.

0 (hodnocen0 x )

(1.5) Půjčeno:3x 

BK

1. vyd.

Praha : SNTL - Nakladatelství technické literatury, 1980

372 s.

000001995

Obsah // Předmluva // Seznam matematických značek 13 // Část 1. Adaptace, učení a popis prostředí 15 // 1. Úvod 15 // Literatura 16 // 2. Adaptace a učení 17 // 2.1. Dva fyziologické experimenty 17 // 2.2. Předběžné úvahy o formalizaci adaptace a učení 20 // 2.3. Příklad použití navržené formalizace 21 // 2.4. Efektivnost adaptace a učení 23 // 2.5. Definice adaptace a učení 25 // 2.5.1. Definice adaptivního systému 25 // 2.5.2. Definice učícího se systému 27 // 2.5.3. Porovnání definic adaptivního a učícího se systému 28 // Literatura 29 // 3. Formální popis prostředí 30 // 3.1. Druhy prostředí 30 // 3.2. Formální popis systémů 31 // 3.3. Formální popis předmětů 32 // 3.3.1. Co to je rozpoznávání předmětů? 32 // 3.3.2. Příznakový popis předmětů 33 // 3.3.3. Syntaktický popis předmětů 36 // Literatura 40 // Část 2. Adaptace a učení v teorii řízení 41 // 4. Adaptivní identifikace a adaptivní řízení 41 // 4.1. Princip činnosti adaptivních systémů identifikace a řízení 41 // 4.1.1. Adaptace v systémech řízení 41 // 4.1.2. Informace o požadovaném chování a struktura adaptivního // regulátoru 43 // 4.1.3. Kritéria ztrát používaná v adaptivních systémech řízení 45 // 4.1.4. Význam apriorní informace 46 // 4.1.5. Podstata adaptivní identifikace 48 // 4.2. Metody minimalizace kritéria ztrát 50 // (7) 4.2.1. Gradientní metody 50 // 4.2.2. Citlivostni funkce 51 // 4.2.3.

Metoda náhodného hledání 52 // 4.3. Adaptivní identifikace 53 // 4.3.1. Adaptivní identifikace s paralelním modelem 53 // 4.3.2. Adaptivní identifikace se sériově paralelním modelem 54 // 4.4. Adaptivní řízení 56 // 4.4.1. Adaptivní řízení s modelem 56 // 4.4.2. Duální řízení 58 // 4.4.3. Adaptivní řízení s číselnou informací o požadovaném chování 61 // 4.4.4. Řízení systémů, je-li cíl řízení zadán nerovnostmi 63 // 4.5. Učící se regulátory 65 // Literatura 66 // 5. Učící se automaty 67 // 5.1. Úloha řízení a automaty 67 // 5.2. Formulace problému, typy náhodných prostředí 68 // 5.3. Kritéria chování učících se automatů v náhodném prostředí 71 // 5.4. Automaty s pevnou strukturou v náhodném prostředí 73 // 5.5. Automaty s proměnnou strukturou v náhodném prostředí 80 // 5.5.1. Princip činnosti automatů s proměnnou strukturou 80 // 5.5.2. Typy posilových algoritmů 81 // 5.6. Automaty jako učící se regulátory 86 // Literatura Část 3. Učící se klasifikátory pro příznakově 91 // popsané předměty 93 // 6. Princip činnosti klasifikátoru 93 // 6.1. Základní model klasifikátoru 93 // 6.2. Lineárni diskriminační funkce 97 // 6.3. Klasifikace podle minimální vzdálenosti 99 // 6.4. Po částech lineární diskriminační funkce 101 // 6.5. Obecné diskriminační funkce, Ф-převodník 104 // 6.6. Parametrizace množiny rozhodovacích pravidel 106 // Literatura 106 // 7. Optimální

nastavení klasifikátoru 107 // 7.1. Základní úvahy 107 // 7.2. Kritérium minimální chyby 109 // 7.2.1. Obecný tvar kritéria 109 // 7.2.2. Tvar kritéria pro jednotkové ztrátové funkce 112 // 7.2.3. Dva příklady použití kritéria minimální chyby 115 // 7.3. Kritérium nejlepší aproximace 116 // 7.3.1. Kritérium pro Ф-převodník 116 // 7.3.2. Kritérium nejlepší aproximace s etalony 118 // 7.3.3. Ekvivalence obou variant kritéria nejlepší aproximace 120 // 7.3.4. Porovnáni kritérií 121 // 7.4. Waldovo sekvenční kritérium 122 // 7.4.1. Základní tvar kritéria 122 // (8) 7.4.2. Modifikované Waldovo kritérium 124 // 7.5. Sekvenční klasifikace 126 // 7.5.1. Podstata sekvenčních metod klasifikace 126 // 7.5.2. Sekvenční klasifikátory pracující podie Waldova kritéria 128 // 7.5.3. Sekvenční klasifikátory pracující podie kritéria nejlepší aproximace // s etalony 129 // Literatura 130 // 8. Výběr a uspořádání příznaků 131 // 8.1. Základní úvahy 131 // 8.2. Diskrétní Karhunenúv-Loeveův rozvoj 132 // 8.2.1. Karhunenúv-Loeveův rozvoj podle autokorelační matice 132 // 8.2.2. Zmenšení počtu příznaků Karhunenovým-Loeveovým rozvojem 134 // 8.2.3. Karhunenův-Loeveův rozvoj podle disperzní matice 137 // 8.2.4. Zvláštní případy Karhunenova-Loeveova rozvoje podle autokorelační matice 138 // 8.2.5. Vlastnosti Karhunenova-Loeveova rozvoje 140 // 8.3. Normalizace obrazového prostoru 140 // 8.4. Aplikace

Karhunenova-Loeveova rozvoje pro výběr a uspořádání // příznaků 143 // 8.4.1. Výběrová autokorelační a disperzní matice 143 // 8.4.2. Metoda Chiena a Fu 146 // 8.4.3. Metoda Turboviče, Jurkova a Gitise 149 // 8.4.4. Metoda Fukunaga-Koontze 150 // 8.5. Výběr a uspořádání příznaků podle poměru rozptylů 154 // 8.5.1. Základní tvar metody 154 // 8.5.2. Metoda Foleyova-Sammonova 158 // 8.5.3. Porovnání a vlastnosti popsaných metod 161 // 8.6. Metody založené na odhadech pravděpodobností chybného // rozhodnutí 162 // 8.6.1. Princip metod 162 // 8.6.2. Nejznámější vzorce pro odhady 163 // 8.6.3. Metoda Smithova-Yauova 165 // Literatura 170 // 9. Učící se klasifikátory 172 // 9.1. Principy činnosti adaptivních a učících se klasifikátorů. Definice činnosti adaptivního klasifikátorů 172 // 9.1.1. ÜCel adaptace a učení při konstrukci klasifikátorů 172 // 9.1.2. Pojem učitele a způsoby učení 175 // 9.1.3. Trénovací a testovací množina 176 // 9.1.4. Definice činnosti učícího se klasifikátorů 177 // 9.1.5. Význam apriorní informace 178 // 9.2. Matematická formulace učení klasifikátorů 178 // 9.2.1. Obecný tvar kritéria ztráty 178 // 9.2.2. Principy činnosti algoritmů učení 181 // 9.3. Matematická formulace induktivnosti a sekvenčnosti učení 182 // 9.3.1. Induktivnost učení 182 // 9.3.2. Empirická ztráta 183 // 9.3.3. Sekvenčnost učení 184 // 9.4. Modelování adaptace a učení u živých organismů

185 // (9) 9.4.1. Přínos kybernetiky ke studiu adaptace a učení 185 // 9.4.2. Bushův-Mostellerův model 185 // 9.4.3. Stručný popis nervové soustavy 187 // 9.4.4. Adalina — adaptivní lineární neuron 188 // 9.4.5. Perceptron 189 // 9.4.6. Hodnocení perceptronu 191 // Literatura 193 // 10. Metody učení založené na odhadování hustot // pravděpodobností 194 // 10.1. Předběžné úvahy o metodách odhadu 194 // 10.1.1. Pojem odhadu 194 // 10.1.2. Požadavky kladené na odhady hustot 195 // 10.1.3. Dvě skupiny metod odhadu podle velikosti apriorní informace 197 // 10.2. Vlastnosti odhadů a metody jejich získávání 198 // 10.2.1. Trénovací množina jako náhodný výběr 198 // 10.2.2. Vlastnosti odhadů 200 // 10.2.3. Metody získávání odhadů 203 // 10.2.4. Testování hypotéz 210 // 10.2.5. Testy shody 213 // 10.3. Metody odhadu pro normální rozložení 215 // 10.3.1. Tři alternativy metod odhadu 215 // 10.3.2. Odhad střední hodnoty při známé disperzní matici 216 // 10.3.3. Odhad disperzní matice při známé střední hodnotě 219 // 10.3.4. Odhad střední hodnoty i disperzní matice 222 // 10.3.5. Vlastnosti metod odhadu pro normální rozložení 226 // 10.3.6. Odhadování parametrů normálního rozložení v případě závislých // obrazů trénovací množiny 227 // 10.4. Metoda odhadu rozložení obrazů s nezávislými příznaky 227 // 10.5. Metody odhadování hustot pravděpodobností s nulovou apriorní // informací

229 // 10.5.1. Podstata metod 229 // 10.5.2. Metoda histogramu 229 // 10.5.3. Metoda ortogonálních funkcí 232 // 10.5.4. Rosenblattova metoda odhadu 235 // 10.5.5. Parzenova metoda odhadu 238 // 10.5.6. Loftsguardenova-Quesenberryho metoda odhadu 240 // Literatura 241 // 11. Metody učení založené na přímé minimalizaci ztrát 243 // 11.1. Předběžné úvahy o metodách přímé minimalizace 243 // 11.1.1. Rekurentní řešení rovnic 243 // 11.1.2. Gradientní metody 244 // 11.1.3. Základní podoba algoritmu metod přímé minimalizace 245 // 11.2. Stochastická aproximace 246 // 11.2.1. Tři typy konvergence náhodných veličin 246 // 11.2.2. Metoda Robbinsova-Monroova 248 // 11.2.3. Metoda Kieferova-Wolfowitzova 251 // 11.2.4. Metoda Dvoretzkyho 253 // 11.2.5. Příklady použití metody Dvoretzkyho 255 // 11.3. Algoritmy nejrychlejšího přibližování 257 // (10) 11.3.1. Míra rychlosti přibližování 257 // 11.3.2. Obecné řešení 258 // 11.3.3. Lineární algoritmus nejrychlejšího přibližování 259 // 11.3.4. Kacmarzův algoritmus 260 // 11.4. Metody učení pro neseparabilní množiny obrazů 260 // 11.4.1. Apriorní informace o separabilitě 260 // 11.4.2. Cypkinova metoda učení podle kritéria nejlepší aproximace pro // Ф-převodník 261 // 11.4.3. Yauova-Schumpertova metoda učení podle kritéria nejlepší // aproximace s etalony 263 // 11.4.4. Wasselova-Sklanskyho metoda učení podle kritéria minimální // chyby 266 // 11.5. Metody

učení pro lineárně separabilní množiny obrazů 270 // 11.5.1. Úvodní poznámky 270 // 11.5.2. Rozbor integrandu ztráty 271 // 11.5.3. Aproximace integrandu ztráty, metoda konstantních přírůstků 274 // 11.5.4. Jiná aproximace integrandu ztráty, relaxační metoda 277 // 11.5.5. Učení adaptivního prahového logického obvodu 279 // 11.6. Otázky konvergence algoritmů a odhady velikosti trénovací // množiny 283 // 11.6.1. Konvergence pro neseparabilní množiny obrazů 283 // 11.6.2. Konvergence pro lineárně separabilní množiny obrazů 286 // Literatura 292 // 12. Použití učících se klasifikátorů 294 // 12.1. Postup při návrhu klasifikátorů 294 // 12.2. Rozpoznávání písmen a číslic 295 // 12.3. Rozpoznávání řeči 297 // 12.3.1. Některé poznatky o rozpoznávání řeči 297 // 12.3.2. Klasifikátor pro 11 mluvených povelů 298 // 12.4. Použití učících se klasifikátorů v řízení 300 // 12.4.1. Učící se časově optimální regulátor 300 // 12.4.2. Určování struktury nelineárních systémů 304 // 12.5. Diagnostika technických zařízení 306 // 12.6. Aplikace učících se klasifikátorů v geofyzice 307 // 12.7. Meteorologické předpovědi 307 // 12.7.1. Předpovídání ranních mrazíků 307 // 12.7.2. Předpovídání počasí 308 // 12.8. Použití učících se klasifikátorů v medicíně 310 // 12.8.1. Diagnostika myxedému 310 // 12.8.2. Vyhodnocování elektrokardiogramů 310 // Literatura 311 // Část

4. Učící se klasifikátory pro syntakticky // popsané předměty 313 // 13. Gramatiky a jejich inference 313 // 13.1. Syntaktický přístup к rozpoznávání předmětů 313 // 13.2. Definice gramatik 314 // 13.2.1. Nedeterministické gramatiky 314 // (И) 13.2.2. Stochastické gramatiky 318 // 13.2.3. Nezřetelné gramatiky 320 // 13Í3. Ekvivalence gramatik a automatů 321 // 13.3.1. Nedeterministické gramatiky a nedeterministické automaty 321 // 13.3.2. Stochastické gramatiky a pravděpodobnostní automaty 323 // 13.4. Syntaktická analýza 324 // 13.4.1. Podstata syntaktické analýzy 324 // 13.4.2. Syntaktická analýza shora dolů pro bezkontextové gramatiky 325 // 13.4.3. Syntaktická analýza zdola nahoru pro bezkontextové gramatiky 328 // 13.4.4. Syntaktická analýza pro operátorové precedenční gramatiky 329 // 13.4.5. Syntaktická analýza pro stochastické gramatiky 332 // 13.5. Inference gramatik 333 // 13.5.1. Podstata inference gramatik 333 // 13.5.2. Inference gramatik pomocí enumerace 334 // 13.5.3. Inference gramatik pomocí indukce 336 // 13.5.4. Praktická poznámka к inferenci gramatik 340 // Literatura 341 // Dodatky 342 // i // D.l. Základy teorie pravděpodobnosti 342 // D.l.l. Definice pravděpodobnosti a základní vzorce 342 // D.l.2. Náhodná veličina 343 // D.1.3. Střední hodnota 346 // D.1.4. Typy rozložení 348 // D.l.5. Zákony velkých čísel a centrální limitní věty 353 // D.l.6. Markovské řetězce 354 // D.2. Nezřetelné

množiny 356 // D.3. Ortogonální systémy 357 // D.4. Některé pojmy z maticového počtu a lineární algebry 360 // D.4.1. Definice speciálních matic 360 // D.4.2. Transformace souřadnic a lineární zobrazení 361 // D.4.3. Charakteristické veličiny matice 363 // D.4.4. Kvadratické formy 364 // Literatura 368 // Rejstřík 369 // (12)

(OCoLC)40083599

cnb000520459