Sztuczna Inteligencja i Uczenie Maszynowe: Kompletny Przewodnik do Budowy W - Helion
TÅ‚umaczenie: Polski
ISBN: 978-83-972869-0-0
stron: 67, Format: ebook
Data wydania: 2024-08-13
Księgarnia: Helion
Cena książki: 15,75 zł
Osoby które kupowały "Sztuczna Inteligencja i Uczenie Maszynowe: Kompletny Przewodnik do Budowy W", wybierały także:
- React z AI. Kurs video. Programowanie wspomagane sztuczn 119,00 zł, (47,60 zł -60%)
- Sztuczna inteligencja w Azure. Kurs video. Uczenie maszynowe i Azure Machine Learning Service 198,98 zł, (89,54 zł -55%)
- Generatywna sztuczna inteligencja z LangChain. Budowanie aplikacji AI opartych na LLM z u 79,00 zł, (39,50 zł -50%)
- J 44,90 zł, (22,45 zł -50%)
- Prosto o AI. Jak dzia 44,90 zł, (22,45 zł -50%)
Spis treści
Sztuczna Inteligencja i Uczenie Maszynowe: Kompletny Przewodnik do Budowy Własnych Rozwiązań AI eBook -- spis treści
Rozdział 1: Wprowadzenie do Sztucznej Inteligencji i Uczenia Maszynowego
1.1 Co to jest AI?
1.2 Typy Sztucznej Inteligencji
1.3 Przykłady zastosowania AI
1.4 Podstawowe pojęcia w AI
Rozdział 2: Podstawowe Koncepcje Uczenia Maszynowego
2.1 Czym jest uczenie maszynowe?
2.2 Typy uczenia maszynowego
2.3 PrzykÅ‚ady algorytmów uczenia maszynowego
2.4 Proces tworzenia modelu ML
2.5 Wyzwania i pułapki uczenia maszynowego
2.6 Narzędzia i biblioteki do uczenia maszynowego
2.7 Przyszłość uczenia maszynowego
Rozdział 3: Przetwarzanie Danych
3.1 Uczenie maszynowe w medycynie
3.2 Uczenie maszynowe w finansach
3.3 Uczenie maszynowe w przemyśle
3.4 Uczenie maszynowe w handlu i marketingu
3.5 Uczenie maszynowe w rozrywce i mediach
3.6 Uczenie maszynowe w edukacji
3.7 Wyzwania i etyka zastosowania uczenia maszynowego
3.8 Przyszłość uczenia maszynowego
3.9 PrzykÅ‚ady zastosowaÅ„ uczenia maszynowego w różnych branżach
3.10 Jak zacząć pracę z uczeniem maszynowym?
3.11 Wnioski
Rozdział 4: Modele i Algorytmy Uczenia Maszynowego
4.1 Wprowadzenie do praktyki
4.2 Przygotowanie środowiska pracy
4.3 Proces budowy modelu ML
4.4 Przykłady zastosowań
4.5 Wskazówki i najlepsze praktyki
4.6 PrzyszÅ‚ość i rozwój w uczeniu maszynowym
4.7 Ćwiczenia praktyczne
4.8 Podsumowanie
Rozdział 5: Zaawansowane Techniki Uczenia Maszynowego
5.1 Wprowadzenie do zaawansowanych technik
5.2 Głębokie uczenie (Deep Learning)
5.3 Algorytmy ensemble
5.4 Uczenie ze wzmocnieniem (Reinforcement Learning)
5.5 Praca z dużymi zbiorami danych
5.6 Wyzwania związane z dużymi modelami ML
5.7 Wykorzystanie chmury obliczeniowej w ML
5.8 Wnioski i najlepsze praktyki
5.9 Przykłady zastosowań zaawansowanych technik
Rozdział 6: Automatyczne Uczenie Maszynowe (AutoML)
6.1 Wprowadzenie
6.2 Przygotowanie Danych
6.3 Budowa i Trenowanie Modeli
6.4 Integracja z Systemami Produkcyjnymi
6.5 Wyzwania i Praktyki
6.6 Przykłady Zastosowań i Wdrożeń
6.7 Narzędzia i Technologie Wspierające Wdrożenie ML
6.8 Proces Cyklu Życia Modelu
6.9 Case Study: Implementacja Systemu Rekomendacji
6.10 Podsumowanie
Rozdział 7: Transfer Learning
7.1 Wprowadzenie
7.2 Aplikacje SI i ML w Zdrowiu
7.3 Aplikacje SI i ML w Finansach
7.4 Aplikacje SI i ML w Przemyśle
7.5 Aplikacje SI i ML w Handlu
7.6 Nowe Trendy w SI i ML
7.7 Wyzwania i Etyka
7.8 Przykłady z Rzeczywistego Świata
7.9 Przyszłość SI i ML
7.10 Podsumowanie
Rozdział 8: Wykorzystanie Chmur Obliczeniowych w ML
8.1 Wprowadzenie
8.2 Metody Oceny Modeli
8.3 Techniki Walidacji Modeli
8.4 Techniki Zapewnienia Jakości Modelu
8.5 Przykłady z Rzeczywistego Świata
8.6 Podsumowanie
Rozdział 9: Wdrażanie i Zarządzanie Modelami ML
9.1 Wprowadzenie
9.2 Automatyczne Uczenie Maszynowe (AutoML)
9.3 Transfer Learning
9.4 Wykorzystanie Chmur Obliczeniowych w Trenowaniu Modeli
9.5 Przyszłość Technologii ML
9.6 Podsumowanie
Rozdział 10: Etyka i Regulacje w Sztucznej Inteligencji
10.1 Wprowadzenie
10.2 Proces Wdrażania Modeli ML
10.3 Monitorowanie Modeli ML
10.4 Aktualizacja Modeli ML
10.5 Integracja z IstniejÄ…cymi Systemami
10.6 Przykłady Wdrożeń w Rzeczywistym Świecie
10.7 Podsumowanie
Zakończenie i podziękowania.
- Podsumowanie Kluczowych Punktów
- Przyszłość AI i ML
- Podziękowania
- Zachęta do Dalszego Rozwoju