AI per la scienza dei dati: Quadri e funzionalità di intelligenza artificiale per l'apprendimento profondo, l'ottimizzazione e oltre

Recensioni dei lettori

Il libro è una risorsa preziosa sia per gli aspiranti che per i data scientist esperti che desiderano comprendere e implementare l'IA, in particolare il deep learning. Tuttavia, c'è un problema di violazione del copyright che ha colpito alcuni lettori.

Ben scritto e informativo, con una copertura completa dei fondamenti, degli strumenti e dei framework del deep learning. Include esempi pratici di codifica e tocca argomenti rilevanti di IA come i Big Data e le tecniche emergenti come il Transfer Learning e le Reti di Capsule.

Il libro presenta alcuni errori grammaticali che possono disturbare la lettura. Inoltre, ci sono problemi legati alla violazione del copyright che hanno colpito alcuni utenti, causando frustrazione per la perdita di opportunità di fruizione dell'audiolibro.

(basato su 2 recensioni dei lettori)

Titolo originale:

AI for Data Science: Artificial Intelligence Frameworks and Functionality for Deep Learning, Optimization, and Beyond

Contenuto del libro:

Padroneggiare gli approcci e i principi degli algoritmi di Intelligenza Artificiale (AI) e applicarli a progetti di Data Science con codice Python e Julia.

Aspiranti e praticanti professionisti della scienza dei dati e dell'IA, insieme a programmatori Python e Julia, si eserciteranno su numerosi algoritmi di IA e svilupperanno una comprensione più olistica del campo dell'IA, imparando quando utilizzare ciascun framework per affrontare progetti in un mondo sempre più complesso.

I primi due capitoli introducono il campo, con il capitolo 1 che passa in rassegna i modelli di Deep Learning e il capitolo 2 che fornisce una panoramica degli algoritmi che vanno oltre il Deep Learning, tra cui l'ottimizzazione, la logica fuzzy e la creatività artificiale.

I capitoli successivi si concentrano sui framework di IA; contengono dati e codice Python e Julia in un Docker fornito, in modo da poter fare pratica. Il Capitolo 3 tratta di Apache MXNet, il Capitolo 4 di TensorFlow e il Capitolo 5 di Keras. Dopo aver trattato questi framework per il Deep Learning, esploriamo una serie di framework per l'ottimizzazione, con il Capitolo 6 che tratta l'ottimizzazione dello sciame di particelle (Particle Swarm Optimization, PSO), il Capitolo 7 gli algoritmi genetici (GA) e il Capitolo 8 l'analisi della ricottura simulata (Simulated Annealing, SA).

Il capitolo 9 inizia l'esplorazione dei metodi avanzati di intelligenza artificiale, trattando le reti neurali convoluzionali (CNN) e le reti neurali ricorrenti (RNN). Il capitolo 10 tratta degli ensemble di ottimizzazione e di come possono aggiungere valore alla pipeline di Data Science.

Il capitolo 11 contiene diversi framework di intelligenza artificiale alternativi, tra cui le macchine di apprendimento estremo (ELM), le reti a capsula (CapsNets) e i sistemi di inferenza fuzzy (FIS).

Il Capitolo 12 tratta altre considerazioni complementari agli argomenti di IA trattati, tra cui i concetti di Big Data, le aree di specializzazione in Data Science e le risorse di dati utili su cui sperimentare.

Sono inclusi un glossario completo e una serie di appendici che trattano l'apprendimento per trasferimento, l'apprendimento per rinforzo, i sistemi di autocodifica e le reti avversarie generative. È presente anche un'appendice sugli aspetti commerciali dell'IA nei progetti di scienza dei dati e un'appendice su come utilizzare l'immagine Docker per accedere ai dati e al codice del libro.

Il campo dell'IA è molto vasto e può risultare difficile da affrontare per i neofiti. Questo libro vi fornirà una solida conoscenza del campo e vi stimolerà ad approfondire.