Inteligență artificială pentru știința datelor: Cadre și funcționalități de inteligență artificială pentru Deep Learning, optimizare și nu numai

Recenzii ale cititorilor

Cartea reprezintă o resursă valoroasă atât pentru cercetătorii de date aspiranți, cât și pentru cei experimentați, care doresc să înțeleagă și să implementeze inteligența artificială, în special învățarea profundă. Cu toate acestea, există o problemă îngrijorătoare cu încălcarea drepturilor de autor care a afectat unii cititori.

Bine scrisă și informativă, cu o acoperire cuprinzătoare a fundamentelor, instrumentelor și cadrelor de învățare profundă. Acesta include exemple practice de codificare și atinge subiecte relevante de IA, cum ar fi Big Data și tehnici emergente, cum ar fi Transfer Learning și Capsule Networks.

Cartea are unele erori gramaticale care pot perturba experiența de lectură. În plus, există probleme legate de încălcarea drepturilor de autor care au afectat unii utilizatori, provocând frustrare cu privire la oportunitățile pierdute de audiobook.

(pe baza a 2 recenzii ale cititorilor)

Titlul original:

AI for Data Science: Artificial Intelligence Frameworks and Functionality for Deep Learning, Optimization, and Beyond

Conținutul cărții:

Stăpâniți abordările și principiile algoritmilor Inteligenței Artificiale (AI) și aplicați-le la proiectele Data Science cu cod Python și Julia.

Aspiranții și practicienii din domeniul Științei Datelor și AI, împreună cu programatorii Python și Julia, vor exersa numeroși algoritmi AI și vor dezvolta o înțelegere mai holistică a domeniului AI, și vor învăța când să utilizeze fiecare cadru pentru a aborda proiecte în lumea noastră din ce în ce mai complexă.

Primele două capitole introduc domeniul, capitolul 1 făcând o trecere în revistă a modelelor Deep Learning, iar capitolul 2 oferind o prezentare generală a algoritmilor dincolo de Deep Learning, inclusiv optimizarea, logica fuzzy și creativitatea artificială.

Următoarele capitole se concentrează pe cadrele AI; acestea conțin date și cod Python și Julia într-un Docker furnizat, astfel încât să puteți exersa. Capitolul 3 acoperă MXNet de la Apache, capitolul 4 acoperă TensorFlow, iar capitolul 5 investighează Keras. După acoperirea acestor cadre de învățare profundă, explorăm o serie de cadre de optimizare, capitolul 6 acoperind Particle Swarm Optimization (PSO), capitolul 7 pe Algoritmi genetici (GA) și capitolul 8 discutând Simulated Annealing (SA).

Capitolul 9 începe explorarea metodelor avansate de inteligență artificială, acoperind rețelele neurale convoluționale (CNN) și rețelele neurale recurente (RNN). Capitolul 10 discută despre ansamblurile de optimizare și modul în care acestea pot adăuga valoare procesului de Data Science.

Capitolul 11 conține mai multe cadre alternative de IA, inclusiv Extreme Learning Machines (ELM), Capsule Networks (CapsNets) și Fuzzy Inference Systems (FIS).

Capitolul 12 cuprinde alte considerații complementare subiectelor de IA abordate, inclusiv concepte Big Data, domenii de specializare în Data Science și resurse de date utile pentru experimente.

Este inclus un glosar cuprinzător, precum și o serie de anexe care acoperă învățarea prin transfer, învățarea prin consolidare, sistemele de autocodare și rețelele generatoare adversare. Există, de asemenea, o anexă privind aspectele comerciale ale IA în proiectele de știința datelor și o anexă privind modul de utilizare a imaginii Docker pentru a accesa datele și codul din carte.

Domeniul inteligenței artificiale este vast și poate fi copleșitor pentru abordarea noilor veniți. Această carte vă va înarma cu o înțelegere solidă a domeniului și vă va inspira să explorați mai departe.