Ściana Północna

Sieci bayesowskie to struktury graficzne służące do reprezentowania relacji probabilistycznych między dużą liczbą zmiennych i przeprowadzania wnioskowania probabilistycznego na tych zmiennych. W latach osiemdziesiątych przeprowadzono wiele powiązanych badań dotyczących rozwoju sieci bayesowskich (sieci przekonań, sieci przyczynowych, diagramów wpływu), algorytmów przeprowadzania z nimi wnioskowania oraz aplikacji, które z nich korzystały. Jednak praca została rozproszona po artykułach naukowych. W latach 90. pojawiły się doskonałe algorytmy uczenia sieci bayesowskich z danych. Jednak do 2000 r. nadal wydawało się, że nie ma dostępnego źródła "uczenia się sieci bayesowskich". Celem tego tekstu jest zapewnienie takiego źródła. Aby uczynić ten tekst kompletnym wprowadzeniem do sieci bayesowskich, omówię metody wnioskowania w sieciach bayesowskich i diagramy wpływu. Jednak nie staram się być wyczerpujący w tej dyskusji. Na przykład podaję szczegóły tylko dwóch algorytmów do dokładnego wnioskowania ze zmiennymi dyskretnymi, a mianowicie algorytmu przekazywania wiadomości Pearla oraz symbolicznego algorytmu wnioskowania probabilistycznego D'Ambrosio i Li. Może wydawać się dziwne, że przedstawiam algorytm Pearl, ponieważ jest jednym z najstarszych. Mam ku temu dwa powody: 1) algorytm Pearla odpowiada modelowi ludzkiego rozumowania przyczynowego, oraz 2) Algorytm Pearla z łatwością rozciąga się na algorytm wnioskowania ze zmiennymi ciągłymi.

Część 1 zawiera wprowadzenie do sieci bayesowskich.

Część 2 omawia dalsze relacje między DAG a rozkładami prawdopodobieństwa, takimi jak rozdzielenie d, warunek wierności i warunek minimalności.

Część 3 omawia algorytm przekazywania wiadomości Pearl, symboliczne wnioskowanie probabilistyczne D'Ambrosio i Li oraz związek algorytmu Pearl z ludzkim rozumowaniem przyczynowym.

Część 4 przedstawia algorytm wnioskowania ze zmienną ciągłą, algorytm wnioskowania przybliżonego i wreszcie algorytm wnioskowania abdukcyjnego (znajdowanie najbardziej prawdopodobnego wyjaśnienia)

Część 5 omawia diagramy wpływów, które są sieciami bayesowskimi, uzupełnione o węzły decyzyjne i węzeł wartości oraz dynamiczne sieci bayesowskie i diagramy wpływów.

Częśćy 6 wprowadza algorytmy omawiając zmienne binarne

Część 7 uogólnia to na zmienne wielomianowe . Ponadto w rozdziale 7 omawiam parametry uczenia się, gdy zmienne są ciągłe.

Część 8 przedstawia metodę bayesowską dla struktury uczenia się zarówno w przypadku zmiennych dyskretnych, jak i ciągłych.

Część 9 omawia metodę opartą na ograniczeniach dla struktury uczenia się.

Część 10 porównuje metody bayesowskie i metody oparte na ograniczeniach, a także przedstawia kilka przykładów uczenia się sieci bayesowskich w świecie rzeczywistym.

Część 11 kończy się odniesieniem do zastosowań sieci bayesowskich

To jest tekst dotyczący uczenia się sieci bayesowskich; nie jest to tekst o sztucznej inteligencji, systemach eksperckichh czy analizie decyzji. Jednak ponieważ są to dziedziny, w których sieci bayesowskie znajdują zastosowanie, pojawiają się one często w całym tekście.

Ściana Zachodnia

Przedstawiamy nowe podejście do widzenia komputerowego. Cały proces widzenia, od tworzenia obrazu do pomiaru, rozpoznawania lub reagowania, jest uważany za proces integralny. Widzenie komputerowe jest rozumiane jako zbiór technik pozyskiwania, przetwarzania, analizowania i rozumienia złożonych, wielowymiarowych danych z naszego środowiska na potrzeby badań naukowych i technicznych. W tym sensie bierzemy pod uwagę interdyscyplinarny charakter widzenia komputerowego z jego powiązaniami z praktycznie wszystkimi naukami przyrodniczymi i próbuje wypełnić dwie ważne luki. Pierwsza dotyczy współczesnych nauk fizycznych i wielu nowatorskich technik pozyskiwania obrazów. Druga dotyczy podstawowych badań i zastosowań.

Pierwsza część, Czujniki i obrazowanie, : dotyczy tworzenia i akwizycji obrazu.

Druga część, Przetwarzanie sygnału i rozpoznawanie wzorców, : koncentruje się na przetwarzaniu sygnałów przestrzennych i czasowo-przestrzennych odbieranych przez czujniki obrazowania.

Trzecia część składa się z Galerii aplikacji, : która w zwięzłym przeglądzie przedstawia szeroką gamę przykładów zastosowań zarówno z przemysłu, jak i nauki. Ta część ilustruje, jak wizja komputerowa jest zintegrowana z różnymi systemami i aplikacjami

•  Wprowadzenie

I Czujniki i obrazowanie

•  Promieniowanie i oświetlenie
•  Optyka obrazowania
•  Radiometria obrazowania
•  Wykrywanie obrazu w stanie stałym
•  Kalibracja geometryczna systemów obrazowania cyfrowego
•  Techniki obrazowania trójwymiarowego

II Przetwarzanie sygnału i rozpoznawanie wzorców

•  Reprezentacja sygnałów wielowymiarowych
•  Operatory Sąsiedzkie

•  Ruch
•  Algorytmy trójwymiarowego obrazowania
•  Projektowanie nieliniowych filtrów dyfuzyjnych
•  Wariacyjne wygładzanie adaptacyjne i segmentacja
•  Operatory morfologiczne
•  Modelowanie probabilistyczne w wizji komputerowej
•  Przetwarzanie rozmytego obrazu
•  Obliczenia w sieciach neuronowych do przetwarzania obrazu

III Galeria aplikacji

Ściana Południowa

Dziedzina ta rozpoczęła się w późnych latach pięćdziesiątych i wczesnych sześćdziesiątych XX wieku, kiedy dostępność cyfrowych komputerów umożliwiła naukowcom i inżynierom tworzenie i eksperymentowanie z różnymi modelami procesów ewolucyjnych. Ta wczesna praca zaowocowała wieloma ważnymi paradygmatami WE, w tym programowaniem ewolucyjnym (EP), strategiami ewolucji (ES) i algorytmami genetycznymi (GA), które posłużyły za podstawę większości prac wykonanych w latach siedemdziesiątych XX wieku, okresie intensywnej badanie i udoskonalanie tych pomysłów. Rezultatem był szereg solidnych algorytmów o znacznym potencjale rozwiązywania trudnych problemów naukowych i inżynieryjnych. Pod koniec lat 80. i na początku lat 90. poziom aktywności wzrósł do tego stopnia, że każda z podgrup związanych z podstawowymi paradygmatami WE (GA, ES i EP) była zaangażowana w planowanie i organizowanie własnych, regularnie planowanych konferencji. Jednak w tej dziedzinie narastało poczucie potrzeby większej interakcji i spójności między różnymi podgrupami. Aby dziedzina jako całość dojrzała, potrzebowała nazwy, musiała mieć wyartykułowaną, spójną strukturę, potrzebowała rezerwuaru dla literatury archiwalnej. Lata 90. odzwierciedlają to dojrzewanie, wybierając obliczenia ewolucyjne jako nazwę dziedziny, tworząc dwa czasopisma dla tej dziedziny oraz zobowiązując się do stworzenia tego podręcznika jako pierwszego jasnego i spójnego opisu tej dziedziny.

Ściana Wschodnia

Część I Wprowadzenie

Część II Narzędzia matematyczne

Sekcje 1 : Rozmyte zbiory
A. Definicje
B. Operacje mnogościowe
C. a-Cięcia
D. Kardynalność zbioru rozmytego
E. Włączenia i równości zbiorów rozmytych
F. Wypukłe zbiory rozmyte i rozmyte zbiory strukturalne
G. Zestawy rozmyte L
H. Miary rozmycia

Sekcja 2 : Zasada rozszerzenia, rozszerzone operacje i rozszerzone zbiory rozmyte

A. Zasada rozszerzenia
B. Rozszerzone operacje rzeczywiste
C. Rozszerzone zestawy rozmyte

Sekcja 3 Rozmyte relacje

A. N-Ary Rozmyte relacje
B. Binarne rozmyte relacje
C. Relacje podobieństwa i powiązane tematy
D. Rozmyte zamówienia
E. Równania relacji rozmytych
F. Uogólnione rozmyte relacje

Sekcja 4 : Funkcje rozmyte

A. Różne rodzaje funkcji rozmytych
B. Fuzzy Extremum
C. Całkowanie funkcji rozmytych w (nie) rozmytych przedziałach
D. Różnicowanie
E. Łamigłówka
F. Kategorie zbiorów rozmytych

Sekcja 5 : Miary rozmyte, prawdopodobieństwa / możliwości

A. Miary rozmyte i całki Sugeno
B. Możliwość i prawdopodobieństwo
C. Zdarzeń rozmytych
D. Rozkłady rozmyte

Część III Rozmyte modele i struktury formalne

Sekcja 6 : Logika wielowartościowa i rozmyta
A. Fuzzy Switching Logic
B.Logiki wielowartościowe
C .Fuzzy Modal Logic
D. Logika o wartościach rozmytych
E. Przybliżone rozumowanie

Sekcja 7: Dynamiczne systemy rozmyte

A. Złożoność i niejasność w teorii systemu
B. Systemy rozmyte z czasem dyskretnym
C. Fuzzy Automata
D. Systemy deterministyczne w rozmytym środowisku
E.Liniowe systemy rozmyte
F.Inne zagadnienia związane z nieostrożnością i systemami

Sekcja 8 : Język rozmyty - algorytmy rozmyte

A. Języki rozmyte i gramatyki rozmyte
B. Fuzzy Algorytmy

Sekcja 9 : Rozmyte modele badań operacyjnych
A. Optymalizacja w rozmytym środowisku
B. Grafy rozmyte

Część IV Rozmyte tematy zorientowane na systemy

Sekcja 10 L Skąd się biorą "oni"?
A. Nieformalna dyskusja wstępna
B. Praktyczne oszacowanie funkcji członkostwa
C. Identyfikacja operatorów zbiorów rozmytych
D. Analiza tolerancji z wykorzystaniem zbiorów rozmytych

Sekcja 11 : Od języków programowania do języków naturalnych

A. Rozmyte języki programowania
B. Modelowanie języków naturalnych
C. Dedukcyjne słowne systemy dynamiczne

Sekcja 12 : Rozmyte zbiory w podejmowaniu decyzji

A. Rozmyty porządek rang
B. Podejmowanie decyzji pod kątem wielu kryteriów
C. Agregacja opinii w grupie społecznej. Konsensus
D. Podejmowanie decyzji w warunkach losowości i rozmywania

Sekcja 13 : Fuzzy Control

A. Rozmyta optymalna kontrola
B. Synteza kontrolerów językowych

Sekcja 14: Zbiory rozmyte w systemach uczących się

A. Nauka za pomocą automatów lub rozmytych miar warunkowych
B. Samodoskonalenie rozmytych kontrolerów językowych

Sekcja 15 : Klasyfikacja wzorców za pomocą zbiorów rozmytych

A. Rozpoznawanie wzorców
B. Algorytmy klastrowania
C. Zbieranie informacji

Sekcja 16 : Rozmyta diagnoza

A. Rozróżnianie stanów rozmytych w środowisku probabilistycznym
B. Przedstawienie przyczynowości przez relacje rozmyte

Sekcja 16 : Zbiory rozmyte w identyfikacji struktur

A. Rozmyte modelowanie strukturalne
B. Heurystyczna Synteza Struktury
C. Rozmyte wnioskowanie gramatyczne

Sekcja 17 : Rozmyte gry

Sekcja 18 : Rozmyte zbiory i katastrofy

Część V Przegląd potencjalnych zastosowań

A. Sztuczna inteligencja i robotyka
B. Przetwarzanie obrazu i rozpoznawanie mowy
C. Nauki biologiczne i medyczne
D. Kontrola
E. Stosowane badania operacyjne
F. Ekonomia i geografia
G. Socjologia
H. Psychologia
I. Językoznawstwo
J. Semiotyka
K. Inne tematy