Траск, Э.

Грокаем глубокое обучение / Э. Траск; перевод с английского А. Киселев. - Санкт-Петербург [и др.] : Питер, 2020. - 352 с. - ISBN 978-5-4461-1334-7. - URL: https://ibooks.ru/reading.php?productid=365269 (дата обращения: 20.05.2020). - Режим доступа: для зарегистрир. пользователей. - Текст: электронный.

Глубокое обучение - это раздел искусственного интеллекта, цель которого научить компьютеры обучаться с помощью нейронных сетей - технологии, созданной по образу и подобию человеческого мозга. Онлайн-переводчики, беспилотные автомобили, рекомендации по выбору товаров именно для вас и виртуальные голосовые помощники - вот лишь несколько достижений, которые стали возможны благодаря глубокому обучению. Книга «Грокаем глубокое обучение» научит конструировать нейронные сети с нуля! Эндрю Траск знакомит со всеми деталями и тонкостями этой нелегкой задачи. Python и библиотека NumPy способны научить ваши нейронные сети видеть и распознавать изображения, переводить любые тексты на все языки мира и даже писать не хуже Шекспира

Шакла, Н.

Машинное обучение & TensorFlow : / Н. Шакла при участии К. Фрикласа; [перевод с английского А. И. Демьяникова]. - Санкт-Петербург [и др.] : Питер, 2019. - 336 с. ил. - ISBN 978-5-4461-0826-8. - URL: https://ibooks.ru/reading.php?productid=365270 (дата обращения: 20.05.2020). - Режим доступа: для зарегистрир. пользователей. - Текст: электронный.

Знакомство с машинным обучением и библиотекой TensorFlow похоже на первые уроки в автошколе, когда вы мучаетесь с параллельной парковкой, пытаетесь переключить передачу в нужный момент и не перепутать зеркала, лихорадочно вспоминая последовательность действий, в то время как ваша нога нервно подрагивает на педали газа. Это сложное, но необходимое упражнение. Так и в машинном обучении: прежде чем использовать современные системы распознавания лиц или алгоритмы прогнозирования на фондовом рынке, вам придется разобраться с соответствующим инструментарием и набором инструкций, чтобы затем без проблем создавать собственные системы. Новички в машинном обучении оценят прикладную направленность этой книги, ведь ее цель - познакомить с основами, чтобы затем быстро приступить к решению реальных задач. От обзора концепций машинного обучения и принципов работы с TensorFlow вы перейдете к базовым алгоритмам, изучите нейронные сети и сможете самостоятельно решать задачи классификации, кластеризации, регрессии и прогнозирования

Бенгфорт, Б.

Прикладной анализ текстовых данных на Python : машинное обучение и создание приложений обработки естественного языка / Б. Бенгфорт, Р. Билбро, Т. Охеда; [перевел с английского А. Киселев]. - Санкт-Петербург [и др.] : Питер, 2019.. - 368 с. - ISBN 978-5-4461-1153-4. - URL: https://ibooks.ru/reading.php?productid=365298 (дата обращения: 20.05.2020). - Режим доступа: для зарегистрир. пользователей. - Текст: электронный.

Технологии анализа текстовой информации стремительно меняются под влиянием машинного обучения. Нейронные сети из теоретических научных исследований перешли в реальную жизнь, и анализ текста активно интегрируется в программные решения. Нейронные сети способны решать самые сложные задачи обработки естественного языка, никого не удивляет машинный перевод, «беседа» с роботом в интернет-магазине, перефразирование, ответы на вопросы и поддержание диалога. Почему же Сири, Алекса и Алиса не хотят нас понимать, Google находит не то, что мы ищем, а машинные переводчики веселят нас примерами «трудностей перевода» с китайского на албанский? Ответ кроется в мелочах - в алгоритмах, которые правильно работают в теории, но сложно реализуются на практике. Научитесь применять методы машинного обучения для анализа текста в реальных задачах, используя возможности и библиотеки Python. От поиска модели и предварительной обработки данных вы перейдете к приемам классификации и кластеризации текстов, затем приступите к визуальной интерпретации, анализу графов, а после знакомства с приемами масштабирования научитесь использовать глубокое обучение для анализа текста.

Николенко С.

Глубокое обучение / С. Николенко, А. Кадурин, Е. Архангельская. - Санкт-Петербург : Питер, 2019. - 480 с. - ISBN 978-5-496-02536-2. - URL: https://ibooks.ru/reading.php?productid=356955 (дата обращения: 20.05.2020). - Режим доступа: для зарегистрир. пользователей. - Текст: электронный.

Перед вами - первая книга о глубоком обучении, написанная на русском языке. Глубокие модели оказались ключом, который подходит ко всем замкам сразу: новые архитектуры и алгоритмы обучения, а также увеличившиеся вычислительные мощности и появившиеся огромные наборы данных привели к революционным прорывам в компьютерном зрении, распознавании речи, обработке естественного языка и многих других типично «человеческих» задачах машинного обучения. Эти захватывающие идеи, вся история и основные компоненты революции глубокого обучения, а также самые современные достижения этой области доступно и интересно изложены в книге. Максимум объяснений, минимум кода, серьезный материал о машинном обучении и увлекательное изложение - в этой уникальной работе замечательных российских ученых и интеллектуалов.

Копец, Д.

Классические задачи Computer Science на языке Python / Д. Копец; [перевела с английского Е. Полонская]. - Санкт-Петербург [и др.] : Питер, 2020. - 256 с. : ил. - ISBN 978-5-4461-1428-3. - URL: https://ibooks.ru/reading.php?productid=365295 (дата обращения: 20.05.2020). - Режим доступа: для зарегистрир. пользователей. - Текст: электронный.

Многие задачи в области Computer Science, которые на первый взгляд кажутся новыми или уникальными, на самом деле уходят корнями в классические алгоритмы, методы кодирования и принципы разработки. И устоявшиеся техники по-прежнему остаются лучшим способом решения таких задач! Научитесь писать оптимальный код для веб-разработки, обработки данных, машинного обучения и других актуальных сфер применения Python. Книга даст вам возможность глубже освоить язык Python, проверить себя на испытанных временем задачах, упражнениях и алгоритмах. Вам предстоит решать десятки заданий по программированию: от самых простых (например, найти элементы списка с помощью двоичной сортировки), до сложных (выполнить кластеризацию данных методом k-средних). Прорабатывая примеры, посвященные поиску, кластеризации, графам и пр., вы вспомните то, о чем успели позабыть, и овладеете классическими приемами решения повседневных задач.

Шолле, Д.

Глубокое обучение на R / Ф. Шолле, при участии Дж. Дж. Аллера; [пер. с англ. А. Киселева]. - Санкт-Петербург [и др.] : Питер, 2018. - 400 с. : ил. - ISBN 978-5-4461-0902-9. - URL: https://ibooks.ru/reading.php?productid=358166 (дата обращения: 20.05.2020). - Режим доступа: для зарегистрир. пользователей. - Текст: электронный.

Глубокое обучение - Deep learning - это набор алгоритмов машинного обучения, которые моделируют высокоуровневые абстракции в данных, используя архитектуры, состоящие из множества нелинейных преобразований. Согласитесь, эта фраза звучит угрожающе. Но все не так страшно, если о глубоком обучении рассказывает Франсуа Шолле, который создал Keras - самую мощную библиотеку для работы с нейронными сетями. Познакомьтесь с глубоким обучением на практических примерах из самых разнообразных областей. Книга делится на две части в первой даны теоретические основы, вторая посвящена решению конкретных задач. Это позволит вам не только разобраться в основах DL, но и научиться использовать новые возможности на практике. Книга написана для людей с опытом программирования на R, желающих быстро познакомиться с глубоким обучением на практике, и является переложением бестселлера Франсуа Шолле «Глубокое обучение на Python», но использующим примеры на базе интерфейса R для Keras.

Элбон, К.

Машинное обучение с использованием Python. Сборник рецептов / К. Элбон; перевод с английского А. Логунов. - Санкт-Петербург : БХВ-Петербург, 2019. - 384 с. - ISBN 978-5-9775-4056-8. - URL: https://ibooks.ru/reading.php?productid=366635 (дата обращения: 20.05.2020). - Режим доступа: для зарегистрир. пользователей. - Текст: электронный.

Книга содержит около 200 рецептов решения практических задач машинного обучения, таких как загрузка и обработка текстовых или числовых данных, отбор модели, уменьшение размерности и многие другие. Рассмотрена работа с языком Python и его библиотеками, в том числе pandas и scikit-learn. Решения всех задач сопровождаются подробными объяснениями. Каждый рецепт содержит работающий программный код, который можно вставлять, объединять и адаптировать, создавая собственное приложение. Приведены рецепты решений с использованием: векторов, матриц и массивов; обработки данных, текста, изображений, дат и времени; уменьшения размерности и методов выделения или отбора признаков; оценивания и отбора моделей; линейной и логистической регрессии, деревьев, лесов и k ближайших соседей; опорно-векторных машин (SVM), наивных байесовых классификаторов, кластеризации и нейронных сетей; сохранения и загрузки натренированных моделей.

Ын, А.

Теоретический минимум по Big Data. Всё, что нужно знать о больших данных / А. Ын, К. Су; [перевел с английского А. Тимохин]. - Санкт-Петербург [и др.] : Питер, 2019. - 208 с. : ил. - ISBN 978-5-4461-1040-7. - URL: https://ibooks.ru/reading.php?productid=359225 (дата обращения: 20.05.2020). - Режим доступа: для зарегистрир. пользователей. - Текст: электронный.

Cегодня Big Data - это большой бизнес. Нашей жизнью управляет информация, и извлечение выгоды из нее становится центральным моментом в работе современных организаций. Не важно кто вы - деловой человек, работающий с аналитикой, начинающий программист или разработчик, - 'Теоретический минимум по Big Data' позволит разобраться в основах новой и стремительно развивающейся отрасли обработки больших данных. Хотите узнать о больших данных и механизмах работы с ними? Каждому алгоритму посвящена отдельная глава, в которой не только объясняются основные принципы работы, но и даются примеры использования в реальных задачах. Большое количество иллюстраций и простые комментарии позволят легко разобраться в самых сложных аспектах Big Data. 'Отличная визуализация концепций машинного обучения позволяет «нетехнарям» интуитивно понять сложные абстрактные понятия. Это лаконичная и точная выжимка содержит теоретический минимум информации, необходимый для первого знакомства с Big Data.

Рассел, М.

Data Mining : извлечение информации из Facebook, Twitter, Linkedin, Instagram, Github / М. Рассел, М. Классен; перевод с английского А. Киселев. - 3-е изд. - Санкт-Петербург [и др.] : Питер, 2020. - 464 с. : ил.- ISBN 978-5-4461-1246-3. - URL: https://ibooks.ru/reading.php?productid=365266 (дата обращения: 20.05.2020). - Режим доступа: для зарегистрир. пользователей. - Текст: электронный.

В недрах популярных социальных сетей - Twitter, Facebook, LinkedIn и Instagram - скрыты богатейшие залежи информации. Из этой книги исследователи, аналитики и разработчики узнают, как извлекать эти уникальные данные, используя код на Python, Jupyter Notebook или контейнеры Docker. Сначала вы познакомитесь с функционалом самых популярных социальных сетей (Twitter, Facebook, LinkedIn, Instagram), веб-страниц, блогов и лент, электронной почты и GitHub. Затем приступите к анализу данных на примере Twitter.

Бринк, Х.

Машинное обучение / Х. Бринк, Д. Ричардс, М. Феверолф. - Санкт-Петербург [и др.] : Питер, 2017. - 336 с. - ISBN 978-5-496-02989-6. - URL: https://ibooks.ru/reading.php?productid=355472 (дата обращения: 22.05.2020). - Режим доступа: для зарегистрир. пользователей. - Текст: электронный.

В последние годы машинное обучение вышло на уровень большого бизнеса: компании активно используют его для зарабатывания денег, прикладные исследования бурно развиваются, а неугомонные разработчики используют любую возможность повысить свой уровень владения данной тематикой. Данная книга рассчитана на тех, кто хочет решать самые разнообразные задачи при помощи машинного обучения. Как правило, для этого нужен Python, поэтому в примерах кода используется этот язык, а также библиотеки pandas и scikit-learn. Вы познакомитесь с основными понятиями ML, такими как сбор данных, моделирование, классификация и регрессия, а главное, получите практический опыт обработки реальных данных.

Барский, А.Б.

Введение в нейронные сети : учебное пособие / А. Б. Барский. - 3-е изд. - Москва, Саратов : Интернет-Университет Информационных Технологий (ИНТУИТ), Ай Пи Ар Медиа, 2020. - 357 c. - ISBN 978-5-4497-0309-5. - URL: http://www.iprbookshop.ru/89426.html (дата обращения: 21.05.2020). - Режим доступа: для зарегистрир. пользователей. - Текст: электронный.

Главной целью данного учебного пособия является демонстрация и внедрение универсального подхода, способного вывести проблему нейронных сетей с уровня частного применения на уровень массового использования практически во всех областях знаний, где требуется логически обосновать принимаемое решение. Утверждается, что самый простой подход к построению нейронных сетей на основе реализуемой нейроном «нечёткой» логики (логических нейронных сетей), продиктован практикой ясного мышления человека. Этот подход приводит к построению всего лишь однослойных нейронных сетей с простейшей функцией активации нейрона, при необходимости дополненных обратными связями. На основе положений математической логики событий исследуются нейронные сети, имитирующие механизмы работы мозга. Эти механизмы реализуют операции вывода по «нечеткой» логике в составе систем искусственного интеллекта - распознавания, управления и принятия решений - во всех областях человеческой деятельности. Рассмотрение многих примеров демонстрирует простейший подход к построению и развитию обученных нейронных сетей «под задачу», а также трассировку - обучение при заданной структуре сети.

Барский, А.Б.

Логические нейронные сети / А. Б. Барский. - Москва : Интернет-Университет Информационных Технологий (ИНТУИТ), 2016. - 492 c. - ISBN 978-5-94774-646-4. - URL: http://www.iprbookshop.ru/52220.html (дата обращения: 21.05.2020). - Режим доступа: для зарегистрир. пользователей. - Текст: электронный.

На основе положений математической логики событий исследуется возможность построения логических нейронных сетей, выполняющих операции вывода в составе систем искусственного интеллекта, имитирующих механизмы работы мозга. Предлагаются методы построения обученных нейронных сетей, созданных «под задачу», простые методы обучения-трассировки, методы преобразования описаний систем принятия решений для повышения достоверности выводов. Рассматривается возможность применения логических нейронных сетей в самообучающихся системах управления, а также в различных системах экономики, транспорта, безопасности, защиты информации, при решении задач интеллектуального отображения, в бизнесе туризма и развлечений, при политическом и социальном прогнозировании и в других задачах науки и искусства.

Горожанина, Е.И.

Нейронные сети : учебное пособие / Е. И. Горожанина. - Самара : Поволжский государственный университет телекоммуникаций и информатики, 2017. - 84 c. - ISBN 2227-8397. - URL: http://www.iprbookshop.ru/75391.html (дата обращения: 21.05.2020). - Режим доступа: для зарегистрир. пользователей. - Текст: электронный.

Учебное пособие знакомит с компонентами интеллектуальных систем, а именно с искусственными нейронными сетями. В настоящее время целью исследований в области искусственного интеллекта (ИИ) является создание таких систем, которые, с одной стороны, могут использовать большое количество знаний, передаваемых им специалистами, а с другой – способны вступать в диалог и объяснять свои собственные выводы. Это предполагает наличие эффективного управления большой по объему и хорошо структурированной базой знаний. Предлагаемое учебное пособие обеспечивает подготовку к эффективному использованию современных компьютерных средств и их программного обеспечения для решения задач в сфере управления.

Яхъева, Г.Э.

Нечеткие множества и нейронные сети : учебное пособие / Г. Э. Яхъяева. - 2-е , испр. - Москва, Саратов : Интернет-Университет Информационных Технологий (ИНТУИТ), Вузовское образование, 2017. - 320 c. - ISBN 978-5-4487-0079-8. - URL: http://www.iprbookshop.ru/67390.html (дата обращения: 22.05.2020). - Режим доступа: для зарегистрир. пользователей. - Текст: электронный.

Двумя популярными направлениями Artificial Intelligence являются теория нечетких множеств‚ (fuzzy sets) и теория нейронных сетей (neuron nets). Данный курс является систематизированным вводным курсом в эти два направления.

Баррат, Д.

Последнее изобретение человечества: искусственный интеллект и конец эры Homo sapiens / Д. Баррат ; перевод Н. Лисова ; под редакцией А. Никольского. - Москва : Альпина нон-фикшн, 2019. - 312 c. - ISBN 978-5-91671-436-4. - URL: http://www.iprbookshop.ru/86821.html (дата обращения: 22.05.2020). - Режим доступа: для зарегистрир. пользователей. - Текст: электронный.

За каких-то десять лет искусственный интеллект сравняется с человеческим, а затем и превзойдет его. Корпорации и государственные структуры по всему миру, конкурируя между собой, вкладывают миллиарды в развитие искусственного разума. Но что ждет нас дальше? Ученые задаются вопросом: не окажется ли это изобретение последним - гибельным для нас самих? Достигнув определенного уровня развития, искусственный интеллект сможет сам себя совершенствовать, без участия человека. У нас появится соперник хитрее, сильнее и враждебнее, чем мы можем себе представить.

Джонс, М.Т.

Программирование искусственного интеллекта в приложениях / М. Т. Джонс ; перевод А. И. Осипов. - 2-е изд. - Саратов : Профобразование, 2019. - 312 c. - ISBN 978-5-4488-0116-7. - URL: http://www.iprbookshop.ru/89866.html (дата обращения: 21.05.2020). - Режим доступа: для зарегистрир. пользователей. - Текст: электронный.

Данная книга посвящена вопросам искусственного интеллекта (ИИ), то есть методам и технологиям, призванным сделать программное обеспечение более умным и полезным. Рассмотренные алгоритмы в основном предназначены для встраивания в другое программное обеспечение, что позволяет создавать программы, гибко подстраивающиеся под требования и привычки пользователя. Описан ряд алгоритмов ИИ – нейронные сети, генетические алгоритмы, системы, основанные на правилах, нечеткая логика, алгоритмы муравья и умные агенты. Для каждого алгоритма приведены примеры реализации. Некоторые из этих приложений применяются на практике, другие относятся скорее к теоретическим изысканиям. Так или иначе, автор раскрывает секреты наиболее интересных алгоритмов ИИ, что делает их доступными для более широкой аудитории.

Павлова, А.И.

Информационные технологии: основные положения теории искусственных нейронных сетей : учебное пособие / А. И. Павлова. - Новосибирск : Новосибирский государственный университет экономики и управления «НИНХ», 2017. - 191 c. - ISBN 978-5-7014-0801-0. - URL: http://www.iprbookshop.ru/87110.html (дата обращения: 22.05.2020). - Режим доступа: для зарегистрир. пользователей. - Текст: электронный.

В учебном пособии рассмотрены основные положения теории искусственных нейронных сетей (архитектура, особенности функционирования биологического и искусственного нейрона, классификация нейронных сетей), а также наиболее известные методы обучения искусственных нейронных сетей, включая градиентные алгоритмы, радиальные базисные сети и самоорганизующиеся алгоритмы обучения.

Сотник, С.Л.

Проектирование систем искусственного интеллекта / С. Л. Сотник. - 2-е изд. - Москва : Интернет-Университет Информационных Технологий (ИНТУИТ), 2016. - 228 c. - ISBN 2227-8397. - URL: http://www.iprbookshop.ru/73716.html (дата обращения: 20.05.2020). - Режим доступа: для зарегистрир. пользователей. - ТексКурс посвящен рассмотрению базовых понятий систем искусственного интеллекта. В книге рассматривается архитектура систем искусственного интеллекта, системы распознавания образов, вопросы адаптации, обучения и самообучения систем ИИ, персептроны, методы и алгоритмы анализа структуры многомерных данных, неформальные процедуры, алгоритмические модели, основы языков РЕФАЛ и Пролог, ключевые понятия бинарных деревьев, базовые понятия экспертных систем, автоматизированный синтез, поиск физических принципов действия, методы синтеза речи человека.

Системы искусственного интеллекта в мехатронике : учебное пособие / А. А. Большаков, М. Б. Бровкова, В. П. Глазков [и др.]. - Саратов : Саратовский государственный технический университет имени Ю.А. Гагарина, ЭБС АСВ, 2014. - 252 c. - ISBN 978-5-733-2690-7. - URL: http://www.iprbookshop.ru/80117.html (дата обращения: 21.05.2020). Режим доступа: для зарегистрир. пользователей. - Текст: электронный.

 В учебном пособии рассмотрены истоки возникновения искусственного интеллекта и мехатроники. Описаны современные тенденции развития мехатроники и ее парадигм, основные принципы построения, этапы и тенденции развития мехатронных систем, общая методика их построения, а также приложения управления жизненным циклом мобильных роботов; методы решения задач кинематики и динамики манипуляторов с использованием нейронных сетей; создания интеллектуальных телеметрических систем сбора и обработки пространственно-временной информации; мониторинга состояния мехатронных комплексов; использования математического аппарата нечетких множеств для синтеза интеллектуальных мехатронных систем.

Методы искусственного интеллекта в обработке данных и изображений : монография / А. Ю. Дёмин, А. К. Стоянов, В. Б. Немировский, В. А. Дорофеев. - Томск : Томский политехнический университет, 2016. - 130 c. - ISBN 2227-8397. - URL: http://www.iprbookshop.ru/84054.html (дата обращения: 21.05.2020). - Режим доступа: для зарегистрир. пользователей. - Текст: электронный.

Монография посвящена созданию новых подходов к задачам параллельной обработки данных и изображений. Предложена модель рекуррентной нейронной сети, основанной на одномерных отображениях значения входного сигнала нейрона на его активационной функции. Рассмотрены вопросы создания и применения рекуррентных нейронных сетей для решения задач кластеризации и классификации данных, в том числе пространственных данных. Рассматриваются новые подходы к проектированию программного обеспечения для различных современных параллельных вычислительных систем, основанные на структурно-графическом представлении ПО, а также вопросы практического использования предложенных способов для обработки изображений, в частности выделения границ на спутниковых снимках. Монография предназначена для научных работников, аспирантов и студентов, интересующихся вопросами параллельной обработки данных и изображений.

Дьяконов, В.П.

MATLAB 6.5 SP1/7/7 SP1/7 SP2 + Simulink 5/6. Инструменты искусственного интеллекта и биоинформатики / В. П. Дьяконов, В. В. Круглов. - Москва : СОЛОН-ПРЕСС, 2017. - 454 c. - ISBN 5-98003-255-Х. - URL: http://www.iprbookshop.ru/90271.html (дата обращения: 22.05.2020). - Режим доступа: для зарегистрир. пользователей. - Текст: электронный.

Пятая книга в серии книг, посвященных последним реализациям мощных матричных систем компьютерной математики MATLAB 6.5 SP1/7/7 SP1/7 SP2 + Simulink 5/6. Впервые дан вводный курс по новейшей версии MATLAB 7 SP 2 + Simulink 6. Детально описаны последние версии пакетов расширения по нейронным сетям и нечеткой логике. Впервые дано описание новейших пакетов расширения по генетическим алгоритмам и биоинформатике. Представлены инструментальные средства проектирования графического интерфейса пользователя, работы в Интернете и компиляции MATLAB-программ. Описано множество примеров применения этих средств.

Сысоев, Д.В.

Введение в теорию искусственного интеллекта : учебное пособие / Д. В. Сысоев, О. В. Курипта, Д. К. Проскурин. - Воронеж : Воронежский государственный архитектурно-строительный университет, ЭБС АСВ, 2014. - 171 c. - ISBN 978-5-89040-498-5. - URL: http://www.iprbookshop.ru/30835.html (дата обращения: 21.05.2020). - Режим доступа: для зарегистрир. пользователей. - Текст: электронный.

Рассматриваются современные подходы к моделированию нейронных сетей, применению нечеткой логики для решения задач прогнозирования, классификации, аппроксимации.

Гифт, Н.

Прагматичный ИИ. Машинное обучение и облачные технологии / Н. Гифт. - Санкт-Петербург [и др.] : Питер, 2019. – 304 с. : ил. - ISBN 978-5-4461-1061-2. - URL: https://ibooks.ru/reading.php?productid=365271 (дата обращения: 21.05.2020). - Режим доступа: для зарегистрир. пользователей. - Текст: электронный.

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.

Равичандиран, С.

Глубокое обучение с подкреплением на Python : openAI Gym и TensorFlow для профи / С. Равичандиран; [перевел с английского Е. Матвеев]. - Санкт-Петербург [и др.] : Питер, 2020. - 320 с. : ил. - ISBN 978-5-4461-1251-7. - URL: https://ibooks.ru/reading.php?productid=365299 (дата обращения: 21.05.2020). - Режим доступа: для зарегистрир. пользователей. - Текст: электронный.

Глубокое обучение с подкреплением (Reinforcement Learning) - самое популярное и перспективное направление искусственного интеллекта. Практическое изучение RL на Python поможет освоить не только базовые, но и передовые алгоритмы глубокого обучения с подкреплением. Вы начнете с основных принципов обучения с подкреплением, OpenAI Gym и TensorFlow, познакомитесь с марковскими цепями, методом Монте-Карло и динамическим программированием, так что «страшные» аббревиатуры DQN, DRQN, A3C, PPO и TRPO вскоре перестанут вас пугать. Вы узнаете об агентах, которые учатся на человеческих предпочтениях, DQfD, HER и многих других последних достижениях RL. Прочитав книгу, вы приобретете знания и опыт, необходимые для реализации обучения с подкреплением и глубокого обучения с подкреплением в реальных проектах, и войдете в мир искусственного интеллекта.

Грас, Д.

Data Science. Наука о данных с нуля / Д. Грас. - СПб. : БХВ-Петербург, 2017. - 336 с. : ил. - ISBN 978-5-9775-3758-2. - URL: https://ibooks.ru/reading.php?productid=356414 (дата обращения: 22.05.2020). - Режим доступа: для зарегистрир. пользователей. - Текст: электронный.

Книга позволяет изучить науку о данных (Data Science) и применить полученные знания на практике. Она написана так, что способствует погружению в Data Science аналитика, фактически не обладающего глубокими знаниями в этой прикладной дисциплине. В объемах, достаточных для начала работы в области Data Science, книга содержит интенсивный курс языка Python, элементы линейной алгебры, математической статистики, теории вероятностей, методов сбора, очистки, нормализации и обработки данных. Даны основы машинного обучения. Описаны различные математические модели и их реализация по методу k ближайших соседей, наивной байесовской классификации, линейной и логистической регрессии, а также модели на основе деревьев принятия решений, нейронных сетей и кластеризации. Рассказано о работе с рекомендательными системами, описаны приемы обработки естественного языка, методы анализа социальных сетей, основы баз данных, SQL и MapReduce.

Павлов, С.Н.

Системы искусственного интеллекта. Учебное пособие. В 2 частях. Часть 1 / С. Н. Павлов; Министерство образования и науки Российской Федерации, Томский государственный университет систем управления и радиоэлектроники. - Томск : Эль Контент, 2011. - 176 c. - ISBN 978-5-4332-0013-5. - URL: http://www.iprbookshop.ru/13974.html (дата обращения: 22.05.2020). - Режим доступа: для зарегистрир. пользователей. - Текст: электронный.

В учебном пособии рассматриваются теоретические и организационно-методологические вопросы разработки и применения систем искусственного интеллекта. Изложены базовые принципы, подходы, классификация, методы, модели и стратегии систем различного назначения, традиционно считающиеся интеллектуальными: интеллектуальные информационные системы, понимание естественного языка и изображений, представление знаний и обучение, логический вывод и планирование действий. Большое внимание уделяется экспертным системам, обработки естественного языка, машинному зрению.

Павлов, С.Н.

Системы искусственного интеллекта. Учебное пособие. В 2 частях. Часть 2 / С. Н. Павлов; Министерство образования и науки Российской Федерации, Томский государственный университет систем управления и радиоэлектроники. - Томск : Эль Контент, 2011. - 194 c. - ISBN 978-5-4332-0014-2. - URL: http://www.iprbookshop.ru/13975.html (дата обращения: 22.05.2020). - Режим доступа: для зарегистрир. пользователей. - Текст: электронный.

В учебном пособии рассматриваются теоретические и организационно-методологические вопросы разработки и применения систем искусственного интеллекта. Изложены базовые принципы, подходы, классификация, методы, модели и стратегии систем различного назначения, традиционно считающиеся интеллектуальными: интеллектуальные информационные системы, понимание естественного языка и изображений, представление знаний и обучение, логический вывод и планирование действий. Большое внимание уделяется экспертным системам, обработки естественного языка, машинному зрению.

Капитонова, Т.А.

Нейросетевое моделирование в распознавании образов. Философско-методические аспекты : монография / Т. А. Капитонова. - Минск : Белорусская наука, 2009. - 131 c. - ISBN 978-985-08-1008-3. - URL: http://www.iprbookshop.ru/10057.html (дата обращения: 22.05.2020). - Режим доступа: для зарегистрир. пользователей. - Текст: электронный.

Монография посвящена разработке философско-методологических основ нейросетевого моделирования распознавания образов: раскрыты его исходные философско-методологические принципы, обозначены ключевые методологические проблемы (соответствие модели и прототипа, методологический статус гносеологического образа, когнитивно-операциональная структура нейросетевой модели распознавания и т. п.). Особое внимание уделено построению гносеологически адекватных моделей распознавания образов, разработаны соответствующие методологические рекомендации. Адресуется научным работникам в области распознавания образов, современных информационных технологий, философам и широкому кругу читателей, интересующихся проблемами моделирования когнитивных процессов.

Лубенцова, Е.В.

Системы управления с динамическим выбором структуры, нечеткой логикой и нейросетевыми моделями : монография / Е. В. Лубенцова ; Северо-Кавказский федеральный ун-т (Ставрополь). - Ставрополь : СКФУ, 2014. - 248 с. : ил. - ISBN 978-5-88648-902-6. - URL: http://www.iprbookshop.ru/63133.html (дата обращения: 22.05.2020). - Режим доступа: для зарегистрир. пользователей. - Текст: электронный.

В книге рассмотрены вопросы структурно-параметрического синтеза систем автоматического управления (САУ) интервальными объектами, математическую основу которых составляет метод гарантирующего управления и максимальная степень устойчивости, а также алгоритмы аппроксимирующего управления для широкого спектра нелинейных характеристик и алгоритмы, полученные на базе нечеткой логики и нейронных сетей. При этом особое внимание сосредоточено на особенностях применения метода к синтезу САУ с запаздыванием различных классов, как одноконтурных, так и каскадных. Приведены примеры синтеза САУ промышленными объектами, имеющих адаптивные и робастные свойства и реализующих интеллектуальные методы.