1. Lewiatan 2. Darwin wśród maszyn 3. Ożywczy dmuch 4. O liczbach obliczalnych 5. Poligon doświadczalny 6. Szczury w katedrze 7. Symbiogeneza 8. O komunikacji rozproszonej 9. Teoria gier i zachowań rynkowych 10. Na górze jest wciąż wiele miejsca 11. Ostatni i pierwsi ludzie 12. Grać na skrzypcach, gdy płonie Rzym

Stanisław Lem planował dwa, może trzy opowiadania o pilocie Pirxie. Ku radości czytelników powstało ich więcej. Dzięki temu możemy dziś obcować z jednym z najsłynniejszych bohaterów literatury science-fiction. Kim jest Pirx? Jest jednym z nas. Nie ma w sobie nic z herosa i zdarza mu się wpadać w panikę. W decydujących momentach jednak dzięki inteligencji, a czasem dzięki łutowi szczęścia, udaje mu się znaleźć wyjście z opresji. Pirx dojrzewa z każdym kolejnym opowiadaniem. Razem z nim dojrzewają problemy, którym musi stawić czoła. Ale nie tylko to stanowi o wartości tych przygód - w każdym opowiadaniu pilot udowadnia, że człowiek ma szansę w konfrontacji z bezkresnym i zimnym kosmosem. Pilot Pirx pokazuje, że nasze słabości czasem mogą być naszą siłą. Stanisław Lem (1921-2006), najwybitniejszy polski pisarz fantastyczny, futurolog, filozof i satyryk. Jego książki zostały przetłumaczone na 41 języków i osiągnęły łączny nakład ponad 30 mln egzemplarzy. [www.azymut.pl, 2020]

Audiobook z nagraniem powieści dla dzieci i młodzieży o jednym z najbardziej popularnych pilotów-kosmonautów. Pirx dorośleje wraz z przygodami, jakie przychodzi mu przeżywać. Musi stawić czoło różnym problemom, a to sprawia, że staje się dojrzalszy i mądrzejszy. Pilot musi bowiem dowieść wartości niedoskonałego człowieczeństwa w konfrontacji ze światem maszyn i maszynowym myśleniem. [Heraclon International, 2018]

ROZDZIAŁ 1. UMOŻLIWIANIE KOMPUTEROM UCZENIA SIĘ Z DANYCH: Tworzenie inteligentnych maszyn służących do przekształcania danych w wiedzę ; Trzy różne rodzaje uczenia maszynowego ; Wprowadzenie do podstawowej terminologii i notacji ; Strategia tworzenia systemów uczenia maszynowego ; Wykorzystywanie środowiska Python do uczenia maszynowego. ROZDZIAŁ 2. TRENOWANIE ALGORYTMÓW UCZENIA MASZYNOWEGO W CELACH KLASYFIKACJI: Sztuczne neurony - rys historyczny początków uczenia maszynowego ; Implementacja algorytmu uczenia perceptronu w Pythonie ; Adaptacyjne neurony liniowe i zbieżność uczenia. ROZDZIAŁ 3. STOSOWANIE KLASYFIKATORÓW UCZENIA MASZYNOWEGO ZA POMOCĄ BIBLIOTEKI SCIKIT-LEARN: Wybór algorytmu klasyfikującego ; Pierwsze kroki z biblioteką scikit-learn ; Modelowanie prawdopodobieństwa przynależności do klasy za pomocą regresji logistycznej ; Wyznaczanie maksymalnego marginesu za pomocą maszyn wektorów nośnych ; Rozwiązywanie nieliniowych problemów za pomocą jądra SVM ; Uczenie drzew decyzyjnych ; Algorytm k-najbliższych sąsiadów - model leniwego uczenia. ROZDZIAŁ 4. TWORZENIE DOBRYCH ZBIORÓW UCZĄCYCH - WSTĘPNE PRZETWARZANIE DANYCH: Kwestia brakujących danych ; Przetwarzanie danych kategoryzujących ; Rozdzielanie zestawu danych na oddzielne podzbiory uczące i testowe ; Skalowanie cech ; Dobór odpowiednich cech ; Ocenianie istotności cech za pomocą algorytmu losowego lasu. ROZDZIAŁ 5. KOMPRESJA DANYCH POPRZEZ REDUKCJĘ WYMIAROWOŚCI: Nienadzorowana redukcja wymiarowości za pomocą analizy głównych składowych ; Nadzorowana kompresja danych za pomocą liniowej analizy dyskryminacyjnej ; Jądrowa analiza głównych składowych jako metoda odwzorowywania nierozdzielnych liniowo klas. ROZDZIAŁ 6. NAJLEPSZE METODY OCENY MODELU I STROJENIE PARAMETRYCZNE: Usprawnianie cyklu pracy za pomocą kolejkowania ; Stosowanie k-krotnego sprawdzianu krzyżowego w ocenie skuteczności modelu ; Sprawdzanie algorytmów za pomocą krzywych uczenia i krzywych walidacji ; Dostrajanie modeli uczenia maszynowego za pomocą metody przeszukiwania siatki ; Przegląd metryk oceny skuteczności. ROZDZIAŁ 7. ŁĄCZENIE RÓŻNYCH MODELI W CELU UCZENIA ZESPOŁOWEGO: Uczenie zespołów ; Implementacja prostego klasyfikatora wykorzystującego głosowanie większościowe ; Ewaluacja i strojenie klasyfikatora zespołowego ; Agregacja - tworzenie zespołu klasyfikatorów za pomocą próbek początkowych ; Usprawnianie słabych klasyfikatorów za pomocą wzmocnienia adaptacyjnego. ROZDZIAŁ 8. WYKORZYSTYWANIE UCZENIA MASZYNOWEGO W ANALIZIE SENTYMENTÓW: Zestaw danych IMDb movie review ; Wprowadzenie do modelu worka słów ; Uczenie modelu regresji logistycznej w celu klasyfikowania tekstu ; Praca z większą ilością danych - algorytmy sieciowe i uczenie pozardzeniowe. ROZDZIAŁ 9. WDRAŻANIE MODELU UCZENIA MASZYNOWEGO DO APLIKACJI SIECIOWEJ: Serializacja wyuczonych estymatorów biblioteki scikit-learn ; Konfigurowanie bazy danych SQLite ; Tworzenie aplikacji sieciowej za pomocą środowiska Flask ; Nasza pierwsza aplikacja sieciowa ; Umieszczanie aplikacji sieciowej na publicznym serwerze. ROZDZIAŁ 10. PRZEWIDYWANIE CIĄGŁYCH ZMIENNYCH DOCELOWYCH ZA POMOCĄ ANALIZY REGRESYWNEJ: Wprowadzenie do prostego modelu regresji liniowej ; Zestaw danych Housing ; Implementacja modelu regresji liniowej wykorzystującego zwykłą metodę najmniejszych kwadratów ; Uczenie odpornego modelu regresywnego za pomocą algorytmu RANSAC ; Ocenianie skuteczności modeli regresji liniowej ; Stosowanie regularyzowanych metod regresji ; Przekształcanie modelu regresji liniowej w krzywą - regresja wielomianowa. ROZDZIAŁ 11. PRACA Z NIEOZNAKOWANYMI DANYMI - ANALIZA SKUPIEŃ: Grupowanie obiektów na podstawie podobieństwa przy użyciu algorytmu centroidów ; Organizowanie skupień do postaci drzewa klastrów ; Wyznaczanie rejonów o dużej gęstości za pomocą algorytmu DBSCAN. ROZDZIAŁ 12. TRENOWANIE SZTUCZNYCH SIECI NEURONOWYCH W ROZPOZNAWANIU OBRAZU: Modelowanie złożonych funkcji przy użyciu sztucznych sieci neuronowych ; Klasyfikowanie pisma odręcznego ; Trenowanie sztucznej sieci neuronowej ; Ujęcie intuicyjne algorytmu wstecznej propagacji ; Usuwanie błędów w sieciach neuronowych za pomocą sprawdzania gradientów ; Zbieżność w sieciach neuronowych ; Inne architektury sieci neuronowych ; Jeszcze słowo o implementacji sieci neuronowej. ROZDZIAŁ 13. RÓWNOLEGŁE PRZETWARZANIE SIECI NEURONOWYCH ZA POMOCĄ BIBLIOTEKI THEANO: Tworzenie, kompilowanie i uruchamianie wyrażeń w interfejsie Theano ; Dobór funkcji aktywacji dla jednokierunkowych sieci neuronowych ; Skuteczne uczenie sieci neuronowych za pomocą biblioteki Keras.

Przedmowa ; Wstęp ; Podziękowania ; 1. Sekret automatu ; 2. Samochody autonomiczne i Grand DARPA Challenge ; 3. Utrzymać się na drodze. Percepcja samochodów autonomicznych ; 4. Ustępowanie pierwszeństwa na skrzyżowaniach. Mózg samochodu autonomicznego ; 5. Netflix i konkurs na najlepszy algorytm rekomendacji ; 6. Zjednoczone zespoły: zwycięzcy Nagrody Netfliksa ; 7. Jak uczyć komputery, karmiąc je smakołykami ; 8. Jak zwyciężać w grach Atari dzięki sieciom neuronowym ; 9. Jak sztuczne sieci neuronowe widzą świat ; 10. Zaglądając pod maskę głębokich sieci neuronowych ; 11. Sieci neuronowe, które słyszą, mówią i pamiętają ; 12. Rozumienie języka naturalnego (i pytań w grze Jeopardy!) ; 13. Wydobywanie najlepszej odpowiedzi w grze Jeopardy! ; 14. Dobra strategia wyszukaną metodą siłową ; 15. Partia w go na poziomie eksperckim ; 16. Sztuczna inteligencja czasu rzeczywistego i StarCraft ; 17. Pięćdziesiąt (lub więcej) lat później.

1. Ogólne uwagi o podejściu systemowym w badaniach

bionicznych 2. Zasady przekazywania informacji w systemie nerwowym 3. Struktury układów sterowania 4. Sieci neuropodobne jako układy do przetwarzania

danych 5. Rozpoznawanie i ocena sytuacji 6. Układy i systemy uczące się