•  Część 1 - Podstawy sztucznej inteligencji
•  Część 2 - Dane
•  Część 3 - Uczenie maszynowe: Jest to podzbiór sztucznej inteligencji i obejmuje tradycyjne techniki statystyczne, takie jak regresja. Ale w tym rozdziale omówimy również zaawansowane algorytmy, takie jak k-Nearest Neighbor (k-NN) i Naive Bayes Classifier. Oprócz tego przyjrzymy się, jak stworzyć model uczenia maszynowego.
•  Część 4 - Głębokie uczenie: Jest to kolejny podzbiór sztucznej inteligencji i jest to wyraźnie ten, w którym w ciągu ostatniej dekady pojawiło się wiele innowacji. Głębokie uczenie polega na wykorzystywaniu sieci neuronowych do znajdowania wzorców naśladujących mózg. W rozdziale przyjrzymy się głównym algorytmom, takim jak rekurencyjne sieci neuronowe (RNN), splotowe sieci neuronowe (CNN) i generatywne sieci kontradyktoryjne (GAN). Pojawią się również wyjaśnienia kluczowych pojęć, takich jak propagacja wsteczna.
•  Część 5 - Automatyzacja procesów robotycznych: Wykorzystuje systemy do automatyzacji powtarzalnych procesów, takich jak wprowadzanie danych do systemu zarządzania relacjami z klientami (CRM). Robotic Process Automation (RPA) odnotował ogromny wzrost w ciągu ostatnich kilku lat ze względu na wysoki ROI (zwrot z inwestycji). Technologia była również wstępnym sposobem wdrażania sztucznej inteligencji przez firmy.
•  Część 6 - Przetwarzanie języka naturalnego (NLP): Ta forma sztucznej inteligencji, która obejmuje rozumienie rozmów, jest najbardziej wszechobecna w przypadku Siri, Cortany i Alexy. Ale systemy NLP, takie jak chatboty, również stały się krytyczne w świecie korporacji. Ten rozdział pokaże, jak efektywnie wykorzystać tę technologię i jak uniknąć trudnych problemów.
•  Część 7 - Roboty fizyczne: Sztuczna inteligencja zaczyna mieć duży wpływ na tę branżę. Dzięki głębokiemu uczeniu robotom łatwiej jest zrozumieć swoje środowisko. W tym rozdziale przyjrzymy się zarówno robotom konsumenckim, jak i przemysłowym, na przykład z niezliczoną liczbą przypadków użycia.
•  Część 8 - Wdrażanie sztucznej inteligencji: Przyjmiemy krok po kroku podejście do tworzenia projektu sztucznej inteligencji, od początkowej koncepcji do wdrożenia. W tym rozdziale omówimy również różne narzędzia, takie jak Python, TensorFlow i PyTorch.
•  Część 9 - Przyszłość sztucznej inteligencji: W tym rozdziale omówione zostaną niektóre z największych trendów w sztucznej inteligencji, takie jak jazda autonomiczna, uzbrojenie sztucznej inteligencji, bezrobocie technologiczne, odkrywanie leków i regulacje prawne.


Typowe typy algorytmów uczenia maszynowego

Nie mamy wystarczająco dużo miejsca, aby omówić wszystkie algorytmy uczenia maszynowego! Zamiast tego lepiej skupić się na najczęstszych. W dalszej części przyjrzymy się tym w następujących przypadkach:

•  Uczenie nadzorowane: Algorytmy można sprowadzić do dwóch wariantów. Jednym z nich jest klasyfikacja, która dzieli zbiór danych na wspólne etykiety. Przykłady algorytmów obejmują naiwny klasyfikator Bayesa i k-najbliższy sąsiad. Następnie następuje regresja, która znajduje w danych ciągłe wzorce. W tym celu przyjrzymy się regresji liniowej, modelowaniu zespołowemu i drzewom decyzyjnym.
•  Nienadzorowane uczenie się: W tej kategorii przyjrzymy się grupowaniu. W tym celu omówimy klastrowanie k-średnich.