INTELLIGENT INTERACTIVE SYSTEMS TECHNOLOGIES Wiszniewski Bogdan
- Час доставки: 7-10 днів
- Стан товару: новий
- Доступна кількість: 1
Заказывая «INTELLIGENT INTERACTIVE SYSTEMS TECHNOLOGIES Wiszniewski Bogdan» данное изделие из «Операционные системы» вы можете быть уверены, что после оформления заказа, доставки в Украину, вы получите именно то, что заказывали, в оговоренные сроки и европейского качества.
Стан книги: НОВА
Обкладинка: м'яка
Формат: B5
Факультет: Комп'ютерні науки
Ключові слова: розпізнавання мовлення, біометрична перевірка особи, біосигнали, аналіз моделей поведінки людини, виділення ознак, мовні моделі, відеоігри, віртуальне захоплююче середовище, зв’язування музичних даних, процеси пізнання
Усі дослідницькі області, розглянуті в цій книзі, є предметом інтенсивних досліджень, які проводяться протягом багатьох років на кафедрі інтелектуальних інтерактивних систем факультету електроніки, телекомунікацій та інформатики Гданського технологічного університету. Спільним знаменником цієї діяльності є можливість людям взаємодіяти з комп’ютером у найбільш природний і очевидний спосіб, незалежно від їх віку, підготовки, освіти чи ступеня інвалідності. Дещо сперечаючись із очікуваннями Тюрінга, вираженими в концепції його відомої «імітаційної гри», навряд чи є потреба в тому, щоб комп’ютери обманним чином видавали себе за людей. Сьогодні їх ніхто не очікує. Натомість користувачі радше очікують, що комп’ютерні додатки та системи цілими днями відіграватимуть роль слухняних слуг – умілих виконавців команд, мудрих порадників, розуміючих вчителів, добрих розважальників, дбайливих помічників тощо – залежно від часу доби, потрібно поточної ситуації або настрою користувача. Приклади в цій книзі показують, що сучасні рішення штучного інтелекту та візуалізації, які підтримуються величезними ресурсами даних, доступними в Інтернеті, досить добре справляються з цими викликами. І, як видно, з кожним днем вони можуть більше.
Зміст
Передмова та
1 Виділення ознак у виявленні та розпізнаванні графічних об’єктів 1
1.1 Основи вилучення ознак. . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.1.1 Навчання та узагальнення . . . . . . . . . . . . . . . . . . . . . . 2
1.1.2 Перебіг розмірності. . . . . . . . . . . . . . . . . . . . . . . . 3
1.1.3 Видобуток проти класифікація . . . . . . . . . . . . . . . . . . . . . . 4
1.2 Методи вивчення засобу виділення функцій. . . . . . . . . . . . . . . . . . . 7
1.2.1 Вивчення класифікатора з виділенням ознак. . . . . . . . . . 7
1.2.2 Виділення ознак на основі подібних завдань класифікації. . . . . 8
1.2.3 Навчання екстрактора за допомогою генетичного програмування розпізнаванню символів. . . . 9
1.2.4 Штучна нейронна мережа як апроксиматор функції вилучення. 12
1.2.5 Складання нейронної моделі з готових функцій. . . . . . . . 14
1.3 Багатозадачне навчання (MTL) . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.3.1 Прогноз обраних параметрів як додаткові завдання. . . . . . . . . 15
1.3.2 Багатозадачне навчання з використанням інших методів класифікації, ніж ANN. . . 16
1.3.3 Оптимізація параметрів у багатокласовому підході Adaboost один проти всіх. 16
1.3.4 Використання глибоких моделей у багатозадачному навчанні. . . . . . . . . . . . . . . 16
1.3.5 Порівняння послідовного перекладу та паралельного навчання (багатозадачність) . . 17
1.3.6 Відкриті задачі, пов'язані з технікою багатозадачного навчання. . . . . . 17
1.4 Передача навчання . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.4.1 Глибокі штучні нейронні мережі зі згортковими шарами. . . . . . . 18
1.4.2 Передача навчання для навчальних мереж зі згортковими шарами. . 19
1.4.3 Проблеми навчання згорткових нейронних мереж (CNN) у цільовому завданні. . 20
1.4.4 Передача навчання з адаптацією домену. . . . . . . . . . . . . . . 22
1.4.5 Одноразове навчання . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2 Мовні моделі в розпізнаванні мовлення 27
2.1 Модель каналу з шумом. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.2 Вимірювання . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2,3 Н-грами . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.3.1 Слова поза словниковим запасом . . . . . . . . . . . . . . . . . . . . . . . . 31
2.3.2 Згладжування . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.3.3 Згладжування Add-1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.3.4 Згладжування Add-k . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.3.5 Інтерполяція . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.3.6 Відкат . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.3.7 Гуд-Тьюрінг . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.3.8 Кнезер-Ней . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
2.3.9 Дурне відставання . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.3.10 Обрізка моделі та моделі змінної довжини . . . . . . . . . . . . . . 36
2.4 Синтаксичні моделі . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.4.1 Повний аналіз . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.4.2 Дрібні моделі . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
Позначення торгових точок . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
Чанкінг. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
Супертеги та суперфрагменти. . . . . . . . . . . . . . . . . . . . 39
2.5 Семантичні моделі . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
2.6 Нейронні моделі . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
2.6.1 Прості мережі прямого зв’язку . . . . . . . . . . . . . . . . . . . . . 40
2.6.2 Повторювані мережі . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
2.6.3 Зменшення складності . . . . . . . . . . . . . . . . . . . . . . . . 44
Ієрархічний Softmax. . . . . . . . . . . . . . . . . . . . . . . . . . 44
Інші методи . . . . . . . . . . . . . . . . . . . . . . . . . .