Если вы уже пытались узнать что-то о нейронных сетях и глубоком обу­чении, то, скорее всего, столкнулись с изобилием ресурсов, от блогов до массовых открытых онлайн-курсов различного качества и даже книг. Ресурсы по нейронным сетям обычно делятся на две категории. Некоторые из них касаются в основном концептуальной и математической части и содержат как рисунки, которые, как правило, встречаются в объяснениях нейронных сетей, так и круги, соединенные линиями со стрелками на концах, а также подробные математические объяснения того, что происходит, чтобы вы могли «вникнуть в матчасть». На других ресурсах — много кода, запустив который вы видите, как снижается ошибка и «обучается» нейронная сеть.

В книге «jаvascript для глубокого обучения» удачно сочетаются элементы теории глубокого обучения и реальные примеры на jаvascript с использованием TF.js. Это прекрасный источник информации как для jаvascript-разработчиков, у которых еще нет опыта машинного обучения или теоретического математического образования, так и для опытных пользователей ML, желающих расширить свою деятельность на экосистему jаvascript.

Обработка естественного языка (NLP) — одно из направлений искусственного интеллекта (ИИ), ставящее перед собой цель научить машины понимать человеческие языки и реагировать на высказывания. Без этой базовой технологии невозможен ни один виртуальный помощник. Книга поможет вам обрести навыки, необходимые для создания собственного чат-бота и NLP-приложений, способных решать реальные задачи, такие как анализ предложений, улавливание смысла текста, составление текстов и т.д.

Искусственный интеллект (ИИ) получил широкое распространение в со­временном мире. Умные машины ежедневно выполняют анализ сложных данных: системы видеонаблюдения распознают лица, цифровые помощни­ки — устную речь, а автономные транспортные средства и роботы справля­ются с задачей навигации в неупорядоченном и неограниченном физическом мире. ИИ уже не только конкурирует с человеческими возможностями в таких областях, как обработка изображений, аудиоданных и текста, но часто и превосходит человека по скорости и уровню точности.

Многотомная работа посвящена систематическому изложению общих формализмов, математических моделей и алгоритмических методов, которые могут быть исспользуемы при моделировании и исследованиях математических моделей объектов искусственного интеллекта. Развиваются представления и методы решения, основанные на теориях эвристического поиска и автоматическом доказательстве теорем, а также процедуральные методы, базирующиеся на классе проблемно-ориентированных языков, сочетающих свойства языков программирования и автоматических решателей задач отображения искусственного интеллекта различными математическими средствами.

В книге дается обзор современного состояния и перспектив развития исследований по машинному интеллекту. Предложен подход к созданию «сильного» искусственного интеллекта с использованием принципов работы человеческого мозга. Каждая глава представляет собой самостоятельный очерк, ставящий и разрешающий актуальные вопросы современности: Какие задачи предстоит решить на пути совершенствования машинного обучения? Как машинный интеллект может способствовать технологическому развитию общества в целом и частного предпринимательства в частности?

Вероятностное программирование – это программная среда, которая позволяет создавать гибкие байесовские статистические модели в программном коде. После создания такой модели для обработки в ней данных могут быть использованы мощные алгоритмы логического вывода, работающие независимо. Такое сочетание гибкого определения модели и механизма автоматического логического вывода предоставляет исследователю мощный инструмент для быстрого создания,