В этой книге рассматриваются так называемые модели «черного ящика» для повышения адаптивности, интерпретируемости и объяснимости решений, принимаемых алгоритмами искусственного интеллекта (ИИ), с использованием таких фреймворков, как библиотеки Python XAI, TensorFlow 2.0+, Keras, а также пользовательских фреймворков, использующих оболочки Python. Излагаются основы объяснимости и интерпретируемости моделей, обсуждаются методы и системы для интерпретации линейных, нелинейных моделей и моделей временных рядов, используемых в ИИ. Вы узнаете, как алгоритм ИИ принимает решение и как сделать модель ИИ интерпретируемой и объяснимой, ознакомитесь с моделями глубокого обучения.

В этой книге рассматриваются так называемые модели «черного ящика» для повышения адаптивности, интерпретируемости и объяснимости решений, принимаемых алгоритмами искусственного интеллекта (ИИ), с использованием таких фреймворков, как библиотеки Python XAI, TensorFlow 2.0+, Keras, а также пользовательских фреймворков, использующих оболочки Python. Излагаются основы объяснимости и интерпретируемости моделей, обсуждаются методы и системы для интерпретации линейных, нелинейных моделей и моделей временных рядов, используемых в ИИ. Вы узнаете, как алгоритм ИИ принимает решение и как сделать модель ИИ интерпретируемой и объяснимой, ознакомитесь с моделями глубокого обучения.

В этой книге рассматриваются так называемые модели «черного ящика» для повышения адаптивности, интерпретируемости и объяснимости решений, принимаемых алгоритмами искусственного интеллекта (ИИ), с использованием таких фреймворков, как библиотеки Python XAI, TensorFlow 2.0+, Keras, а также пользовательских фреймворков, использующих оболочки Python. Излагаются основы объяснимости и интерпретируемости моделей, обсуждаются методы и системы для интерпретации линейных, нелинейных моделей и моделей временных рядов, используемых в ИИ. Вы узнаете, как алгоритм ИИ принимает решение и как сделать модель ИИ интерпретируемой и объяснимой, ознакомитесь с моделями глубокого обучения.

Искусственный интеллект - это мощный инструмент в руках современного архитектора, разработчика и аналитика.Облачные технологии - ваш путь к укрощению искусственного интеллекта. Тщательно изучив эту незаменимую книгу от Ноя Гифта, легендарного эксперта по языку Python, вы легко научитесь писать облачные приложения с использованием средств искусственного интеллекта и машинного обучения, решать реалистичные задачи из таких востребованных и актуальных областей, как спортивный маркетинг, управление проектами, ценообразование, сделки с недвижимостью. Все примеры разобраны на языке Python, #1 в сфере современных стремительных вычислений

Искусственный интеллект - это мощный инструмент в руках современного архитектора, разработчика и аналитика. Облачные технологии - ваш путь к укрощению искусственного интеллекта. Тщательно изучив эту незаменимую книгу от Ноя Гифта, легендарного эксперта по языку Python, вы легко научитесь писать облачные приложения с использованием средств искусственного интеллекта и машинного обучения, решать реалистичные задачи из таких востребованных и актуальных областей, как спортивный маркетинг, управление проектами, ценообразование, сделки с недвижимостью. Все примеры разобраны на языке Python, #1 в сфере современных стремительных вычислений.

Искусственный интеллект - это мощный инструмент в руках современного архитектора, разработчика и аналитика.Облачные технологии - ваш путь к укрощению искусственного интеллекта. Тщательно изучив эту незаменимую книгу от Ноя Гифта, легендарного эксперта по языку Python, вы легко научитесь писать облачные приложения с использованием средств искусственного интеллекта и машинного обучения, решать реалистичные задачи из таких востребованных и актуальных областей, как спортивный маркетинг, управление проектами, ценообразование, сделки с недвижимостью. Все примеры разобраны на языке Python, #1 в сфере современных стремительных вычислений.

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. Электронное приложение-архив, доступное на сайте издательства, содержит листинги описанных в книге примеров. Для программистов. Необходимые основы языка Python Элементы искусственного интеллекта Разработка приложений искусственного интеллекта Инструментальные средства и полезные библиотеки Программная реализация нейронных сетей Построение многослойных нейронных сетей Библиотеки PyBrain, Scikit-learn, Keras, TensorFlow, ImageAI, OpenCV Наглядные примеры нейронных сетей, их обучения и использования

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. Электронное приложение-архив, доступное на сайте издательства, содержит листинги описанных в книге примеров. Для программистов.

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.

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.

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.

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. Электронное приложение-архив, доступное на сайте издательства, содержит листинги описанных в книге примеров. Для программистов.

В последнее время взрывной рост числа датчиков, интернета и генерации огромных объемов данных предоставил новые возможности хранения, выполнения и реализации приложений на основе IoT и алгоритмов искусственного интеллекта. В учебном пособии рассмотрены такие основные темы по искусственному интеллекту, как краткая история развития искусственного интеллекта, понятия машинного обучения, классы решаемых задач, ансамблевые методы, глубокое обучение, метрики качества и другие базовые направления. Во второй части учебного пособия представлены примеры программы в интерактивной оболочке Jupyter Notebook на языке Python, реализующие алгоритмы искусственного интеллекта. В учебном пособии представлен программный код базовых задач искусственного интеллекта, таких как классификация, регрессия, нормализация и масштабирование данных, распознавание, прогнозирование и другие. Пособие также может быть полезно аспирантам, преподавателям вуза и специалистам, применяющим методы искусственного интеллекта в своей профессиональной деятельности.

Представлены технологии обработки экспериментальных результатов с применением языка программирования Python и методы машинного обучения для прогнозной аналитики в метрологии, рассмотрены конкретные примеры внедрения базовых алгоритмов и методов как на языке Python, так и с использованием аналитической платформы KNIME. Для студентов, обучающихся по техническим направлениям подготовки и специальностям, приступающих к изучению курсов "Метрология", "Машинное обучение и большие данные" и "Основы искусственного интеллекта в профессиональной деятельности".

Представлены технологии обработки экспериментальных результатов с применением языка программирования Python и методы машинного обучения для прогнозной аналитики в метрологии, рассмотрены конкретные примеры внедрения базовых алгоритмов и методов как на языке Python, так и с использованием аналитической платформы KNIME. Для студентов, обучающихся по техническим направлениям подготовки и специальностям, приступающих к изучению курсов «Метрология», «Машинное обучение и большие данные» и «Основы искусственного интеллекта в профессиональной деятельности».

Представлены технологии обработки экспериментальных результатов с применением языка программирования Python и методы машинного обучения для прогнозной аналитики в метрологии, рассмотрены конкретные примеры внедрения базовых алгоритмов и методов как на языке Python, так и с использованием аналитической платформы KNIME. Для студентов, обучающихся по техническим направлениям подготовки и специальностям, приступающих к изучению курсов «Метрология», «Машинное обучение и большие данные» и «Основы искусственного интеллекта в профессиональной деятельности».