Sztuczne sieci neuronowe są uogólnionym modelem obliczeniowym wzorowanym na zachowaniu komórek nerwowych, a więc czerpią z analogii do budowy mózgu. Ta analogia nie jest jednak celem samym w sobie (poza zupełnie niezależnymi próbami budowy sztucznego mózgu, co nie jest przedmiotem niniejszej książki), a przeradza się w budowę obliczeniowych modeli matematycznych opartych na idei tak zwanego uczenia maszynowego (ang. machine learning, ML). Jaki ma to związek z zastosowaniami w naukach politycznych? Wyjaśnienie tej kwestii znajduje się na kartach książki. Tytuł pracy pozostaje w ścisłym związku z układem jej treści. I tak, najpierw omówione zostają zagadnienia dotyczące biologicznych sieci neuronowych, następnie założenia modelu obliczeniowego, a na końcu mowa jest o przykładowych zastosowaniach. Stąd też, w szerszej perspektywie, książka składa się z dwóch części: teoretycznej i empirycznej opartej na swego rodzaju studium przypadku (jest nim politologia). Jest prawdopodobne, że sięgną do tej książki osoby zaintrygowane tylko jej tytułem. Takich Czytelników wypada zapewnić, że tekst skierowany jest w szczególności do tych osób, które do tej pory nie wykorzystywały w działalności naukowej omawianych podejść, a zwłaszcza jest kierowana do tych, którzy zakładają, że prawdopodobnie nigdy ich nie wykorzystają. Przez wzgląd na nich, dołożono wszelkich starań, aby wywód momentami nieco hermetyczny opatrzyć odpowiednią liczbą przykładów ilustrujących intersujące nas zjawiska. Stąd też, jeżeli szukasz odpowiedzi na pytania m.in.: Czy sieci neuronowe znajdują zastosowania w naukach politycznych? Czym są nauki społeczne 2.0? Co oznacza soft computing, neurokomputing i czym jest neuromorficzny chip? Co ma wspólnego Rembrandt z Rumelhartem i sieciami neuronowymi? Jaki związek z sieciami neuronowymi ma logika rozmyta oraz algorytmy genetyczne? Na czym polega doniosłość badań nad nicieniem Caenorhabditis elegans? Dlaczego Ada Lovelace przeszła do historii i to nie tylko nauki? Jaką ilość danych przyswajał człowiek w XV wieku, a jaką obecnie? Ile to jest 1 yottabajt danych? Jaka część danych w skali globalnej to dane ustrukturyzowane, a jaka cyfrowe? Czy obecnie jeszcze istnieją w wersji papierowej kopie zapasowe danych? Ile danych jest potrzebnych w celu zidentyfikowania konkretnej osoby z 95% pewnością? Czym jest kulturomika? Czy można opatentować dane opisujące organizmy żywe? Czym jest perceptron wielowarstwowy, metoda wstecznej propagacji błędów, deep learning, anwersalne sieci generatywne, sieci rekurencyjne, splotowe, komórkowe, LSTM, machine learning, projektowanie generatywne, text mining, sentiment analysis, przetwarzania języka naturalnego (NLP) oraz dlaczego warto te pojęcia znać? Na czym polega uczenie sieci neuronowych i czy można je przeuczyć? Jakie są przykładowe zastosowania uczenia maszynowego i sieci neuronowych w naukach politycznych? Czy demokracja i technologia są ze sobą sprzeczne? to warto sięgnąć po tę książkę! Albert Einstein miał stwierdzić: Wyobraźnia bez wiedzy może tworzyć rzeczy piękne. Wiedza bez wyobraźni najwyżej doskonałe. Wyobraźnia jest ważniejsza niż wiedza, bo choć wiedza wskazuje na to, co jest, wyobraźnia wskazuje na to, co będzie. Kolejne rozdziały książki są poświęcone właśnie pewnym szczególnym aspektom tego co jest i tego co będzie. Książka dotyczy sztucznych sieci neuronowych, jednej z najważniejszych technologii uczenia maszynowego, ważnego działu sztucznej inteligencji, w zastosowaniu do badan politologicznych. Nie ma podobnej pozycji w języku polskim (). Temat jest ważny i obecnie bardzo popularny ze względu na liczne inicjatywy dotyczące sztucznej inteligencji i sieci neuronowych w szczególności. prof. dr hab. Włodzisław Duch Katedra Informatyki Stosowanej, Instytut Nauk Technicznych, Uniwersytet Mikołaja Kopernika w Toruniu Praca skutecznie przełamuje () stereotyp statystyki jako aktywności trudnej i często nieprzekładalnej na syntetyczne wnioski o otaczającej rzeczywistości społecznej i politycznej. Prowadzona przez Autora narracja, przystępny oraz systematyczny wykład stanowią mocną stronę recenzowanej publikacji, umożliwiając nawet nieobeznanemu z tematyka analiz ilościowych Czytelnikowi zrozumienie metodyki i zastosowań analiz z wykorzystaniem sztucznych sieci neuronowych. Nowatorstwo Autora odnajdujemy w syntezie i systematycznej ewaluacji użyteczności sztucznych sieci neuronowych na gruncie politologii (), co w dalszej perspektywie przyczyni się do rozwoju dyscypliny nauk o polityce w obszarze metodologii. Jest to także próba zabrania głosu w szeroko pojętej debacie metodologicznej w naukach o polityce, szczególnie w kontekście swoistej Wilsonowskiej konsiliencji (zmierzania od hermetycznej merytorycznie i metodologicznie dyscypliny do nauki zorientowanej interdyscyplinarnie, a nawet pandyscyplinarnie), w tym wykorzystania narzędzi, doświadczeń i paradygmatów zarówno nauk ścisłych, jak i społecznych. dr hab. Daniel Mider Wydział Nauk Politycznych i Studiów Międzynarodowych,

Osoby które kupowały "Wykorzystanie sztucznych sieci neuronowych", wybierały także:

• Data Science w Pythonie. Kurs video. Przetwarzanie i analiza danych 149,00 zł, (67,05 zł -55%)
• Excel 2013. Kurs video. Poziom drugi. Przetwarzanie i analiza danych 79,00 zł, (35,55 zł -55%)
• Zarz 99,00 zł, (49,50 zł -50%)
• Eksploracja danych za pomoc 67,00 zł, (33,50 zł -50%)
• Google Analytics od podstaw. Analiza wp 69,00 zł, (34,50 zł -50%)

Spis treści

Wykorzystanie sztucznych sieci neuronowych eBook -- spis treści

• Okładka
• Strona tytułowa
• Strona redakcyjna
• Spis treści
• Dedykacja
• Wykaz skrótów
• Uwagi wstępne
• Rozdział 1. Wprowadzenie do tematyki
  • 1.1. Zalety sztucznych sieci neuronowych
    • 1.1.1. Liczba parametrów modelu
    • 1.1.2. Biologiczne inspiracje
    • 1.1.3. Elastyczność
    • 1.1.4. Sieciowa struktura. Stabilność i efektywność analizy dużych zbiorów danych
    • 1.1.5. Brak konieczności spełnienia warunku liniowości i normalnego rozkładu danych
  • 1.2. Wady sztucznych sieci neuronowych
    • 1.2.1. Specjalizacja i hermetyczność wiedzy przedmiotowej. Terminologia
    • 1.2.2. Wykorzystanie komputerów i oprogramowania
    • 1.2.3. Efektywność
    • 1.2.4. Interpretowalność parametrów modelu. Problem czarnej skrzynki
    • 1.2.5. Elastyczność
    • 1.2.6. Ograniczone zastosowanie
  • 1.3. Użyteczność sztucznych sieci neuronowych. Definicja
• Rozdział 2. Biologiczne inspiracje
  • 2.1. Komputer jako imitacja mózgu
  • 2.2. Mózg jako inspiracja dla rozwiązań algorytmicznych i układy hybrydowe. Sztuczna inteligencja
• Rozdział 3. Rozwój sztucznych sieci neuronowych (rys historyczny). Stan badań
• Rozdział 4. Architektury (topologie) sztucznych sieci neuronowych
  • 4.1. Problem liczby elementów sieci: warstwy i neurony
  • 4.2. Problem sposobu połączeń elementów sieci
    • 4.2.1. Sieci jednokierunkowe
    • 4.2.2. Sieci rekurencyjne
    • 4.2.3. Sieci LSTM
    • 4.2.4. Sieci splotowe
    • 4.2.5. Sieci samoorganizujące się
    • 4.2.6. Sieci komórkowe
• Rozdział 5. Działanie sztucznej sieci neuronowej. Uczenie maszynowe (machine learning)
  • 5.1. Model McCullocha-Pittsa
  • 5.2. Uczenie z nauczycielem (uczenie nadzorowane). Metoda wstecznej propagacji błędów
  • 5.3. Uczenie bez nauczyciela (uczenie nienadzorowane)
  • 5.4. Uczenie ze wzmocnieniem (reinforced learning)
  • 5.5. Uczenie maszynowe (machine learning)
  • 5.6. Ocena jakości modelu
• Rozdział 6. Dane, wszędzie dane. Big data
  • 6.1. Definicja big data
  • 6.2. Big data jako wyzwanie dla nauk społecznych
    • 6.2.1. Wyzwanie 1: logika procesu badawczego, przyczynowość a korelacja
    • 6.2.2. Wyzwanie 2: metodologia
    • 6.2.3. Nauki społeczne 2.0?
  • 6.3. Rodzaje i źródła danych. Open data
  • 6.4. Big data a etyka. Problem gromadzenia, przechowywania i wykorzystania danych
• Rozdział 7. Przykłady zastosowań politologicznych
  • 7.1. Problemy predykcyjne
  • 7.2. Problemy klasyfikacyjne
    • 7.2.1. Badanie konfliktów zbrojnych
    • 7.2.2. Inne zagadnienia klasyfikacyjne
• Zakończenie
• Bibliografia
• Przypisy