Sztuczna inteligencja
Matthew John Macdonald, Jason Clemons, Gary Bradski,...
Polecenia dla ChatGPT w finansach: praktyczne zastosowanie w biznesie i finansach osobistych
Adam Parysz
Czy kiedykolwiek zastanawiało Cię, jak sztuczna inteligencja może zrewolucjonizować zarządzanie finansami? Jeśli nie, to może warto się nad tym zastanowić? Zwłaszcza w kontekście możliwości, jakie stwarza ChatGPT, jedno z kluczowych narzędzi transformacji technologicznej. Model opracowany przez OpenAI może być używany do planowania budżetu, oszczędzania, raportowania danych czy nawet doradztwa inwestycyjnego. Dzięki zaawansowanym algorytmom AI może analizować wszelkie dane finansowe i sugerować optymalne strategie inwestycyjne, co pozwala na efektywniejsze zarządzanie finansami osobistymi. Książka Polecenia dla ChatGPT w finansach. Praktyczne zastosowanie w biznesie i finansach osobistych pokazuje możliwości, jakie daje współpraca z tym narzędziem. To praktyczny przewodnik skierowany do osób, które na co dzień korzystają z AI w instytucjach finansowych, ale także tych, które dopiero rozpoczynają przygodę z tą technologią. Również szefowie organizacji znajdą tu inspiracje do zastosowania narzędzia w codziennej pracy ― odkryją jego potencjał w zarządzaniu nie tylko finansami, ale i procesami biznesowymi. Przekonaj się, że ChatGPT może się stać Twoim najlepszym wirtualnym asystentem ― który w dodatku nic nie kosztuje! W książce: Cel i zakres zastosowania ChatGPT w finansach: Wprowadzenie do OpenAI, rozwój ChatGPT oraz jego kluczowe cechy) Zastosowanie ChatGPT w finansach osobistych (planowanie budżetu, oszczędzanie, zarządzanie długiem, doradztwo inwestycyjne) Automatyzacja obsługi klienta i personalizacja usług (najlepsze praktyki, skrypty dialogów z klientami) Automatyzacja analizy i raportowania danych finansowych (przegląd narzędzi i metodologii) Automatyzacja procesów wewnętrznych (zarządzanie dokumentacją, audyt) Automatyzacja zarządzania ryzykiem (przykłady poleceń dotyczących identyfikacji i reagowania na sygnały ryzyka)
Poznaj Data Science. Przekształcanie, eksplorowanie, wizualizacja i modelowanie danych w Pythonie
Deborah Nolan, Joseph Gonzalez, Sam Lau
Jako ambitny Data Scientist, czyli danetyk, rozumiesz, dlaczego organizacje polegają na danych przy podejmowaniu ważnych decyzji - czy chodzi o firmy projektujące witryny internetowe, władze miasta decydujące o sposobie poprawy usług, czy naukowców pracujących nad zatrzymaniem rozprzestrzeniania się choroby. Chcesz nabyć umiejętności wyciągania praktycznych wniosków z nieuporządkowanego mnóstwa danych. Nazywamy to danetycznym cyklem życia: proces zbierania, przekształcania, analizowania danych i wyciągania z nich wniosków. Poznaj Data Science to pierwsza książka przedstawiająca fundamentalne umiejętności dotyczące zarówno programowania, jak i statystyki, które są potrzebne w całym cyklu życia. Jest skierowana do osób, które chcą zostać danetykami lub z nimi współpracują, a także analityków danych, którzy chcą przekroczyć podział na "techniczne/nietechniczne". Jeśli znasz podstawy programowania w Pythonie, nauczysz się pracować z danymi przy użyciu standardowych w branży narzędzi, takich jak pandas. - Sprecyzuj pytanie, aby pozwalało na badanie interesującej kwestii przy użyciu danych - Zgromadź dane, co może obejmować przetwarzanie tekstu, ekstrakcję danych internetowych itp. - Zyskaj wartościowe spostrzeżenia, dzięki oczyszczaniu, eksplorowaniu i wizualizacji danych - Poznaj sposoby modelowania służące do opisu danych - Dokonaj uogólnień wykraczających poza dane "Żałuję, że nie mieliśmy tej książki, gdy pierwszy raz wymyślaliśmy określenie Data Scientist na nasz zawód. Warto zacząć od niej zajmowanie się analizą/inżynierią danych, sztuczną inteligencją lub uczeniem maszynowym". -DJ Patil, PhD pierwszy US Chief Data Scientist Sam Lau jest asystentem w Halıcıoğlu Data Science Institute na uniwersytecie UC San Diego. Sam ma dziesięć lat doświadczenia w nauczaniu. Ułożył program przedmiotu Data Science i nauczał go na wzorcowych kursach na uniwersytetach UC Berkeley i UC San Diego. Joey Gonzalez jest adiunktem na wydziale EECS na uniwersytecie UC Berkeley, członkiem grupy badawczej Berkeley AI Research oraz członkiem założycielem organizacji Berkeley RISE Lab. Jest także współzałożycielem firm Turi Inc. i Aqueduct, które tworzą narzędzia dla osób zajmujących się Data Science. Deborah Nolan jest profesorem emerita statystyki i prodziekanem ds. studentów w College of Computing, Data Science, and Society na uniwersytecie UC Berkeley.
Salil Ajgaonkar
With the huge amount of data being generated over the internet and the benefits that Machine Learning (ML) predictions bring to businesses, ML implementation has become a low-hanging fruit that everyone is striving for. The complex mathematics behind it, however, can be discouraging for a lot of users. This is where H2O comes in – it automates various repetitive steps, and this encapsulation helps developers focus on results rather than handling complexities.You’ll begin by understanding how H2O’s AutoML simplifies the implementation of ML by providing a simple, easy-to-use interface to train and use ML models. Next, you’ll see how AutoML automates the entire process of training multiple models, optimizing their hyperparameters, as well as explaining their performance. As you advance, you’ll find out how to leverage a Plain Old Java Object (POJO) and Model Object, Optimized (MOJO) to deploy your models to production. Throughout this book, you’ll take a hands-on approach to implementation using H2O that’ll enable you to set up your ML systems in no time.By the end of this H2O book, you’ll be able to train and use your ML models using H2O AutoML, right from experimentation all the way to production without a single need to understand complex statistics or data science.
Lars Malmqvist
Agentforce is Salesforce’s next-generation framework for building autonomous AI agents that act intelligently on behalf of users. This book is your practical guide to leveraging Agentforce to create enterprise-grade agents that reason, plan, and execute across clouds.You'll begin by mastering core concepts, agent types, the Atlas Reasoning Engine, and the Einstein Trust Layer, before setting up your development environment and using Agent Builder to create your first agents. A full case study walks you through building a production-grade room booking agent, preparing you for more advanced implementations.In later chapters, you'll extend agents with Flow and Apex, build real-time intelligence using Data Cloud and semantic search, and secure your implementations. You'll then adopt DevOps practices to manage deployments, use the Command Center for performance insights, and integrate Agentforce across your enterprise landscape using MuleSoft and external services. By the end, you’ll design and run robust Agentforce solutions that automate complex workflows and deliver measurable business value.