-
Koszyk jest pustyRealizuj zamówienieSuma 0
-
-
Koszyk jest pustyRealizuj zamówienieSuma 0
- Kategorie
-
Uczenie maszynowe.
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.
| Wysyłka w ciągu | 24 godziny |
| Kod kreskowy | |
| ISBN | 978-83-2839-139-0 |
| EAN | 9788328391390 |
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
ROZDZIAŁ 1. Liniowe zależności danych
o Kowariancja
o Współczynnik korelacji
o Regresja liniowa
o Co dalej?
o Bibliografia
ROZDZIAŁ 2. Wnioskowanie bayesowskie
o Twierdzenie Bayesa
o Naiwny klasyfikator bayesowski
o Co dalej?
o Bibliografia
ROZDZIAŁ 3. Czynniki wpływające na wyniki modelu
o Propensity score matching
o Shapley value
o Co dalej?
o Bibliografia
ROZDZIAŁ 4. Detekcja anomalii
o Detekcja anomalii za pomocą z-score
o Detekcja anomalii za pomocą algorytmów klastrujących
o Algorytm Isolation Forest
o Co dalej?
o Bibliografia
ROZDZIAŁ 5. Ewaluacja modeli
o Ewaluacja modeli klasyfikacji
o Ewaluacja modeli regresji
o Co dalej?
o Bibliografia
Zakończenie
Polub nas na Facebooku
35.70
