3 S3,675(ĝ&,
6SLVVNUyWyZLR]QDF]HĔXĪ\ZDQ\FKZSUDF\ ... 4
1. Wprowadzenie ... 6
2. Sztuczne Sieci Neuronowe ... 9
%XGRZDLG]LDáDQLHQHXURQXQDWXUDOQHJR ... 9
%XGRZDLG]LDáDQLHV]WXF]QHJRQHXURQX ... 9
2.3. Sieci neuronowe ... 11
2.4. Statyczne sieci neuronowe ... 13
2.5. Dynamiczne sieci neuronowe ... 15
2.6. Metody uczenia SSN ... 21
2.7. Regularyzacja Bayseowska ... 25
2.8. Weryfikacja modelu SSN ... 28
6WDW\VW\ND2GSRUQRĞFLRZD ... 30
3.1. Odporne metody regresji ... 31
4. Metodyka eksploracji danych CRISP-DM ... 34
6]WXF]QHVLHFLQHXURQRZHZPRGHORZDQLXSURFHVyZKXWQLF]\FK ... 36
6. Teza i cel pracy ... 39
7. Odporna metoda uczenia i adaptacji modelu neuronowego ... 40
8. Schemat adaptacji modelu neuronowego. ... 47
0HWRG\NDDGDSWDF\MQHJRPRGHORZDQLDSURFHVyZKXWQLF]\FK ... 49
3U]\NáDG\PRGHORZDQLDZ\EUDQ\FKSURFHVyZKXWQLF]\FK ... 54
10.1. Modelowanie adaptacyjne w procesie zawiesinowego wytopu miedzi ... 54
10.2. Odporne metamodelowanie w procHVDFKSODVW\F]QHMSU]HUyENLPHWDOL ... 68
0RGHORZDQLHQDSUĊĪHQLDXSODVW\F]QLDMąFHJRSU]\SRPRF\G\QDPLF]Q\FK661 .. 74
11. Podsumowanie i wnioski ... 77
Dodatek ... 78
A. Nowoczesne programowanie w C++ ... 78
B. Opis biblioteki AMSI ... 82