Ugrás a fő tartalmi területre
Mesterséges Intelligencia Almanach
Könyvek
Fogalomtár
Kutatók
Szerzők
Címlap
Hivatkozók
indukció
Mesterséges Intelligencia
4.2. Heurisztikus függvények
5.1. Kényszerkielégítési problémák
9.6. Összefoglalás
13.3. Valószínűségi axiómák
14.5. Közelítő következtetés Bayes-hálókban
14.8. Összefoglalás
15.5. Dinamikus Bayes-hálók
15.6. Beszédfelismerés
18.2. Induktív tanulás
18.3. Döntési fák megalkotása tanulással
18.4. Hipotézishalmaz együttes tanulása
18.5. Miért működik a tanulás: a tanulás számítási elmélete
18.6. Összefoglalás
19.2. A tudás szerepe a tanulásban
19.6. Összefoglalás
20.2. Teljes adattal történő tanulás
20.5. Neurális hálók
20.8. Összefoglalás
21.5. Stratégiakeresés
25.9. Összefoglalás
Neurális hálózatok
1.1. A neurális hálózat definíciója, működése
1.3. A neurális hálózatok alapvető számítási képességei, felhasználási területei
2.3. A statisztikus tanuláselmélet alapjai
2.5. Determinisztikus és sztochasztikus szélsőérték-kereső eljárások
3.1. A Rosenblatt perceptron
4.3. Az MLP konstrukciójának általános kérdései
6.2. Kernel függvények
6.3. Szupport Vektor Gépek
7.1. Felismerési feladatok (képosztályozás)
8.2. Dinamikus neurális modellek
8.6. Dinamikus hálók alkalmazása
9.1. Moduláris háló kialakítása feladat dekompozíció alapján
9.3. Moduláris háló kialakítása a tanító mintakészlet módosításával
11.1. A Hopfield hálózat
11.2. A Boltzmann gépek
12.2. Az a priori tudás beépítése a tanuló eljárásba
13.1. Zajos adatok
13.2. Az adatok előfeldolgozása
13.3. Kilógó adatok
13.5. Lényegkiemelés
Kapcsolódó tartalmak
Fogalom
indukció
Hivatkozók
indukció
Mesterséges Intelligencia
4.2. Heurisztikus függvények
5.1. Kényszerkielégítési problémák
9.6. Összefoglalás
13.3. Valószínűségi axiómák
14.5. Közelítő következtetés Bayes-hálókban
14.8. Összefoglalás
15.5. Dinamikus Bayes-hálók
15.6. Beszédfelismerés
18.2. Induktív tanulás
tovább