Motori di intelligenza artificiale: Introduzione alla matematica dell'apprendimento profondo

Recensioni dei lettori

Il libro di James Stone è riconosciuto per aver fornito un'introduzione concisa e coinvolgente ai concetti di apprendimento automatico e di deep learning, adattandosi a lettori con diversi livelli di preparazione matematica. Sebbene molti recensori ne lodino la leggibilità e l'approccio pedagogico, alcuni trovano alcune sezioni confuse a causa della forte dipendenza da una nomenclatura complessa e delle definizioni insufficienti dei termini chiave.

⬤ Conciso e divertente, ricco di informazioni preziose
⬤ stile di scrittura coinvolgente
⬤ ottimo per lettori con conoscenze matematiche di base
⬤ spiega efficacemente i concetti fondamentali
⬤ fornisce una prospettiva storica
⬤ l'autore risponde alle domande.

⬤ Nomenclatura confusa e notazioni matematiche complesse
⬤ alcuni concetti sono mal definiti
⬤ alcuni lettori riferiscono di aver avuto difficoltà a comprendere le idee chiave, soprattutto nei capitoli successivi
⬤ problemi di compatibilità con Kindle Scribe
⬤ problemi di consegna con la versione stampata.

(basato su 15 recensioni dei lettori)

Titolo originale:

Artificial Intelligence Engines: A Tutorial Introduction to the Mathematics of Deep Learning

Contenuto del libro:

Il cervello ha sempre avuto un vantaggio fondamentale rispetto ai computer tradizionali: può imparare. Tuttavia, una nuova generazione di algoritmi di intelligenza artificiale, sotto forma di reti neurali profonde, sta rapidamente eliminando questo vantaggio.

Le reti neurali profonde si basano su algoritmi adattivi per padroneggiare un'ampia varietà di compiti, tra cui la diagnosi del cancro, il riconoscimento di oggetti, il riconoscimento vocale, il controllo robotico, gli scacchi, il poker, il backgammon e il Go, a livelli di prestazioni sovrumane. In questo libro riccamente illustrato, i principali algoritmi di apprendimento delle reti neurali sono spiegati prima in modo informale, seguiti da analisi matematiche dettagliate. Gli argomenti comprendono sia le reti neurali storicamente importanti (ad esempio i percettori), sia le moderne reti neurali profonde (ad esempio le reti generative avversarie).

I programmi informatici online, raccolti da repository open source, consentono di fare esperienza pratica delle reti neurali, mentre le diapositive in PowerPoint forniscono un supporto all'insegnamento. Scritto in uno stile informale, con un glossario completo, appendici didattiche (ad esempio il teorema di Bayes) e un elenco di ulteriori letture, è un'introduzione ideale ai motori algoritmici della moderna intelligenza artificiale.