Sztuczna inteligencja. Błyskawiczne wprowadzenie do uczenia maszynowego, uczenia ze wzmocnieniem i uczenia głębokiego - ebook

Grono entuzjastów sztucznej inteligencji stale rośnie. Jest już bowiem jasne, że stanowi ona dostępną metodę zmiany świata na lepsze. Pełnymi garściami ze zdobyczy AI czerpią naukowcy, analitycy danych, przedsiębiorcy i menedżerowie, a nawet politycy i ekonomiści. Jej możliwości wydają się dziś nieograniczone - aby je wykorzystać, wystarczy zdobyć gruntowną wiedzę i dobrze zrozumieć podstawy sztucznej inteligencji. Na pierwszy rzut oka nie są to trudne zadania. Choćby ze względu na dostęp do wielu artykułów, kursów czy książek o technologiach sztucznej inteligencji. Jednak w tym nadmiarze materiałów bardzo trudno dokonać właściwego dla siebie wyboru.

To kompletny, zwięzły przewodnik po świecie sztucznej inteligencji. Znalazły się tu przejrzyście wyłożone podstawy i bardziej zaawansowane zagadnienia. Wyjaśniono, jak najlepiej zabrać się do tworzenia systemów AI wykorzystujących uczenie ze wzmacnianiem oraz głębokie uczenie. Krok po kroku pokazano, jak zrealizować pięć praktycznych projektów. To książka skierowana zarówno do studentów, jak i naukowców, menedżerów czy przedsiębiorców - dowiedzą się z niej, jak zbudować inteligentne oprogramowanie przy użyciu najlepszych i najprostszych narzędzi do programowania AI. Co ważne, aby w pełni z niej skorzystać, nie trzeba posiadać umiejętności programowania.

Dzięki tej książce:

• opanujesz kluczowe umiejętności związane z uczeniem maszynowym
• zrozumiesz Q-learning oraz głęboki Q-learning
• poznasz takie narzędzia jak TensorFlow, Keras czy PyTorch
• będziesz samodzielnie tworzyć takie projekty jak wirtualny samochód
• wykorzystasz AI do rozwiązywania rzeczywistych problemów biznesowych
• nauczysz się budować inteligentne roboty

Oto Twoja świetlana przyszłość w świecie AI!

O autorze 9

O recenzentach 11

Przedmowa 13

Rozdział 1. Witamy w świecie robotów 17

• Rozpoczęcie przygody z AI 18
• Cztery różne modele AI 18
  
  • Praktyczne zastosowanie modeli 19
• Dokąd może Cię zaprowadzić nauka AI? 20
  
  • Energia 20
  • Opieka zdrowotna 21
  • Transport i logistyka 21
  • Edukacja 21
  • Bezpieczeństwo 21
  • Zatrudnienie 21
  • Inteligentne domy i roboty 22
  • Rozrywka i zadowolenie 22
  • Środowisko 22
  • Gospodarka, biznes i finanse 22
• Podsumowanie 23

Rozdział 2. Poznaj narzędzia AI 25

• Strona GitHuba 25
• Colaboratory 26
• Podsumowanie 31

Rozdział 3. Podstawy języka Python - naucz się kodować w Pythonie 33

• Wyświetlanie tekstu 34
  
  • Ćwiczenie 34
• Zmienne i operacje 35
  
  • Ćwiczenie 36
• Listy i tablice 36
  
  • Ćwiczenie 37
• Instrukcje warunkowe if 38
  
  • Ćwiczenie 39
• Pętle for i while 39
  
  • Ćwiczenie 42
• Funkcje 42
  
  • Ćwiczenie 43
• Klasy i obiekty 43
  
  • Ćwiczenie 45
• Podsumowanie 46

Rozdział 4. Podstawowe techniki AI 47

• Co to jest uczenie ze wzmacnianiem? 47
• Pięć zasad Reinforcement Learning 48
  
  • Zasada nr 1 - system wejścia i wyjścia 48
  • Zasada nr 2 - nagroda 49
  • Zasada nr 3 - środowisko AI 50
  • Zasada nr 4 - proces decyzyjny Markowa 50
  • Zasada nr 5 - szkolenie i wnioskowanie 51
• Podsumowanie 53

Rozdział 5. Twój pierwszy model AI - uważaj na bandytów! 55

• Problem wielorękiego bandyty 55
• Model próbkowania Thompsona 56
  
  • Kodowanie modelu 57
  • Zrozumienie modelu 60
  • Co to jest rozkład? 61
  • Walka z MABP 64
  • Strategia próbkowania Thompsona w trzech krokach 67
  • Ostateczny krok ku zrozumieniu próbkowania Thompsona 67
  • Próbkowanie Thompsona w porównaniu ze standardowym modelem 68
• Podsumowanie 69

Rozdział 6. AI w sprzedaży i reklamie - sprzedawaj jak Wilk z AI Street 71

• Problem do rozwiązania 71
• Budowanie środowiska do przeprowadzenia symulacji 73
  
  • Uruchomienie symulacji 75
  • Podsumowanie sytuacji 78
• Rozwiązanie AI i odświeżenie umysłu 78
  
  • Rozwiązanie AI 78
  • Rozumowanie 79
• Implementacja 80
  
  • Próbkowanie Thompsona czy wybór losowy 80
  • Zacznijmy kodować 80
  • Wynik końcowy 84
• Podsumowanie 86

Rozdział 7. Witamy w Q-learningu 87

• Labirynt 88
  
  • Początek 88
  • Budowanie środowiska 89
  • Budowanie sztucznej inteligencji 95
• Cały proces Q-learningu 98
  
  • Tryb treningowy 98
  • Tryb wnioskowania 99
• Podsumowanie 99

Rozdział 8. AI w logistyce - roboty w magazynie 101

• Budowanie środowiska 104
  
  • Stany 104
  • Akcje 104
  • Nagrody 105
  • Przypomnienie rozwiązania AI 106
• Implementacja 107
  
  • Część 1. - budowanie środowiska 107
  • Część 2. - tworzenie rozwiązania AI z wykorzystaniem Q-learningu 109
  • Część 3. - wprowadzenie do produkcji 111
  • Ulepszenie 1. - automatyzacja przypisywania nagród 113
  • Ulepszenie 2. - dodawanie celu pośredniego 115
• Podsumowanie 118

Rozdział 9. Zostań ekspertem od sztucznego mózgu - głębokie Q-learning 119

• Przewidywanie cen domów 119
  
  • Przesyłanie zbioru danych 120
  • Importowanie bibliotek 121
  • Wyłączanie zmiennych 122
  • Przygotowywanie danych 124
  • Budowa sieci neuronowej 126
  • Szkolenie sieci neuronowej 127
  • Wyświetlanie wyników 128
• Teoria głębokiego uczenia 129
  
  • Neuron 129
  • Funkcja aktywacji 132
• Jak działają sieci neuronowe? 137
  
  • Jak się uczą sieci neuronowe? 137
  • Propagacja w przód i wstecz 139
  • Metody gradientu prostego 140
• Głębokie uczenie 147
  
  • Metoda Softmax 148
  • Podsumowanie głębokiego Q-learningu 150
  • Pamięć doświadczeń 150
  • Cały algorytm głębokiego Q-learningu 151
• Podsumowanie 152

Rozdział 10. Sztuczna inteligencja dla pojazdów autonomicznych - zbuduj samochód samojezdny 153

• Budowanie środowiska 154
  
  • Określenie celu 156
  • Ustawianie parametrów 158
  • Stany wejściowe 161
  • Działania wyjściowe 162
  • Nagrody 163
• Przypomnienie rozwiązania AI 165
• Implementacja 166
  
  • Krok 1. - importowanie bibliotek 166
  • Krok 2. - stworzenie architektury sieci neuronowej 167
  • Krok 3. - implementacja pamięci doświadczeń 171
  • Krok 4. - implementacja głębokiego Q-learningu 173
• Prezentacja 182
  
  • Instalowanie Anacondy 183
  • Tworzenie środowiska wirtualnego w Pythonie 3.6 184
  • Instalowanie PyTorch 186
  • Instalowanie Kivy 187
• Podsumowanie 196

Rozdział 11. AI dla biznesu - minimalizuj koszty dzięki głębokiemu Q-learningowi 197

• Problem do rozwiązania 197
• Budowanie środowiska 198
  
  • Parametry i zmienne środowiska serwerowego 198
  • Założenia środowiska serwerowego 199
  • Symulacja 201
  • Ogólna funkcjonalność 201
  • Definiowanie stanów 203
  • Definiowanie działań 204
  • Definiowanie nagród 204
  • Przykład ostatecznej symulacji 205
• Rozwiązanie AI 208
  
  • Mózg 209
  • Implementacja 211
  • Krok 1. - budowanie środowiska 212
  • Krok 2. - budowanie mózgu 217
  • Krok 3. - implementacja algorytmu uczenia przez głębokie wzmacnianie 223
  • Krok 4. - szkolenie AI 229
  • Krok 5. - testowanie AI 238
• Demo 240
• Podsumowanie - ogólny schemat AI 249
• Podsumowanie 250

Rozdział 12. Głębokie konwolucyjne Q-learning 251

• Do czego służą sieci CNN? 251
• Jak działają CNN? 253
  
  • Krok 1. - konwolucja 254
  • Krok 2. - max pooling 256
  • Krok 3. - spłaszczanie 259
  • Krok 4. - pełne połączenie 260
• Głębokie konwolucyjne Q-learning 262
• Podsumowanie 263

Rozdział 13. AI dla gier wideo - zostań mistrzem Snake'a 265

• Problem do rozwiązania 265
• Tworzenie środowiska 266
  
  • Definiowanie stanów 267
  • Definiowanie działań 268
  • Definiowanie nagród 269
• Rozwiązanie AI 270
  
  • Mózg 270
  • Pamięć doświadczeń 272
• Implementacja 273
  
  • Krok 1. - budowanie środowiska 273
  • Krok 2. - budowanie mózgu 279
  • Krok 3. - tworzenie pamięci doświadczeń 282
  • Krok 4. - trening AI 283
  • Krok 5. - testowanie AI 289
• Demo 290
  
  • Instalacja 291
  • Wyniki 295
• Podsumowanie 297

Rozdział 14. Podsumowanie 299

• Podsumowanie - ogólny schemat AI 299
• Odkrywanie, co czeka Cię dalej w AI 300
  
  • Ćwicz, ćwicz i ćwicz 301
  • Networking 302
  • Nigdy nie przestawaj się uczyć 302