Hivatkozók

Mesterséges Intelligencia

• 11.3. Részben rendezett tervkészítés
• 11.4. Tervkészítési gráfok
• 11.5. Tervkészítés ítéletlogikával
• 11.6. A tervkészítési módszerek elemzése
• 11.7. Összefoglalás
• 12.1. Idő, ütemezés és erőforrások
• 12.2. Hierarchikus feladatháló tervkészítés
• 12.3. Tervkészítés és cselekvés nemdeterminisztikus problémakörökben
• 12.4. Feltételes tervkészítés
• 12.5. Végrehajtás monitorozása és újratervezése
• 12.7. Multiágens tervkészítés
• 12.8. Összefoglalás
• 13.3. Valószínűségi axiómák
• 13.6. A Bayes-tétel és használata
• 13.7. A wumpus világ újralátogatása
• 14.4. Egzakt következtetés Bayes-hálókban
• 14.5. Közelítő következtetés Bayes-hálókban
• 14.6. Elsőrendű reprezentációk valószínűségi kiterjesztése
• 14.7. Egyéb módszerek a bizonytalan környezetben történő következtetéshez
• 14.8. Összefoglalás
• 15.1. Idő és bizonytalanság
• 15.5. Dinamikus Bayes-hálók
• 15.6. Beszédfelismerés
• 16.1. Meggyőződések és kívánságok összekapcsolása bizonytalanság esetén
• 16.4. Többváltozós hasznosságfüggvények
• 16.5. Döntési hálók
• 16.8. Összefoglalás
• 17.1. Szekvenciális döntési problémák
• 17.2. Értékiteráció
• 17.4. Részlegesen megfigyelhető Markov döntési folyamatok
• 17.5. Döntéselméleti ágensek
• 17.6. Többágenses döntések: a játékelmélet
• 17.8. Összefoglalás
• 18.1. Tanulási formák
• 18.2. Induktív tanulás
• 18.3. Döntési fák megalkotása tanulással
• 18.5. Miért működik a tanulás: a tanulás számítási elmélete
• 18.6. Összefoglalás
• 19.1. A tanulás logikai megfogalmazása
• 19.3. Magyarázatalapú tanulás
• 19.4. Tanulás releváns információ alapján
• 19.5. Induktív logikai programozás
• 19.6. Összefoglalás
• 20.1. Statisztikai tanulás
• 20.2. Teljes adattal történő tanulás
• 20.3. Rejtett változókkal történő tanulás: az EM algoritmus
• 20.4. Példányalapú tanulás
• 20.5. Neurális hálók
• 20.6. Kernelgépek
• 20.7. Esettanulmány: kézzel írott számjegyek felismerése