Recenze čtenářů
Shrnutí:Kniha „Artificial Intelligence by Example“ od Denise Rothmana je oceňována pro mistrovské propojení teorie a praktického použití v široké škále témat umělé inteligence. Efektivně vyplňuje mezery, které zůstaly po jiných knihách o umělé inteligenci, a poskytuje vhled do matematických konceptů i do kódovacích implementací. Některé recenze však poukazovaly na nedostatečnou strukturu, uspořádání a hloubku některých témat vzhledem k jejímu širokému záběru.
Klady:⬤ Mistrovsky prolíná teorii a praktické příklady kódování.
⬤ Pomáhá překlenout propast mezi matematickými koncepty a programátorskými aplikacemi.
⬤ Pokrývá širokou škálu témat z oblasti umělé inteligence, takže je vhodná pro různé skupiny čtenářů (studenty, vývojáře, projektové manažery).
⬤ Obsahuje odpovědi na cvičení, což zlepšuje výuku.
⬤ Poutavé a srozumitelné čtení s rozmanitými příklady.
Zápory:⬤ Nedostatečná organizace a provázanost jednotlivých kapitol, takže působí nesouvisle.
⬤ Některá témata nejsou vzhledem k širokému záběru knihy pokryta do hloubky.
⬤ Občasná rozvláčnost a nejasné příklady z reálného světa.
⬤ Pro některé čtenáře bylo obtížné porozumět některým kapitolám, zejména těm se složitými pojmy.
(na základě 17 hodnocení čtenářů)
Původní název:
Artificial Intelligence By Example - Second Edition
Obsah knihy:
Pochopte základy a vyvíjejte vlastní řešení umělé inteligence v tomto aktualizovaném vydání plném mnoha nových příkladů Klíčové vlastnosti Příklady založené na umělé inteligenci, které vás provedou návrhem a implementací strojové inteligence Vytvářejte strojovou inteligenci od nuly pomocí příkladů umělé inteligence Vyvíjejte strojovou inteligenci od nuly pomocí skutečné umělé inteligence Popis knihy
Umělá inteligence má potenciál napodobit člověka v každé oblasti. Kniha Umělá inteligence na příkladech, druhé vydání vám poslouží jako výchozí bod k pochopení toho, jak se umělá inteligence vytváří, a to pomocí poutavých a vzrušujících příkladů.
Tato kniha z vás udělá adaptivního myslitele a pomůže vám aplikovat koncepty na reálné scénáře. Na nejzajímavějších příkladech umělé inteligence, přímo od počítačových programů, jako je jednoduchý šachový motor, až po kognitivní chatboty, se naučíte, jak se vypořádat se strojem, se kterým soupeříte. Prostudujete některé z nejpokročilejších modelů strojového učení, pochopíte, jak aplikovat AI na blockchain a internet věcí (IoT), a budete rozvíjet emoční kvocient v chatbotech pomocí neuronových sítí, jako jsou rekurentní neuronové sítě (RNN) a konvoluční neuronové sítě (CNN).
Toto vydání obsahuje také nové příklady hybridních neuronových sítí, kombinace posilovacího učení (RL) a hlubokého učení (DL), řetězových algoritmů, kombinace učení bez dohledu s rozhodovacími stromy, náhodných lesů, kombinace DL a genetických algoritmů, konverzačních uživatelských rozhraní (CUI) pro chatboty, neuromorfních počítačů a kvantových počítačů.
Na konci této knihy pochopíte základy umělé inteligence a zpracujete řadu příkladů, které vám pomohou při vývoji řešení umělé inteligence. Co se naučíte Aplikovat k- nejbližších sousedů (KNN) na jazykové překlady a prozkoumáte možnosti překladače Google Pochopíte řetězové algoritmy kombinující neřízené učení s rozhodovacími stromy Vyřešíte problém XOR s neuronovými sítěmi (FNN) a vytvoříte jejich architekturu pro reprezentaci grafu datových toků Seznámíte se s modely meta učení s hybridními neuronovými sítěmi Vytvoříte chatbota a optimalizujete jeho nedostatky v oblasti emoční inteligence pomocí nástrojů, jako je Small Talk a záznam dat Vytváření konverzačních uživatelských rozhraní (CUI) pro chatboty Psaní genetických algoritmů, které optimalizují neuronové sítě s hlubokým učením Vytváření kvantových výpočetních obvodů Pro koho je tato kniha určena?
Vývojáři a zájemci o umělou inteligenci, kteří chtějí pochopit základy umělé inteligence a prakticky je implementovat. Předchozí zkušenosti s programováním v jazyce Python a znalosti statistiky jsou nezbytné pro maximální využití této knihy. Obsah: Začínáme s umělou inteligencí nové generace pomocí Reinforcement Learning Sestavení matice odměn Navrhování datových sad Vyhodnocovací funkce strojové inteligence a numerická konvergence Optimalizace řešení pomocí shlukování K-Means Jak používat rozhodovací stromy k vylepšení shlukování K-Means Inovace umělé inteligence pomocí Google Translate Optimalizace blokových řetězců pomocí Naive Bayes Řešení problému XOR pomocí FNN Klasifikace abstraktních obrázků pomocí CNN Učení konceptuální reprezentace Kombinace RL a DL Umělá inteligence a internet věcí Vizualizace sítí pomocí TensorFlow 2. x a TensorBoard Příprava vstupu chatbotů pomocí RBM a PCA Nastavení kognitivního NLP UI/CUI Chatbot Zlepšení nedostatků emoční inteligence chatbotů Genetické algoritmy v hybridních neuronových sítích Neuromorfní výpočty Kvantové výpočty
