📒 Основы искусственного интеллекта в примерах на Python. 2-е изд. [2023] Анатолий Постолит

Описаны инструментальные средства для разработки приложений искусственного интеллекта. Даны основы языка программирования Python. Раскрыты основные понятия и определения искусственного интеллекта. Рассмотрены вопросы программной реализации элементов нейронной сети и построения многослойных нейронных сетей. Большое внимание уделено применению специализированных библиотек PyBrain, Scikit-learn, Keras, TensorFlow для формирования структуры нейронных сетей и их обучения, и библиотек ImageAI и OpenCV для обработки изображений. Материал иллюстрирован простыми и понятными примерами, демонстрирующими использование предварительно обученных нейронных сетей для распознавания объектов на изображениях, создания собственных наборов данных, формирования структуры сети, ее обучения и практического применения. Во 2-м издании обновлены программные коды и версии библиотек, улучшены рисунки, учтены пожелания читателей и исправлены ошибки.

Электронное приложение-архив, доступное на сайте издательства, содержит листинги описанных в книге примеров. В издании обновлены программные коды и версии библиотек, улучшены рисунки, учтены пожелания читателей и исправлены ошибки.
#программирование #python #OpenCV #машинное_обучение #ИИ #AI #искусственный_интеллект

📚 Искусственный интеллект: современный подход, 4-е изд. [3 тома] [2021] Рассел Стюарт, Норвиг Питер

⚠️ Книги предоставляется вам для ознакомления и не для распространения

💾 Скачать книги

В четвертом, обновленном, пересмотренном и дополненном издании этой книги область искусственного интеллекта (ИИ) исследуется и анализируется во всей ее обширности и глубине. Здесь представлены все современные достижения и изложены идеи, которые были сформулированы в исследованиях, проводившихся в течение последних пятидесяти лет, а также собраны на протяжении двух тысячелетий в областях знаний, ставших стимулом к развитию ИИ как науки. Предыдущие издания этой книги стали классическими образцами литературы по ИИ и приняты в качестве учебного пособия более чем в 1400 университетах 128 стран мира, где были высоко оценены как убедительный итог обобщения результатов, достигнутых в этой области науки.

Для тех, кто захочет поддержать на кофе и печеньки ☕️:
ВТБ: +79616572047 (СБП)
Сбер: +79026552832 (СБП)
ЮMoney: 410012169999048

Книга дополнена обширным набором интернет-ресурсов, включая упражнения, программные и исследовательские проекты, реализации алгоритмов, а также дополнительные материалы и ссылки для студентов и преподавателей. #ИИ #AI #ML #машинное_обучение #искусственный_интеллект

💡 Physics.Math.Code // @physics_lib

📗 Том 1. Решение проблем: знания и рассуждения

Книга дополнена обширным набором интернет-ресурсов, включая упражнения, программные и исследовательские проекты, реализации алгоритмов, а также дополнительные материалы и ссылки для студентов и преподавателей. Что нового в четвертом издании. В четвертом издании читатель познакомится с новейшими технологиями и концепциями, представленными в более унифицированном виде с новым или расширенным охватом таких тем, как машинное обучение, глубокое обучение, трансферное обучение, многоагентные системы, робототехника, обработка естественного языка, проблема причинности, вероятностное программирование, а также конфиденциальность, беспристрастность и безопасность ИИ.

📘 Том 2. Знания и рассуждения в условиях неопределенности

Предыдущие издания этой книги стали классическими образцами литературы по ИИ и приняты в качестве учебного пособия более чем в 1400 университетах 128 стран мира, где были высоко оценены как убедительный итог обобщения результатов, достигнутых в этой области науки. Книга дополнена обширным набором интернет-ресурсов, включая упражнения, программные проекты и исследовательские проекты, реализации алгоритмов, дополнительные материалы и ссылки для студентов и преподавателей.

📙 Том 3. Обучение, восприятие и действие

Самое полное и актуальное введение в теорию и практику искусственного интеллекта! В четвертом, обновленном, пересмотренном и дополненном издании этой книги область искусственного интеллекта (ИИ) исследуется и анализируется во всей ее обширности и глубине. Здесь представлены все современные достижения и изложены идеи, которые были сформулированы в исследованиях, проводившихся в течение последних пятидесяти лет, а также собраны на протяжении двух тысячелетий в областях знаний, ставших стимулом к развитию ИИ как науки. #ИИ #AI #ML #машинное_обучение #искусственный_интеллект

💡 Physics.Math.Code // @physics_lib

📱 Revisiting BPR: A Replicability Study of a Common Recommender System Baseline

💾 Скачать исследование – ссылка

Ученые из лаборатории искусственного интеллекта T-Bank AI Research представили новый алгоритм, который с помощью ИИ увеличивает точность онлайн-рекомендаций до 50% в некоторых случаях. Разработчики взяли за основу и улучшили популярный алгоритм для предсказания предпочтений пользователей Bayesian Personalized Ranking, который считается одним из мировых стандартов в рекомендательных системах. Поиск наиболее эффективного варианта алгоритма занял более 200 000 GPU-часов и 15 000 экспериментов на внутренних данных Т-Банка с различными комбинациями параметров модели. Отмечается также, что новая разработка оказалась на 10% точнее алгоритма Mult-VAE, которую ранее опубликовали разработчиками из Netflix.

Новый алгоритм позволит компаниям улучшать свои метрики, в том числе конверсию в покупку, средний чек и выручку. Покупатели при этом смогут быстрее находить нужные товары на маркетплейсах, а зрители — получать более персонализированные рекомендации фильмов и сериалов.

Открытие ученых было признано мировым научным сообществом и представлено на главной международной конференции по рекомендательным системам ACM RecSys.

#ИИ #AI #искусственный_интеллект #science #алгоритмы

💡 Physics.Math.Code // @physics_lib

⛵️ Самый точный в мире метод распознавания неизвестных объектов на фото с помощью ИИ разработали ученые из T-Bank AI Research

💾 Скачать исследование

Ранее в области компьютерного зрения (CV) для распознавания объектов на фото применялись методы машинного обучения. Однако они сталкивались с проблемой однородности ансамблей, иначе говоря, они были слишком похожи друг на друга, что приводило к снижению качества и разнообразия их оценок.

Ученые из T-Bank AI Research разработали метод Saliency-Diversified Deep Ensembles, решающий эту проблему. В нем используются карты внимания, фокусирующиеся на разных аспектах данных. “Глубокие ансамбли”, которые объединяют несколько нейронных сетей для решения задачи применялись и ранее для компьютерного зрения, но при применении SDDE каждая модель обращается к разным аспектам данных, например отдельно захватывается фон изображения. Компиляция таких разных данных и привела к повышению точности анализа объектов на изображениях. Так ученым удалось уменьшить схожесть моделей, что способствует более надежной и диверсифицированной идентификации объектов.

Использование метода SDDE позволяет модели на 20% меньше ошибаться при обработке и анализе фото. При этом она учитывает не только наборы данных, знакомые ей из обучения, но и неизвестную ранее информацию. В перспективе метод SDDE будут использовать в сферах, требующих высокой точности анализа, например, в медицинской диагностике, где важно различать неопознанные элементы и графические артефакты, а также в сфере беспилотных транспортных средств.

Для проверки метода и оценки его эффективности ученые провели испытания на популярных базах данных: CIFAR10, CIFAR100 и ImageNet-1K. Результаты метода SDDE превзошли результаты других схожих алгоритмов, например, Negative Correlation Learning и Adaptive Diversity Promoting.

На Международной конференции по обработке изображений (IEEE ICIP) в Абу-Даби открытие ученых было признано мировым научным сообществом.

#ИИ #AI #искусственный_интеллект #science #алгоритмы #math #математика

💡 Physics.Math.Code // @physics_lib