- EOL
|
Uwaga! Sprzedaż produktu została zakończona. Sprawdź inne w tej kategorii. |
Opis produktu: Algorytmy sztucznej inteligencji. Ilustrowany przewodnik - Rishal Hurbans
Książka autorstwa Rishala Hurbansa przeznaczona jest dla programistów i inżynierów, którzy chcą zrozumieć zagadnienia i algorytmy związane ze sztuczną inteligencją na podstawie praktycznych przykładów i wizualnych wyjaśnień. To praktyczny przewodnik po algorytmach sztucznej inteligencji.
W książce zwiera informacje o:
- kategoriach i znaczeniu algorytmów sztucznej inteligencji
- inteligentnych przeszukiwaniach w procesie podejmowania decyzji
- algorytmach genetycznych i inteligencji rozproszonej
- uczeniu maszynowym i sieciach neuronowych
- uczeniu przez wzmacnianie
Algorytmy sztucznej inteligencji. Ilustrowany przewodnik - Rishal Hurbans. Książka przeznaczona jest dla programistów.
Książka przedstawia na podstawie praktycznych przykładów algorytmy sztucznej inteligencji.
Informacje o książce
- Autor: Rishal Hurbans
- Tytuł oryginalny: Grokking Artificial Intelligence Algorithms
- Tłumaczenie: Tomasz Walczak
- Wydawca: Helion SA
- Rok wydania: 2021
- Liczba stron: 336
- ISBN: 978-83-283-7507-9
- Format: 200 x 225 mm
O Autorze
Rishal Hurbans był kierownikiem zespołów i projektów, założył start-up, zajmował się też planowaniem strategicznym dla międzynarodowych firm. Wystąpił na dziesiątkach konferencji na całym świecie. Jest znawcą mechanizmów i strategii biznesowych oraz podejścia design thinking. Pasjonuje się sztuczną inteligencją, kulturą pragmatyzmu oraz filozofią.
Spis treści
Przedmowa (IX)
Podziękowania (XVII)
O książce (XIX)
O autorze (XXIII)
1. Intuicyjne omówienie sztucznej inteligencji (1)
- Czym jest sztuczna inteligencja? (1)
- Krótka historia sztucznej inteligencji (6)
- Rodzaje problemów i modele ich rozwiązywania (8)
- Intuicyjne omówienie zagadnień z obszaru sztucznej inteligencji (10)
- Zastosowania algorytmów sztucznej inteligencji (14)
2. Podstawy przeszukiwania (21)
- Czym jest planowanie i przeszukiwanie? (21)
- Koszt obliczeń - powód stosowania inteligentnych algorytmów (24)
- Jakie problemy można rozwiązywać za pomocą algorytmów przeszukiwania? (25)
- Reprezentowanie stanu - tworzenie platformy do reprezentowania przestrzeni problemowej i rozwiązań (28)
- Przeszukiwanie siłowe - szukanie rozwiązań po omacku (33)
- Przeszukiwanie wszerz - najpierw wszerz, potem w głąb (35)
- Przeszukiwanie w głąb - najpierw w głąb, potem wszerz (44)
- Zastosowania siłowych algorytmów przeszukiwania (51)
- Opcjonalne informacje - rodzaje grafów (51)
- Opcjonalne informacje - inne sposoby reprezentowania grafów (54)
3. Inteligentne przeszukiwanie (57)
- Definiowanie heurystyk - projektowanie hipotez opartych na wiedzy (57)
- Przeszukiwanie sterowane - szukanie rozwiązań z wykorzystaniem wskazówek (60)
- Przeszukiwanie antagonistyczne - szukanie rozwiązań w zmiennym środowisku (70)
4. Algorytmy ewolucyjne (87)
- Czym jest ewolucja? (87)
- Problemy, jakie można rozwiązywać za pomocą algorytmów ewolucyjnych (90)
- Algorytm genetyczny - cykl życia (94)
- Kodowanie przestrzeni rozwiązań (97)
- Tworzenie populacji rozwiązań (102)
- Pomiar przystosowania osobników w populacji (104)
- Wybór rodziców na podstawie przystosowania (107)
- Generowanie osobników na podstawie rodziców (111)
- Tworzenie populacji następnego pokolenia (116)
- Konfigurowanie parametrów algorytmu genetycznego (120)
- Zastosowania algorytmów ewolucyjnych (121)
5. Zaawansowane techniki ewolucyjne (125)
- Cykl życia algorytmu ewolucyjnego (125)
- Różne strategie selekcji (127)
- Kodowanie z użyciem liczb rzeczywistych (130)
- Kodowanie porządkowe - korzystanie z sekwencji (134)
- Kodowanie za pomocą drzewa - praca z hierarchiami (137)
- Często spotykane rodzaje algorytmów ewolucyjnych (141)
- Słowniczek pojęć związanych z algorytmami ewolucyjnymi (142)
- Inne zastosowania algorytmów ewolucyjnych (143)
6. Inteligencja rozproszona: mrówki (145)
- Czym jest inteligencja rozproszona? (145)
- Problemy dostosowane do algorytmu mrówkowego (148)
- Reprezentowanie stanu - jak zapisać ścieżki i mrówki? (152)
- Cykl życia algorytmu mrówkowego (156)
- Zastosowania algorytmu mrówkowego (177)
7. Inteligencja rozproszona: cząstki (179)
- Na czym polega optymalizacja rojem cząstek? (179)
- Problemy optymalizacyjne - bardziej techniczne spojrzenie (181)
- Problemy, jakie można rozwiązać za pomocą optymalizacji rojem cząstek (185)
- Reprezentowanie problemu - jak wyglądają cząstki? (188)
- Przebieg działania algorytmu optymalizacji rojem cząstek (189)
- Zastosowania algorytmów optymalizacji rojem cząstek (209)
8. Uczenie maszynowe (213)
- Czym jest uczenie maszynowe? (213)
- Problemy, jakie można rozwiązywać za pomocą uczenia maszynowego (215)
- Przebieg uczenia maszynowego (217)
- Klasyfikowanie z użyciem drzew decyzyjnych (241)
- Inne popularne algorytmy uczenia maszynowego (258)
- Zastosowania algorytmów uczenia maszynowego (260)
9. Sztuczne sieci neuronowe (263)
- Czym są sztuczne sieci neuronowe? (263)
- Perceptron: reprezentacja neuronu (266)
- Definiowanie sieci ANN (271)
- Propagacja w przód - używanie wyuczonej sieci ANN (278)
- Propagacja wsteczna - uczenie sieci ANN (286)
- Możliwe funkcje aktywacji (298)
- Projektowanie sztucznych sieci neuronowych (299)
- Typy i zastosowania sieci ANN (303)
10. Uczenie przez wzmacnianie z użyciem algorytmu Q-learning (307)
- Czym jest uczenie przez wzmacnianie? (307)
- Problemy rozwiązywane za pomocą uczenia przez wzmacnianie (311)
- Przebieg uczenia przez wzmacnianie (313)
- Deep learning w uczeniu przez wzmacnianie (331)
- Zastosowania uczenia przez wzmacnianie (332)
Przydatne linki |
