будума нихиль основы глубокого обучения создание алгоритмов для искусственного интеллекта следующего поколения
Будума Нихиль Основы глубокого обучения. Создание алгоритмов для искусственного интеллекта следующего поколения
О книге Глубокое обучение - машинное обучение, которое строится на идее обучения через примеры. Эта книга разбирает основные идеи этой сложной отрасли изучения искусственного интеллекта. Авторы ставят цель сформировать целостное представление о том, как решаются задачи в области глубокого обучения, какие понятия используются в этой среде и как внедрять соответствующие алгоритмы. С оживлением нейросетей в 2000-е годы глубокое обучение стало чрезвычайно активно развивающейся областью исследования, прокладывающей путь современному машинному обучению. Эта книга предлагает примеры и толкования, которые помогут понять основные идеи в этой сложной отрасли знаний. Такие крупные компании, как Google, Microsoft и Facebook, обратили внимание на глубокое обучение и активно увеличивают штат своих подразделений, работающих в этой области. Для всех остальных оно остается все еще сложным, комплексным и трудноуловимым предметом. Исследования переполнены непонятным жаргоном, а разрозненные учебники, имеющиеся в сети, не дают должного представления о том, как решаются задачи в этой области. Цель этой книги - заполнить данный пробел. Для кого эта книга Для всех, кто интересуется или занимается глубоким обучением. Об авторе Нихиль Будума исследует машинное обучение в MIT. Он золотой медалист нескольких международных олимпиад по биологии.
2608 Руб.
Нихиль Будума Основы глубокого обучения. Создание алгоритмов для искусственного интеллекта следующего поколения
Глубокое обучение — машинное обучение, которое строится на идее обучения через примеры. Эта книга разбирает основные идеи этой сложной отрасли изучения искусственного интеллекта. Авторы ставят цель сформировать целостное представление о том, как решаются задачи в области глубокого обучения, какие понятия используются в этой среде и как внедрять соответствующие алгоритмы. С оживлением нейросетей в 2000-е годы глубокое обучение стало чрезвычайно активно развивающейся областью исследования, прокладывающей путь современному машинному обучению. Эта книга предлагает примеры и толкования, которые помогут понять основные идеи в этой сложной отрасли знаний. Такие крупные компании, как Google, Microsoft и Facebook, обратили внимание на глубокое обучение и активно увеличивают штат своих подразделений, работающих в этой области. Для всех остальных оно остается все еще сложным, комплексным и трудноуловимым предметом. Исследования переполнены непонятным жаргоном, а разрозненные учебники, имеющиеся в сети, не дают должного представления о том, как решаются задачи в этой области. Цель этой книги — заполнить данный пробел. Для кого эта книга Для всех, кто интересуется или занимается глубоким обучением.
1852 Руб.
Будума Нихиль Основы глубокого обучения. Создание алгоритмов для искусственного интеллекта следующего поколения
Глубокое обучение — машинное обучение, которое строится на идее обучения через примеры. Эта книга разбирает основные идеи этой сложной отрасли изучения искусственного интеллекта. Авторы ставят цель сформировать целостное представление о том, как решаются задачи в области глубокого обучения, какие понятия используются в этой среде и как внедрять соответствующие алгоритмы.С оживлением нейросетей в 2000-е годы глубокое обучение стало чрезвычайно активно развивающейся областью исследования, прокладывающей путь современному машинному обучению. Эта книга предлагает примеры и толкования, которые помогут понять основные идеи в этой сложной отрасли знаний. Такие крупные компании, как Google, Microsoft и Facebook, обратили внимание на глубокое обучение и активно увеличивают штат своих подразделений, работающих в этой области. Для всех остальных оно остается все еще сложным, комплексным и трудноуловимым предметом. Исследования переполнены непонятным жаргоном, а разрозненные учебники, имеющиеся в сети, не дают должного представления о том, как решаются задачи в этой области. Цель этой книги — заполнить данный пробел.
1616 Руб.
Нихиль Будума Основы глубокого обучения. Создание алгоритмов для искусственного интеллекта следующего поколения
Глубокое обучение — машинное обучение, которое строится на идее обучения через примеры. Эта книга разбирает основные идеи этой сложной отрасли изучения искусственного интеллекта. Авторы ставят цель сформировать целостное представление о том, как решаются задачи в области глубокого обучения, какие понятия используются в этой среде и как внедрять соответствующие алгоритмы. С оживлением нейросетей в 2000-е годы глубокое обучение стало чрезвычайно активно развивающейся областью исследования, прокладывающей путь современному машинному обучению. Эта книга предлагает примеры и толкования, которые помогут понять основные идеи в этой сложной отрасли знаний. Такие крупные компании, как Google, Microsoft и Facebook, обратили внимание на глубокое обучение и активно увеличивают штат своих подразделений, работающих в этой области. Для всех остальных оно остается все еще сложным, комплексным и трудноуловимым предметом. Исследования переполнены непонятным жаргоном, а разрозненные учебники, имеющиеся в сети, не дают должного представления о том, как решаются задачи в этой области. Цель этой книги — заполнить данный пробел. Для кого эта книга Для всех, кто интересуется или занимается глубоким обучением.
1852 Руб.
Основы глубокого обучения. Создание алгоритмов для искусственного интеллекта следующего поколения
О книге Глубокое обучение - машинное обучение, которое строится на идее обучения через примеры. Эта книга разбирает основные идеи этой сложной отрасли изучения искусственного интеллекта. Авторы ставят цель сформировать целостное представление о том, как решаются задачи в области глубокого обучения, какие понятия используются в этой среде и как внедрять соответствующие алгоритмы. С оживлением нейросетей в 2000-е годы глубокое обучение стало чрезвычайно активно развивающейся областью исследования, прокладывающей путь современному машинному обучению. Эта книга предлагает примеры и толкования, которые помогут понять основные идеи в этой сложной отрасли знаний. Такие крупные компании, как Google, Microsoft и Facebook, обратили внимание на глубокое обучение и активно увеличивают штат своих подразделений, работающих в этой области. Для всех остальных оно остается все еще сложным, комплексным и трудноуловимым предметом. Исследования переполнены непонятным жаргоном, а разрозненные учебники, имеющиеся в сети, не дают должного представления о том, как решаются задачи в этой области. Цель этой книги - заполнить данный пробел. Для кого эта книга Для всех, кто интересуется или занимается глубоким обучением. Об авторе Нихиль Будума исследует машинное обучение в MIT. Он золотой медалист нескольких международных олимпиад по биологии.
399 Руб.
Джоши Пратик Искусственный интеллект с примерами на Python. Создание приложений искусственного интеллекта
Искусственный интеллект становится неотъемлемым атрибутом современного мира, управляемого технологиями и данными. Он интенсивно применяется в таких областях, как поисковые системы, распознавание образов, робототехника, беспилотные автомобили и т.п. В этой книге исследуются различные сценарии, взятые из реальной жизни. Прочитав ее, вы будете знать, какие алгоритмы искусственного интеллекта следует применять в том или ином контексте. Автор начинает с рассмотрения общих концепций искусственного интеллекта, после чего переходит к обсуждению более сложных тем, таких как предельно случайные леса, скрытые марковские модели, генетические алгоритмы, сверточные нейронные сети и др. Вы узнаете о том, как принимать обоснованные решения при выборе необходимых алгоритмов, а также о том, как реализовывать эти алгоритмы на языке Python для достижения наилучших результатов. Если вы хотите создавать многоцелевые приложения для обработки информации, содержащейся в изображениях, тексте, голосовых и других данных, то эта книга станет для вас надежным подспорьем. Основные темы книги: Различные методы классификации и регрессии данных Концепция кластеризации и ее применение для автоматического сегментирования данных Создание интеллектуальных рекомендательных систем Логическое программирование и способы его применения Построение автоматизированных систем распознавания речи Основы эвристического поиска и генетического программирования Разработка игр с использованием искусственного интеллекта Обучение с подкреплением Создание интеллектуальных приложений, связанных с обработкой изображений, текста и последовательных данных Алгоритмы глубокого обучения и создание приложений на их основе Пратик Джоши - специалист по проблемам искусственного интеллекта, автор пяти книг и постоянный докладчик на конференциях TEDx. Учредитель компании Pluto AI - венчурного стартапа из Силиконовой долины, занимающегося созданием аналитической платформы для интеллектуальной системы управления водоснабжением на основе методов глубокого обучения. Часто публикует статьи, посвященные искусственному интеллекту, программированию на языке Python и прикладной математике. Окончил Университет Южной Калифорнии, получив диплом специалиста в области искусственного интеллекта. Работал в таких компаниях, как Nvidia и Microsoft.
2881 Руб.
Степашкина Анна Сергеевна Численные методы и машинное обучение в метрологии. Учебное пособие
Представлены технологии обработки экспериментальных результатов с применением языка программирования Python и методы машинного обучения для прогнозной аналитики в метрологии, рассмотрены конкретные примеры внедрения базовых алгоритмов и методов как на языке Python, так и с использованием аналитической платформы KNIME. Для студентов, обучающихся по техническим направлениям подготовки и специальностям, приступающих к изучению курсов "Метрология", "Машинное обучение и большие данные" и "Основы искусственного интеллекта в профессиональной деятельности".
1034 Руб.
Степашкина А.С. Численные методы и машинное обучение в метрологии: учебное пособие
Представлены технологии обработки экспериментальных результатов с применением языка программирования Python и методы машинного обучения для прогнозной аналитики в метрологии, рассмотрены конкретные примеры внедрения базовых алгоритмов и методов как на языке Python, так и с использованием аналитической платформы KNIME. Для студентов, обучающихся по техническим направлениям подготовки и специальностям, приступающих к изучению курсов «Метрология», «Машинное обучение и большие данные» и «Основы искусственного интеллекта в профессиональной деятельности».
1519 Руб.
Степашкина А.С. Численные методы и машинное обучение в метрологии: учебное пособие
Представлены технологии обработки экспериментальных результатов с применением языка программирования Python и методы машинного обучения для прогнозной аналитики в метрологии, рассмотрены конкретные примеры внедрения базовых алгоритмов и методов как на языке Python, так и с использованием аналитической платформы KNIME. Для студентов, обучающихся по техническим направлениям подготовки и специальностям, приступающих к изучению курсов «Метрология», «Машинное обучение и большие данные» и «Основы искусственного интеллекта в профессиональной деятельности».
1519 Руб.
Равичандиран Судхарсан Глубокое обучение с подкреплением на Python. OpenAI Gym и TensorFlow для профи
Глубокое обучение с подкреплением (Reinforcement Learning) - самое популярное и перспективное направление искусственного интеллекта. Практическое изучение RL на Python поможет освоить не только базовые, но и передовые алгоритмы глубокого обучения с подкреплением. Вы начнете с основных принципов обучения с подкреплением, OpenAI Gym и TensorFlow, познакомьтесь с марковскими цепями, методом Монте-Карло и динамическим программированием, так что "страшные" аббревиатуры DQN, DRQN, A3C, PPO и TRPO вскоре перестанут вас пугать. Вы узнаете об агентах, которые учатся на человеческих предпочтениях, DQfD, HER и многих других последних достижениях RL. Прочитав книгу, вы приобретете знания и опыт, необходимые для реализации обучения с подкреплением и глубокого обучения с подкреплением в реальных проектах, и войдете в мир искусственного интеллекта. В этой книге вы: - Познакомитесь с основами методов, алгоритмов и элементов RL - Обучите агента с помощью OpenAI Gym и Tensorflow - Освоите марковские процессы принятия решений, оптимальность Беллмана и обучение TD - Научитесь решать проблемы многоруких бандитов - Овладеете алгоритмами глубокого обучения, такими как RNN, LSTM и CNN - Создадите интеллектуальных агентов с помощью алгоритма DRQN, которые смогут играть в Doom - С помощью DDPG научите агентов играть в Lunar Lander - Отправите агента на автогонки, используя метод DQN
1901 Руб.
Пылов Петр Андреевич, Дягилева Анна Владимировна, Майтак Роман Вячеславович Изучение искусственного интеллекта на основе принципа интенсификации обучения. Монография
Показан процесс изучения основ машинного и глубокого обучения в теоретической и прикладной плоскости подготовки. Рассмотрены профильные направления искусственного интеллекта и критерии их значимости. Приведен анализ и аудит содержания подходящих существующих готовых рабочих программ. Для специалистов в области искусственного интеллекта. Может быть полезно студентам, обучающимся по направлению подготовки «Искусственный интеллект».
1056 Руб.
Пылов П.А., Майтак Р.В., Дягилева А.В. Изучение искусственного интеллекта на основе принципа интенсификации обучения
Показан процесс изучения основ машинного и глубокого обучения в теоретической и прикладной плоскости подготовки. Рассмотрены профильные направления искусственного интеллекта и критерии их значимости. Приведен анализ и аудит содержания подходящих существующих готовых рабочих программ. Для специалистов в области искусственного интеллекта. Может быть полезно студентам, обучающимся по направлению подготовки «Искусственный интеллект».
1569 Руб.
Пылов П.А., Майтак Р.В., Дягилева А.В. Изучение искусственного интеллекта на основе принципа интенсификации обучения
Показан процесс изучения основ машинного и глубокого обучения в теоретической и прикладной плоскости подготовки. Рассмотрены профильные направления искусственного интеллекта и критерии их значимости. Приведен анализ и аудит содержания подходящих существующих готовых рабочих программ. Для специалистов в области искусственного интеллекта. Может быть полезно студентам, обучающимся по направлению подготовки «Искусственный интеллект».
1569 Руб.
Вирсански Эйял Генетические алгоритмы на Python
Генетические алгоритмы - это семейство алгоритмов поиска, оптимизации и обучения, черпающее идеи из естественной эволюции. Благодаря имитации эволюционных процессов генетические алгоритмы способы преодолевать трудности, присущие традиционным алгоритмам поиска, и находить высококачественные решения в самых разных задачах. Эта книга поможет освоить мощный, но в то же время простой подход к применению генетических алгоритмов, написанных на языке Python, и познакомиться с последними достижениями в области искусственного интеллекта. После обзора генетических алгоритмов и описания принципов автор рассказывает об их отличиях от традиционных алгоритмов и о типах задач, к которым они применимы, как то: планирование, составление расписаний, игры и анализ функций. Вы также узнаете о том, как генетические алгоритмы позволяют повысить качество моделей машинного и глубокого обучения, решать задачи обучения с подкреплением и выполнять реконструкцию изображений. Наконец, будет упомянуто о некоторых родственных технологиях, открывающих новые возможности для будущих приложений. Книга адресована программистам, специалистам по обработке данных и энтузиастам ИИ, желающим применить генетические алгоритмы в решении практических задач. Требуются владение языком Python на рабочем уровне и базовые знания математики и информатики.
2209 Руб.
Глубокое обучение с подкреплением на Python. OpenAI Gym и TensorFlow для профи
Глубокое обучение с подкреплением (Reinforcement Learning) — самое популярное и перспективное направление искусственного интеллекта. Практическое изучение RL на Python поможет освоить не только базовые, но и передовые алгоритмы глубокого обучения с подкреплением.Вы начнете с основных принципов обучения с подкреплением, OpenAI Gym и TensorFlow, познакомьтесь с марковскими цепями, методом Монте-Карло и динамическим программированием, так что «страшные» аббревиатуры DQN, DRQN, A3C, PPO и TRPO вскоре перестанут вас пугать. Вы узнаете об агентах, которые учатся на человеческих предпочтениях, DQfD, HER и многих других последних достижениях RL.Прочитав книгу, вы приобретете знания и опыт, необходимые для реализации обучения с подкреплением и глубокого обучения с подкреплением в реальных проектах, и войдете в мир искусственного интеллекта.В этой книге вы:• Познакомитесь с основами методов, алгоритмов и элементов RL• Обучите агента с помощью OpenAI Gym и Tensorflow• Освоите марковские процессы принятия решений, оптимальность Беллмана и обучение TD• Научитесь решать проблемы многоруких бандитов• Овладеете алгоритмами глубокого обучения, такими как RNN, LSTM и CNN• Создадите интеллектуальных агентов с помощью алгоритма DRQN, которые смогут играть в Doom• С помощью DDPG научите агентов играть в Lunar Lander • Отправите агента на автогонки, используя метод DQN
1233 Руб.
Равичандиран С. Глубокое обучение с подкреплением на Python. OpenAI Gym и TensorFlow для профи
Глубокое обучение с подкреплением (Reinforcement Learning) — самое популярное и перспективное направление искусственного интеллекта. Практическое изучение RL на Python поможет освоить не только базовые, но и передовые алгоритмы глубокого обучения с подкреплением.Вы начнете с основных принципов обучения с подкреплением, OpenAI Gym и TensorFlow, познакомьтесь с марковскими цепями, методом Монте-Карло и динамическим программированием, так что "страшные" аббревиатуры DQN, DRQN, A3C, PPO и TRPO вскоре перестанут вас пугать. Вы узнаете об агентах, которые учатся на человеческих предпочтениях, DQfD, HER и многих других последних достижениях RL.Прочитав книгу, вы приобретете знания и опыт, необходимые для реализации обучения с подкреплением и глубокого обучения с подкреплением в реальных проектах, и войдете в мир искусственного интеллекта.В этой книге вы:• Познакомитесь с основами методов, алгоритмов и элементов RL• Обучите агента с помощью OpenAI Gym и Tensorflow• Освоите марковские процессы принятия решений, оптимальность Беллмана и обучение TD• Научитесь решать проблемы многоруких бандитов• Овладеете алгоритмами глубокого обучения, такими как RNN, LSTM и CNN• Создадите интеллектуальных агентов с помощью алгоритма DRQN, которые смогут играть в Doom• С помощью DDPG научите агентов играть в Lunar Lander • Отправите агента на автогонки, используя метод DQN
1499 Руб.