Ryszard Tadeusiewicz, "Elementarne wprowadzenie do techniki sieci neuronowych z przykładowymi programami"

Akademicka Oficyna Wydawnicza PLJ,
Warszawa, 1998
ISBN 83-7101-400-7

1. Wprowadzenie (1)

1.1. Dlaczego warto poznać sieci neuronowe? (1)

1.2. Jakie są główne zalety sieci neuronowych? (6)

1.3. Jak wygląda struktura sieci? (8)

1.4. Jak dochodzi do uczenia sieci? (14)

1.5. Kto i do czego używa sieci neuronowych? (18)

1.6. Czy sieci neuronowe wyprą tradycyjne komputery? (20)

1.7. To może nie warto zajmować się sieciami neuronowymi? (21)

2. Struktura sieci (23)

2.1. Jak to jest zbudowane? (23)

2.2. Jak to działa? (25)

2.3. Jak wybierać strukturę sieci? (28)

2.4. Jakimi informacjami karmić sieci i jak rozumieć ich odpowiedzi? (30)

2.5. Co kryje się w warstwach ukrytych? (32)

2.6. Ile potrzeba neuronów, żeby wyszła dobra sieć? (34)

3. Uczenie sieci (37)

3.1. Jak można uczyć sieć? (37)

3.2. Czy sieć może uczyć się całkiem sama? (38)

3.3. Gdzie i jak sieci neuronowe gromadzą zdobytą wiedzę? (39)

3.4. Jak zorganizować naukę sieci? (40)

3.5. Do czego służy momentum? (42)

3.6. Od czego zacząć uczenie sieci? (44)

3.7. Czy sieć trzeba długo uczyć? (45)

3.8. Jak uczyć warstwy ukryte? (46)

3.9. W jaki sposób sieć może się uczyć sama? (48)

3.10. Jak prowadzić samouczenie? (50)

4. Działanie najprostszej sieci (53)

4.1. Jak przejść od teorii do praktyki, czyli jak używać programów z dyskietki? (53)

4.2. Czego można oczekiwać od neuronu? (56)

4.3. Co warto zaobserwować podczas dalszych eksperymentów? (60)

4.4. Jak sobie poradzić z większą liczbą wejść neuronu? (66)

4.5. Jak się zachowuje prosta liniowa sieć neuronowa? (68)

4.6. Jak zbudować prostą liniową sieć neuronową? (69)

4.7. Jak wykorzystać opisaną sieć neuronową? (71)

4.8. Jak i po co wprowadza się w sieci neuronowej rywalizację? (75)

4.9. Jakie są dalsze możliwości wykorzystania sieci neuronowej? (77)

5. Uczenie prostych liniowych sieci jednowarstwowych (79)

5.1. Jak zbudować ciąg uczący? (79)

5.2. Jak można nauczać jeden neuron? (81)

5.3. Czy neuron może mieć wrodzone zdolności? (86)

5.4. Jak mocno należy neuron uczyć? (86)

5.5. Jak uczyć prostą sieć? (87)

5.6. Czy sieć może filtrować sygnały? (92)

6. Sieci nieliniowe (97)

6.1. Po co komu nieliniowości w sieci? (97)

6.2. Jak działa nieliniowy neuron? (98)

6.3. Jak działa sieć złożona z nieliniowych neuronów? (101)

6.4. Jak przedstawić działanie nieliniowych neuronów? (103)

6.5. Jakie możliwości ma wielowarstwowa sieć nieliniowych neuronów? (106)

6.6. Jak w przestrzeni wag przebiega uczenie nieliniowego neuronu? (109)

6.7. Jakie badanie możesz przeprowadzić podczas uczenia neuronu? (113)

7. Backpropagation (115)

7.1. Co to jest backpropagation? (115)

7.2. Jak zmieniać "próg" nieliniowej charakterystyki neuronu? (116)

7.3. Jaki jest najczęstszy kształt nieliniowej charakterystyki neuronu? (117)

7.4. Jak działa wielowarstwowa sieć złożona z nieliniowych elementów? (120)

7.5. Jak można uczyć wielowarstwową sieć? (125)

7.6. Co obserwować podczas uczenia wielowarstwowej sieci? (126)

8. Formy uczenia sieci neuronowych (137)

8.1. Jak wykorzystać wielowarstwową sieć neuronową do rozpoznawania? (137)

8.2. Jak zaprogramowałem najprostszą sieć neuronową do rozpoznawania? (138)

8.3. Jak wybierać strukturę sieci neuronowej w trakcie eksperymentów? (141)

8.4. Jak możesz tworzyć zadania rozpoznawania dla sieci? (142)

8.5. Jakie formy uczenia można zaobserwować w sieci? (147)

8.6. Co jeszcze można zaobserwować w badanej sieci? (160)

9. Sieci neuronowe samouczące się (165)

9.1. Na czy polega idea samouczenia sieci? (165)

9.2. Jak przebiega dłuższe samouczenie sieci? (174)

9.3. Czy postęp samouczenia można uznać za rosnącą mądrość sieci? (180)

9.4. Co jeszcze warto zauważyć podczas samouczenia sieci? (182)

9.5. Czy każde dane wejściowe spowodują samouczenie się sieci? (192)

9.6. Co może dać wprowadzenie konkurencji do sieci? (195)

9.7. Jakie formy samouczenia daje wprowadzenie konkurencji do sieci? (200)

10. Sieci samoorganizujące się (205)

10.1. Na czym polega samoorganizacja w sieci i do czego może się przydać? (205)

10.2. Jak wprowadza się do sieci sąsiedztwo? (208)

10.3. Co wynika z tego, że jakieś neurony używamy za sąsiednie? (212)

10.4. Co potrafią zrobić sieci Kohonena? (216)

10.5. Co zrobią sieci Kohonena w przypadku trudniejszych danych? (222)

10.6. Co się dzieje w sieci przy nadmiernie szerokim zakresie początkowych wag? (225)

10.7. Czy można zmieniać formę samoorganizacji w trakcie samouczenia sieci? (227)

10.8. No dobrze, tylko do czego się to wszystko może przydać? (228)

10.9. W jaki sposób sieć może służyć jako narzędzie do transformacji wymiaru przestrzeni sygnałów wejściowych? (234)

10.10. Jak sterować samouczeniem sieci Kohonena? (240)

11. Sieci rekurencyjne (243)

11.1. Co to jest sieć neuronowa rekurencyjna? (243)

11.2. Jakie właściwości mają sieci ze sprzężeniem zwrotnym? (249)

11.3. Po co komu takie sieci neuronowe z pętelkami? (251)

11.4. Jak jest zbudowana sieć Hopfielda? (254)

11.5. Jak działa sieć neuronowa jako pamięć skojarzeniowa? (256)

11.6. Jak samodzielnie badać działanie sieci Hopfielda? (262)

11.7. Jak i po co korzystać z automatycznej generacji wzorców dla sieci Hopfielda? (271)

11.8. Co daje zastosowanie ortogonalnych wzorców? (273)

11.9. Jakie badania można przeprowadzić na pamięci asocjacyjnej? (276)

11.10. Co jeszcze warto zaobserwować w pamięci asocjacyjnej? (281)

12. Gotowce (285)

12.1. Jak przejść do zabawy z sieciami neuronowymi do ich profesjonalnego stosowania? (285)

12.2. Jakie są dostępne rodzaje narzędzi do pracy z sieciami neuronowymi? (287)

12.3. Jakie konkretne programy są godne polecenia? (288)

12.4. Gdzie zasięgać informacji na temat tych programów? (293)

12.5. Czy da się coś wyłowić z Internetu? (294)

Ramki (295)

Dodatek (307)

Indeks (309)

Zobacz także:

Serwis „Bezpieczniej”

Poradnik oceny ryzyka
zawodowego

Systemy lokalizacji
w bezpieczeństwie maszyn

Centralny Instytut Ochrony Pracy - Państwowy Instytut Badawczy

Zobacz także: