Praktycznie codziennie korzystamy z osi

Osoby które kupowały "Sztuczna inteligencja. Nowe spojrzenie. Wydanie IV. Tom 2", wybierały także:

• GNU/Linux Rapid Embedded Programming 186,88 zł, (29,90 zł -84%)
• ROS Robotics Projects 157,37 zł, (29,90 zł -81%)
• Hands-On Industrial Internet of Things 135,91 zł, (29,90 zł -78%)
• Managing Mission - Critical Domains and DNS 135,91 zł, (29,90 zł -78%)
• Robot Operating System Cookbook 135,91 zł, (29,90 zł -78%)

Spis treści

Sztuczna inteligencja. Nowe spojrzenie. Wydanie IV. Tom 2 eBook -- spis treści

V. UCZENIE MASZYNOWE

Rozdział 19. UCZENIE MASZYNOWE Z PRZYKŁADOWYCH DANYCH

• 19.1. Formy uczenia maszynowego
• 19.2. Uczenie nadzorowane
• 19.3. Drzewa decyzyjne w uczeniu maszynowym
• 19.4. Selekcja modelu i optymalizacja
• 19.5. Teoria uczenia maszynowego
• 19.6. Regresja liniowa i klasyfikacja
• 19.7. Modele nieparametryczne
• 19.8. Uczenie zespołowe
• 19.9. Budowanie systemów uczenia maszynowego
• Podsumowanie
• Bibliografia i uwagi historyczne

Rozdział 20. UCZENIE MODELI PROBABILISTYCZNYCH

• 20.1. Uczenie statystyczne
• 20.2. Uczenie z kompletnych danych
• 20.3. Uczenie z ukrytymi zmiennymi: algorytm EM
• Podsumowanie
• Bibliografia i uwagi historyczne

Rozdział 21. GŁĘBOKIE UCZENIE

• 21.1. Proste sieci ze sprzężeniem w przód
• 21.2. Grafy obliczeniowe dla głębokiego uczenia
• 21.3. Konwolucyjne sieci neuronowe (CNN)
• 21.4. Algorytmy głębokiego uczenia
• 21.5. Generalizacja
• 21.6. Rekurencyjne sieci neuronowe (RNN)
• 21.7. Nienadzorowane uczenie transferowe
• 21.8. Zastosowania
• Podsumowanie
• Bibliografia i uwagi historyczne

Rozdział 22. UCZENIE ZE WZMACNIANIEM

• 22.1. Uczenie się dla nagród
• 22.2. Pasywne uczenie ze wzmacnianiem
• 22.3. Aktywne uczenie ze wzmacnianiem
• 22.4. Generalizacja w uczeniu ze wzmacnianiem
• 22.5. Wyszukiwanie polityki
• 22.6. Uczenie praktykanckie i odwrotne uczenie ze wzmacnianiem
• 22.7. Zastosowania uczenia ze wzmacnianiem
• Podsumowanie
• Bibliografia i uwagi historyczne

VI. KOMUNIKACJA, PERCEPCJA I DZIAŁANIE

Rozdział 23. PRZETWARZANIE JĘZYKA NATURALNEGO

• 23.1. Modele językowe
• 23.2. Gramatyka
• 23.3. Parsowanie
• 23.4. Gramatyki augmentowane
• 23.5. Komplikacje języków naturalnych
• 23.6. Zadania NLP
• Podsumowanie
• Bibliografia i uwagi historyczne

Rozdział 24. GŁĘBOKIE UCZENIE W PRZETWARZANIU JĘZYKA NATURALNEGO

• 24.1. Embeddingi słów
• 24.2. Rekurencyjne sieci neuronowe w NLP
• 24.3. Modele "sekwencja na sekwencję"
• 24.4. Architektura transformerów
• 24.5. Trenowanie wstępne i uczenie transferowe
• 24.6. Obecny stan sztuki
• Podsumowanie
• Bibliografia i uwagi historyczne

Rozdział 25. WIDZENIE KOMPUTEROWE

• 25.1. Wstęp
• 25.2. Formowanie obrazów
• 25.3. Podstawowe cechy obrazów
• 25.4. Klasyfikowanie obrazów
• 25.5. Wykrywanie obiektów
• 25.6. Rzeczywistość 3D
• 25.7. Widzenie komputerowe w praktyce
• Podsumowanie
• Bibliografia i uwagi historyczne

Rozdział 26. ROBOTYKA

• 26.1. Wstęp
• 26.2. Sprzęt robotów
• 26.3. Jakie rodzaje problemów rozwiązywać może robotyka?
• 26.4. Percepcja robotów
• 26.5. Planowanie i sterowanie
• 26.6. Planowanie ruchu w warunkach niepewności
• 26.7. Uczenie ze wzmacnianiem w robotyce
• 26.8. Ludzie i roboty
• 26.9. Alternatywne frameworki robotyczne
• 26.10. Domeny zastosowań robotyki
• Podsumowanie
• Bibliografia i uwagi historyczne

VII. KONKLUZJE

Rozdział 27. BEZPIECZEŃSTWO ORAZ ETYCZNE I FILOZOFICZNE ASPEKTY SZTUCZNEJ INTELIGENCJI

• 27.1. Granice sztucznej inteligencji
• 27.2. Czy maszyny mogą naprawdę myśleć?
• 27.3. Sztuczna inteligencja a etyka
• Podsumowanie
• Bibliografia i uwagi historyczne

Rozdział 28. PRZYSZŁOŚĆ SZTUCZNEJ INTELIGENCJI

• 28.1. Komponenty sztucznej inteligencji
• 28.2. Architektury sztucznej inteligencji

BIBLIOGRAFIA

SKOROWIDZ