Тулупьев А.Л., Николенко С.И. Самообучающиеся системы

М.: МЦНМО, 2009. — 288 с.: 24 илл. — ISBN: 978-5-94057-506-1.(Качественный скан, но также я выкладывал полноценную эл. версию на сайт)Книга посвящена одной из самых практически применимых, активных и быстроразвивающихся областей современной информатики, объединяющей множество методов из различных областей математики и не только математики – машинному обучению. В книге обсуждаются основы многих базовых аппаратов машинного обучения: деревья принятия решений, искусственные нейронные сети, генетические алгоритмы, байесовские классификаторы, алгоритмы кластеризации и обучение с подкреплением. Изложение ведется увлекательным языком, книгу интересно читать, и она доступна даже не очень подготовленному читателю. Однако при этом сохраняется математическая строгость, а наиболее сложные части изложения заинтересуют и профессионалов. Книга снабжена обширной аннотированной библиографией. Читать книгу смогут даже старшеклассники, хотя она будет представлять несомненный профессиональный интерес и для студентов всех курсов, изучающих математику и информатику, а также для специалистов и аспирантов, ведущих исследования в соответствующих областях. В этом отношении значительная часть материала монографии сможет сыграть роль углубленного учебного пособия.Оглавление
Благодарности
Введение
Об искусственном интеллекте
Машинное обучение и интеллектуальные агенты
На чём стоит искусственный интеллект
Деревья принятия решений
Введение
Структура дерева принятия решений
Энтропия и прирост информации
Деревья принятия решений и булевские функции Алгоритм ID3
Реализация ID3 на языках Python и Ruby
Проблема критерия прироста информации
Оверфиттинг
Заключение
Обучение концептам
Введение
Частичные порядки
Лирическое отступление: функция Мёбиуса
Алгоритм Find-S
Реализация алгоритма Find-S
Алгоритм исключения кандидатов
Заключение
Нейронные сети
Введение
Перцептрон
Обучение перцептрона
Обучение перцептрона на практике
Метод градиентного спуска
Нелинейные перцептроны.
Сигмоид.
Алгоритм обратного распространения ошибки
Реализация нейронной сети на Java
Заключение
Генетические алгоритмы
Введение
Схема генетического алгоритма в деталях
Генетические операции
Представление данных
Отбор
Дарвин, Ламарк и Болдуин
Генетические алгоритмы на деревьях
Генетическое программирование
Генетическое программирование на практике
Язык программирования LISP
Заключение
Байесовское обучение и классификаторы
Введение
Теорема Байеса
Априорные и апостериорные вероятности
Теорема Байеса, данные и гипотезы
МАР и задачи классификации
Оптимальный и гиббсовский классификаторы
Наивный байесовский классификатор
Атрибуция текстов
Байесовское обучение и нейронные сети
Принцип наименьшей длины описания
Заключение
Алгоритмы кластеризации
Введение
Постановка задачи и виды кластеризации
Иерархическая кластеризация
Кластеризация методами теории графов
Алгоритм ЕМ
Кластеризация при помощи ЕМ
Алгоритм к-средних
Нечёткие алгоритмы кластеризации
Заключение
Обучение с подкреплением
Введение
Как оценивать поведение агента?
Многорукие бандиты
Доказуемо оптимальные алгоритмы
Другие стратегии
Поиск стратегий в известной модели
Поиск оптимальных стратегий без модели
Поиск моделей и оптимальных стратегий по ним
Игрушечный пример Q-обучения и Dyna
Заключение
Литература