|
Start eBook
Das
eBook
Künstliche
Intelligenz
Datenanalyse
Expertensysteme
Copyright
------ Fuzzy Logic
------------------
001 Wahr und
Falsch
002 Mengenlehre
003 Mathematik
004 Zugehörigkeit
005 Rechnen mit Mengen
006 Rechnen mit Mengen
007 Kleine und große Menschen scharf
008 Kleine und große Menschen unscharf
009 Unscharfe Zugehörigkeit
010 Fuzzy-Komplement
011 Fuzzy-Durchschnitt (UND)
012 Fuzzy-Vereiningung (ODER)
013 Gesetze der Mengenlehre
014 Der Satz vom ausgeschlossenen Dritten
015 Seltsame Behauptungen!
016 Wahrheit und Lüge
017 Relationen
018 Wahrscheinlichkeit (Probability)
019 Möglichkeitstheorie (Possibility)
------ Fuzzy Regelung ---------------
020 Was ist eine Regelung?
021 Duschen Temperatur
022 Wassertemperstur fuzzifizieren
023 Linguistische Variablen
024 Regelbasis
025 Ausgang Zugehörigkeitsfunktionen
026 Regelbasis vervollständigen
027 Inferenz
028 Aggregation
029 Implikation
030 Akkumulation
031 Schwerpunktmethode
032 Kennlinie
033 Linear und nichtlinear
034 2 Eingangsvariablen und ein Ausgang
035 Aggregation und Implikation
036 Akkumulation
037 Defuzzifizieren Singletons
038 3-D-Kennfeld
---- Neuronale Netzwerke -------------
039 Vorteile der Fuzzy-Kennfelder
040 Einführung
041 Das Gehirn
042 Gehirn und seine Leistungsfähigkeit
043 Das Netzwerk
044 Neuronen
045 Das Neuron und Synapse
046 Lernen
047 Die künstlichen Elemente
048 Funktion der künstlichen Elemente
049 Beispiel XOR-Funktion
050 Beispiel XOR-Funktion
051 Separierbarkeit
052 Wie lernt der Mensch?
053 Überwachtes Lernen
054 Lineare und nichtlineare Transferfunktion
055 Wie verändert man die Gewichte?
056 Backpropagation Lernmethode
057 Lernrate
058 Lokale und globale Minima
059 Lernen ohne Lehrer
060 Netzformen
---- Anwendung neuronale Netzwerke --------
061 Einführung
062 Identifikation einer Regelstrecke
063 Beispiel Identifikation
064 Trainings- und Validierungsdaten
065 Zustandsraum und Normierung
066 Abbruchschranke für den Lernvorgang
067 Autonomes Fahren
068 NN lernt LKW rückwärts fahren
069 Datenanalyse
070 Diagnose und Prognose
071 Data-Mining und Big Data
--- Machinelles Lernen mit PyBrain --------
072 Was bedeutet Machine Learning?
073 NN soll Qudrieren erlernen
074 Supervised NN in PyBrain
075 Supervides NN in PyBrain
076 Supervised Lernalgorithmus
077 Backpropagation ist aktiv
078 Wie benutzt man ein Netzwerk?
079 Mehr Training ist besser?
080 Ist noch mehr Training besser?
081 Mehr Neuronen?
082 Noch mehr Neuronen?
083 Overloading
084 Input-Output erhöhren
085 Mehr Neuronen!
086 Lerningrate und Gewichte
087 Momentum!
088 Speichern der Gewichte
089 Warum normieren auf 0 und 1?
090 Lernen bis eine Schwelle erreicht ist
091 Mehr Daten
092 Random daten zwischen 0 und 1
093 Zwei Eingänge und ein Ausgang
094 Aus Regression wird Klassifikation
095 Klassifikation mit neuronalen Netzwerken
096 Klassifikation = das Ergebnis
097 Sequentieller Datentyp
--- NN mit TensorFlow -------------------
098 TensorFlow
099 Simple Example
100 Simple Example Übersicht
101 MNIST Bilder
102 Datasets bei TensorFlow
103 Bilder laden
104 Bilder normieren
105 Neuronales Netzwerk aufbauen
106 Erste Schicht
107 Versteckte Schicht
108 Dropout Schicht
109 Ausgabe Schicht
110 NN Blockschaltbild
111 Compile Model
112 Kostenfunktion
113 Metrics
114 NN lernt
115 NN testen
116 NN run in Browser
117 NN run in SPYDER
118 Parallelrechner und Cloud
---- Genetische Algorithmen -----------
119 Was bedutet Optimierung?
120 Charles Darwin
121 Evolutionäre Algorithmen
122 Genetische Algorithmen
123 Genetische Codierung in der Natur
124 Fuktionsweise Genetische Algorithmen
125 Kodierung der Parameter
126 Population
127 Fitness Funktion
128 Ablauf der Optimierung
129 Selektion
130 Modifikation der genetischen Information
131 Crossover
132 Mutation
133 Nachkommen und die nächste Generation
----- Chaos Theorie ---------------------
134 Theorie: Einführung
135 Wettervorhersage
136 Vorhersage und Determinsmus
137 Feigenbaum-Diagramm und Mendelbrotmengen
138 Das Lorenz-Wasserrad
---------- ENDE --------------------------
|
eBook Größe: 20 
