Sztuczna inteligencja dla nauki o danych: Ramy i funkcje sztucznej inteligencji dla głębokiego uczenia się, optymalizacji i nie tylko

Opinie czytelników

Książka stanowi cenne źródło wiedzy zarówno dla początkujących, jak i doświadczonych analityków danych, którzy chcą zrozumieć i wdrożyć sztuczną inteligencję, zwłaszcza głębokie uczenie się. Istnieje jednak niepokojąca kwestia naruszenia praw autorskich, która dotknęła niektórych czytelników.

Dobrze napisana i bogata w informacje, z kompleksowym omówieniem podstaw głębokiego uczenia, narzędzi i frameworków. Zawiera praktyczne przykłady kodowania i porusza istotne tematy sztucznej inteligencji, takie jak Big Data i nowe techniki, takie jak Transfer Learning i Capsule Networks.

Książka zawiera kilka błędów gramatycznych, które mogą zakłócać czytanie. Ponadto istnieją kwestie związane z naruszeniem praw autorskich, które wpłynęły na niektórych użytkowników, powodując frustrację z powodu utraconych możliwości audiobooka.

(na podstawie 2 opinii czytelników)

Oryginalny tytuł:

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

Zawartość książki:

Opanuj podejścia i zasady algorytmów sztucznej inteligencji (AI) i zastosuj je w projektach Data Science z kodem Python i Julia.

Aspirujący i praktykujący specjaliści Data Science i AI, wraz z programistami Python i Julia, przećwiczą liczne algorytmy AI i rozwiną bardziej holistyczne zrozumienie dziedziny AI, a także dowiedzą się, kiedy używać każdego frameworka do rozwiązywania projektów w naszym coraz bardziej złożonym świecie.

Pierwsze dwa rozdziały wprowadzają w tę dziedzinę, przy czym rozdział 1 przedstawia modele głębokiego uczenia, a rozdział 2 zawiera przegląd algorytmów wykraczających poza głębokie uczenie, w tym optymalizację, logikę rozmytą i sztuczną kreatywność.

Kolejne rozdziały koncentrują się na frameworkach sztucznej inteligencji; zawierają one dane oraz kod Python i Julia w dostarczonym Dockerze, dzięki czemu można ćwiczyć. Rozdział 3 obejmuje MXNet Apache, rozdział 4 obejmuje TensorFlow, a rozdział 5 bada Keras. Po omówieniu tych frameworków głębokiego uczenia się, badamy serię frameworków optymalizacyjnych, z rozdziałem 6 obejmującym optymalizację roju cząstek (PSO), rozdziałem 7 na temat algorytmów genetycznych (GA) i rozdziałem 8 omawiającym symulowane wyżarzanie (SA).

Rozdział 9 rozpoczyna naszą eksplorację zaawansowanych metod sztucznej inteligencji, obejmując konwolucyjne sieci neuronowe (CNN) i rekurencyjne sieci neuronowe (RNN). Rozdział 10 omawia zespoły optymalizacyjne i sposób, w jaki mogą one wnieść wartość dodaną do potoku nauki o danych.

Rozdział 11 zawiera kilka alternatywnych ram sztucznej inteligencji, w tym Extreme Learning Machines (ELM), Capsule Networks (CapsNets) i Fuzzy Inference Systems (FIS).

Rozdział 12 obejmuje inne kwestie uzupełniające omówione tematy sztucznej inteligencji, w tym koncepcje Big Data, obszary specjalizacji Data Science i przydatne zasoby danych do eksperymentowania.

Zawarto w nim obszerny glosariusz, a także serię dodatków obejmujących uczenie transferowe, uczenie ze wzmocnieniem, systemy autoenkoderów i generatywne sieci adwersarzy. Istnieje również dodatek dotyczący biznesowych aspektów sztucznej inteligencji w projektach nauki o danych oraz dodatek dotyczący korzystania z obrazu Docker w celu uzyskania dostępu do danych i kodu książki.

Dziedzina sztucznej inteligencji jest rozległa i może być przytłaczająca dla nowicjuszy. Ta książka zapewni ci solidne zrozumienie tej dziedziny, a także zainspiruje cię do dalszych poszukiwań.