Artificial Intelligence and Machine Learning

AIML-3-1-6 Композиция отношений

AIML-3-1-4 Отношения и отображения

AIML-3-2-1 Нечеткий вывод

AIML-3-3-1 Четкое управление

AIML-2-2-8 Логическое программирование

AIML-3-1-5 Пример отошений и отображений

AIML-3-1-2 Нечеткие логические связки

AIML-3-1-3 Нечеткие множества

AIML-3-1-1 Развитие логических систем

AIML-3-2-5 Нечеткая арифметика

AIML-3-2-3 Нечеткие числа

AIML-3-3-2 Управление с нечеткой арифметикой

AIML-3-2-4 Принцип расширения

AIML-3-2-2 Пояснение к нечеткому выводу

AIML-2-2-7 Пруверы и их применение

AIML-4-1-2 Персептрон и булевы функции

AIML-4-1-4 Демонстрация обучения

AIML-3-3-5 Управление на нечеткой логике

AIML-4-3-6 Задача регрессии для калибровки манипулятора

AIML-4-4-4 Задача классификации

AIML-4-4-3 Kernel Trick

AIML-3-3-4 Сравнение веростностного и нечеткого подходов

AIML-4-2-1 Обучение как минимизация функции

AIML-4-2-3 Частные производные и градиенты

AIML-4-3-1 Задача регрессии

AIML-4-4-5 Применение карты Кохонена для классификации

AIML-4-2-8 Онлайн и оффлайн обучение

AIML-4-3-3 Подбор методов улучшения обучения и размеров сети

AIML-4-3-4 Зашумленные данные и контрольные выборки

AIML-3-3-3 Вероятностный подход

AIML-3-3-6 Нечеткие системы, заключение

AIML-4-2-2 Метод градиентного спуска

AIML-4-2-4 Обратное распространение ошибки, веса

AIML-4-1-1 Биологический нейрон и его модель

AIML-4-1-5 Функция XOR и многослойный персептрон

AIML-4-4-1 Задача распознавания

AIML-4-4-6 Анализ и визуализация данных с помощью карты Кохонена

AIML-4-3-2 Исправление грубых ошибок

AIML-4-3-5 Методы устранения переобучения

AIML-4-1-3 Обучение персептрона

AIML-4-2-5 Обратное распространение ошибки, входы

AIML-4-2-6 Обратное распространение ошибки, пояснения

AIML-4-2-7 Локальные и глобальные минимумы

AIML-4-2-9 Методы ускорения обучения

AIML-4-4-2 Построение структуры нейронной сети

AIML-1-1-3 Кризис нейронных сетей 1969-1980

AIML-4-5-5 Реализация нейронных сетей

AIML-5-2-1 Подбор кодирования в двух классических задачах

AIML-5-1-4 Локальные и глобальные минимумы

AIML-1-1-1 Рождение теории 1936-1956

AIML-5-1-3 Программная реализация генетического алгоритма

AIML-2-2-3 Сколемовская нормальная форма

AIML-1-1-5 Краткое возвращение 1980-1984

AIML-2-2-4 Правило резолюций. Унификация

AIML-2-2-5 Доказательство теорем

AIML-5-2-2 Сегментация изображений и многокритериальная оптимизация

AIML-4-5-6 Заключение

AIML-2-2-1 Логика предикатов

AIML-2-2-2 Предваренная нормальная форма

AIML-5-1-1 Эволюция

AIML-1-1-4 Первая зима 1975-1980

AIML-5-1-2 Общая схема генетического алгоритма

AIML-5-1-5 Модификации генетического алгоритма

AIML 00 1

AIML-4-5-2 Рекуррентные нейронные сети. Сеть Элмана

AIML-1-1-7 Новая эра 1993-н.в.

AIML-4-5-4 Ассоциативная память

AIML-4-5-3 Вычисления за пределами машины Тьюринга

AIML-2-2-6 Поиск теорем

AIML-5-2-4 Символьная регрессия

AIML-1-1-2 Золотой век 1956-1976

AIML-1-1-6 Вторая зима 1984-1993

AIML-4-5-1 Нейронная сеть как функция действительных переменных

AIML-5-1-6 Эффективность генетических алгоритмов

AIML-5-2-3 Об одной прикладной задаче

AIML-2-1-1 Введение в логику

AIML-2-1-2 Индуктивные и дедуктивные рассуждения

AIML-2-1-3 Логика высказываний

AIML-2-1-8 Метод резолюций

AIML-2-1-4 Логический вывод

AIML-2-1-7 Правило резолюций

AIML-2-1-10 Применение экспертных систем

AIML-2-1-6 Законы логики высказываний

AIML-2-1-5 Вывод таблиц истинности

AIML-2-1-9 Устройство экспертных систем