praktycznymi przykładami kodów programów wraz z komentarzami. Kody są jedną z głównych zalet publikacji i stanowią integralną część poszczególnych rozdziałów. Ilustrują działania omawianych algorytmów i pozwalają czytelnikowi prześledzić przejście od sformułowań matematycznych do ich praktycznej implementacji w postaci programu.
Praca jest przeznaczona przede wszystkim dla studentów inżynierii akustycznej, jako pomoc naukowa w realizacji treści przedmiotu podstawy uczenia maszynowego w technologiach akustycznych. Jest to kompendium wykładanych treści w postaci zestawienia podstawowych algorytmów uczenia maszynowego wraz z wprowadzeniem do implementacji tych metod przy użyciu języka Python, na przykładzie wybranych zadań z rozwiązaniami. Pomimo ścisłego powiązania monografii z konkretnym programem studiów można w niej także znaleźć proste przykłady z różnych innych dziedzin, które nie są związane z technologią akustyczną. Pokazuje to, jak szerokie możliwości zastosowania mają przedstawione metody.

 

 

Contents

Przedmowa 7
1. Wprowadzenie 9
1.1. Sztuczna inteligencja, uczenie maszynowe i uczenie głębokie 9
1.2. Klasyczne programowanie a uczenie maszynowe 10
2. Etapy uczenia maszynowego 11
3. Reprezentacja danych 14
3.1. Oznaczenia i nomenklatura 14
3.2. Uczenie nadzorowane i nienadzorowane 15
3.3. Zbiór treningowy i testowy 16
4. Regresja, klasyfikacja i klasteryzacja 18
5. Miary sukcesu 20
5.1. Regresja 20
5.2. Klasyfikacja 20
5.3. Klasteryzacja 23
6. Konfiguracja środowiska programistycznego 24
7. Parametryzacja sygnału i ekstrakcja cech 25
7.1. Parametry czasowe 25
7.2. Parametry widmowe 28
7.3. Parametry formantowe 30
7.4. Parametry czasowo-częstotliwościowe 31
8. Algorytm k-najbliższych sąsiadów (ang. k-nearest neighbours, k-NN) 40
9. Przekleństwo wymiarowości 48
9.1. Analiza składowych głównych (ang. Principial Component Analysis, PCA) 49
9.2. Analiza składowych niezależnych (ang. Independent Component Analysis, ICA) 55
10. Algorytm k-średnich 62
11. Algorytmy hierarchiczne 68
11.1. Miara odległości między skupieniami 68
11.2. Metody aglomeracyjne 69
11.3. Metody deaglomeracyjne 69
12. Regresja liniowa 72
12.1. Metoda analityczna 74
12.2. Regularyzacja Tichonowa 75
12.3. Metoda gradientu prostego 76
13. Uogólnione modele liniowe (ang. Generalized Linear Models, GML) 85
13.1. Regresja liniowa jako uogólniony model liniowy 85
14. Regresja logistyczna 87
14.1. Ocena jakości modelu regresji logistycznej 89
15. Metody wektorów nośnych (ang. Support Vector Machine, SVM) 96
15.1. Margines 97
15.2. Klasyfikator maksymalizujący margines (ang. Maximal Margin Classifier, MMC) 97
15.3. Klasyfikator wektorów nośnych (ang. Support Vector Classifier, SVC) 99
15.4. Maszyna wektorów nośnych (ang. Support Vector Machine, SVM) 100
15.5. Maszyna wektorów nośnych w klasyfikacji wieloklasowej 102
16. Drzewa klasyfikacyjne i lasy losowe 109
16.1. Drzewa klasyfikacyjne 109
16.2. Lasy losowe 114
17. Wprowadzenie do sieci neuronowych 132
17.1. Perceptron 132
17.2. Wielowarstwowe sieci neuronowe 134
Dodatek 145
Rozwiązania zadań 149
Bibliografia 189

Contents
Price
0.00
In order to arrange international shipping details and cost please contact wydawnictwa@agh.edu.pl