- •405. Адаптивний лінійний елемент (Розпізнавання образів і навчання)
- •406. Активні контурні моделі. (Комп'ютерний зір)
- •407. Алгоритм ebl і навчання на рівні знань (Машинне навчання, засноване на символьному представленні інформації)
- •408. Алгоритм Meta-dendral (Машинне навчання, засноване на символьному представленні інформації)
- •411. Алгоритм використовування розумних агентів (Intelligent agent)
- •412. Алгоритм зворотного розповсюдження у нейронних багатошарових мережах.
- •410. Алгоритм виключення кандидата (Машинне навчання, засноване на символьному представленні інформації)
- •409. Алгоритм Web-агента по Алан Кей (Alan Kay)
- •413. Алгоритм кластеризації Гроссберга і Карпентера.
- •414. Алгоритм методу мурашки. (Ant algorithms), оптимізація, за принципом мурашиної колонії (алгоритму (Marco Dorigo)).
- •417. Алгоритм програми використання внутрішньої бази фактів підприємства.
- •421. Використування та розробка Web-агента, поняття Кріса Лангтона (Chris Langton), структура програмного агента
- •420. Байесовській метод розпізнавання (Розпізнавання образів і навчання)
- •424. Геометричний метод розпізнавання (Розпізнавання образів і навчання)
- •425. Індуктивний алгоритм побудови дерева рішень id3 (Машинне навчання, засноване на символьному представленні інформації)
- •426. Індуктивний поріг і можливості навчання (Машинне навчання, засноване на символьному представленні інформації)
- •427. Інтерпретація контурних малюнків (Комп'ютерний зір)
- •428. Компоненти навчання з підкріпленням (Машинне навчання, засноване на символьному представленні інформації)
- •432. Моделі нейронних елементів (Розпізнавання образів і навчання)
- •433. Модель мови (Обробка природної мови)
- •434. Моделювання роботи людського інтелекту (Штучний інтелект: історія розвитку)
- •435. Навчання без вчителя шнм , засновані на правилі навчання Хебба (Розпізнавання образів! навчання)
- •436. Неповнота знань і немонотонний висновок (Основні моделі висновку)
- •437. Визначення управляючих параметрів синтезаторів мови (Обробка природної мови)
- •438. Операція узагальнення і простір понять (Машинне навчання, засноване на символьному представленні інформації)
- •439. Основні відомості про розпізнавання образів. (Розпізнавання образів і навчання)
- •440. Планування переміщень робот (Основні моделі висновку)
- •441. Попередня обробка і розпізнавання звуків. (Обробка природної мови)
- •442. Пошук при виділенні контурних сегментів (Комп'ютерний зір)
- •443. Правила висновку в численні предикатів (Представлення знань)
- •444. Принцип резолюції і система strips (Основні моделі висновку)
- •445. Програма граматичного розібрання списку на державній мові.
- •446. Програма з використанням селекторів зовнішніх баз даних.
- •447. Рекурентні алгоритми навчання розпізнаванню образів (Розпізнавання образів.І навчання)
- •448. Розпізнавання об'єктів в системах зору роботів (Комп'ютерний зір)
- •450. Семантичні мережі (Представлення знань)
- •451. Синтез мови по тексту (Обробка природної мови)
- •52. Система заснована на правилах архітектури зворотного висновку.
- •453. Системи комп'ютерного зору (Комп'ютерний зір)
- •454. Способи опису семантичних мереж і логічний висновок (Представлення знань)
- •455. Стандартизація предикативних формул (Основні моделі висновку)
- •457. Структура фрейма (Представлення знань)
- •456. Статистичний підхід до розпізнавання мови (Обробка природної мови)
- •458. Структури нейронних мереж (Розпізнавання образів і навчання)
- •459. Числення висловів (Представлення знань)
- •460. Числення предикатів (Представлення знань)
- •415. Алгоритм моделі станів (Bigram Model)
- •429. Компоненти пм-снстсми (Обробка природної мови)
437. Визначення управляючих параметрів синтезаторів мови (Обробка природної мови)
Синтезатори мови мають дуже багато проблем у виконанні поставлених перед ними завдань. При чому складність синтезу залежить від мови, яка синтезується. Так англійська є однією з найпростіших для синтезу, а російська чи українська набагото складніші, адже порядок слів є більш складним і має можливість переставлення слів. Вже до параметрів синтезу відносяться такі характеристики як швидкість вихідної згенерованої мови, тембр, висота звуку, що фактично повнісю визначають кінцевий результат, що можна почути. Хоча не всі системи синтезу мають можливості регулювання параметрів, а лише мають жорсткі встановлені значення, що може пояснюватись відсутністю вбудованого еквалайзера. Але в будь- якому разі ціллю синтезаторів є доведення якості синтезу до людської мови. Для англійської мови досягнуто дуже гарних результатів зокрема у програмному засобі JAWS, наприклад, котрий використовується для диктування тексту з екрану для сліпих.
438. Операція узагальнення і простір понять (Машинне навчання, засноване на символьному представленні інформації)
Узагальнення та спеціалізація - самі типові операції при визначенні простору понять. До основних операцій узагальнення, вживаним в машинному навчанні, відносяться наступні. 1. Заміна конкретних значень змінними. Наприклад, color (ball, red) наводиться до виду color (X, red). 2. Виняток умов з кон'юнктивні виразів. Так. shape (X, round) л size {X, small) л color (X, red) зводиться до виразу shape (X, round) л color (x, red). 3. Додавання в вираз операції диз'юнкції. Наприклад, shape (X, round) л size {X, small) л color {X, red) приводиться до shape (X, round) л size (X, small) л (Color (X, red) v color (X, blue)). 4. Заміна властивості батьківським об'єктом відповідно до ієрархії класів. Якщо об'єкт primary color (основний колір) є суперкласом для властивості red (червоний), то color (X, red) замінюється на color (X, primary color). Відносини можна описати в термінах покриття (covering). Якщо поняття р є більш загальним, ніж поняття q, то кажуть, що р покриває q. Операція узагальнення, здійснювана шляхом заміни конкретних значень змінними, визначає простір. Індуктивне навчання можна розглядати як пошук у цьому просторі поняття, задовольняє всім навчальним прикладам.
439. Основні відомості про розпізнавання образів. (Розпізнавання образів і навчання)
Розпізнавання образів - це результат числових операції, як правило, векторно- матричного множення. Обрана архітектура мережі становить індуктивний поріг системи. Розпізнавання образів - ідентифікація структури або шаблону даних. Алгоритми та архітектури, реалізують цей підхід, не припускають явного програмування. Вони просто вибираються для навчання мережі. У цьому і полягає основна перевага такого підходу: інваріантні властивості вхідної інформації виявляються за рахунок вибору відповідної архітектури та методу навчання При цьому можуть з'являтися "дивні" атрактори. Але явне програмування тут не потрібно.