Інтелектуальні інтерактивні системи

Автор: Wiszniewski Bogdan) Дослідження проводить багато років на кафедрі інтелектуальних інтерактивних систем на факультеті електроніки, телекомунікацій та інформаційних гір в Технологічному університеті Гданськ. Поширений знаменник цієї діяльності дозволяє людям взаємодіяти з комп’ютером найбільш природним і очевидним способом, незалежно від їх віку, навчання, освіти чи ступеня інвалідності. Аджети дещо з досвідом повороту, як виражено в концепції його знаменитої імітаційної гри, навряд чи немає потреби в комп'ютерах оманливо видавати себе за людину. Сьогодні їх ніхто не очікує. Засновані, користувачі розраховують ускладнення та систем, щоб грати цілий день роль слухняних слуг - вмілих виконавців команд, мудрих радників, розуміння вчителів, хороших розважальних, турботливих помічників тощо - залежно від часу доби, потреби, потреби, поточної ситуації чи настрою користувача. Приклади в цій книзі показують, що сьогоднішні AI та рішення візуалізації, що підтримуються величезними ресурсами даних, що мають доступність в Інтернеті, досить добре вирішують ці проблеми. І, як видно, кожен день вони можуть робити більше.

Вміст

Передмова I

1,1 основи вилучення функцій. . . . . . 2

1.1.1 Навчання та узагальнення. . . . . . . . . . . . . . . . . . . . . . 2

1.1.2 Курс розмірності. . . . . . . . . . . . . . . . . . . . . . . . 3

1.1.3 Екстракція проти класифікації. . . . . . . . . . . . . . . . . . . . . . 4

1.2 Методи навчання для витяжки функцій. . . . . . . . . . . . . . . . . . . 7

1.2.1 Вивчення класифікатора з вибором функцій. . . . . . . . . . 7

1.2.2 Вилучення функцій на основі подібних завдань класифікації. . . . . 8

1.2.3 Тренування екстрактора за допомогою генетичного програмування в характері

розпізнавання. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9

1.2.4 Штучна нейронна мережа як наближення функції вилучення. 12

1.2.5 Складання нейронної моделі з готових функцій. . . . . . . . 14

1,3 багатозадачне навчання (MTL). . . . . . . . . . . . . . . . . . . . . . . . . . . 15

1.3.1 Прогнозування вибраних параметрів як додаткових завдань. . . . . . . . . 15

1.3.2 багатозадачне навчання за допомогою інших методів класифікації, ніж Енн. . . 16

1.3.3 Оптимізація параметрів у багатокласному підході Adaboost One-Vs-All. 16

1.3.4 Використання глибоких моделей у навчальному багатозадачній навчанні. . . . . . . . . . . . . . . 16

1.3.5 Порівняння послідовного передачі та паралельного навчання (багатозадачність). . 17

1.3.6 Відкриті проблеми, пов'язані з методикою навчання багатозадачності. . . . . . 17

1.4 Трансферне навчання. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17

1.4.1 Глибокі штучні нейронні мережі з конволюційними шарами. . . . . . . 18

1.4.2 Трансферне навчання для навчальних мереж з конволюційними шарами. . 19

1.4.3 Конволюційні нейронні мережі (CNN) Проблеми навчання в цілі

завдання. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20

1.4.4 Передача навчання з адаптацією домену. . . . . . . . . . . . . . . 22

1.4.5 Одноразове навчання. . . . . . . . . . . . . . . . . . . . . . . . . . . . 24

2 Мова моделі в розпізнаванні мови 27

2.1 Шумна модель каналу. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28

2,2 заходів. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29

2,3 n-грам. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30

2.3.1 Позашеничні слова. . . . . . . . . . . . . . . . . . . . . . . . 31

v

2.3.2 згладжування. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31

2.3.3 Вигламення Add-1. . . . . . . . . . . . . . . . . . . . . . . . . . . . 32

2.3.4 Розгладження add-k. . . . . . . . . . . . . . . . . . . . . . . . . . . . 32

2.3.5 Інтерполяція. . . . . .