Uczenie maszynowe
Uczenie maszynowe (ang. machine learning) zajmuje się teorią i praktycznym zastosowaniem algorytmów analizujących dane — stanowi najciekawszą dziedzinę informatyki. Żyjemy w czasach przetwarzania olbrzymiej ilości informacji; za pomocą samouczących się algorytmów będących częścią uczenia maszynowego informacje te są przekształcane w rzeczywistą wiedzę. Dzięki licznym i potężnym bibliotekom o jawnym kodzie źródłowym, które powstały w ostatnich latach, prawdopodobnie teraz jest najlepszy czas, aby zainteresować się uczeniem maszynowym i nauczyć się wykorzystywać potężne algorytmy do wykrywania wzorców w przetwarzanych danych oraz prognozować przyszłe zdarzenia. Przykładami zastosowania Machine Learning są np. mechanizmy wyszukiwarek internetowych, GPS, autokorekta w edytorze tekstu czy boty w komunikatorach. Jedną z dziedzin uczenia maszynowego jest deep learning, podczas którego komputer uczy się procesów naturalnych dla ludzkiego mózgu (tworzy sieci neuronowe). Technologia ta jest wykorzystywana np. przy identyfikacji głosu i obrazów.
Daniel Vaughan
Czy technologie sztucznej inteligencji spełnią obietnicę wielkiego sukcesu? Dotychczas stosunkowo niewielu przedsiębiorstwom udało się dokonać przełomu dzięki modelom biznesowym opartym na nowych technologiach. Niepowodzenia te można różnie tłumaczyć. Często problemem jest brak umiejętności analitycznych, a przecież rozwój przedsiębiorstwa zależy od jakości decyzji, a nie samego wykorzystywania danych lub technologii predykcyjnych. Okazuje się jednak, że lepsze decyzje można podejmować dzięki wykorzystaniu sztucznej inteligencji i dostępnych danych. Oto praktyczny przewodnik po wypróbowanej kompleksowej metodzie ułatwiającej przekładanie decyzji biznesowych na łatwe w realizacji, normatywne rozwiązania, oparte na danych i sztucznej inteligencji. Badacze danych, analitycy i menedżerowie znajdą tu techniki ułatwiające zadawanie właściwych pytań i generowanie wartości z wykorzystaniem nowoczesnych technologii AI i reguł decyzyjnych. Przedstawiono szczegóły procesu decyzyjnego, począwszy od pożądanych konsekwencji lub wyników, aby następnie cofnąć się do kwestii działań, które można podjąć, i skończyć na omówieniu problemów oraz szans pojawiających się w wyniku wpłynięcia na niepewność i przyczynowość. Opisano też, jak formułować i rozwiązywać problemy normatywne. Dzięki tej książce dowiesz się, jak: przekształcać pytania biznesowe w normatywne rozwiązania rozkładać decyzje biznesowe na etapy i stosować do nich różne metody analityczne zrozumieć i zaakceptować niepewność w procesie decyzyjnym optymalizować decyzje za pomocą predykcyjnych i normatywnych metod analizy generować znaczne wartości za pomocą technologii opartych na AI i danych Opieraj swoje decyzje na technikach analizy danych!
Dr. Davide Aversa
Developing artificial intelligence (AI) for game characters in Unity has never been easier. Unity provides game and app developers with a variety of tools to implement AI, from basic techniques to cutting-edge machine learning-powered agents. Leveraging these tools via Unity's API or built-in features allows limitless possibilities when it comes to creating game worlds and characters.The updated fifth edition of Unity Artificial Intelligence Programming starts by breaking down AI into simple concepts. Using a variety of examples, the book then takes those concepts and walks you through actual implementations designed to highlight key concepts and features related to game AI in Unity. As you progress, you’ll learn how to implement a finite state machine (FSM) to determine how your AI behaves, apply probability and randomness to make games less predictable, and implement a basic sensory system. Later, you’ll understand how to set up a game map with a navigation mesh, incorporate movement through techniques such as A* pathfinding, and provide characters with decision-making abilities using behavior trees.By the end of this Unity book, you’ll have the skills you need to bring together all the concepts and practical lessons you’ve learned to build an impressive vehicle battle game.
Charbel Nemnom, Patrick Lownds, Leandro Carvalho
Hyper-V 2016 is full of new features and updates. The second of our best-selling Hyper-V books, the Windows Server 2016 Hyper-V Cookbook has it all covered. Brimming with expert solutions and techniques, you?ll have everything you need to master virtualization and Hyper-V Manager. This Hyper-V book is designed to help advanced-level administrators benefit fully from the new Windows Server. With over 80 hands-on recipes, the Hyper-V Cookbook gives you tips, tricks and best practices to deploy, maintain and upgrade your virtual machines.
Aleksander Molak
W uczeniu maszynowym odkrywanie związków przyczynowych daje możliwości, jakich nie można uzyskać tradycyjnymi technikami statystycznymi. Najnowsze trendy w programowaniu pokazują, że przyczynowość staje się kluczowym zagadnieniem dla generatywnej sztucznej inteligencji. Niezbędna okazuje się więc znajomość grafów przyczynowych i zapytań konfrontacyjnych. Dzięki tej książce łatwo przyswoisz teoretyczne podstawy i zaczniesz je płynnie wdrażać w rzeczywistych scenariuszach. Dowiesz się, w jaki sposób myślenie przyczynowe ułatwia rozwiązywanie problemów, i poznasz pojęcia Pearla, takie jak strukturalny model przyczynowy, interwencje, kontrfakty itp. Każde zagadnienie zostało dokładnie wyjaśnione i opatrzone zbiorem praktycznych ćwiczeń z kodem w Pythonie. Nauczysz się także implementować poszczególne modele i zrozumiesz, czym się kierować przy wyborze technik i algorytmów do rozwiązywania konkretnych scenariuszy przyczynowych. To przewodnik, który docenią szczególnie inżynierowie uczenia maszynowego i analitycy danych. W książce: wnioskowanie związków przyczynowych budowa i działanie strukturalnych modeli przyczynowych czteroetapowy proces wnioskowania związków przyczynowych w Pythonie techniki modelowania efektu interwencji nowoczesne metody odkrywania związków przyczynowych za pomocą Pythona korzystanie z wnioskowania związków przyczynowych Przyczyna i skutek, nic więcej. Pomyłki jako takie nie istnieją... Jose Antonio Cotrina, hiszpański pisarz science fiction
Wnioskowanie przyczynowe w Pythonie. Praktyczne wykorzystanie w branży technologicznej
Matheus Facure
Wnioskowanie przyczynowe przydaje się w sytuacji, gdy trzeba określić wpływ decyzji biznesowej na konkretny wynik, na przykład wielkość sprzedaży. Działania te są dobrze znane nauce, ale dopiero od niedawna świat poznaje korzyści z ich zastosowania w branży technologicznej. Przyczyniły się do tego postępy w uczeniu maszynowym, automatyzacji procesów i danologii. Teraz, aby uzyskać wymierne korzyści, wystarczy kilka wierszy kodu w Pythonie. Poznaj narzędzia najbardziej znanych analityków danych korzystających z Pythona! prof. Nick Huntington-Klein, autor The Effect: An Introduction to Research Design and Causality Tę książkę docenią w szczególności analitycy danych. Wyjaśniono w niej potencjał wnioskowania przyczynowego w zakresie szacowania wpływu i efektów w biznesie. Opisano klasyczne metody wnioskowania przyczynowego, w tym testy A/B, regresja liniowa, wskaźnik skłonności, metoda syntetycznej kontroli i metoda różnicy w różnicach, przy czym skoncentrowano się przede wszystkim na praktycznym aspekcie tych technik. Znalazło się tu również omówienie nowoczesnych rozwiązań, takich jak wykorzystanie uczenia maszynowego do szacowania heterogenicznych efektów. Każda metoda została zilustrowana opisem zastosowania w branży technologicznej. W książce między innymi: podstawy wnioskowania przyczynowego problemy biznesowe jako zagadnienia z obszaru wnioskowania przyczynowego eksperymenty geograficzne i eksperymenty z przełączaniem oddziaływania badanie błędu systematycznego modele graficzne i wizualizacja związków przyczynowych Najlepsza książka poświęcona najnowocześniejszym metodom, działaniu na rzeczywistych danych i rozwiązywaniu praktycznych problemów! Sean J. Taylor, główny badacz w Motif Analytics
Wprowadzenie do uczenia maszynowego według Esposito
Dino Esposito, Francesco Esposito
Opanuj koncepcje uczenia maszynowego i rozwiązuj rzeczywiste problemy Uczenie maszynowe stwarza niesamowite możliwości, a książka Wprowadzenie do uczenia maszynowego zawiera praktyczną wiedzę o ich wykorzystaniu. Dino i Francesco Esposito zaczynają od krótkiego omówienia podstawowych zagadnień sztucznej inteligencji oraz zasad każdego projektu uczenia maszynowego. Następ-nie wprowadzają do potężnej biblioteki ML.NET opracowanej przez firmę Microsoft. Omawiają między innymi przetwarzanie danych, uczenie i weryfikację. Prezentują rodziny algorytmów, które można uczyć w celu rozwią-zywania rzeczywistych problemów, a także techniki uczenia głębokiego wykorzystujące sieci neuronowe. Na koniec autorzy omawiają wartościowe usługi czasu wykonywania, dostępne za pośrednictwem chmury obli-czeniowej Azure, a także rozważają długoterminowe perspektywy biznesowe związane z uczeniem maszyno-wym. Dino Esposito, 14-krotnie wyróżniony tytułem Microsoft MVP, oraz Francesco Esposito ułatwią nam: Zgłębianie poznanych zasad uczenia się ludzi oraz budowy inteligentnego oprogramowania Odkrycie problemów, które można rozwiązać z wykorzystaniem uczenia maszynowego Zrozumienie potoku uczenia maszynowego, czyli kroków prowadzących do uzyskania gotowego modelu Użycie AutoML w celu automatycznego wybrania najlepszego potoku dla dowolnego problemu i zbioru danych Opanowanie biblioteki ML.NET, zaimplementowanie jej potoku oraz wykorzystanie zadań i algorytmów Zgłębianie matematycznych podstaw uczenia maszynowego Prognozowanie, ulepszanie sposobów podejmowania decyzji i stosowanie metod probabilistycznych Grupowanie danych poprzez klasyfikację i klasteryzację Poznanie podstaw uczenia głębokiego, włącznie z projektowaniem sieci neuronowych Wykorzystanie usług w chmurze AI w celu szybszego tworzenia lepszych rzeczywistych rozwiązań O książce Dla profesjonalistów zamierzających tworzyć aplikacje wykorzystujące uczenie maszynowe: zarówno dla programistów chcących zdobyć umiejętności z zakresu analizy danych, jak i dla analityków danych, którzy chcą zdobyć odpowiednie umiejętności programistyczne Zawiera przykładowe scenariusze kodu uczenia maszynowego wykorzystujące bibliotekę ML.NET O autorach Dino Esposito, 14-krotnie wyróżniony tytułem Microsoft MVP, jest autorem ponad 20 książek, włącznie z best-sellerem wydawnictwa Microsoft Press, zatytułowanym Microsoft .NET: Architecting Applications for the Enter-prise. Od 22 lat jest autorem kolumny Cutting Edge, a także prowadzi regularne wykłady w firmie Microsoft i na niezależnych wydarzeniach branżowych na całym świecie. Od ponad 25 lat jest programistą, a obecnie kon-centruje się na sztucznej inteligencji w kontekście inteligentnych rozwiązań dla miast i energetyki, pracując na stanowisku stratega do spraw korporacyjnych rozwiązań cyfrowych w BaxEnergy. Francesco Esposito jest 21-letnim programistą zawieszonym między zagadnieniami zaawansowanej matema-tyki i tajnikami nauk o danych. Interesuje się przede wszystkim hydrologią i służbą zdrowia. Francesco założył Youbiquitous, firmę zajmującą się oprogramowaniem i sztuczną inteligencją, a także prowadzi małą firmę in-westycyjną. Cały przykładowy kod, włącznie z kompletnymi aplikacjami, jest dostępny pod adresem MicrosoftPressStore.com/IntroMachineLearning/downloads Obraz na okładce autorstwa Andreya Pronin/aAlamy Stock Vector
Valliappa Lakshmanan, Sara Robinson, Michael Munn
Rozwiązania typowych problemów dotyczących przygotowania danych, konstruowania modeli i MLOps Wzorce projektowe opisane w tej książce obejmują najlepsze praktyki i rozwiązania powtarzalnych problemów w uczeniu maszynowym. Autorzy, troje inżynierów z firmy Google, skatalogowali sprawdzone metody, aby pomóc badaczom danych sprostać typowym problemom występującym w całym procesie uczenia maszynowego. Te wzorce projektowe kodyfikują doświadczenie setek ekspertów w prostych, przystępnych radach. W tej książce znajdziesz szczegółowe wyjaśnienia 30 wzorców reprezentacji danych i problemów, operacjonalizacji, powtarzalności, odtwarzalności, elastyczności, objaśnialności i bezstronności. Każdy wzorzec obejmuje opis problemu, różnorodne potencjalne rozwiązania oraz rekomendacje dotyczące wyboru najlepszej techniki w danej sytuacji. Nauczysz się: • Rozpoznawać i minimalizować typowe problemy występujące podczas uczenia, oceniania oraz wdrażania modeli uczenia maszynowego • Przedstawiać dane dla różnych typów modeli uczenia maszynowego, w postaci reprezentacji wektorowych, krzyżowania cech i nie tylko • Wybierać prawidłowy typ modelu dla konkretnych problemów • Konstruować wydajną pętlę uczenia z zastosowaniem punktów kontrolnych, strategii rozkładu i strojenia hiperparametrów • Wdrażać skalowalne systemy uczenia maszynowego, które można uczyć ponownie i aktualizować, aby odzwierciedlać nowe dane • Interpretować predykcje modeli dla interesariuszy i zapewniać, że modele traktują użytkowników bezstronnie • Zwiększać dokładność, odtwarzalność i elastyczność „Dzięki wspaniałym, różnorodnym przykładom ta książka jest obowiązkową lekturą dla badaczy danych i inżynierów uczenia maszynowego dążących do zrozumienia sprawdzonych rozwiązań złożonych problemów uczenia maszynowego.” —David Kanter Dyrektor wykonawczy, ML Commons „Jeśli chcesz oszczędzić sobie siniaków na drodze do konstruowania rozwiązań uczenia maszynowego, Lak, Sara i Michael to osoby, na które możesz liczyć.” —Will Grannis Dyrektor zarządzający, Cloud CTO Office, Google Valliappa (Lak) Lakshmanan jest globalnym kierownikiem działu analizy danych i rozwiązań sztucznej inteligencji w Google Cloud. Sara Robinson jest rzeczniczką deweloperów w zespole Google Cloud, skupiającą się na uczeniu maszynowym. Michael Munn jest inżynierem rozwiązań uczenia maszynowego w Google, gdzie pomaga klientom projektować, implementować i wdrażać modele uczenia maszynowego.
Lior Gazit, Meysam Ghaffari
Uczenie maszynowe i duże modele językowe rewolucjonizują biznes i nasze codzienne życie. Potencjał tych innowacji jest trudny do oszacowania: modele LLM stały się wiodącym trendem w tworzeniu aplikacji i analizie danych. Integrowanie zaawansowanych modeli z systemami produkcyjnymi bywa jednak często wymagającym, a nawet niewdzięcznym zadaniem. Na szczęście dzięki tej książce poradzisz sobie z takimi wyzwaniami! Najpierw zapoznasz się z matematycznymi podstawami algorytmów ML i NLP. Zaznajomisz się również z ogólnymi technikami uczenia maszynowego i dowiesz się, w jakim stopniu dotyczą one dużych modeli językowych. Kolejnym zagadnieniem będzie przetwarzanie danych tekstowych, w tym metody przygotowywania tekstu do analizy, po czym przyswoisz zasady klasyfikowania tekstu. Ponadto poznasz zaawansowane aspekty teorii, projektowania i stosowania LLM, wreszcie ― przyszłe trendy w NLP. Aby zdobyć praktyczne umiejętności, będziesz ćwiczyć na przykładach rzeczywistych zagadnień biznesowych i rozwiązań NLP. W książce: podstawy matematyczne uczenia maszynowego i NLP zaawansowane techniki przetwarzania wstępnego i analizy danych tekstowych projektowanie systemów ML i NLP w Pythonie przetwarzanie tekstu z użyciem metod uczenia głębokiego modele LLM i ich implementacja w różnych aplikacjach AI trendy w NLP i potencjał tej technologii Odkryj przyszłe trendy w NLP widziane oczami ekspertów!