Algorytmy sztucznej inteligencji. Ilustrowany przewodnik - ebook

Sztuczna inteligencja ma umożliwiać wykorzystywanie danych i algorytmów do podejmowania lepszych decyzji, rozwiązywania trudnych problemów i automatyzowania złożonych zadań. Ma też zwiększać produktywność człowieka. Obecnie sztuczna inteligencja z rozmachem wkracza do kolejnych dziedzin. Budzi zachwyt, ale też kontrowersje i obawy. Nowe narzędzia, choćby były tworzone z najlepszymi intencjami, zawsze mogą zostać wykorzystane w niewłaściwy czy szkodliwy sposób. Oznacza to, że każdy, kto rozwija nowe technologie, powinien to robić odpowiedzialnie. Aby to było możliwe, trzeba dobrze zrozumieć podstawy działania sztucznej inteligencji - algorytmy.

To praktyczny przewodnik po algorytmach sztucznej inteligencji. Skorzystają z niego programiści i inżynierowie, którzy chcą zrozumieć zagadnienia i algorytmy związane ze sztuczną inteligencją na podstawie praktycznych przykładów i wizualnych wyjaśnień. Książka pokazuje, jak radzić sobie z takimi zadaniami programistycznymi jak wykrywanie oszustw bankowych czy sterowanie pojazdem autonomicznym. Pierwsze rozdziały dotyczą podstawowych koncepcji i algorytmów i stają się punktem wyjścia do bardziej złożonych tematów: wydajnych algorytmów przeszukiwania oraz poszukiwania rozwiązań w środowisku konkurencyjnym. Przedstawiono tu zagadnienia uczenia maszynowego, w tym proces przygotowania danych, modelowania i testowania. Omówiono też zasady uczenia przez wzmacnianie za pomocą algorytmu Q-learning.

W książce:

• kategorie i znaczenie algorytmów sztucznej inteligencji.
• inteligentne przeszukiwanie w procesie podejmowania decyzji
• algorytmy genetyczne i inteligencja rozproszona
• uczenie maszynowe i sieci neuronowe
• uczenie przez wzmacnianie

Zrozum algorytmy, a pojmiesz istotę sztucznej inteligencji!

• Przedmowa (ix)
• Podziękowania (xvii)
• O książce (xix)
• O autorze (xxiii)

1. Intuicyjne omówienie sztucznej inteligencji (1)

• Czym jest sztuczna inteligencja? (1)
• Krótka historia sztucznej inteligencji (6)
• Rodzaje problemów i modele ich rozwiązywania (8)
• Intuicyjne omówienie zagadnień z obszaru sztucznej inteligencji (10)
• Zastosowania algorytmów sztucznej inteligencji (14)

2. Podstawy przeszukiwania (21)

• Czym jest planowanie i przeszukiwanie? (21)
• Koszt obliczeń - powód stosowania inteligentnych algorytmów (24)
• Jakie problemy można rozwiązywać za pomocą algorytmów przeszukiwania? (25)
• Reprezentowanie stanu - tworzenie platformy do reprezentowania przestrzeni problemowej i rozwiązań (28)
• Przeszukiwanie siłowe - szukanie rozwiązań po omacku (33)
• Przeszukiwanie wszerz - najpierw wszerz, potem w głąb (35)
• Przeszukiwanie w głąb - najpierw w głąb, potem wszerz (44)
• Zastosowania siłowych algorytmów przeszukiwania (51)
• Opcjonalne informacje - rodzaje grafów (51)
• Opcjonalne informacje - inne sposoby reprezentowania grafów (54)

3. Inteligentne przeszukiwanie (57)

• Definiowanie heurystyk - projektowanie hipotez opartych na wiedzy (57)
• Przeszukiwanie sterowane - szukanie rozwiązań z wykorzystaniem wskazówek (60)
• Przeszukiwanie antagonistyczne - szukanie rozwiązań w zmiennym środowisku (70)

4. Algorytmy ewolucyjne (87)

• Czym jest ewolucja? (87)
• Problemy, jakie można rozwiązywać za pomocą algorytmów ewolucyjnych (90)
• Algorytm genetyczny - cykl życia (94)
• Kodowanie przestrzeni rozwiązań (97)
• Tworzenie populacji rozwiązań (102)
• Pomiar przystosowania osobników w populacji (104)
• Wybór rodziców na podstawie przystosowania (107)
• Generowanie osobników na podstawie rodziców (111)
• Tworzenie populacji następnego pokolenia (116)
• Konfigurowanie parametrów algorytmu genetycznego (120)
• Zastosowania algorytmów ewolucyjnych (121)

5. Zaawansowane techniki ewolucyjne (125)

• Cykl życia algorytmu ewolucyjnego (125)
• Różne strategie selekcji (127)
• Kodowanie z użyciem liczb rzeczywistych (130)
• Kodowanie porządkowe - korzystanie z sekwencji (134)
• Kodowanie za pomocą drzewa - praca z hierarchiami (137)
• Często spotykane rodzaje algorytmów ewolucyjnych (141)
• Słowniczek pojęć związanych z algorytmami ewolucyjnymi (142)
• Inne zastosowania algorytmów ewolucyjnych (143)

6. Inteligencja rozproszona: mrówki (145)

• Czym jest inteligencja rozproszona? (145)
• Problemy dostosowane do algorytmu mrówkowego (148)
• Reprezentowanie stanu - jak zapisać ścieżki i mrówki? (152)
• Cykl życia algorytmu mrówkowego (156)
• Zastosowania algorytmu mrówkowego (177)

7. Inteligencja rozproszona: cząstki (179)

• Na czym polega optymalizacja rojem cząstek? (179)
• Problemy optymalizacyjne - bardziej techniczne spojrzenie (181)
• Problemy, jakie można rozwiązać za pomocą optymalizacji rojem cząstek (185)
• Reprezentowanie problemu - jak wyglądają cząstki? (188)
• Przebieg działania algorytmu optymalizacji rojem cząstek (189)
• Zastosowania algorytmów optymalizacji rojem cząstek (209)

8. Uczenie maszynowe (213)

• Czym jest uczenie maszynowe? (213)
• Problemy, jakie można rozwiązywać za pomocą uczenia maszynowego (215)
• Przebieg uczenia maszynowego (217)
• Klasyfikowanie z użyciem drzew decyzyjnych (241)
• Inne popularne algorytmy uczenia maszynowego (258)
• Zastosowania algorytmów uczenia maszynowego (260)

9. Sztuczne sieci neuronowe (263)

• Czym są sztuczne sieci neuronowe? (263)
• Perceptron: reprezentacja neuronu (266)
• Definiowanie sieci ANN (271)
• Propagacja w przód - używanie wyuczonej sieci ANN (278)
• Propagacja wsteczna - uczenie sieci ANN (286)
• Możliwe funkcje aktywacji (298)
• Projektowanie sztucznych sieci neuronowych (299)
• Typy i zastosowania sieci ANN (303)

10. Uczenie przez wzmacnianie z użyciem algorytmu Q-learning (307)

• Czym jest uczenie przez wzmacnianie? (307)
• Problemy rozwiązywane za pomocą uczenia przez wzmacnianie (311)
• Przebieg uczenia przez wzmacnianie (313)
• Deep learning w uczeniu przez wzmacnianie (331)
• Zastosowania uczenia przez wzmacnianie (332)