Umělá inteligence pro datovou vědu: Rámce a funkce umělé inteligence pro hluboké učení, optimalizaci a další oblasti.

Recenze čtenářů

Kniha je cenným zdrojem informací pro začínající i zkušené datové vědce, kteří chtějí pochopit a implementovat umělou inteligenci, zejména hluboké učení. Existuje však znepokojivý problém s porušováním autorských práv, který se dotkl některých čtenářů.

Dobře napsaná a informativní kniha s komplexním pokrytím základů hlubokého učení, nástrojů a frameworků. Obsahuje praktické příklady kódování a dotýká se relevantních témat AI, jako jsou velká data a nové techniky, jako je transferové učení a kapslové sítě.

Kniha obsahuje některé gramatické chyby, které mohou narušit zážitek ze čtení. Kromě toho se objevily problémy související s porušováním autorských práv, které měly dopad na některé uživatele, což způsobilo frustraci ze ztracených možností audioknihy.

(na základě 2 hodnocení čtenářů)

Původní název:

AI for Data Science: Artificial Intelligence Frameworks and Functionality for Deep Learning, Optimization, and Beyond

Obsah knihy:

Osvojte si přístupy a principy algoritmů umělé inteligence (AI) a aplikujte je na projekty datové vědy pomocí kódu Pythonu a Julie.

Aspirující a praktikující profesionálové v oblasti datové vědy a umělé inteligence spolu s programátory v jazycích Python a Julia si procvičí řadu algoritmů umělé inteligence, získají ucelenější představu o oboru umělé inteligence a naučí se, kdy který rámec použít při řešení projektů v našem stále složitějším světě.

První dvě kapitoly uvádějí do oboru, přičemž kapitola 1 obsahuje přehled modelů Deep Learning a kapitola 2 poskytuje přehled algoritmů mimo Deep Learning, včetně optimalizace, fuzzy logiky a umělé kreativity.

Další kapitoly se zaměřují na rámce umělé inteligence; obsahují data a kód Pythonu a Julie v poskytnutém Dockeru, takže si je můžete procvičit. Kapitola 3 se zabývá systémem MXNet společnosti Apache, kapitola 4 se věnuje systému TensorFlow a kapitola 5 zkoumá systém Keras. Po pokrytí těchto rámců pro hluboké učení prozkoumáme řadu optimalizačních rámců, přičemž kapitola 6 se zabývá optimalizací částicového roje (PSO), kapitola 7 genetickými algoritmy (GA) a kapitola 8 pojednává o simulovaném žíhání (SA).

Kapitola 9 začíná náš průzkum pokročilých metod umělé inteligence tím, že se zabývá konvolučními neuronovými sítěmi (CNN) a rekurentními neuronovými sítěmi (RNN). Kapitola 10 se zabývá optimalizačními ansámbly a tím, jak mohou přidat hodnotu do procesu Data Science.

Kapitola 11 obsahuje několik alternativních rámců umělé inteligence včetně extrémních učících se strojů (ELM), kapslových sítí (CapsNets) a fuzzy inferenčních systémů (FIS).

Kapitola 12 se zabývá dalšími úvahami doplňujícími probíraná témata AI, včetně konceptů Big Data, oblastí specializace Data Science a užitečných datových zdrojů pro experimentování.

Součástí je obsáhlý slovníček pojmů a řada příloh, které se zabývají transferovým učením, učením s posilováním, autoenkodérovými systémy a generativními adverzními sítěmi. Nechybí ani dodatek o obchodních aspektech umělé inteligence v projektech datové vědy a dodatek o tom, jak používat obraz Docker pro přístup k datům a kódu knihy.

Oblast umělé inteligence je rozsáhlá a přístup k ní může být pro nováčka ohromující. Tato kniha vás vyzbrojí solidními znalostmi oboru a navíc vás bude inspirovat k dalšímu zkoumání.