Inteligentna sieć. Algorytmy przyszłości. Wydanie II

 
Inteligentna sieć. Algorytmy przyszłości. Wydanie II
Zawiera darmowych rozdziałów: 30
Stron w książce: 248 Udostępniono darmowych stron: 20
Data wydania: 2017-04-24Przejdź na stronę księgarni
Czytano online: 1Cena książki drukowanej: 54,90 zł
Język wydania: PolishWydawnictwo: Helion
Pobierz pdfCzytaj Alt+1Czytaj online
( Alt+1 )

Określenie „inteligentna sieć” może przywodzić na myśl futurystyczną wizję maszyn przejmujących kontrolę nad światem i niszczących ludzkość, jednak w rzeczywistości jest związane z rozwojem technologii. Odnosi się do oprogramowania, które potrafi się uczyć i reagować na zachowania użytkowników. Oznacza też projektowanie i implementację inteligencji maszynowej. Inteligentna sieć rozwija się tu i teraz — znajomość zagadnień uczenia maszynowego i budowy inteligentnych algorytmów jest bardzo potrzebna inżynierom oprogramowania!

Niniejsza książka jest przeznaczona dla osób, które chcą projektować inteligentne algorytmy, a przy tym mają podstawy z zakresu programowania, matematyki i statystyki. Przedstawiono tu schematy projektowe i praktyczne przykłady rozwiązań. Opisano algorytmy, które przetwarzają strumienie danych pochodzące z internetu, a także systemy rekomendacji i klasyfikowania danych za pomocą algorytmów statystycznych, sieci neuronowych i uczenia głębokiego. Mimo że przyswojenie tych zagadnień wymaga wysiłku, bardzo ułatwi implementację nowoczesnych, inteligentnych aplikacji!

 

W tej książce między innymi:
  • wprowadzenie do problemów algorytmów inteligentnych
  • systemy rekomendacji i filtrowanie kolaboratywne
  • wykorzystanie regresji logistycznej do wykrywania oszustw
  • uczenie głębokie, uczenie na żywo i renesans sieci neuronowych
  • podejmowanie decyzji
  • perspektywy inteligentnej sieci

 

Dr Douglas Mcllwraith jest ekspertem w dziedzinie uczenia maszynowego. Zajmuje się analizą danych w londyńskiej agencji reklamowej. Prowadził badania w dziedzinach systemów rozproszonych, robotyki i zabezpieczeń.

Dr Haralambos Marmanis jest pionierem w obszarze technik uczenia maszynowego w rozwiązaniach przemysłowych. Od 25 lat rozwija profesjonalne oprogramowanie.

Dmitry Babenko projektuje złożone systemy dla firm z takich branż, jak bankowość, ubezpieczenia, zarządzanie łańcuchem dostaw i analityka biznesowa.

Inteligentny algorytm wyławia perły w strumieniach danych!

Darmowy rozdział „Budowanie aplikacji na potrzeby inteligentnej sieci” wyjaśni m.in. czym jest inteligentny algorytm, czym jest sztuczna inteligencja, czym jest inteligentna sieć. Poznamy cykl życia inteligentnych algorytmów, jak powstają. Dokładnie poznamy pojęcie Sztuczna Inteligencja.

  • Sztuczna inteligencja wyjaśnienie
  • Sztuczna inteligencja w praktyce
  • Inteligentne algorytmy przykłady
  • Analityka predykcyjna wyjaśnienie

Darmowy rozdział:

Przedmowa (9)

Rozdział 1. Budowanie aplikacji na potrzeby inteligentnej sieci (19)

  • 1.1. Inteligentny algorytm w akcji - Google Now (21)
  • 1.2. Cykl życia inteligentnych algorytmów (23)
  • 1.3. Inne przykłady inteligentnych algorytmów (24)
  • 1.4. Czym inteligentne aplikacje nie są (25)
    • 1.4.1. Inteligentne algorytmy nie są myślącymi maszynami do uniwersalnych zastosowań (25)
    • 1.4.2. Inteligentne algorytmy nie zastąpią ludzi (25)
    • 1.4.3. Inteligentne algorytmy nie są odkrywane przez przypadek (26)
  • 1.5. Klasy inteligentnych algorytmów (26)
    • 1.5.1. Sztuczna inteligencja (27)
    • 1.5.2. Uczenie maszynowe (28)
    • 1.5.3. Analityka predykcyjna (29)
  • 1.6. Ocena działania inteligentnych algorytmów (30)
    • 1.6.1. Ocena inteligencji (30)
    • 1.6.2. Ocena predykcji (31)
  • 1.7. Ważne uwagi na temat inteligentnych algorytmów (33)
    • 1.7.1. Dane nie są wiarygodne (34)
    • 1.7.2. Wnioskowanie wymaga czasu (34)
    • 1.7.3. Wielkość ma znaczenie! (34)
    • 1.7.4. Różne algorytmy skalują się w odmienny sposób (35)
    • 1.7.5. Nie wszystko jest gwoździem! (35)
    • 1.7.6. Dane to nie wszystko (35)
    • 1.7.7. Czas treningu może się zmieniać (36)
    • 1.7.8. Celem jest generalizacja (36)
    • 1.7.9. Ludzka intuicja nie zawsze się sprawdza (36)
    • 1.7.10. Pomyśl o zaprojektowaniu nowych cech (36)
    • 1.7.11. Poznaj wiele różnych modeli (36)
    • 1.7.12. Korelacja nie oznacza związku przyczynowo-skutkowego (37)
  • 1.8. Podsumowanie (37)

Przedmowa (9)

Wprowadzenie (11)

Podziękowania (13)

O książce (15)

Rozdział 1. Budowanie aplikacji na potrzeby inteligentnej sieci (19)

  • 1.1. Inteligentny algorytm w akcji - Google Now (21)
  • 1.2. Cykl życia inteligentnych algorytmów (23)
  • 1.3. Inne przykłady inteligentnych algorytmów (24)
  • 1.4. Czym inteligentne aplikacje nie są (25)
    • 1.4.1. Inteligentne algorytmy nie są myślącymi maszynami do uniwersalnych zastosowań (25)
    • 1.4.2. Inteligentne algorytmy nie zastąpią ludzi (25)
    • 1.4.3. Inteligentne algorytmy nie są odkrywane przez przypadek (26)
  • 1.5. Klasy inteligentnych algorytmów (26)
    • 1.5.1. Sztuczna inteligencja (27)
    • 1.5.2. Uczenie maszynowe (28)
    • 1.5.3. Analityka predykcyjna (29)
  • 1.6. Ocena działania inteligentnych algorytmów (30)
    • 1.6.1. Ocena inteligencji (30)
    • 1.6.2. Ocena predykcji (31)
  • 1.7. Ważne uwagi na temat inteligentnych algorytmów (33)
    • 1.7.1. Dane nie są wiarygodne (34)
    • 1.7.2. Wnioskowanie wymaga czasu (34)
    • 1.7.3. Wielkość ma znaczenie! (34)
    • 1.7.4. Różne algorytmy skalują się w odmienny sposób (35)
    • 1.7.5. Nie wszystko jest gwoździem! (35)
    • 1.7.6. Dane to nie wszystko (35)
    • 1.7.7. Czas treningu może się zmieniać (36)
    • 1.7.8. Celem jest generalizacja (36)
    • 1.7.9. Ludzka intuicja nie zawsze się sprawdza (36)
    • 1.7.10. Pomyśl o zaprojektowaniu nowych cech (36)
    • 1.7.11. Poznaj wiele różnych modeli (36)
    • 1.7.12. Korelacja nie oznacza związku przyczynowo-skutkowego (37)
  • 1.8. Podsumowanie (37)

Rozdział 2. Wydobywanie struktury z danych - klastrowanie i transformacja danych (39)

  • 2.1. Dane, struktura, błąd systematyczny i szum (41)
  • 2.2. "Przekleństwo wymiarów" (44)
  • 2.3. Algorytm k-średnich (45)
    • 2.3.1. K-średnie w praktyce (49)
  • 2.4. Gaussowski model mieszany (52)
    • 2.4.1. Czym jest rozkład Gaussa? (52)
    • 2.4.2. Maksymalizacja wartości oczekiwanej i rozkład Gaussa (55)
    • 2.4.3. Gaussowski model mieszany (55)
    • 2.4.4. Przykład uczenia z użyciem gaussowskiego modelu mieszanego (57)
  • 2.5. Zależności między k-średnimi i algorytmem GMM (59)
  • 2.6. Transformacje osi danych (60)
    • 2.6.1. Wektory własne i wartości własne (61)
    • 2.6.2. Analiza głównych składowych (61)
    • 2.6.3. Przykład zastosowania analizy głównych składowych (63)
  • 2.7. Podsumowanie (65)

Rozdział 3. Rekomendowanie odpowiednich treści (67)

  • 3.1. Wprowadzenie - internetowy sklep z filmami (68)
  • 3.2. Odległość i podobieństwo (69)
    • 3.2.1. Więcej o odległości i podobieństwie (73)
    • 3.2.2. Który wzór na podobieństwo jest najlepszy? (75)
  • 3.3. Jak działają systemy rekomendacji? (76)
  • 3.4. Filtrowanie kolaboratywne według użytkowników (77)
  • 3.5. Rekomendacje według modelu z wykorzystaniem rozkładu SVD (82)
    • 3.5.1. Rozkład SVD (83)
    • 3.5.2. Rekomendacje z użyciem rozkładu SVD - wybór filmów dla danego użytkownika (84)
    • 3.5.3. Rekomendacje z wykorzystaniem rozkładu SVD - określanie użytkowników, których może zainteresować dany film (90)
  • 3.6. Konkurs Netflix Prize (93)
  • 3.7. Ocenianie systemu rekomendacji (94)
  • 3.8. Podsumowanie (96)

Rozdział 4. Klasyfikowanie - umieszczanie elementów tam, gdzie ich miejsce (97)

  • 4.1. Do czego potrzebna jest klasyfikacja? (98)
  • 4.2. Przegląd klasyfikatorów (101)
    • 4.2.1. Strukturalne algorytmy klasyfikacji (102)
    • 4.2.2. Statystyczne algorytmy klasyfikacji (104)
    • 4.2.3. Cykl życia klasyfikatora (105)
  • 4.3. Wykrywanie oszustw za pomocą regresji logistycznej (106)
    • 4.3.1. Wprowadzenie do regresji liniowej (106)
    • 4.3.2. Od regresji liniowej do logistycznej (108)
    • 4.3.3. Implementowanie wykrywania oszustw (111)
  • 4.4. Czy wyniki są wiarygodne? (119)
  • 4.5. Klasyfikowanie w bardzo dużych zbiorach danych (122)
  • 4.6. Podsumowanie (124)

Rozdział 5. Studium przypadku - prognozowanie kliknięć w reklamie internetowej (127)

  • 5.1. Historia i informacje wstępne (128)
  • 5.2. Giełda (130)
    • 5.2.1. Dopasowywanie plików cookie (130)
    • 5.2.2. Oferty (131)
    • 5.2.3. Powiadomienie o wygranej (lub przegranej) w licytacji (132)
    • 5.2.4. Umieszczanie reklamy (132)
    • 5.2.5. Monitorowanie reklam (132)
  • 5.3. Czym jest agent? (133)
    • 5.3.1. Wymagania stawiane agentowi (133)
  • 5.4. Czym jest system podejmowania decyzji? (134)
    • 5.4.1. Informacje o użytkowniku (135)
    • 5.4.2. Informacje o przestrzeni reklamowej (135)
    • 5.4.3. Informacje o kontekście (135)
    • 5.4.4. Przygotowywanie danych (135)
    • 5.4.5. Model dla systemu podejmowania decyzji (136)
    • 5.4.6. Odwzorowywanie prognozowanego współczynnika kliknięć na oferowaną kwotę (136)
    • 5.4.7. Inżynieria cech (137)
    • 5.4.8. Trening modelu (137)
  • 5.5. Predykcja kliknięć za pomocą biblioteki Vowpal Wabbit (138)
    • 5.5.1. Format danych używany w VW (138)
    • 5.5.2. Przygotowywanie zbioru danych (141)
    • 5.5.3. Testowanie modelu (146)
    • 5.5.4. Kalibrowanie modelu (148)
  • 5.6. Komplikacje związane z budowaniem systemu podejmowania decyzji (150)
  • 5.7. Przyszłość prognozowania zdarzeń w czasie rzeczywistym (150)
  • 5.8. Podsumowanie (151)

Rozdział 6. Uczenie głębokie i sieci neuronowe (153)

  • 6.1. Intuicyjne omówienie uczenia głębokiego (154)
  • 6.2. Sieci neuronowe (155)
  • 6.3. Perceptron (156)
    • 6.3.1. Trening (158)
    • 6.3.2. Trening perceptronu z użyciem pakietu scikit-learn (160)
    • 6.3.3. Geometryczna interpretacja działania perceptronu dla dwóch wejść (162)
  • 6.4. Perceptrony wielowarstwowe (164)
    • 6.4.1. Trening z wykorzystaniem propagacji wstecznej (167)
    • 6.4.2. Funkcje aktywacji (168)
    • 6.4.3. Intuicyjne wyjaśnienie propagacji wstecznej (169)
    • 6.4.4. Teoria propagacji wstecznej (170)
    • 6.4.5. Wielowarstwowe sieci neuronowe w pakiecie scikit-learn (172)
    • 6.4.6. Perceptron wielowarstwowy po zakończeniu nauki (174)
  • 6.5. Zwiększanie głębokości - od wielowarstwowych sieci neuronowych do uczenia głębokiego (175)
    • 6.5.1. Ograniczone maszyny Boltzmanna (176)
    • 6.5.2. Maszyny BRBM (177)
    • 6.5.3. Maszyny RBM w praktyce (180)
  • 6.6. Podsumowanie (183)

Rozdział 7. Dokonywanie właściwego wyboru (185)

  • 7.1. Testy A/B (187)
    • 7.1.1. Teoria (187)
    • 7.1.2. Kod (190)
    • 7.1.3. Adekwatność testów A/B (191)
  • 7.2. Wieloręki bandyta (192)
    • 7.2.1. Strategie stosowane w problemie wielorękiego bandyty (192)
  • 7.3. Strategia bayesowska w praktyce (197)
  • 7.4. Testy A/B a strategia bayesowska (207)
  • 7.5. Rozwinięcia eksperymentu z wielorękim bandytą (208)
    • 7.5.1. Bandyci kontekstowi (209)
    • 7.5.2. Problem bandytów z przeciwnikiem (210)
  • 7.6. Podsumowanie (210)

Rozdział 8. Przyszłość inteligentnej sieci (213)

  • 8.1. Przyszłe zastosowania inteligentnej sieci (214)
    • 8.1.1. Internet rzeczy (214)
    • 8.1.2. Opieka zdrowotna w domu (215)
    • 8.1.3. Autonomiczne samochody (215)
    • 8.1.4. Spersonalizowane fizyczne reklamy (216)
    • 8.1.5. Sieć semantyczna (216)
  • 8.2. Społeczne implikacje rozwoju inteligentnej sieci (217)

Dodatek. Pobieranie danych z sieci WWW (219)

  • Przykład - wyświetlanie reklam w internecie (220)
    • Dane dostępne w kontekście reklamy internetowej (220)
  • Rejestrowanie danych - naiwne rozwiązanie (221)
  • Zarządzanie zbieraniem danych w dużej skali (222)
  • Poznaj system Kafka (224)
    • Replikacja w systemie Kafka (226)
    • Grupy konsumentów, równoważenie i kolejność (232)
    • Łączenie wszystkich elementów (233)
  • Ocena systemu Kafka - rejestrowanie danych w dużej skali (236)
  • Wzorce projektowe w systemie Kafka (238)
    • Łączenie systemów Kafka i Storm (238)
    • Łączenie systemów Kafka i Hadoop (240)

Skorowidz (243)

Informatyka » Algorytmy - Programowanie

https://facebook.com/wiedzanaplus
Alt + 9
Pomoc ( Alt + 0 )
Loading...