Verleger: 8

Ucz się jak Einstein. Jak zapamiętywać więcej, czytać szybciej i z łatwością zdobywać nowe umiejętności

Peter Hollins

Einstein nie był najlepszym uczniem. Przez długi czas uważano go za przeciętną osobę. A jednak to on zrewolucjonizował naukę i stał się najbardziej znanym naukowcem w dziejach. Dziś Albert Einstein jest znakomitym przykładem, że nie trzeba być ponadprzeciętnie uzdolnionym prymusem, aby błyskawicznie zdobywać potrzebną wiedzę, koncentrować się i dostrzegać kluczowe powiązania. Uczenia się można się nauczyć. I jest to jedna z najcenniejszych umiejętności, jakie możesz zdobyć. Pomoże Ci w tym ta niewielka książeczka - jej lektura sprawi, że nawet jeśli brak Ci motywacji albo nie lubisz jakiegoś zagadnienia, przyswoisz je szybko i skutecznie! Zorientujesz się, jaki sposób uczenia się jest dla Ciebie najwłaściwszy i jak ćwiczyć, aby osiągnąć mistrzostwo w wybranej dziedzinie. Dowiesz się, czym się różnią ćwiczenia nowych umiejętności od ćwiczeń doskonalących, a także jak działa ludzka pamięć. Poznasz znakomite metody ułatwiające zapamiętywanie informacji, takie jak fiszki, mnemotechniki czy historie. Nawet gdyby od czasu do czasu (niestety!) konieczne było wykucie czegoś na pamięć, za sprawą zawartych tu porad zrobisz to bez trudu! Dzięki tej książce: zdemaskujesz mity i błędne opinie dotyczące uczenia się poznasz model siedmiu stylów uczenia się dowiesz się, jak trenować umiejętność szybkiego czytania i skutecznego zapamiętywania nauczysz się robić świetne notatki ugruntujesz naukowe podstawy uczenia się a na deser rozwiążesz zagadkę Einsteina! Wyćwicz swój mózg i chłoń wiedzę jak gąbka!

Uczące się systemy decyzyjne

Paweł Wawrzyński

Część I podręcznika stanowi wprowadzenie. Przedstawia w stopniu wystarczającym do dalszej lektury zagadnienia dotyczące sieci neuronowych, optymalizacji stochastycznej i programowania dynamicznego, czyli trzech podstawowych narzędzi służących do budowy systemów adaptacyjnych i uczących się. Część II jest poświęcona uczeniu się ze wzmocnieniem. Materiał został zaprezentowany w sposób zwarty i dlatego uzupełniono go rozległą bibliografią. W części III omówiono zagadnienia dotyczące sterowania adaptacyjnego, zaczynając od formalizmu służącego do opisu obiektów dynamicznych i teorii stabilności. Następnie przedstawiono koncepcję systemów adaptacyjnych z modelem referencyjnym oraz koncepcję samostrojących się regulatorów. W ostatniej części omówiono rzadziej stosowane alternatywne podejścia do zagadnienia.

Uczeni z odległej i nieodległej przeszłości. Rekonstrukcje, interpretacje, refleksje

Alicja Żywczok, Małgorzata Kitlińska-Król

Zaprezentowana praca wieloautorska powstała w celu popularyzacji wiedzy naukoznawczej, zwłaszcza z zakresu historii nauki, filozofii nauki oraz psychologii i pedagogiki twórczości naukowej. Upowszechnienie znajomości biografii uczonych, zawierających wiele wskazówek odnośnie do tajników dynamicznych postępów w nauce, stanowi, w mym przekonaniu, odpowiedni kierunek w edukacji młodego pokolenia.     Rozstrzygającym motywem zbiorowego wysiłku i współpracy naukowców z wielu ośrodków stało się przeświadczenie redaktorów naukowych, że w każdej społeczności postaci, które zmieniały bieg historii, tworzyły kulturę, kształtowały cywilizację od czasów najdawniejszych po współczesność, powinny być doskonale znane i doceniane. Zapomnienie o nich bądź fragmentaryczne postrzeganie dokonań stanowią akty niesprawiedliwości społecznej. Potwierdza je dzisiejsza degrengolada, którą daje się rozpoznać w hołubieniu zwłaszcza pracowników mediów czy tzw. celebrytów. Nie chodzi jednak o bagatelizację jakiejkolwiek grupy, ale o uczciwe uznanie społeczne dla inicjatorów procesów kulturotwórczych. Rekonstrukcja faktów biograficznych stanowi jedynie podwalinę twórczych interpretacji i refleksji dotyczących działalności naukowej uczonych z różnych epok. Jednak niezależnie od okresu, w którym przyszło im żyć, każdy z nich podtrzymuje ciągłość kulturową i dialog z przedstawicielami kolejnych pokoleń naukowców. Kulturowa jedność uczonych z odległej i nieodległej przeszłości służy obronie humanizacyjnej funkcji nauki wyrażającej się choćby w trosce o przetrwanie ludzkości i jej godną egzystencję. Wśród komponentów strukturalnych pracy należy wyliczyć: spis treści; wstęp; dziesięć rozdziałów z zakresu naukoznawstwa; zakończenie; summary ze słowami kluczowymi; noty o autorach. Autorzy w rozdziałach zaprezentowali kolejno: – biogramy rzymskich intelektualistów: Orbiliusza (114–14 r. p.n.e.) i Apulejusza (ok. 125–po 180 r. n.e.); – obraz uczonego zakonnika wyłaniający się ze średniowiecznych kronik klasztornych; – sylwetkę Jana Niecisława Baudouina de Courtenay'a – prekursora teorii językoznawczych oraz działacza społecznego; – wybitnego czeskiego filozofa, pedagoga, redaktora oraz polityka – Františka Drtinę; – twórczość Tadeusza Zielińskiego (1859–1944), który podporządkował działalność naukową misji wychowawczej; – sylwetkę Kurta Aldera – naukowca urodzonego na Śląsku, laureata Nagrody Nobla w dziedzinie chemii; –  twórczość naukową Jeana Piageta, jednego z największych uczonych XX wieku w zakresie psychologii rozwojowej; – interpretację dzieł (głównie z zakresu epistemologii) Tadeusza Kotarbińskiego, co umożliwiło zbadanie jego poglądów na rozwój nauki i naukowców; – jednego z luminarzy pedagogiki specjalnej – docenta/profesora Ottona Lipkowskiego; – biogramy nauczycieli intelektualistów, społeczników, związanych z regionem górnośląskim na tle sytuacji społeczno-politycznej po zakończeniu II wojny światowej. Praca ta jest adresowana zarówno do środowiska naukowców reprezentujących różne dziedziny i dyscypliny, jak i do szerokiego kręgu odbiorców, począwszy od uczniów szkół średnich, studentów, doktorantów oraz członków ich rodzin, a skończywszy na wszystkich zainteresowanych postępem naukowym i cywilizacyjnym na przestrzeni wieków.

Uczenie głębokie i sztuczna inteligencja. Interaktywny przewodnik ilustrowany

Jon Krohn, Grant Beyleveld, Aglaé Bassens

Uczenie maszynowe jest przyszłością naszej cywilizacji. Już dziś wywiera ogromny wpływ na nasze życie. Odmieniło kształt wielu sektorów: usług konsumenckich, inżynierii, bankowości, medycyny czy produkcji. Trudno też przewidzieć zmiany, jakie potęga sieci neuronowych przyniesie nam w nadchodzących latach. Osoby zajmujące się zawodowo uczeniem głębokim i sieciami neuronowymi mogą liczyć na ekscytujące możliwości, jednak zaawansowana matematyka i teoria stanowiące podstawę uczenia maszynowego mogą zniechęcać do prób poważnego zajęcia się tą dziedziną. Ta książka jest nowatorskim podręcznikiem, w którym w zrozumiały, intuicyjny sposób opisano techniki sztucznej inteligencji. Została wzbogacona kolorowymi ilustracjami i zrozumiałym kodem, dzięki czemu pozwala o wiele łatwiej zagłębić się w złożoność modeli głębokiego uczenia. Trudniejsze zagadnienia matematyczne zostały ograniczone do niezbędnego minimum, przedstawiono je jednak w sposób maksymalnie przystępny. Po lekturze zrozumiesz, czym jest głębokie uczenie, dlaczego stało się tak popularne i jak się ma do innych dziedzin uczenia maszynowego. W pragmatyczny sposób opisano takie aspekty zastosowań głębokiego uczenia jak widzenie maszynowe, przetwarzanie języka naturalnego, generowanie obrazów, a nawet gra w różne gry. Prezentowane treści uzupełnia praktyczny kod i szereg wskazówek dotyczących korzystania z bibliotek Keras i TensorFlow. W książce między innymi: teoretyczne podstawy sztucznej inteligencji, w tym sieci neuronowe i ich trening oraz optymalizacja sieci konwolucyjne, rekurencyjne, GAN, głębokie uczenie przez wzmacnianie potencjał systemów głębokiego uczenia narzędzia do tworzenia, stosowania i usprawniania modeli głębokiego uczenia tworzenie interaktywnych aplikacji opartych na głębokim uczeniu Uczenie głębokie: przekonaj się na własne oczy!

Uczenie głębokie od zera. Podstawy implementacji w Pythonie

Seth Weidman

Uczenie głębokie (ang. deep learning) zyskuje ostatnio ogromną popularność. Jest to ściśle związane z coraz częstszym zastosowaniem sieci neuronowych w przeróżnych branżach i dziedzinach. W konsekwencji inżynierowie oprogramowania, specjaliści do spraw przetwarzania danych czy osoby w praktyce zajmujące się uczeniem maszynowym muszą zdobyć solidną wiedzę o tych zagadnieniach. Przede wszystkim trzeba dogłębnie zrozumieć podstawy uczenia głębokiego. Dopiero po uzyskaniu biegłości w posługiwaniu się poszczególnymi koncepcjami i modelami możliwe jest wykorzystanie w pełni potencjału tej dynamicznie rozwijającej się technologii. Ten praktyczny podręcznik, poświęcony podstawom uczenia głębokiego, zrozumiale i wyczerpująco przedstawia zasady działania sieci neuronowych z trzech różnych poziomów: matematycznego, obliczeniowego i konceptualnego. Takie podejście wynika z faktu, że dogłębne zrozumienie sieci neuronowych wymaga nie jednego, ale kilku modeli umysłowych, z których każdy objaśnia inny aspekt działania tych sieci. Zaprezentowano tu również techniki implementacji poszczególnych elementów w języku Python, co pozwala utworzyć działające sieci neuronowe. Dzięki tej książce stanie się jasne, w jaki sposób należy tworzyć, uczyć i stosować wielowarstwowe, konwolucyjne i rekurencyjne sieci neuronowe w różnych praktycznych zastosowaniach. W książce między innymi: matematyczne podstawy uczenia głębokiego tworzenie modeli do rozwiązywania praktycznych problemów standardowe i niestandardowe techniki treningu sieci neuronowych rozpoznawanie obrazów za pomocą konwolucyjnych sieci neuronowych rekurencyjne sieci neuronowe, ich działanie i implementacja praca z wykorzystaniem biblioteki PyTorch Uczenie głębokie: zrozum, zanim zaimplementujesz!

Uczenie głębokie z PyTorch. Kurs video. Opanuj sztuczną inteligencję

Tomasz Kaniecki

Obierz kurs na... sztuczną inteligencję Sztuczna inteligencja, ChatGPT, sieci neuronowe, uczenie maszynowe, uczenie głębokie... Oto hasła, które elektryzują nie tylko branżę informatyczną na całym świecie. Wraz z rozwojem tej dziedziny wiedzy i w rytmie prezentowania kolejnych narzędzi rosną nadzieje na praktyczne, naukowe i biznesowe zastosowanie drzemiących w niej możliwości. Okazuje się bowiem, że sztuczna inteligencja będzie w stanie wydajnie wspomóc nas w obliczeniach, wyszukiwaniu danych, analizach i wyciąganiu wniosków, ale także w pracy kreatywnej, i to w tak wielu dziedzinach, że to, co dziś wydaje się technologiczną nowinką, jutro okaże się prawdopodobnie czymś obowiązkowym. Jutro funkcjonowanie w tradycyjny, niewspomagany przez AI sposób może oznaczać utratę przewagi konkurencyjnej. A na to praktycznie nikt nie może sobie pozwolić. Dlatego, zdając sobie sprawę z rodzaju wyścigu, w jakim startują, kraje, organizacje, instytucje naukowe i firmy już dziś intensywnie poszukują sposobów na zaprzęgnięcie sztucznej inteligencji do pracy, a także specjalistów, którzy je znają i potrafią wdrożyć. Ten kurs ma za zadanie wprowadzić Cię w tematy związane z AI – przede wszystkim dotyczące uczenia maszynowego i głębokiego. Szkolenie koncentruje się na praktycznym zastosowaniu biblioteki PyTorch, która jest jednym z najdynamiczniej rozwijających się narzędzi w dziedzinie sztucznej inteligencji. Ta otwartoźródłowa biblioteka języka Python została stworzona przez oddział sztucznej inteligencji Facebooka, a następnie przekazana pod opiekę Linux Foundation. Stosuje się ją przede wszystkim w aplikacjach służących przetwarzaniu języka naturalnego. Zgłębiając tajniki PyTorch, zdobędziesz praktyczne umiejętności, które są szczególnie poszukiwane na rynku pracy. Otworzy Ci to drzwi do kariery w jednej z najbardziej ekscytujących i dynamicznych dziedzin technologicznych. Co Cię czeka podczas naszego profesjonalnego szkolenia W ramach kursu między innymi: Opanujesz podstawy uczenia maszynowego i głębokiego uczenia: zrozumiesz fundamentalne koncepcje, takie jak sieci neuronowe, funkcje aktywacji, propagacja wsteczna i optymalizacja Zapoznasz się z PyTorch: zaznajomisz się z podstawowymi operacjami na tensorach, a także zarządzaniem danymi i modelami w PyTorch Będziesz trenować i testować modele: nauczysz się budowania, trenowania i ewaluacji modeli sieci neuronowych na realnych zbiorach danych, takich jak MNIST Popracujesz z CNN i LSTM: zrozumiesz i zaimplementujesz konwolucyjne sieci neuronowe (CNN) do przetwarzania obrazów i długiej krótkoterminowej pamięci (LSTM) do analizy danych sekwencyjnych Poznasz zaawansowane modele CNN: przyjrzysz się ewolucji i budowie zaawansowanych architektur CNN, takich jak VGG, a także ich zastosowaniu w rozpoznawaniu obrazów Będziesz modelować hybrydowo: dowiesz się, jak budować i trenować hybrydowe modele sieci neuronowych, w tym RandWireNN, które łączą różne architektury dla zwiększenia wydajności Wygenerujesz tekst z GPT-2: zdobędziesz doświadczenie w fine-tuningu i implementacji modeli generatywnych, takich jak GPT-2, do tworzenia tekstów Przetransferujesz styl neuronowy: nauczysz się stosować techniki transferu stylu do modyfikacji obrazów przy użyciu głębokich sieci neuronowych Zobaczysz, czym jest uczenie przez wzmacnianie z Deep Q-Networks (DQN): przerobisz wprowadzenie do algorytmów uczenia przez wzmacnianie, w tym DQN, i ich zastosowanie w zadaniach decyzyjnych Wyeksportujesz i zaimportujesz model z Open Neural Network Exchange (ONNX): zrozumiesz i praktycznie wykorzystasz ONNX do przenoszenia modeli między różnymi platformami i narzędziami Zautomatyzujesz proces modelowania (AutoML): poznasz techniki AutoML w PyTorch, które ułatwiają automatyczne wyszukiwanie najlepszych architektur i hiperparametrów Rozwiążesz rzeczywiste problemy związane z AI: zastosujesz nabyte umiejętności do rozwiązywania konkretnych problemów w różnych dziedzinach, takich jak wizja komputerowa, przetwarzanie języka naturalnego (NLP) i inne Poznasz najlepsze praktyki i zasady optymalizowania modeli: zaznajomisz się z technikami optymalizacji i najlepszymi praktykami w projektowaniu, trenowaniu i wdrażaniu modeli sieci neuronowych Szkolenie Uczenie głębokie z PyTorch. Kurs video. Opanuj sztuczną inteligencję kończy się na poziomie średnio zaawansowanym. Wyniesiesz z niego wiedzę teoretyczną i praktyczne umiejętności, które są niezbędne do pracy w dziedzinie sztucznej inteligencji i uczenia maszynowego. Na początku mojej przygody z uczeniem maszynowym i głębokim uczeniem zdałem sobie sprawę, że nie jest to tylko kolejny zestaw narzędzi technologicznych. To nowy język przyszłości, który pozwala nam na dialog ze złożonymi systemami i otwiera drzwi do dużych możliwości. PyTorch, którym dzielę się w tym kursie, nie jest tylko platformą; to most łączący Twoją kreatywność z potencjałem, jaki kryje w sobie sztuczna inteligencja. Każdy moduł, każda linijka kodu, którą tu znajdziesz, zostały zaprojektowane z myślą o umożliwieniu Ci kształtowania technologii. Pamiętaj, że każdy wielki projekt zaczyna się od pierwszego kroku. Niech ten kurs będzie Twoim krokiem w podróży, która może zmienić świat wokół nas. Witam Cię w podróży do świata AI, gdzie jedynym ograniczeniem jest Twoja wyobraźnia. Tomasz Kaniecki

Uczenie maszynowe dla programistów

Drew Conway, John Myles White

Wyciągnij najlepsze wnioski z dostępnych danych! Maszyna myśląca jak człowiek to marzenie ludzkości. Dzięki dzisiejszej wiedzy i dostępnym narzędziom wciąż przybliżamy się do jego spełnienia. Zastanawiasz się, jak nauczyć maszynę myślenia? Jak sprawić, żeby podejmowała trafne decyzje oraz przewidywała najbliższą przyszłość na podstawie przygotowanych modeli? Na to i wiele innych pytań odpowiada ta wspaniała książka. Dzięki niej poznasz język R, nauczysz się eksplorować dostępne dane, określać wartość mediany i odchylenia standardowego oraz wizualizować powiązania między kolumnami. Gdy opanujesz już solidne podstawy teoretyczne, możesz śmiało przejść do kolejnych rozdziałów i zapoznać się z klasyfikacją binarną, tworzeniem rankingów oraz modelowaniem przyszłości przy użyciu regresji. Ponadto zrozumiesz, jak tworzyć systemy rekomendacyjne, analizować sieci społeczne oraz łamać szyfry. Książka ta jest doskonałą lekturą dla pasjonatów analizy danych i wyciągania z nich wniosków. Każdy rozdział książki jest poświęcony konkretnemu zagadnieniu uczenia maszynowego: klasyfikacji, predykcji, regresji, optymalizacji i wreszcie rekomendacji. Czytelnik nauczy się konstruować proste algorytmy uczenia maszynowego (i przepuszczać przez nie próbki danych) za pomocą języka programowania R. Uczenie maszynowe dla programistów jest więc znakomitą lekturą dla programistów parających się czy to projektami komercyjnymi, czy to rządowymi, czy wreszcie akademickimi. Skonstruuj prosty klasyfikator bayesowski odróżniający wiadomości treściwe od niechcianych na podstawie ich zawartości. Używaj regresji liniowej do przewidywania liczby odwiedzin najpopularniejszych stron WWW. Naucz się optymalizacji, próbując złamać prosty szyfr literowy. Statystycznie skonfrontuj poglądy polityków, używając rejestru głosowań. Zbuduj system rekomendacji wartościowych twitterowców. Naucz się czytać i analizować dane! Książka ta stanowi świetny przegląd przypadków i tuzina różnych technik uczenia maszynowego. Jest ukierunkowana na proces dochodzenia do rozwiązania, a nie gotowe recepty ani abstrakcyjne teorie; dzięki temu jej materiał jest dostępny dla wszystkich programistów, ale też przysłowiowych „umysłów ścisłych” — Max Shron, OkCupid  

Uczenie maszynowe. Elementy matematyki w analizie danych

Leszek Albrzykowski

Na styku matematyki i informatyki Uczenie maszynowe (ML) i sztuczna inteligencja (AI). Obok komputerów kwantowych to dwa główne, gorące tematy we współczesnej informatyce. Oba nieco tajemnicze, futurystyczne i przede wszystkim wymagające posiadania dość sporej wiedzy i umiejętności matematycznych. Stąd podręczniki akademickie poświęcone sztucznej inteligencji i uczeniu maszynowemu zwykle są grube, ciężkie i naszpikowane detalami. Niesprzyjające szybkiej nauce i w rzeczywistości wcale nie takie… podręczne. Inaczej jest z tą niewielkich rozmiarów książką. Jej autor przedstawia tematy związane z AI i ML z naciskiem na matematykę, tłumaczy jednak wszystko krok po kroku ― tak by czytelnikom było łatwiej je zrozumieć. Zagadnienia matematyczne są tu objaśniane o tyle, o ile jest to konieczne dla opanowania konkretnych treści z zakresu uczenia maszynowego.  Znajdziesz tu omówienie takich kluczowych zagadnień jak: Wnioskowanie bayesowskie Modele liniowe Zmienne informatywne i entropia informacji Ocena wpływu cech na model Detekcja anomalii Ocena modelu