Spis treści

Od edytorów vii

Notacja ix

1. Odpowiedzialna sztuczna inteligencja 1

Piotr Gawrysiak, Mieczysław Muraszkiewicz, Robert Nowak

2. Inżynieria wiedzy 17

Agnieszka Ławrynowicz

2.1. Wprowadzenie 17

2.2. Podstawy logiczne reprezentacji wiedzy 22

2.3. Sieci semantyczne 24

2.4. Ramy 28

2.5. Ontologie 31

2.5.1 Język RDFS 33

2.5.2 Język modelowania ontologii OWL 34

2.6. Grafy wiedzy 43

2.6.1 Konstrukcja grafu wiedzy 45

2.6.2 Uczenie reprezentacji grafów wiedzy 47

2.7. Metodologia inżynierii wiedzy 49

2.7.1 Etykiety i wielojęzyczność 50

2.7.2 Metodyki inżynierii wiedzy 50

2.7.3 Zasady FAIR 51

2.8. Nota bibliograficzna 52

3. Analiza danych ustrukturyzowanych 53

Robert Nowak, Krystian Radlak

3.1. Przekształcanie wartości atrybutów 54

3.2. Brakujące wartości atrybutów 57

3.2.1 Usuwanie niekompletnych rekordów 58

3.2.2 Imputacja jednokrotna 59

3.2.3 Imputacja wielokrotna 64

3.3. Redukcja wymiarowości 67

3.3.1 Korelacje atrybutów 68

3.3.2 Selekcja cech 70

3.3.3 Ekstrakcja cech 74

3.4. Niezbalansowane dane 81

3.5. Ocena jakości, uwzględnianie kosztów pomyłek 83

3.6. Podsumowanie i nota bibliograficzna 89

4. Przetwarzanie języka naturalnego 91

Piotr Andruszkiewicz, Piotr Gawrysiak, Grzegorz Protaziuk

4.1. Wprowadzenie 91

4.1.1 Opis języka, podejście klasyczne i statystyczne . . . 93

4.1.2 Języki fleksyjne i pozycyjne 94

4.1.3 Semantyka 95

4.2. Przetwarzanie tekstu w języku naturalnym 96

4.2.1 Tokenizacja 96

4.2.2 Określenie części mowy 103

4.2.3 Lematyzacja i wyodrębnienie rdzenia 105

4.2.4 Usunięcie powszechnie występujących słów 106

4.2.5 Rozpoznawanie jednostek nazewniczych 106

4.3. Reprezentacje tekstu 109

4.3.1 Reprezentacja n-gramowa 109

4.3.2 Rozmiar reprezentacji n-gramowych 113

4.3.3 Kodowanie „1 z n” 116

4.3.4 Inne reprezentacje klasyczne 117

4.3.5 Reprezentacje zanurzone 119

4.4. Modele w przetwarzaniu języka naturalnego 122

4.4.1 Modele regułowe 122

4.4.2 Klasyczne modele statystyczne 122

4.4.3 Głębokie sieci neuronowe 122

4.5. Modele języka 125

4.5.1 Modele statystyczne 126

4.5.2 Modele oparte na uczeniu głębokim 126

4.5.3 Modele wielojęzyczne 127

4.6. Rozwiązania multimodalne 128

4.7. Zastosowania 128

4.8. Podsumowanie i uwagi bibliograficzne 131

5. Bioinformatyka 135

Tomasz Gambin, Robert Nowak

5.1. Wprowadzenie 135

5.1.1 Podstawy biologiczne 136

5.1.2 Dane bioinformatyczne 141

5.2. Algorytmy uliniowienia 142

5.2.1 Badanie podobieństwa dwóch sekwencji 143

5.2.2 Mapowanie odczytów 150

5.3. Sekwencjonowanie Następnej Generacji 155

5.3.1 Formaty danych wykorzystywane w analizie NGS . 157

5.3.2 Asemblacja de novo 160

5.3.3 Potok przetwarzania danych z NGS 168

5.4. Nota bibliograficzna 176

6. Percepcja maszyn 177

Łukasz Dąbała, Karol Piczak, Krystian Radlak, Tomasz Trzciński

6.1. Wprowadzenie 177

6.2. Widzenie geometryczne 178

6.2.1 Modele kamer i ich kalibracja 179

6.2.2 Geometria epipolarna 183

6.2.3 Homografie 186

6.2.4 Punkty charakterystyczne 187

6.2.5 Rekonstrukcja 3D 206

6.3. Sieci neuronowe w wizji komputerowej 211

6.3.1 Rozpoznawanie obrazów i detekcja obiektów 211

6.3.2 Segmentacja 225

6.3.3 Odszumianie obrazów 228

6.3.4 Zmiana stylu 233

6.4. Przetwarzanie dźwięków 236

6.4.1 Reprezentacja sygnałów dźwiękowych 236

6.4.2 Typy zadań w analizie nagrań dźwiękowych 242

6.4.3 Ocena jakości systemu rozpoznawania dźwięku 245

6.4.4 Opis zawartości nagrania za pomocą atrybutów 248

6.4.5 Rozpoznawanie dźwięku za pomocą sieci neuronowych253 6.5. Uwagi bibliograficzne 256

7. Wyjaśnialna sztuczna inteligencja 263

Przemysław Biecek

7.1. Oczekiwania a rzeczywistość 265

7.2. Taksonomia metod XAI 268

7.2.1 Interpretowalna struktura vs. przybliżone wyjaśnienia269

7.2.2 Wyjaśnienia specyficzne dla rodziny modeli vs. wyjaśnienia niezależne od struktury modelu 271

7.2.3 Lokalna analiza modelu vs. globalna analiza modelu 273

7.2.4 Atrybucje zmiennych vs. profil odpowiedzi 274

7.2.5 Piramida eksploracji modelu 274

7.3. Lokalna analiza modelu 276

7.3.1 Addytywna atrybucja, metoda SHAP 276

7.3.2 Przybliżenie interpretowanym modelem – LIME 278

7.3.3 Lokalny profil – ceteris paribus 282

7.4. Globalna analiza modelu 284

7.4.1 Globalna atrybucja 284

7.4.2 Globalny profil dla zmiennej – cząstkowa zależność 284

7.4.3 Globalny profil dla zmiennej – skumulowane przyrosty286

7.5. Przykładowa analiza z użyciem technik XAI 287

7.5.1 Globalna analiza modelu 288

7.5.2 Lokalna analiza modelu 291

7.6. Uwagi bibliograficzne 294

8. Inżynieria uczenia maszynowego 297

Krystian Radlak, Paweł Zawistowski

8.1. Realizacja projektów stosujących UM 298

8.1.1 Metodyka 298

8.1.2 Definiowanie zadań modelowania 310

8.1.3 Miary jakości 313

8.1.4 Ocena dostępnych danych 316

8.2. Sukcesja modeli 326

8.2.1 Eksperymenty A/B 328

8.2.2 Causal impact 337

8.3. Wdrożenia i utrzymanie 338

8.3.1 Środowiska statyczne i dynamiczne 338

8.3.2 Wyzwania powdrożeniowe 340

8.4. Prywatność i bezpieczeństwo 345

8.4.1 Złośliwe dane 345

8.4.2 Praca z danymi wrażliwymi – prywatność różnicowa 350

8.4.3 Bezpieczeństwo systemów wykorzystujących UM 352

8.5. Nota bibliograficzna 354

Bibliografia 355

Skorowidz 367

• Назва: Sztuczna inteligencja dla inżynierów. Istotne obszary i zastosowania
• Автор: Mieczysław Muraszkiewicz, Robert Nowak
• ISBN: 978-83-8156-585-1, 9788381565851
• Дата видання: 2023-10-19
• Формат: Eлектронна книга
• Ідентифікатор видання: e_3ozj
• Видавець: Oficyna Wydawnicza Politechniki Warszawskiej